പൈത്തണിനൊപ്പം ഓട്ടോമോട്ടീവ് ഡാറ്റ വിശകലനം: അവസാനം മുതൽ അവസാനം വരെ

നേട്ടങ്ങൾ:

• പാണ്ടകൾ ഉപയോഗിച്ച് ടെലിമെട്രി, ടെസ്റ്റ്, പ്രൊഡക്ഷൻ ഡാറ്റ എന്നിവ ലോഡ് ചെയ്യുകയും വൃത്തിയാക്കുകയും ചെയ്യുന്ന ഒരു ആവർത്തന വിശകലന വർക്ക്ഫ്ലോ സ്ഥാപിക്കാനുള്ള കഴിവ്
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ നിന്ന് കോഡ്, ആട്രിബ്യൂട്ടുകൾ, വിഷ്വലൈസേഷൻ സഹായം എന്നിവ സ്വീകരിക്കുമ്പോൾ ഔട്ട്‌പുട്ട് ലൈൻ ലൈൻ വഴി മനസ്സിലാക്കാനും പരിശോധിക്കാനുമുള്ള കഴിവ്
• യൂണിറ്റ് സ്ഥിരത, ഡാറ്റ ചോർച്ച, പുനരുൽപാദനക്ഷമത എന്നിവയ്ക്കായി വിശകലന ഫലങ്ങൾ ഓഡിറ്റ് ചെയ്യാനുള്ള കഴിവ്

മുൻ യൂണിറ്റുകളിൽ, ഞങ്ങൾ ഒരു "ഉപദേശകൻ" പോലെ കൃത്രിമ ബുദ്ധി ഉപയോഗിച്ചു. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ ഒരു പടി കൂടി മുന്നോട്ട് പോയി പൈത്തൺ ഉപയോഗിച്ച് സ്വന്തം കൈകൊണ്ട് ഓട്ടോമോട്ടീവ് ഡാറ്റ വിശകലനം ചെയ്യുന്ന ഒരു വർക്ക്ഫ്ലോ സ്ഥാപിക്കുന്നു. നിങ്ങളെ ഒരു സോഫ്റ്റ്‌വെയർ ഡെവലപ്പർ ആക്കുക എന്നതല്ല ലക്ഷ്യം; AI-യിൽ നിന്ന് കോഡ് സഹായം ലഭിക്കുമ്പോൾ വരി വരിയായി ആ കോഡ് മനസ്സിലാക്കാനും പരിശോധിക്കാനും കഴിയുന്ന ഒരു എഞ്ചിനീയറെ ഉണ്ടാക്കുക എന്നതാണ്. കാരണം AI നിർമ്മിക്കുന്ന വാചകം പോലെ തന്നെ AI നിർമ്മിക്കുന്ന കോഡും തെറ്റായിരിക്കാം; വോളിയം ആശയക്കുഴപ്പത്തിലാക്കാം, ഡാറ്റ ചോർത്തുക, തെറ്റായ കോളം കേന്ദ്രീകരിക്കുക. കോഡ് മനസ്സിലാക്കാതെ പ്രവർത്തിപ്പിക്കുന്നത് ഒപ്പിടാത്ത റിപ്പോർട്ട് പ്രസിദ്ധീകരിക്കുന്നതിന് തുല്യമാണ്.

പൈത്തൺ എന്തുകൊണ്ട്? ഡാറ്റാ വിശകലനത്തിലെ യഥാർത്ഥ സ്റ്റാൻഡേർഡ് ആയതിനാൽ: നിങ്ങൾക്ക് ടെലിമെട്രി, ടെസ്റ്റ്, പ്രൊഡക്ഷൻ ഡാറ്റ എന്നിവ പാണ്ടകൾ (ടേബിൾ ഡാറ്റ), നമ്പി (സംഖ്യാ പ്രോസസ്സിംഗ്), മാറ്റ്‌പ്ലോട്ട്‌ലിബ് (പ്ലോട്ട്), സ്കിറ്റ്-ലേൺ (മെഷീൻ ലേണിംഗ്) ലൈബ്രറികൾ എന്നിവ ഉപയോഗിച്ച് എളുപ്പത്തിൽ പ്രോസസ്സ് ചെയ്യാൻ കഴിയും.

പുനരുൽപ്പാദിപ്പിക്കാവുന്ന വിശകലനത്തിലേക്കുള്ള ആറ് ഘട്ടങ്ങൾ

ഒരു സോളിഡ് വിശകലനം എല്ലായ്പ്പോഴും ഒരേ ചട്ടക്കൂട് പിന്തുടരുന്നു:

1. ലോഡ്: ഫയലിൽ നിന്നുള്ള ഡാറ്റ വായിക്കുക.
2. പരിശോധിക്കുക: അളവുകൾ, നിരകൾ, ഡാറ്റ തരങ്ങൾ, നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ.
3. ക്ലീൻ: കാണുന്നില്ല/ഔട്ട്‌ലിയർ, യൂണിറ്റ്, ടൈംസ്റ്റാമ്പ് തിരുത്തൽ.
4. എക്സ്ട്രാക്റ്റ് ഫീച്ചർ: അർത്ഥവത്തായ വേരിയബിളുകൾ നേടുക.
5. വിശകലനം/മോഡൽ: സ്ഥിതിവിവരക്കണക്കുകൾ, ദൃശ്യവൽക്കരണം അല്ലെങ്കിൽ മോഡൽ.
6. പരിശോധിച്ച് റിപ്പോർട്ട് ചെയ്യുക: റിസൾട്ട് പ്രൊവിഷൻ, വോളിയം/ലീക്ക് ചെക്ക്, റെക്കോർഡിംഗ്.

നുറുങ്ങ്: AI-യോട് കോഡ് ആവശ്യപ്പെടുമ്പോൾ, "ഓരോ ഘട്ടത്തിലും നിങ്ങൾ എന്താണ് ചെയ്യുന്നതെന്ന് അഭിപ്രായപ്പെടുകയും നിങ്ങളുടെ അനുമാനങ്ങൾ എഴുതുകയും ചെയ്യുക" എന്ന് പറയുക. അതിനാൽ നിങ്ങൾ കോഡ് വായിക്കുമ്പോൾ അത് പരിശോധിച്ചുറപ്പിക്കാം.

ഘട്ടം ഘട്ടമായുള്ള ഉദാഹരണം: ടെലിമെട്രി വിശകലനം

ഇനിപ്പറയുന്ന കോഡ് ഒരു CAN/ടെലിമെട്രി റെക്കോർഡ് ലോഡ് ചെയ്യുകയും അടിസ്ഥാന പരിശോധന നടത്തുകയും ചെയ്യുന്നു. (ശ്രദ്ധിക്കുക: കോഡുകൾ പ്രവർത്തിപ്പിക്കുന്നതിന് മുമ്പ് അവ നിങ്ങൾ മനസ്സിലാക്കുന്നുവെന്ന് ഉറപ്പാക്കുക; നിങ്ങളുടെ ഡാറ്റയെ ആശ്രയിച്ച് കോളത്തിൻ്റെ പേരുകൾ വ്യത്യാസപ്പെടും.)

പാണ്ടകളെ pd# ആയി ഇറക്കുമതി ചെയ്യുക ടെക്സ്റ്റ്)പ്രിൻ്റ്(df.isna().sum()) ഓരോ കോളം പ്രിൻ്റിനും നഷ്ടപ്പെട്ട മൂല്യങ്ങളുടെ എണ്ണം(df.describe()) # സംഗ്രഹ സ്ഥിതിവിവരക്കണക്കുകൾ: മിനിറ്റ്, പരമാവധി, ശരാശരി

പരിശോധിച്ചുറപ്പിക്കാനുള്ള നിങ്ങളുടെ ആദ്യ അവസരമാണ് വിവരിക്കുക() ഔട്ട്‌പുട്ട്: എഞ്ചിൻ വേഗത പരമാവധി മൂല്യം 45,000 rpm ആണെങ്കിൽ (സാധാരണ പാസഞ്ചർ എഞ്ചിൻ ~7,000 rpm), ഒരു യൂണിറ്റ് അല്ലെങ്കിൽ സെൻസർ തകരാറുണ്ട്.

ഓഡിറ്റിംഗ് ഘട്ടത്തിൽ ഏറ്റവും കൂടുതൽ ഉപയോഗിക്കുന്ന പാണ്ടകളുടെ കമാൻഡുകളും അവ ചെയ്യുന്ന കാര്യങ്ങളും:

കമാൻഡ്

എന്ത് ചെയ്യുന്നു

അത് എന്താണ് സ്ഥിരീകരിക്കുന്നത്?

df.shape

വരികളുടെ/നിരകളുടെ എണ്ണം

ഇത് പ്രതീക്ഷിച്ച വലുപ്പമാണോ?

df.dtypes

നിര തരങ്ങൾ

നമ്പർ കോളം വാചകമായി മാറിയോ?

df.isna().sum()

മൂല്യങ്ങളുടെ എണ്ണം നഷ്‌ടമായി

എത്ര സ്ഥലം ഉണ്ട്?

df.describe()

കുറഞ്ഞത്/പരമാവധി/ശരാശരി

ഇത് ശാരീരികമായി യുക്തിസഹമാണോ?

df.duplicated().sum()

തനിപ്പകർപ്പ് വരി

ഇരട്ട രജിസ്ട്രേഷൻ ഉണ്ടോ?

# 3) മായ്‌ക്കുക: ഭൗതികമായി അസാധ്യമായ മൂല്യങ്ങൾ അടയാളപ്പെടുത്തുക

മുന്നറിയിപ്പ്: ഔട്ട്‌ലിയർ ഉടനടി ഇല്ലാതാക്കരുത്; എന്തുകൊണ്ടാണ് ഇത് പുറംതള്ളപ്പെട്ടതെന്ന് ആദ്യം മനസ്സിലാക്കുക. ഇതൊരു യഥാർത്ഥ സംഭവമാണോ (പെട്ടെന്നുള്ള ചൂടാക്കൽ) അല്ലെങ്കിൽ സെൻസർ പരാജയമാണോ? അന്ധമായി ഇല്ലാതാക്കുന്നത് യഥാർത്ഥ തെറ്റ് മറച്ചേക്കാം.

# 4) എക്‌സ്‌ട്രാക്‌റ്റ് ഫീച്ചർ: താപനില വർദ്ധനവ് നിരക്ക് (ഡെറിവേറ്റീവ്)df = df.sort_values("time")df["sic_increase_speed"] = df["motor_sic"].diff() / df["time"].diff().dt.total_seconds.Simpleisation.dt.total_seconds ()# pltplt.plot(df["time"], df["motor_sic"])plt.xlabel("Time"); plt.ylabel("എഞ്ചിൻ താപനില (C)")plt.title("എഞ്ചിൻ താപനില കോഴ്സ്")plt.show()

പൈത്തണിലെ ഡാറ്റ ചോർച്ച തടയുന്നു

ഒരു പ്രവചന മോഡൽ നിർമ്മിക്കുമ്പോൾ ഏറ്റവും അപകടകരമായ തെറ്റ് ഡാറ്റ ചോർച്ചയാണ് (യൂണിറ്റ് 5): പ്രവചന സമയത്ത് അറിയാൻ കഴിയാത്ത വിവരങ്ങൾ മോഡൽ കാണുമ്പോൾ. സമയ ശ്രേണിയിൽ ഇത് ഒഴിവാക്കാനുള്ള സുവർണ്ണ നിയമം: ഭൂതകാലത്തെ പരിശീലിപ്പിക്കുക, ഭാവിയുമായി പരീക്ഷിക്കുക - ക്രമരഹിതമായ ഷഫിൾ ചെയ്യരുത്.

sklearn.model_selection ഇംപോർട്ട് ട്രെയിൻ_ടെസ്റ്റ്_സ്പ്ലിറ്റ്

മുന്നറിയിപ്പ്: train_test_split സ്ഥിരസ്ഥിതിയായി ഡാറ്റ ഷഫിൾ ചെയ്യുന്നു (ഷഫിൾ=ട്രൂ). സമയ ശ്രേണിയിൽ, ഇത് ഭാവിയെ വിദ്യാഭ്യാസവുമായി ആശയക്കുഴപ്പത്തിലാക്കുകയും തെറ്റായ ഉയർന്ന സ്കോർ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു. AI അത് നിർമ്മിക്കുന്ന കോഡിൽ ഇത് ചെയ്തിട്ടുണ്ടെങ്കിൽ, അത് പരിഹരിക്കുന്നത് ഉറപ്പാക്കുക.

യൂണിറ്റ് സ്ഥിരത: നിശബ്ദ കൊലയാളി

ഓട്ടോമോട്ടീവിലെ ഏറ്റവും വഞ്ചനാപരമായ പിശകുകൾ യൂണിറ്റ് പിശകുകളാണ്: km/h മുതൽ m/s വരെ, Nm മുതൽ lb-ft വരെ, ബാർ മുതൽ kPa, °C മുതൽ K വരെ. വിശകലനത്തിൽ ഓരോ നിരയുടെയും യൂണിറ്റ് എന്താണെന്നതിൻ്റെ നിഘണ്ടു സൂക്ഷിക്കുകയും പരിവർത്തനങ്ങൾ വ്യക്തമായി എഴുതുകയും ചെയ്യുന്നത് ജീവൻ രക്ഷിക്കുന്നു.

# യൂണിറ്റുകൾ വ്യക്തമായി രേഖപ്പെടുത്തുക = {"വേഗത": "km/h", "motor_sic": "C", "pressure": "bar"}# ആവശ്യമെങ്കിൽ വ്യക്തമായ പരിവർത്തനം (km/h -> m/s)df["speed_ms"] = df["speed"] / 3.6

മിനി കേസ് പഠനങ്ങൾ

കേസ് 1 - വിവരിക്കുന്നതിൽ () പിശക് കണ്ടെത്തി. ഒരു അനലിസ്റ്റ് AI-യിൽ നിന്ന് കോഡ് പ്രവർത്തിപ്പിക്കുകയും ഒരു പരിധി കണക്കാക്കുകയും ചെയ്യുന്നു; ഫലം അസംബന്ധമായി ഉയർന്നതാണ്. വിവരിക്കുക() ഔട്ട്‌പുട്ട് നോക്കുമ്പോൾ, ബാറ്ററി കപ്പാസിറ്റി ചില വരികളിൽ Wh-ലും മറ്റുള്ളവയിൽ kWh-ലും (1000 മടങ്ങ് വ്യത്യാസം) നൽകിയതായി കാണാം. യൂണിറ്റ് ഒരു യൂണിഫോം തരത്തിലേക്ക് കൊണ്ടുവരുമ്പോൾ, ഫലം മെച്ചപ്പെടുന്നു. ഉപസംഹാരം: ഒരു ലളിതമായ സംഗ്രഹ സ്ഥിതിവിവരക്കണക്ക് ഒരു മോശം പ്രവചനത്തെ തടഞ്ഞു.

കേസ് 2 - ആശയക്കുഴപ്പം കെണി. ഒരു ഇൻ്റേണിൻ്റെ ബ്രേക്ക് വെയർ മോഡൽ ടെസ്റ്റ് സെറ്റിൽ 98% കൃത്യതയുള്ളതായിരുന്നു. കോഡ് പരിശോധിക്കുമ്പോൾ, ട്രെയിൻ_ടെസ്റ്റ്_സ്പ്ലിറ്റും (ഷഫിൾ=ട്രൂ) സമയ ശ്രേണിയും മിക്സഡ് ആണെന്ന് കാണാൻ കഴിയും, അതായത് പരിശീലനത്തിലേക്ക് ഭാവി പോയിൻ്റുകൾ ചോർന്നുപോകുന്നു. സമയം കൊണ്ട് ഹരിക്കുമ്പോൾ, കൃത്യത 80% ആയി കുറയുന്നു, എന്നാൽ അത് ഇപ്പോൾ യാഥാർത്ഥ്യമാണ്. ഉപസംഹാരം: AI കോഡ് പ്രവർത്തിച്ചതിനാൽ, അത് ശരിയായില്ല; മനുഷ്യൻ ചോർച്ച പിടിച്ചു.

കേസ് 3 - പുറത്തുള്ളവരെ മനസ്സിലാക്കുക. ഒരു ഡ്യൂറബിലിറ്റി റെക്കോർഡിൽ, AI കോഡ് സ്വയമേവ ഔട്ട്‌ലിയർ സ്ട്രെയിൻ മൂല്യങ്ങൾ ഇല്ലാതാക്കുന്നു. എഞ്ചിനീയർ ഇല്ലാതാക്കിയ പോയിൻ്റുകൾ നോക്കുന്നു; പരിശോധനയ്ക്ക് താൽപ്പര്യമുള്ള ക്രാക്ക് തുടക്കത്തിൻ്റെ നിമിഷങ്ങൾ ഇവയായിരുന്നു. ഇല്ലാതാക്കൽ നീക്കം ചെയ്യുകയും ലംഘനങ്ങൾ പ്രത്യേക അവലോകനത്തിന് വിധേയമാക്കുകയും ചെയ്യുന്നു. ഫലം: "ക്ലീനിംഗ്" എന്നതിന് കീഴിൽ യഥാർത്ഥ സിഗ്നൽ ഇല്ലാതാക്കാൻ കഴിയും; ഓരോ ചുവടും ചോദ്യം ചെയ്യുക.

പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ടെംപ്ലേറ്റ് 1 - അഭ്യർത്ഥന കോഡ് (വിശദീകരണത്തോടൊപ്പം):

റോൾ: നിങ്ങളൊരു പൈത്തൺ ഡാറ്റാ അനലിസ്റ്റ് മെൻ്ററാണ്. ടാസ്‌ക്: ഒരു ടെലിമെട്രി CSV ലോഡ് ചെയ്യുകയും പരിശോധിക്കുകയും ചെയ്യുന്ന കോഡ് എഴുതുക. സന്ദർഭം: കോളങ്ങൾ: സമയം, വേഗത(km/h), engine_sic(C), വിപ്ലവം(rpm).നിയന്ത്രണം: ഓരോ വരിയും കമൻ്റ് ചെയ്യുക; ഏത് പരിശോധനയാണ് നടത്തിയതെന്നും എന്തുകൊണ്ടാണെന്നും വിശദമാക്കാമോ; ഭൗതികമായി അസാധ്യമായ മൂല്യ പരിശോധന ചേർക്കുക; ഒന്നും മിണ്ടാതെ ഇല്ലാതാക്കുന്നു. ഔട്ട്‌പുട്ട്: കമൻ്റ് ചെയ്‌ത കോഡ് + ഏത് ഔട്ട്‌പുട്ടാണ് ഞാൻ നോക്കേണ്ടത്, എന്തുകൊണ്ട്.

ടെംപ്ലേറ്റ് 2 - ചോർച്ച പരിശോധന:

റോൾ: നിങ്ങളൊരു മെഷീൻ ലേണിംഗ് കോഡ് റിവ്യൂറാണ്. ടാസ്‌ക്: ഡാറ്റ ചോർച്ചയ്‌ക്കായി ഇനിപ്പറയുന്ന പരിശീലനം/ടെസ്റ്റ് സ്പ്ലിറ്റ് കോഡ് പരിശോധിക്കുക. സന്ദർഭം: ഇതൊരു സമയ ശ്രേണിയാണ് (വാഹന ടെലിമെട്രി). പരിമിതി: ക്രമരഹിതമായ ഷഫിളിംഗ് ഉണ്ടെങ്കിൽ മുന്നറിയിപ്പ് നൽകുക; സമയത്തിനനുസരിച്ച് വിഭജനം നിർദ്ദേശിക്കുകയും ന്യായീകരിക്കുകയും ചെയ്യുക. ഔട്ട്പുട്ട്: കണ്ടെത്തലുകൾ + തിരുത്തിയ കോഡ് + വിശദീകരണം.

ടെംപ്ലേറ്റ് 3 - യൂണിറ്റ് മൂല്യനിർണ്ണയം:

റോൾ: നിങ്ങളൊരു ഡാറ്റ ക്വാളിറ്റി ഓഡിറ്ററാണ്. ടാസ്‌ക്: ഒരു ഡാറ്റാഫ്രെയിമിൽ യൂണിറ്റ് പൊരുത്തക്കേട് അന്വേഷിക്കുന്ന പരിശോധനകൾ നിർദ്ദേശിക്കുക. സന്ദർഭം: ശേഷി ചില വരികളിൽ kWh ഉം മറ്റുള്ളവയിൽ Wh ഉം ആയിരിക്കാം. ഔട്ട്‌പുട്ട്: കോഡ് പരിശോധിക്കുക + സംശയാസ്‌പദമായ പാറ്റേൺ എങ്ങനെ കണ്ടെത്താം.

ടെംപ്ലേറ്റ് 4 - ദൃശ്യവൽക്കരണം + അഭിപ്രായം:

റോൾ: നിങ്ങളൊരു ഡാറ്റ വിഷ്വലൈസേഷൻ വിദഗ്ധനാണ്. ടാസ്‌ക്: എഞ്ചിൻ താപനിലയുടെ ഗതിയും വർദ്ധനവിൻ്റെ നിരക്കും പ്ലോട്ട് ചെയ്യുന്ന കോഡ് എഴുതുക. നിയന്ത്രണം: യൂണിറ്റ് ഉപയോഗിച്ച് അക്ഷങ്ങൾ ലേബൽ ചെയ്യുക; ദൃശ്യപരമായി അപാകത അടയാളപ്പെടുത്തുക; ഗ്രാഫ് വ്യാഖ്യാനിക്കുമ്പോൾ കൃത്യമായ പിഴവ് അവകാശപ്പെടരുത്. ഔട്ട്പുട്ട്: കോഡ് + ഗ്രാഫിൽ എന്താണ് തിരയേണ്ടത്.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ഡാറ്റ ഉപയോഗിച്ച് ഒരു മോഡൽ നിർമ്മിക്കുക.

ഏത് ടാർഗെറ്റ്, ഏത് കമ്പാർട്ട്മെൻ്റ്, ഏത് വെരിഫിക്കേഷൻ എന്ന് വ്യക്തമല്ല; സ്‌ക്രാംബിൾഡ്, ലീക്കി, യൂണിറ്റ് ബ്ലൈൻഡ് കോഡ് ഔട്ട്‌പുട്ട് ചെയ്യാൻ AI-ക്ക് കഴിയും.

ശക്തമായ നിർദ്ദേശം:

റോൾ: നിങ്ങളൊരു പൈത്തൺ എംഎൽ ഉപദേശകനാണ്. ടാസ്‌ക്: ബ്രേക്ക് പാഡ് ധരിക്കുന്നത് പ്രവചിക്കുന്നതിനും മൂല്യനിർണ്ണയ അപകടങ്ങൾ പ്രകടിപ്പിക്കുന്നതിനും ഒരു പ്രാരംഭ വർക്ക്ഫ്ലോ എഴുതുക. സന്ദർഭം: സമയ ശ്രേണി ടെലിമെട്രി; ലക്ഷ്യം: ശേഷിക്കുന്ന പാഡ് കനം. നിയന്ത്രണം: സമയം അനുസരിച്ച് സമയ ശ്രേണി വിഭജിക്കുക (ഷഫിൾ ചെയ്യരുത്); ഡാറ്റ ചോർച്ചയുടെ അപകടസാധ്യതയുള്ള ആട്രിബ്യൂട്ടുകൾ ഫ്ലാഗ് ചെയ്യുക; ഡോക്യുമെൻ്റ് യൂണിറ്റുകൾ;ഓരോ ഘട്ടവും വ്യാഖ്യാനിക്കുക; ഫലം ഫീൽഡിലേക്ക് പോകുന്നതിന് മുമ്പ് എന്തൊക്കെ പരിശോധനകൾ ആവശ്യമാണ് എന്ന് എഴുതുക. ഔട്ട്‌പുട്ട്: കമൻ്റ് ചെയ്‌ത കോഡ് + സ്ഥിരീകരണ ചെക്ക്‌ലിസ്റ്റ്.

സാധാരണ തെറ്റുകൾ

• കോഡ് മനസ്സിലാക്കാതെ പ്രവർത്തിപ്പിക്കുന്നു. AI കോഡും തെറ്റായിരിക്കാം; വരി വരിയായി വായിക്കുക.
• മിക്സിംഗ് സമയ ശ്രേണി. shuffle=True ഭാവിയെ ചോർത്തുകയും ഒരു വ്യാജ സ്കോർ ഉണ്ടാക്കുകയും ചെയ്യുന്നു.
• ഔട്ട്‌ലിയർ അന്ധമായി ഇല്ലാതാക്കുക. യഥാർത്ഥ സിഗ്നൽ (തകരാർ ആരംഭിക്കുന്നത്) മായ്‌ക്കാനാകും.
• യൂണിറ്റ് രേഖപ്പെടുത്തുന്നില്ല. km/h vs m/s, Wh vs kWh തുടങ്ങിയ പിശകുകൾ നിശബ്ദമായി വളരുന്നു.
• വിവരിക്കുക()/ചെക്ക് സ്റ്റെപ്പ് ഒഴിവാക്കുന്നു. ആദ്യ സംഗ്രഹ സ്ഥിതിവിവരക്കണക്കുകളിൽ മിക്ക പിശകുകളും ദൃശ്യമാകുന്നു.

ചുരുക്കത്തിൽ

• പൈത്തൺ (പാണ്ടകൾ, നമ്പി, മാറ്റ്‌പ്ലോട്ട്‌ലിബ്, സ്‌കിക്കിറ്റ്-ലേൺ) ഓട്ടോമോട്ടീവ് ഡാറ്റ വിശകലനത്തിൻ്റെ യഥാർത്ഥ മാനദണ്ഡമാണ്.
• ആവർത്തിക്കാവുന്ന വിശകലനം: ലോഡ് ചെയ്യുക, പരിശോധിക്കുക, വൃത്തിയാക്കുക, ഫീച്ചർ ചെയ്യുക, വിശകലനം ചെയ്യുക, സാധൂകരിക്കുക, റിപ്പോർട്ട് ചെയ്യുക.
• AI ഉത്പാദിപ്പിക്കുന്ന കോഡ് ഓരോ വരിയിലും മനസ്സിലാക്കുകയും പരിശോധിക്കുകയും ചെയ്യേണ്ടത് അത്യന്താപേക്ഷിതമാണ്; അത് പ്രവർത്തിക്കുന്നു എന്നതുകൊണ്ട് അത് ശരിയാണെന്ന് അർത്ഥമാക്കുന്നില്ല.
• സമയ ശ്രേണിയിൽ ഭൂതകാല/ഭാവി വ്യത്യാസം നിലനിർത്തുക; റാൻഡം ഷഫിൾ ചെയ്യുന്നത് ഡാറ്റ ചോർച്ച സൃഷ്ടിക്കുന്നു.
• യൂണിറ്റ് സ്ഥിരതയും അതിരുകടന്ന വ്യാഖ്യാനവും നിശബ്ദമാണ്, എന്നാൽ സ്ഥിരീകരണത്തിൻ്റെ നിർണായക പോയിൻ്റുകളാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ചെറിയ ഡാറ്റ സെറ്റ് (യഥാർത്ഥ അല്ലെങ്കിൽ സിന്തറ്റിക് ടെലിമെട്രി) എടുക്കുക. (1) ആറ്-ഘട്ട ചട്ടക്കൂട് പിന്തുടർന്ന്, ടെംപ്ലേറ്റ് 1 ഉപയോഗിച്ച് ലോഡിംഗ്, കൺട്രോൾ കോഡ് സൃഷ്ടിച്ച് ഓരോ വരിയും നിങ്ങൾ മനസ്സിലാക്കുന്നുവെന്ന് സ്ഥിരീകരിക്കുക. (2) വിവരിക്കുന്ന () ഔട്ട്‌പുട്ടിൽ സംശയാസ്പദമായ ഒരു മൂല്യമെങ്കിലും കണ്ടെത്തി എന്തുകൊണ്ടെന്ന് അന്വേഷിക്കുക. (3) ഒരു പ്രവചന ടാസ്ക്കിൽ, പരിശീലനം/ടെസ്റ്റ് സ്പ്ലിറ്റ് സമയം, ടെംപ്ലേറ്റ് 2 ഉപയോഗിച്ച് ചോർച്ചയുടെ സാധ്യത പരിശോധിക്കുക. (4) നിങ്ങൾ ഒരു നിഘണ്ടുവിൽ ഉപയോഗിക്കുന്ന ഓരോ കോളത്തിൻ്റെയും യൂണിറ്റ് രേഖപ്പെടുത്തുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഒരു ആറ്-ഘട്ട ചട്ടക്കൂട് ഉപയോഗിച്ച് വിശകലനം സജ്ജമാക്കി.
• AI നിർമ്മിച്ച കോഡ് ഞാൻ വരി വരിയായി വായിക്കുകയും മനസ്സിലാക്കുകയും ചെയ്തു.
• [ ] ഞാൻ വിവരിക്കുന്ന ()/ഓഡിറ്റിനൊപ്പം സംശയാസ്പദമായ മൂല്യങ്ങൾക്കായി നോക്കി.
• [ ] ഞാൻ സമയ ശ്രേണിയെ സമയമനുസരിച്ച് വിഭജിച്ചു (ഷഫിളിംഗ് ഇല്ല).
• [ ] ഡാറ്റ ചോർച്ചയ്ക്ക് സാധ്യതയുള്ള ആട്രിബ്യൂട്ടുകൾ ഞാൻ അടയാളപ്പെടുത്തി.
• [ ] ഞാൻ ഓരോ നിരയുടെയും യൂണിറ്റ് രേഖപ്പെടുത്തുകയും പരിവർത്തനങ്ങൾ വ്യക്തമായി എഴുതുകയും ചെയ്തു.