ഡാറ്റ ക്ലീൻസിംഗ്, ട്രാൻസ്ഫോർമേഷൻ, എക്സ്പ്ലോറേറ്ററി അനാലിസിസ് (പൈത്തൺ/പാണ്ടസ് പിന്തുണയോടെ)

നേട്ടങ്ങൾ:

• അസംസ്‌കൃത സാമ്പത്തിക ഡാറ്റ (നഷ്‌ടമായ നിരീക്ഷണങ്ങൾ, യൂണിറ്റ് ആശയക്കുഴപ്പം, ആവൃത്തി പൊരുത്തക്കേട്) വൃത്തിയാക്കാനും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ സഹായത്തോടെ വിശകലനത്തിന് തയ്യാറാക്കാനുമുള്ള കഴിവ്
• യഥാർത്ഥ-നാമപരമായ പരിവർത്തനം, സൂചിക, വളർച്ചാ നിരക്ക്, കാലാനുസൃതമായ ക്രമീകരണം എന്നിവ പോലെയുള്ള സാധാരണ സാമ്പത്തിക പരിവർത്തനങ്ങൾ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിലേക്ക് കോഡായി അച്ചടിക്കാനും അവ സ്വമേധയാ പരിശോധിക്കാനുമുള്ള കഴിവ്
• പര്യവേക്ഷണ ഡാറ്റാ വിശകലനം (സംഗ്രഹ സ്ഥിതിവിവരക്കണക്കുകൾ, വിതരണം, ഔട്ട്‌ലറുകൾ, പരസ്പരബന്ധം) വഴി ഡാറ്റ തിരിച്ചറിയാനും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സംഗ്രഹങ്ങൾ വിമർശനാത്മകമായി വായിക്കാനുമുള്ള കഴിവ്

സാമ്പത്തിക ഡാറ്റ വളരെ അപൂർവമായി മാത്രമേ വിശകലനത്തിന് തയ്യാറാകൂ. TURKSTAT-ൽ നിന്ന് നിങ്ങൾ ഡൗൺലോഡ് ചെയ്‌ത ഒരു ടേബിളിൽ, ചില മാസങ്ങൾ കാണുന്നില്ല, ഒരു കോളം ആയിരം ബ്രാക്കറ്റുകളുള്ള വാചകമായി വരുന്നു, വിനിമയ നിരക്ക് "1.234,56" പോലെയുള്ള ടർക്കിഷ് ഫോർമാറ്റിലാണ്, ഒരു സീരീസ് പ്രതിമാസവും മറ്റൊന്ന് ത്രൈമാസവുമാണ്. സാമ്പത്തിക ശാസ്ത്രജ്ഞൻ്റെ സമയത്തിൻ്റെ ഭൂരിഭാഗവും വിശകലനത്തിനല്ല, മറിച്ച് വിശകലനത്തിന് ഡാറ്റ തയ്യാറാക്കുന്നതിനാണ് ചെലവഴിക്കുന്നത്. ഇവിടെയാണ് AI ഒരു യഥാർത്ഥ, അപകടസാധ്യത കുറഞ്ഞ ആക്സിലറേറ്റർ: ഇത് ക്ലീനപ്പ് ഘട്ടങ്ങൾ നിർദ്ദേശിക്കുന്നു, പാണ്ടകൾ എഴുതുന്നു (പൈത്തണിൻ്റെ ഡാറ്റ പ്രോസസ്സിംഗ് ലൈബ്രറി), സാധാരണ സാമ്പത്തിക പരിവർത്തനങ്ങൾ ക്രോഡീകരിക്കുന്നു. എന്നാൽ ഈ യൂണിറ്റിന് മാറ്റമില്ലാത്ത ഒരു നിയമവുമുണ്ട്: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് എഴുതിയ എല്ലാ പരിവർത്തനങ്ങളും നിങ്ങൾ വായിക്കുകയും കുറഞ്ഞത് ഒരു നിരീക്ഷണത്തിലെങ്കിലും അത് സ്വമേധയാ പരിശോധിക്കുകയും ചെയ്യുന്നു. യഥാർത്ഥ-നാമപരമായ ചക്രം തെറ്റായ നിലയിലാണെങ്കിൽ, മുഴുവൻ വിശകലനവും നിശബ്ദമായി ക്ഷയിക്കുന്നു.

വൃത്തിയാക്കൽ: എന്ത് പ്രശ്നങ്ങൾ, അവ എങ്ങനെ പരിഹരിക്കാം?

സാമ്പത്തിക ഡാറ്റയിലെ ഏറ്റവും സാധാരണമായ പ്രശ്നങ്ങളും അവയുടെ യുക്തിയും:

• അപൂർണ്ണമായ നിരീക്ഷണം. ഒരു മാസം/പാദം ശൂന്യമാണ്. പരിഹാരം സന്ദർഭത്തെ ആശ്രയിച്ചിരിക്കുന്നു: അത് യഥാർത്ഥത്തിൽ നിലവിലില്ലെങ്കിൽ, അത് ശൂന്യമായി അവശേഷിക്കുന്നു; ഒരു സാങ്കേതിക വിടവ് ഉണ്ടെങ്കിൽ, ശ്രദ്ധാപൂർവ്വം ഇൻ്റർപോളേഷൻ നടത്തുന്നു - എന്നാൽ ഫാബ്രിക്കേഷൻ തമ്മിലുള്ള ലൈൻ നേർത്തതാണ്.
• യൂണിറ്റുകളുടെയും ഫോർമാറ്റുകളുടെയും ആശയക്കുഴപ്പം. "12.345.6" എന്ന വാചകം ഒരു സംഖ്യയിലേക്ക് പരിവർത്തനം ചെയ്യണം; ദശലക്ഷം/ബില്യൺ സ്ഥിരത കൈവരിക്കണം.
• ഫ്രീക്വൻസി പൊരുത്തക്കേട്. പ്രതിമാസ, ത്രൈമാസ പരമ്പരകൾ സംയോജിപ്പിക്കുന്നതിന്, ഒന്ന് (പ്രതിമാസം മുതൽ ത്രൈമാസികം വരെ) സംയോജിപ്പിച്ചിരിക്കുന്നു - അത് ശരാശരിയോ, മൊത്തമോ അല്ലെങ്കിൽ കാലയളവിൻ്റെ അവസാനമോ എന്നത് സൂചകത്തിൻ്റെ സ്വഭാവത്തെ ആശ്രയിച്ചിരിക്കുന്നു (സ്റ്റോക്ക്/ഫ്ലോ വ്യത്യാസം).
• അതിരുകടന്ന (അങ്ങേയറ്റം) മൂല്യങ്ങൾ. ഒരു നിരീക്ഷണം വന്യമായി വ്യതിചലിച്ചാൽ: അതൊരു യഥാർത്ഥ സംഭവമാണോ (പ്രതിസന്ധി, വിലക്കയറ്റം) അല്ലെങ്കിൽ ഡാറ്റ പിശക്? ഇല്ലാതാക്കുന്നതിന് മുമ്പ് അത് മനസ്സിലാക്കുന്നു.
• തീയതി വിന്യാസം. വ്യത്യസ്ത ശ്രേണികളുടെ തീയതി ഫോർമാറ്റുകളും കാലഘട്ട നിർവചനങ്ങളും സമന്വയിപ്പിച്ചിരിക്കുന്നു.

ശ്രദ്ധിക്കുക: നഷ്‌ടമായ ഡാറ്റ പൂരിപ്പിക്കുന്നത് നിരപരാധിയാണെന്ന് തോന്നുന്നു, പക്ഷേ ഇത് ഒരു സാമ്പത്തിക തീരുമാനമാണ്. ഒരു പ്രതിസന്ധി മാസത്തെ "അയൽ മാസങ്ങളുടെ ശരാശരി" ഉപയോഗിച്ച് പൂരിപ്പിക്കുക എന്നതിനർത്ഥം ആ പ്രതിസന്ധിയെ വിശകലനത്തിൽ നിന്ന് ഇല്ലാതാക്കുക എന്നാണ്. പൂരിപ്പിക്കുന്നതിന് മുമ്പ്, "എന്തുകൊണ്ടാണ് ഈ വിടവ് നിലനിൽക്കുന്നത്?" ചോദ്യത്തിന് ഉത്തരം നൽകുക.

സാധാരണ സാമ്പത്തിക പരിവർത്തനങ്ങൾ

ഒരു സാമ്പത്തിക വിദഗ്ധൻ്റെ ദൈനംദിന ശേഖരത്തിലെ പരിവർത്തനങ്ങളും അവയുടെ നിർവചനങ്ങളും:

• നാമമാത്ര → യഥാർത്ഥം. വില ആഘാതത്തിനായി ക്രമീകരിക്കുന്നു: യഥാർത്ഥ മൂല്യം = നാമമാത്ര മൂല്യം / വില സൂചിക × 100. ഡിഫ്ലേറ്ററിൻ്റെ അടിസ്ഥാന വർഷം (സൂചിക ക്രമീകരിക്കൽ) ഫലത്തിൻ്റെ അടിസ്ഥാനം നിർണ്ണയിക്കുന്നു.
• ഇൻഡെക്സിംഗ്. തിരഞ്ഞെടുത്ത കാലയളവ് = 100 എന്ന തരത്തിൽ ഒരു പരമ്പര പുനഃസ്ഥാപിക്കുന്നു; വ്യത്യസ്ത വലുപ്പത്തിലുള്ള ശ്രേണികൾ താരതമ്യം ചെയ്യാൻ ഇത് ഉപയോഗപ്രദമാണ്.
• വളർച്ചാ നിരക്ക്. വാർഷികം: (ഈ കാലയളവ് / കഴിഞ്ഞ വർഷം - 1) × 100. ആനുകാലികവും വാർഷികവുമായ നിരക്ക് വ്യത്യസ്ത കാര്യങ്ങളാണ്; ആശയക്കുഴപ്പം ഒരു സാധാരണ തെറ്റാണ്.
• സീസണൽ തിരുത്തൽ. പതിവ് സീസണൽ ഇഫക്റ്റുകൾ ശുദ്ധീകരിക്കുന്നു (വേനൽക്കാല ടൂറിസം, അവധി ദിനങ്ങൾ); റോ സീരീസും കാലാനുസൃതമായി ക്രമീകരിച്ച പരമ്പരകളും വ്യത്യസ്ത കഥകൾ പറയുന്നു.
• ചലിക്കുന്ന ശരാശരി. ശബ്ദം സുഗമമാക്കുകയും ട്രെൻഡ് ദൃശ്യമാക്കുകയും ചെയ്യുന്നു.
• ലോഗരിതങ്ങളും വ്യത്യാസവും. വളർച്ചയുടെ ചലനാത്മകതയും നിശ്ചലതയും പരിശോധിക്കുന്നതിന് (സമയ ശ്രേണി യൂണിറ്റിൽ ആഴം കൂട്ടും).

നുറുങ്ങ്: ഓരോ പരിവർത്തനത്തിലും നിങ്ങളോട് "യൂണിറ്റിനും അടിത്തറയ്ക്കും എന്ത് സംഭവിച്ചു?" ചോദിക്കുക. യഥാർത്ഥ പരമ്പരയുടെ അടിസ്ഥാനം ഡിഫ്ലേറ്ററിൻ്റെ അടിത്തറയാണ്; നിങ്ങൾ തിരഞ്ഞെടുക്കുന്ന കാലയളവാണ് സൂചികയിലുള്ള ശ്രേണിയുടെ അടിസ്ഥാനം. ഇത് എഴുതി സൂക്ഷിക്കുന്നത് ഭാവിയിലെ തെറ്റുകൾ തടയുന്നു.

പര്യവേക്ഷണ ഡാറ്റ വിശകലനം (EDA)

മോഡലിലേക്ക് പ്രവേശിക്കുന്നതിന് മുമ്പ് ഡാറ്റ തിരിച്ചറിയേണ്ടത് ആവശ്യമാണ്. പര്യവേക്ഷണ ഡാറ്റാ വിശകലനത്തിൽ (EDA) ഉൾപ്പെടുന്നു: സംഗ്രഹ സ്ഥിതിവിവരക്കണക്കുകൾ (അർത്ഥം, ശരാശരി, സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ, മിനിമം-മാക്സ്), വിതരണത്തിൻ്റെ ആകൃതി, കാലക്രമേണ കോഴ്സ്, ഔട്ട്‌ലറുകൾ, പരമ്പരകൾ തമ്മിലുള്ള പരസ്പരബന്ധം. ഈ ഘട്ടങ്ങൾക്കുള്ള കോഡ് AI വേഗത്തിൽ സൃഷ്ടിക്കുന്നു; നിങ്ങളുടെ ജോലി സാമ്പത്തിക കണ്ണുകൊണ്ട് ഔട്ട്‌പുട്ട് വായിക്കുക എന്നതാണ്: "ഇത് ശരാശരി ന്യായമാണോ? ഈ പരസ്പരബന്ധം യാദൃശ്ചികമാണോ അതോ അറിയപ്പെടുന്ന ബന്ധമാണോ?"

മുന്നറിയിപ്പ്: പരസ്പരബന്ധം ഇവിടെ തിരിച്ചറിയാനുള്ള ഒരു ഉപാധി മാത്രമാണ്, കാരണത്തിൻ്റെ തെളിവല്ല. രണ്ട് പരമ്പരകൾ ഒരുമിച്ച് നീങ്ങുന്നു എന്ന വസ്തുത (ഉദാ. ഐസ്ക്രീം വിൽപ്പനയും മുങ്ങിമരണങ്ങളും-രണ്ടും വേനൽക്കാലത്തെ പ്രേരണ) മറ്റൊന്നിലേക്ക് നയിക്കുമെന്ന് സൂചിപ്പിക്കുന്നില്ല. യൂണിറ്റ് 7-ൽ ഞങ്ങൾ ഈ വ്യത്യാസം വർദ്ധിപ്പിക്കും.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - തെറ്റായ ഡിഫ്ലേറ്റർ ബേസ്. വേതന ശ്രേണി യാഥാർത്ഥ്യമാക്കാൻ ഒരു അനലിസ്റ്റിന് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് റൈറ്റ് കോഡ് ഉണ്ടായിരുന്നു. കോഡ് പ്രവർത്തിച്ചു, ഫലം ന്യായമാണെന്ന് തോന്നുന്നു - എന്നാൽ CALCULATE ഘട്ടത്തിൽ അനലിസ്റ്റ് 2020 സ്വമേധയാ കണക്കാക്കി, അത് പ്രവർത്തിച്ചില്ല. പ്രശ്നം: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് 2003=100 അടിസ്ഥാനത്തിലുള്ള ഡിഫ്ലേറ്റർ ഉപയോഗിക്കുകയും 2015-ലെ വിലകളുള്ള വേതന ശ്രേണി അഭ്യർത്ഥിക്കുകയും ചെയ്തു; അടിസ്ഥാനങ്ങൾ പരസ്പരവിരുദ്ധമായിരുന്നു. കോഡ് ഒരൊറ്റ ലൈൻ ഫിക്സ് ഉപയോഗിച്ച് നന്നാക്കി, മുഴുവൻ സീരീസും വീണു.

കേസ് 2 - സൈലൻ്റ് വോളിയം പിശക്. ഒരു സ്ഥാപനം കയറ്റുമതി ഡാറ്റ ആയിരം ഡോളറിലും ഇറക്കുമതി ദശലക്ഷം ഡോളറിലും കുറച്ചു. "വിദേശ വ്യാപാര സന്തുലിതാവസ്ഥ"ക്കായി കൃത്രിമബുദ്ധി ഇവ രണ്ടും നീക്കം ചെയ്തപ്പോൾ, ഫലം അസംബന്ധ കമ്മിയായിരുന്നു. EDA-യിലെ ഏറ്റവും കുറഞ്ഞ കാഴ്‌ച പിശക് വെളിപ്പെടുത്തി: രണ്ട് സീരീസുകളുടെയും മാഗ്നിറ്റ്യൂഡിൻ്റെ ക്രമം 1000 ഘടകം കൊണ്ട് വ്യത്യാസപ്പെട്ടിരിക്കുന്നു. യൂണിറ്റ് തുല്യമാക്കിയ ശേഷം ബാലൻസ് ശരിയായിരുന്നു.

കേസ് 3 - ഔട്ട്‌ലിയർ ഇല്ലാതാക്കുന്നില്ല. ഒരു പരമ്പരയിലെ ഒരു മാസം അസാധാരണമാം വിധം കുറവായിരുന്നു. "ഔട്ട്‌ലിയർ, നമുക്ക് ഇത് വൃത്തിയാക്കാം" എന്ന് AI നിർദ്ദേശിച്ചു. അനലിസ്റ്റ് അന്വേഷിച്ചു: ആ മാസത്തെ ഒരു പ്രകൃതിദുരന്തം കാരണം ഉൽപ്പാദനം യഥാർത്ഥത്തിൽ നിലച്ചു. മൂല്യം യഥാർത്ഥമായിരുന്നു; അത് ഇല്ലാതാക്കുന്നത് ചരിത്രത്തെ വളച്ചൊടിക്കും. ഇല്ലാതാക്കുന്നതിനുപകരം അടിക്കുറിപ്പ് രേഖപ്പെടുത്തി. AI യുടെ "വ്യക്തമായ" നിർദ്ദേശം അന്ധമായി പാലിച്ചില്ല.

പരിവർത്തന മൂല്യനിർണ്ണയ പട്ടിക

പരിവർത്തനം

ഫോർമുല സാരാംശം

മാനുവൽ ചെക്ക് പോയിൻ്റ്

തിരിച്ചറിവ്

നാമമാത്ര / വില സൂചിക × 100

ഡിഫ്ലേറ്റർ ബേസ് = ഫലത്തിൻ്റെ അടിസ്ഥാനം?

വാർഷിക വളർച്ച

(t / t-12 മാസം - 1)×100

പേപ്പറിൽ ഒരു കാലയളവ് കണക്കാക്കുക

ഇൻഡെക്സിംഗ്

പരമ്പര/അടിസ്ഥാന കാലയളവ് × 100

അടിസ്ഥാന കാലയളവ് മൂല്യം 100 ആണോ?

പ്രതിമാസ→ത്രൈമാസിക

ഒഴുക്ക്: ശേഖരിക്കുക / സ്റ്റോക്ക്: കാലയളവിൻ്റെ അവസാനം

ശരിയായ ശേഖരണ രീതി?

ചലിക്കുന്ന ശരാശരി

അവസാന n കാലയളവിലെ ശരാശരി

വിൻഡോയുടെ നീളം ശരിയാണോ?

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ക്ലീനിംഗ് പ്ലാൻ:

എനിക്ക് ഈ അസംസ്കൃത ഡാറ്റയുണ്ട്: [നിരകളും സാമ്പിൾ വരികളും]. വിശകലനത്തിനായി തയ്യാറെടുക്കാൻ ഒരു ക്ലീനിംഗ് പ്ലാൻ തയ്യാറാക്കുക: നഷ്‌ടമായ മൂല്യം, യൂണിറ്റ്/ഫോർമാറ്റ് പ്രശ്‌നം, തീയതി വിന്യാസം, ആവൃത്തി വിന്യാസം, സാധ്യമായ ഔട്ട്‌ലറുകൾ. ഓരോ ഘട്ടവും ആവശ്യമായി വരുന്നത് എന്തുകൊണ്ടാണെന്ന് ഒരു വാചകത്തിൽ വിശദീകരിക്കുക. ഇതുവരെ കോഡ് എഴുതരുത്; ഞാൻ ആദ്യം പ്ലാൻ സ്ഥിരീകരിക്കട്ടെ.

2) പാണ്ടകൾ വൃത്തിയാക്കൽ കോഡ്:

ഞാൻ അംഗീകരിച്ച പ്ലാൻ അനുസരിച്ച് പാണ്ടകളുടെ കോഡ് എഴുതുക. ഓരോ ഘട്ടത്തിലും എന്താണ് ചെയ്യുന്നതെന്ന് ഒരു കമൻ്റ് ലൈനിനൊപ്പം കോഡ് സൂചിപ്പിക്കട്ടെ; ഇത് പരിവർത്തനത്തിന് ശേഷം വരികളുടെ എണ്ണവും നഷ്‌ടമായ മൂല്യങ്ങളും പ്രിൻ്റ് ചെയ്യുന്നു. ഒരു നിരീക്ഷണവും നിശബ്ദമായി മായ്‌ക്കരുത്; നിങ്ങൾ ഇല്ലാതാക്കുന്ന ഓരോ വരിയും റിപ്പോർട്ട് ചെയ്യുക.

3) തിരിച്ചറിയൽ (പരിശോധിക്കാൻ കഴിയുന്നത്):

[വില സൂചിക] ഉപയോഗിച്ച് ഈ നാമമാത്ര ശ്രേണി മനസ്സിലാക്കുക. ഡിഫ്ലേറ്റർ ഉപയോഗിക്കുമ്പോൾ അതിൻ്റെ അടിസ്ഥാന വർഷം വ്യക്തമായി എഴുതുക; തത്ഫലമായുണ്ടാകുന്ന ശ്രേണിയുടെ അടിസ്ഥാനം എന്താണെന്ന് വ്യക്തമാക്കുക. ഒരു കാലയളവിലേക്ക് ഘട്ടം ഘട്ടമായി അക്കൗണ്ട് എന്നെ കാണിക്കൂ, അതുവഴി എനിക്ക് അത് നേരിട്ട് പരിശോധിക്കാനാകും.

4) പര്യവേക്ഷണ വിശകലന സംഗ്രഹം:

ഇനിപ്പറയുന്ന ക്ലീൻ ചെയ്ത ഡാറ്റയ്ക്കായി പര്യവേക്ഷണ വിശകലന കോഡ് എഴുതുക: സംഗ്രഹ സ്ഥിതിവിവരക്കണക്കുകൾ, സമയ ശ്രേണി പ്ലോട്ട്, ഔട്ട്‌ലിയർ സ്കാൻ, കോറിലേഷൻ മാട്രിക്സ്. ഫലങ്ങൾ വ്യാഖ്യാനിക്കുമ്പോൾ, നിങ്ങൾ കണ്ടെത്തുന്ന പരസ്പര ബന്ധങ്ങൾ കാര്യകാരണമല്ലെന്ന് വ്യക്തമാക്കുകയും എനിക്ക് വേറിട്ടുനിൽക്കുന്ന 3 പോയിൻ്റുകൾ പട്ടികപ്പെടുത്തുകയും ചെയ്യുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ഡാറ്റ മായ്ക്കുക.

എന്താണ് വൃത്തിയാക്കേണ്ടതെന്ന് അറിയാതെ AI അനുമാനങ്ങളോടെ പ്രവർത്തിക്കുന്നു; നിങ്ങൾക്ക് നിരീക്ഷണങ്ങൾ ഇല്ലാതാക്കാം, യൂണിറ്റുകൾ മാറ്റാം, നിങ്ങൾ ശ്രദ്ധിക്കില്ല.

ശക്തമായ നിർദ്ദേശം:

ഈ പ്രതിമാസ വിദേശ വ്യാപാര ഡാറ്റയിൽ, കയറ്റുമതി "ആയിരം USD" ലും ഇറക്കുമതി "Million USD" ലും ആണ്. രണ്ടും "മില്യൺ USD" ൽ തുല്യമാക്കുക, കാണാതായ മാസങ്ങൾ അടയാളപ്പെടുത്തുക, എന്നാൽ പൂരിപ്പിക്കരുത്, മാസാവസാനം വരെ തീയതികൾ വിന്യസിക്കുക. ഓരോ ഘട്ടത്തിലും എത്ര വരികൾ ബാധിക്കുന്നു എന്ന് പ്രിൻ്റ് ചെയ്യുക; നിശബ്ദമായി വരികളൊന്നും ഇല്ലാതാക്കരുത്. എന്നിട്ട് എനിക്ക് നേരിട്ട് പരിശോധിക്കാൻ കഴിയുന്ന രീതിയിൽ ഒരു മാസത്തേക്കുള്ള ബാലൻസ് കാണിക്കുക.

സാധാരണ തെറ്റുകൾ

• കൺവേർഷൻ കോഡ് വായിക്കാതെ പ്രവർത്തിപ്പിക്കുന്നു. തെറ്റായ അടിസ്ഥാനം/യൂണിറ്റ് നിശ്ശബ്ദമായി മുഴുവൻ വിശകലനത്തെയും ദുഷിപ്പിക്കുന്നു.
• ചിന്തിക്കാതെ നഷ്‌ടമായ ഡാറ്റ പൂരിപ്പിക്കുന്നു. ശരാശരി ഉപയോഗിച്ച് പ്രതിസന്ധി/ദുരന്ത കാലയളവ് മായ്‌ക്കുന്നു.
• ഔട്ട്‌ലറുകൾ സ്വയമേവ നിരസിക്കുക. ഒരു യഥാർത്ഥ സംഭവത്തെ ഡാറ്റ പിശകായി തെറ്റിദ്ധരിക്കുന്നു.
• കാലാനുസൃതവും വാർഷികവുമായ വളർച്ചയെ ആശയക്കുഴപ്പത്തിലാക്കുന്നു. രണ്ടും വ്യത്യസ്ത വലിപ്പത്തിലുള്ളവയാണ്.
• ആവൃത്തികൾ തെറ്റായി സംയോജിപ്പിക്കുന്നു. സ്റ്റോക്ക് സീരീസ് ശേഖരിക്കുകയും ഒരു ഫ്ലോ ആയി പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യുന്നു.
• EDA-യിലെ പരസ്പരബന്ധം കാര്യകാരണമായി തെറ്റിദ്ധരിക്കുന്നു. തിരിച്ചറിയൽ ഉപകരണം തെളിവായി തെറ്റിദ്ധരിക്കുന്നു.

ചുരുക്കത്തിൽ

സാമ്പത്തിക വിശകലനത്തിൻ്റെ 80 ശതമാനം അദൃശ്യവും എന്നാൽ നിർണായകവുമാണ് ഡാറ്റ ക്ലീനിംഗും പരിവർത്തനവും. കൃത്രിമബുദ്ധി ഈ മെക്കാനിക്കൽ ജോലിയെ നാടകീയമായി വേഗത്തിലാക്കുന്നു; എന്നാൽ ഓരോ ക്ലീനപ്പ് ഘട്ടവും എല്ലാ പരിവർത്തനങ്ങളും വായിക്കുകയും ഒരു നിരീക്ഷണമെങ്കിലും നേരിട്ട് പരിശോധിക്കുകയും ചെയ്യേണ്ടത് നിങ്ങളാണ്. ഡിഫ്ലേറ്റർ ബേസ്, യൂണിറ്റ്, ഫ്രീക്വൻസി, ഔട്ട്‌ലയർ തീരുമാനങ്ങൾ എന്നിവ സാമ്പത്തിക തീരുമാനങ്ങളാണ്, അവയെ അന്ധമായി കൃത്രിമബുദ്ധിയിലേക്ക് വിടാൻ കഴിയില്ല. പര്യവേക്ഷണ വിശകലനം ഡാറ്റ അവതരിപ്പിക്കുന്നു, പക്ഷേ പരസ്പര ബന്ധത്തിന് കാരണമില്ല.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു യഥാർത്ഥ റോ സീരീസ് ഡൗൺലോഡ് ചെയ്യുക (ഉദാ. പ്രതിമാസ CPI, നാമമാത്രമായ വേതനം/വരുമാന പരമ്പര). ഒന്നാം ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഒരു ക്ലീനിംഗ് പ്ലാൻ സൃഷ്‌ടിക്കുക, രണ്ടാമത്തെ ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് കോഡ് സൃഷ്‌ടിക്കുക, മൂന്നാം ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് സീരീസ് സാക്ഷാത്കരിക്കുക. തുടർന്ന് പേപ്പറിൽ ഒരൊറ്റ കാലയളവിൻ്റെ യഥാർത്ഥ മൂല്യം കണക്കാക്കുകയും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഔട്ട്പുട്ടുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യുക. നിങ്ങൾ പൊരുത്തക്കേട് കണ്ടെത്തുകയാണെങ്കിൽ, അതിൻ്റെ ഉറവിടം (അടിസ്ഥാനം/യൂണിറ്റ്) രോഗനിർണയം നടത്തി ശരിയാക്കുക, പുരോഗതി ശ്രദ്ധിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] കോഡ് എഴുതുന്നതിന് മുമ്പ് ഞാൻ ക്ലീനപ്പ് പ്ലാൻ അവലോകനം ചെയ്യുകയും അംഗീകരിക്കുകയും ചെയ്തു.
• [ ] ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് റിപ്പോർട്ട് ചെയ്ത എല്ലാ വരികളും ഞാൻ ഇല്ലാതാക്കി/മാറ്റി; നിശബ്ദമായ ഇല്ലാതാക്കൽ ഇല്ല.
• [ ] നഷ്‌ടമായ ഡാറ്റ പൂരിപ്പിക്കുമ്പോൾ "എന്തുകൊണ്ട് ഇത് ശൂന്യമാണ്?" ഞാൻ ചോദ്യത്തിന് ഉത്തരം നൽകി.
• [ ] ഔട്ട്‌ലിയർ ഒരു യഥാർത്ഥ സംഭവമാണോ അതോ ഡാറ്റ പിശകാണോ എന്ന് ഞാൻ അന്വേഷിച്ചു.
• [ ] തിരിച്ചറിവിൽ, ഡിഫ്ലേറ്റർ ബേസും ഫലത്തിൻ്റെ അടിത്തറയും പൊരുത്തപ്പെടുന്നുവെന്ന് ഞാൻ പരിശോധിച്ചു.
• [ ] കുറഞ്ഞത് ഒരു കാലയളവിൻ്റെ പരിവർത്തനം ഞാൻ സ്വമേധയാ വീണ്ടും കണക്കാക്കി.
• [ ] ഞാൻ EDA യിൽ പരസ്പര ബന്ധങ്ങൾ കാരണമായി അവതരിപ്പിച്ചില്ല.