நாள் 52 - செய்யறிவு மூலம் மொழிபெயர்ப்பு - தமிழ்/ஆங்கிலம் (AI-Assisted Translation: Tamil-English)

🌐 நாள் 52 · AI-யுடன் கல்விசார் மொழிபெயர்ப்பு (Tamil-English)

செய்யறிவு மூலம் மொழிபெயர்ப்பு தமிழ் ⇄ ஆங்கிலம்

தமிழில் நிகழும் சிறந்த ஆய்வுகளை உலகிற்குக் கொண்டு செல்ல துல்லியமான கல்விசார் மொழிபெயர்ப்பு (Academic Translation) அவசியம். செய்யறிவு (AI) ஒரு சிறந்த “Academic Translation Assistant” ஆகச் செயல்படுகிறது.

📖 “பிறநாட்டு நல்லறிஞர் சாத்திரங்கள் தமிழ் மொழியில் பெயர்த்தல் வேண்டும்; இறவாத புகழுடைய புதுநூல்கள் தமிழ் மொழியில் இயற்றல் வேண்டும்” — பாரதியார்
ஒரு மொழியின் ஆய்வுச் செல்வத்தைப் பிற மொழிக்குக் கொண்டு செல்வது அம்மொழிக்குச் செய்யும் பெரும் சேவையாகும்.

📘 52.0 அறிமுகம்

சாதாரண மொழிபெயர்ப்பிற்கும் கல்விசார் (Academic) மொழிபெயர்ப்பிற்கும் பெரிய வேறுபாடு உண்டு. கல்விசார் மொழிபெயர்ப்பு, துறை சார்ந்த கலைச்சொற்களை (Technical Terms) மாற்றிவிடாமல் அசல் பொருளைத் துல்லியமாக வெளிப்படுத்த வேண்டும்; இலக்கு மொழியின் (Target Language) கல்விசார் நடைக்கு (Academic Tone) ஏற்பவும் அது அமைய வேண்டும். பழந்தமிழில் “உரை” எழுதும் மரபு, ஒரு வகையில் மூலக் கருத்தின் பொருளைச் சிதையாமல் விளக்கும் மொழிபெயர்ப்பின் தொன்மையை உணர்த்துகிறது.

📊 52.1 கல்விசார் (Academic) - சாதாரண (Casual) மொழிபெயர்ப்பு

பண்பு	சாதாரண மொழிபெயர்ப்பு	கல்விசார் (Academic) மொழிபெயர்ப்பு
நோக்கம்	அன்றாடத் தொடர்பு	கல்விசார் பரவல் (Scholarly Communication)
கலைச்சொற்கள்	மாற்றப்படலாம், எளிமைப்படுத்தப்படலாம்	துல்லியமாகப் பாதுகாக்கப்பட வேண்டும்
நடை (Tone)	பேச்சு வழக்குக்கு நெருக்கமானது	முறையான, கட்டமைக்கப்பட்ட, புறநிலையான நடை
வாக்கிய அமைப்பு	எளிமையான, குறுகிய வாக்கியங்கள்	சிக்கலான, நீண்ட, படிநிலை வாக்கியங்கள்
எடுத்துக்காட்டு	“இந்த ஆய்வு செய்யறிவைப் பற்றிப் பேசுது.”	“இந்த ஆய்வுக் கட்டுரை, செயற்கை நுண்ணறிவின் (AI) கல்வித் துறையில் உள்ள தாக்கங்களைப் பகுப்பாய்வு செய்கிறது.”

⚙️ 52.2 செய்யறிவு உதவியுடன் கல்விசார் மொழிபெயர்ப்பு செய்தல் – 3 படிகள்

🔹 படி 1: மொழிபெயர்க்கப்பட வேண்டிய தமிழ் உரையைத் தேர்வு செய்தல் (ஆய்வுச் சுருக்கம் / அறிமுகம் / முடிவுரை).

🔹 படி 2: செய்யறிவிடம் கல்விசார் மொழிபெயர்ப்புத் தூண்டலை (Prompt) வழங்குதல் — கலைச்சொற்கள், நடை, வழிகாட்டுதல்களைத் தெளிவாகக் குறிப்பிடுக.

🔹 படி 3: செய்யறிவின் மொழிபெயர்ப்பைச் சீராய்வு செய்தல் (கலைச்சொற்கள், நடை, பொருள் துல்லியம், வாக்கிய ஓட்டம்).

📝 தூண்டல் வடிவம் (Prompt Template):
“கீழே கொடுக்கப்பட்டுள்ள தமிழ்க் கட்டுரைப் பகுதியை (Tamil text) கல்விசார் (Academic) ஆங்கிலத்தில் (English) மொழிபெயர்க்க வேண்டும்.
வழிகாட்டுதல்கள்:
• துறை சார்ந்த கலைச்சொற்கள் (Technical Terms) சரியாக மொழிபெயர்க்கப்பட வேண்டும் (எ.கா: ‘செய்யறிவு’ → ‘Artificial Intelligence’).
• மொழிபெயர்ப்பு முறையான (Formal), கல்விசார் நடையில் (Academic Tone) இருக்க வேண்டும்.
• மூல உரையின் (Source Text) பொருள் துல்லியமாகப் பாதுகாக்கப்பட வேண்டும்.
தமிழ் உரை: [உங்கள் தமிழ் உரையை இங்கு ஒட்டவும்]
மொழிபெயர்ப்பைத் தனியாகத் தருக. இறுதியில் முக்கிய கலைச்சொல் முடிவுகளை (Key Terminology Decisions) சேர்க்கவும்.”

📌 52.3 எடுத்துக்காட்டு – தமிழ்க் கட்டுரைப் பகுதியை ஆங்கிலத்தில் மொழிபெயர்த்தல்

📝 தமிழ் உரை (ஆய்வுச் சுருக்கத்தின் ஒரு பகுதி):

“செய்யறிவு (AI) கருவிகள் தமிழில் உள்ளடக்கத்தை உருவாக்கும் வேகம் அதிகரித்துள்ளதால், அக்கட்டுரைகளைக் கண்டறிதல் கல்வித் துறையில் ஒரு முக்கியச் சவாலாக உருவெடுத்துள்ளது. இந்த ஆய்வு, ChatGPT, Gemini செய்யறிவு உருவாக்கிய தமிழ்க் கட்டுரைகளை GPTZero AI Detector எவ்வளவு துல்லியமாகக் கண்டறிய முடியும் என்பதைப் பகுப்பாய்வு செய்வதை நோக்கமாகக் கொண்டுள்ளது.”

✅ AI வெளியீடு (Academic English Translation):

“The increasing speed at which Artificial Intelligence (AI) tools generate content in Tamil has rendered the detection of AI-generated articles a significant challenge within academia. This study aims to analyze the accuracy of the GPTZero AI Detector in identifying Tamil articles generated by ChatGPT and Gemini AI.”

🔑 கலைச்சொல் முடிவுகள் (Key Terminology Decisions):

‘செய்யறிவு’ → ‘Artificial Intelligence (AI)’ (பன்னாட்டுத் தரம்)

‘உள்ளடக்கத்தை உருவாக்கும் வேகம்’ → ‘speed... generate content’ (கருத்தைச் சிதையாமல் விளக்கும் ஆங்கிலத் தொடர்)

‘கல்வித் துறையில் ஒரு முக்கியச் சவால்’ → ‘a significant challenge within academia’ (‘academia’ கல்விச் சூழலின் முழுப் பரப்பையும் செறிவாகக் குறிக்கிறது)

‘நோக்கமாகக் கொண்டுள்ளது’ → ‘aims to analyze’ (ஆய்வுக் குறிக்கோளுக்குப் பொருத்தமான சொல்)

✍️ 52.4 பயிற்சி 32 – தமிழ்க் கட்டுரையை ஆங்கிலத்தில் மொழிபெயர்த்தல்

📋 வழிமுறை:

• உங்கள் ஆய்வுக் கட்டுரையின் ஒரு பகுதியை (ஆய்வுச் சுருக்கம் / அறிமுகம் / முடிவுரை) தேர்வு செய்க.
• மேலே உள்ள Prompt Template-ஐப் பயன்படுத்தி ChatGPT / Gemini / Claude-யிடம் கல்விசார் ஆங்கில மொழிபெயர்ப்பைக் கேட்கவும்.
• AI வழங்கிய மொழிபெயர்ப்பைப் பதிவு செய்து, நடை, கலைச்சொற்கள், பொருள் துல்லியம் ஆகியவற்றைச் சரிபார்க்கவும்.
• AI-யிடமே “இந்த மொழிபெயர்ப்பில் நீங்கள் எடுத்த கலைச்சொல் முடிவுகளை விளக்குக” எனக் கேட்டுத் தெரிந்து கொள்ளவும்.

🔸 மாதிரித் தூண்டல் (உங்கள் உரையுடன்):
“கீழே கொடுக்கப்பட்டுள்ள தமிழ்க் கட்டுரைப் பகுதியைச் சிறந்த கல்விசார் (Academic) ஆங்கிலத்தில் மொழிபெயர்க்க வேண்டும். கலைச்சொற்களைத் துல்லியமாகப் பயன்படுத்தவும்; முறையான ஆய்வு நடையைப் பின்பற்றவும். இறுதியில் முக்கிய கலைச்சொல் முடிவுகளைச் சேர்க்கவும்.

தமிழ் உரை: [உங்கள் உரையை இங்கு ஒட்டுக]”

📌 52.5 இறுதியாக

தமிழில் நிகழும் சிறந்த ஆய்வுகளை உலகளவில் கொண்டு செல்லத் துல்லியமான கல்விசார் மொழிபெயர்ப்பு மிக அவசியமானது. செய்யறிவின் உதவியுடன் சாதாரண மொழிபெயர்ப்பைத் தாண்டி, கலைச்சொற்களைப் பாதுகாத்து, முறையான ஆய்வு நடையில் மொழியாக்கத்தைப் பெறலாம்.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• கல்விசார் - சாதாரண மொழிபெயர்ப்பு வேறுபாடுகள்: கலைச்சொற்கள், ஆய்வு நடை, வாக்கிய அமைப்பு ஆகியவற்றில் உள்ள அடிப்படை வேறுபாடுகள்.
• AI உதவியுடன் கல்விசார் மொழிபெயர்ப்பு: தூண்டலில் (Prompt) கலைச்சொற்கள், நடை, வழிகாட்டுதல்களைத் தெளிவாகக் குறிப்பிட்டுச் செம்மையான மொழிபெயர்ப்பைப் பெறுதல்.
• கலைச்சொல் மேலாண்மை (Terminology Management): AI எடுத்த கலைச்சொல் முடிவுகளைத் தர்க்க அடிப்படையில் புரிந்துகொண்டு, தேவைப்படின் மாற்றியமைத்தல்.
• மொழிபெயர்ப்பைச் செம்மையாக்குதல் (Refining): AI-யிடம் மீண்டும் கருத்துகளைக் கூறி, மொழிபெயர்ப்பின் ஓட்டத்தையும் தெளிவையும் மேம்படுத்துதல்.
• இலக்கிய இணைப்பு: “பிறநாட்டு நல்லறிஞர் சாத்திரங்கள்” — தமிழின் அறிவுச் செல்வத்தைப் பிற மொழிகளுக்குக் கொண்டு செல்லும் பாரதியின் கனவை நனவாக்குதல்.

📢 அடுத்த பாடத்தில் (நாள் 53): ஆய்வுக் கட்டுரையில் மிக முக்கியமான மேற்கோள் மேலாண்மை (Citation Management) — Zotero, Mendeley & AI ஒருங்கிணைப்பு குறித்துக் காண்போம்.

🎥 காணொளி வழிகாட்டி: AI-யுடன் கல்விசார் மொழிபெயர்ப்பு

Prompt வடிவமைப்பு, கலைச்சொல் மேலாண்மை, நடைத் திருத்தம் — AI-யுடன் கல்விசார் மொழிபெயர்ப்பின் நேரடி விளக்கம்.

🌏 “பிறநாட்டு நல்லறிஞர் சாத்திரங்கள் தமிழ் மொழியில் பெயர்த்தல் வேண்டும்” — இன்று AI-யின் உதவியுடன், தமிழின் ஆய்வுச் செல்வத்தை உலகிற்கு எடுத்துச் செல்லலாம். துல்லியமான கல்விசார் மொழிபெயர்ப்பு உங்கள் ஆய்வின் தாக்கத்தைப் பன்னாட்டு அளவில் உயர்த்தும்.

© மாதம் - 3 | வாரம் 11 · நாள் 52 — செய்யறிவு மூலம் மொழிபெயர்ப்பு: தமிழ்/ஆங்கிலம் (AI-Assisted Academic Translation) · தமிழ் AI ஆய்வு முறைமை

நாள் 51 - ஆய்வுக் கட்டுரையின் ஆய்வுச்சுருக்கத்தைச் செய்யறிவு மூலம் எழுதுதல் (Writing a Research Abstract using AI)

📝 வாரம் 11 · ஆய்வு எழுத்தும் மேற்கோள் மேலாண்மையும் (AI for Research Writing)

ஆய்வு எழுத்தும் மேற்கோள் மேலாண்மையும் AI உதவியுடன்

ஆய்வின் கண்டுபிடிப்புகளை முறையான, தெளிவான, தாக்கத்தை ஏற்படுத்தக்கூடிய கட்டுரையாக வடித்தெடுப்பது ஒரு கலை. செய்யறிவு (AI) இந்தப் பணியில் ஒரு சிறந்த துணையாக அமைகிறது.

📖 “எழுத்தறிவித்தவன் இறைவன்” — எழுத்தின் மூலமே அறிவு நிலைபெறுகிறது. “மேற்கோள்” என்பதன் முக்கியத்துவத்தை “என்ப, மொழிப, என்மனார் புலவர்” போன்ற தொல்காப்பியத் தொடர்கள் உணர்த்துகின்றன.

✍️ நாள் 51 · AI-யுடன் ஆய்வுச்சுருக்கம் (Abstract)

ஆய்வுக் கட்டுரையின் ஆய்வுச்சுருக்கத்தைச் செய்யறிவு மூலம் எழுதுதல்

200-250 சொற்களுக்குள் கட்டுரையின் நோக்கம், முறைமை, முடிவுகள், தாக்கம் ஆகியவற்றைச் செறிவாக விளக்கும் பகுதியே ஆய்வுச்சுருக்கம் (Abstract). AI இந்தப் பணியில் ஒரு சிறந்த “Abstract Assistant” ஆகச் செயல்படுகிறது.

📘 51.0 அறிமுகம்

ஓர் ஆய்வுக் கட்டுரையின் ஆய்வுச்சுருக்கம் (Abstract) என்பது முழுக் கட்டுரையின் முகம் போன்றது. பெரும்பாலான வாசகர்கள் முழுக் கட்டுரையைப் படிப்பதற்கு முன்பாக ஆய்வுச்சுருக்கத்தை மட்டும் படித்தே அக்கட்டுரையின் முக்கியத்துவத்தைத் தீர்மானிப்பார்கள். “சுருங்கச் சொல்லி விளங்க வைத்தல்” என்பது நன்னூல் குறிப்பிடும் ஓர் உத்தி. செய்யறிவின் சுருக்கும் திறன் இந்தப் பண்பின் நவீனத் தொழில்நுட்ப வடிவமாகும்.

📊 51.1 ஆய்வுச் சுருக்கத்தின் (Abstract) கூறுகள்

கூறு	தமிழ்ப் பெயர்	விளக்கம்	எடுத்துக்காட்டு வாக்கியம்
Background/Context	பின்னணி	ஆய்வின் பின்னணி, ஏன் இந்த ஆய்வு முக்கியமானது?	“தமிழ் இணைய இதழ்களில் செய்யறிவின் பயன்பாடு அதிகரித்து வருகிறது...”
Objective	நோக்கம்	ஆய்வு எதை அடைய முயல்கிறது?	“இந்த ஆய்வு, செய்யறிவு உருவாக்கிய தமிழ்ச் செய்திகளின் நம்பகத்தன்மையைப் பகுப்பாய்வு செய்வதை நோக்கமாகக் கொண்டுள்ளது.”
Methodology	முறைமை	ஆய்வு எவ்வாறு நடத்தப்பட்டது?	“சென்னையில் உள்ள 5 இணைய இதழ்களிலிருந்து 500 செய்திகளைச் சேகரித்து, உள்ளடக்கப் பகுப்பாய்வு மேற்கொள்ளப்பட்டது.”
Key Findings	முக்கிய முடிவுகள்	ஆய்வின் முக்கியக் கண்டுபிடிப்புகள் யாவை?	“செய்யறிவு உருவாக்கிய செய்திகளில் 35% துல்லியமற்ற தகவல்களைக் கொண்டிருந்தன...”
Conclusion/Implications	முடிவு / தாக்கம்	இந்த முடிவுகளின் தாக்கம் என்ன?	“செய்யறிவு உருவாக்கிய தமிழ்ச் செய்திகளுக்கு மனித மேற்பார்வை அவசியம் என்பதை இந்த ஆய்வு சுட்டிக்காட்டுகிறது.”

🔑 Keywords (முக்கியச் சொற்கள்): 3-5 முக்கியச் சொற்கள் ஆய்வை வகைப்படுத்தும்.

⚙️ 51.2 செய்யறிவு உதவியுடன் ஆய்வுச் சுருக்கம் உருவாக்குதல் – 3 படிகள்

🔹 படி 1: கட்டுரையின் முக்கியப் புள்ளிகளைத் தொகுத்தல் — நோக்கம், முறைமை, முடிவுகள், தாக்கம்.

🔹 படி 2: செய்யறிவிடம் சுருக்கத்தைக் கோருதல் (Prompt Engineering).

🔹 படி 3: செய்யறிவின் வெளியீட்டைச் சீராய்வு செய்தல் (சொல் வரம்பு, கூறுகள், துல்லியம்).

📝 தூண்டல் வடிவம் (Prompt Template):
“எனது ஆய்வுக் கட்டுரையின் முக்கியப் புள்ளிகள் கீழே தரப்பட்டுள்ளன. இவற்றை அடிப்படையாகக் கொண்டு, ஒரு கல்விசார் ஆய்வுச்சுருக்கத்தை (Academic Abstract) 200 முதல் 250 சொற்களுக்குள் உருவாக்கித் தருக. பின்னணி (Background), நோக்கம், முறைமை, முக்கிய முடிவுகள், முடிவு (Conclusion), 5 முக்கியச் சொற்கள் (Keywords) ஆகியவற்றை உள்ளடக்குக. கல்விசார் நடையைப் பயன்படுத்துக.”

📌 51.3 எடுத்துக்காட்டு – AI-யுடன் ஆய்வுச் சுருக்கம் உருவாக்குதல்

📄 ஆய்வுத் தலைப்பு: ‘செய்யறிவு உதவியுடன் கருத்துத் திருட்டைக் கண்டறிதல்: தமிழ்க் கட்டுரைகளில் ஓர் ஆய்வு’

📝 AI உருவாக்கிய ஆய்வுச் சுருக்கம்:
செய்யறிவு (AI) கருவிகள் தமிழில் உள்ளடக்கத்தை உருவாக்கும் வேகம் அதிகரித்துள்ளதால், அக்கட்டுரைகளைக் கண்டறிதல் கல்வித் துறையில் ஒரு முக்கியச் சவாலாக உருவெடுத்துள்ளது. இந்த ஆய்வு, செய்யறிவு உருவாக்கிய தமிழ்க் கட்டுரைகளைக் கண்டறியும் கருவிகள் எவ்வளவு துல்லியமாகச் செயல்படுகின்றன என்பதைப் பகுப்பாய்வு செய்வதை நோக்கமாகக் கொண்டுள்ளது. இவ்வாய்வில், செய்யறிவு உதவியுடன் உருவாக்கப்பட்ட 50 கட்டுரைகள், மனிதர்களால் எழுதப்பட்ட 50 கட்டுரைகள் என மொத்தம் 100 கட்டுரைகள் சோதனைக்கு உட்படுத்தப்பட்டன. கண்டறியும் கருவியின் துல்லியம் (Accuracy), உணர் திறன் (Sensitivity), தனித்திறன் (Specificity) ஆகியவை புள்ளியியல் அடிப்படையில் கணக்கிடப்பட்டன. ஆய்வின் முடிவில், செய்யறிவு உருவாக்கிய கட்டுரைகளை 85% துல்லியத்துடனும், மனிதன் எழுதிய கட்டுரைகளை 92% துல்லியத்துடனும் கருவி அடையாளம் கண்டது. எனினும், 200 சொற்களுக்குக் குறைவான கட்டுரைகளில் கண்டறிதல் துல்லியம் 60% ஆகக் குறைந்தது கண்டறியப்பட்டது. இக்கருவிகள் தமிழ்க் கட்டுரைகளுக்குப் பயனுள்ளதாக இருந்தாலும் 100% நம்பகமானவை அல்ல என்பதை இந்த முடிவுகள் சுட்டிக்காட்டுகின்றன. தமிழ் மொழிக்கான செய்யறிவு கண்டறியும் கருவிகளைத் தொழில்நுட்ப அடிப்படையில் மேம்படுத்த வேண்டிய அவசியத்தை இந்த ஆய்வு வலியுறுத்துகிறது.

🔑 திறவுச் சொற்கள் (Keywords): செய்யறிவு, கருத்துத் திருட்டுக் கண்டறிதல், தமிழ்க் கட்டுரைகள், உள்ளடக்கக் கண்டறிதல், கல்வி நேர்மை.

✍️ 51.4 பயிற்சி 31 – முழுமையான கட்டுரைக்கான சுருக்கத்தைப் பெறுதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுக் கட்டுரையின் PDF கோப்பைத் தயார் செய்க.
• ChatGPT Plus / Claude-இல் PDF பதிவேற்றம் செய்க (இலவசப் பதிப்பில் முக்கியப் பகுதிகளை Copy-Paste செய்க).
• கீழ்க்காணும் தூண்டலைப் பயன்படுத்தி AI-யிடம் ஆய்வுச் சுருக்கத்தைக் கேட்கவும்.
• AI வழங்கிய சுருக்கத்தை உங்கள் தரவுகளுடன் ஒப்பிட்டுச் சரிபார்க்கவும்.

🔸 மாதிரித் தூண்டல் (Prompt):
“நான் பதிவேற்றியுள்ள ஆய்வுக் கட்டுரையை முழுமையாக வாசித்து, பின்வரும் கட்டமைப்பில் ஒரு கல்விசார் ஆய்வுச் சுருக்கத்தை (Academic Abstract) 200 முதல் 250 சொற்களுக்குள் உருவாக்கித் தருக: Background, Objective, Methodology, Key Findings, Conclusion, Keywords (5).”

⚖️ 51.4.1 செய்யறிவுப் பயன்பாடும் ஆய்வு நேர்மையும் – பன்னாட்டு விதிகள்

“எப்பொருள் யார்யார்வாய்க் கேட்பினும் அப்பொருள் மெய்ப்பொருள் காண்பது அறிவு” (குறள் 423) — செய்தி எந்தக் கருவி (AI) வழியாக வந்தாலும், அதில் உள்ள உண்மைத் தன்மையை (Validity) ஆய்ந்து உறுதி செய்வதே சிறந்த ஆய்வாளரின் அறிவாகும்.

நிலை	செய்ய வேண்டியது	செய்யக்கூடாதது
தரவு (Data)	உமது சொந்த ஆய்வுத் தரவுகளை மட்டுமே வழங்க வேண்டும்.	செய்யறிவை ஒரு தரவை உருவாக்கச் சொல்லக்கூடாது (Data Fabrication).
மேற்கோள் (Citation)	செய்யறிவு தரும் பொதுவான செய்திகளுக்கு உரிய மூல நூல்களை நீங்களே தேடி மேற்கோள் காட்ட வேண்டும்.	செய்யறிவு தரும் கற்பனையான மேற்கோள்களை (Hallucinations) அப்படியே பயன்படுத்தக்கூடாது.
திருத்தம் (Editing)	செய்யறிவு தந்த வெளியீட்டை நீங்களே ஒருமுறை வாசித்து, உமது ஆய்வு நடைக்கு ஏற்ப மாற்ற வேண்டும்.	செய்யறிவு தரும் வெளியீட்டை நகலெடுத்து (Copy-Paste) அப்படியே பயன்படுத்தக்கூடாது.

📢 COPE & Elsevier கொள்கை: AI ஒரு ஆசிரியராக இருக்க முடியாது; பயன்பாட்டை வெளிப்படையாக அறிவிக்க வேண்டும் (Acknowledgment).

📌 51.5 இறுதியாக

ஆய்வுச் சுருக்கம் (Abstract) என்பது உங்கள் கட்டுரையின் நுழைவாயில்; இதுவே பெரும்பாலான வாசகர்களை ஈர்க்கும் முதன்மைப் பகுதியாகும். செய்யறிவின் உதவியுடன் உங்கள் கட்டுரையின் முக்கியப் புள்ளிகளைச் செறிவான, தெளிவான, கவர்ச்சிகரமான சுருக்கமாக மாற்றலாம்.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• ஆய்வுச் சுருக்கத்தின் 5 கூறுகள்: பின்னணி, நோக்கம், முறைமை, முடிவுகள், முடிவுரை + முக்கியச் சொற்கள்.
• AI உதவியுடன் சுருக்கம் உருவாக்கம்: முக்கியப் புள்ளிகளைத் தொகுத்துத் தூண்டலில் வழங்கிச் செறிவான சுருக்கத்தைப் பெறுதல்.
• முழுக்கட்டுரையிலிருந்து சுருக்கம்: PDF பதிவேற்றம் மூலம் AI ஆய்வின் சாரத்தைக் கட்டமைக்கப்பட்ட வடிவில் பிரித்தெடுத்தல்.
• சுருக்கத்தைச் செம்மையாக்குதல்: AI வெளியீட்டைச் சீராய்வு செய்து, கூடுதல் கருத்துகளைத் தெரிவித்துத் திருத்தம் பெறுதல்.
• இலக்கிய இணைப்பு: “சுருங்கச் சொல்லி” — AI சுருக்கும் திறன், தமிழரின் சுருங்கச் சொல்லும் இலக்கணப் பண்பின் நவீன வடிவம்.
• ஆய்வு நேர்மை: COPE/Elsevier விதிகளின்படி AI பயன்பாட்டை வெளிப்படையாக அறிவித்தல், கற்பனை மேற்கோள்களைத் தவிர்த்தல்.

📢 அடுத்த பாடத்தில் (நாள் 52): தமிழ் ஆய்வுகளை உலகத் தரத்திற்கு இணையாகக் கொண்டு செல்ல, AI உதவியுடன் துல்லியமான மொழிபெயர்ப்பு (Translation) & மேற்கோள் மேலாண்மை (Citation Management) குறித்துக் காண்போம்.

🎥 காணொளி வழிகாட்டி: AI-யுடன் ஆய்வுச்சுருக்கம் எழுதுதல்

Abstract-ன் கூறுகள், Prompt வடிவமைப்பு, AI-யுடன் செம்மையாக்கும் முறைகள்.

📜 “சுருங்கச் சொல்லி விளங்க வைத்தல்” — AI-யின் உதவியுடன் உங்கள் ஆய்வின் சாரத்தைச் சுருக்கமாகவும், தாக்கமாகவும் வெளிப்படுத்துங்கள். ஒரு சிறந்த சுருக்கமே உங்கள் ஆய்வின் வெற்றிக்கான முதல் படியாகும்.

© மாதம் - 3 | வாரம் 11 · நாள் 51 — ஆய்வுக் கட்டுரையின் ஆய்வுச்சுருக்கத்தைச் செய்யறிவு மூலம் எழுதுதல் · தமிழ் AI ஆய்வு முறைமை

நாள் 50 - புள்ளியியல் பகுப்பாய்வுக்குச் செய்யறிவுடன் குறியீடு எழுதுதல் (Writing Code for Statistical Analysis using AI)

📐 நாள் 50 · AI-யுடன் புள்ளியியல் பகுப்பாய்வு

புள்ளியியல் பகுப்பாய்வுக்குச்
செய்யறிவுடன் குறியீடு எழுதுதல்

T-Test, ANOVA, Chi-Square Test, p-value — செய்யறிவு (AI) மூலம் புள்ளியியல் சோதனைகளை மேற்கொண்டு, ஆய்வு முடிவுகளின் நம்பகத்தன்மையை உறுதி செய்யும் நுட்பங்கள்.

📏 “எப்பொருள் எத்தன்மைத் தாயினும் அப்பொருள் மெய்ப்பொருள் காண்பது அறிவு” (குறள் 355) — புள்ளியியல் சோதனைகள் ஆய்வு முடிவுகளின் “மெய்ப்பொருளை” (உண்மையான நம்பகத்தன்மையை) அறிவியல் பூர்வமாக உறுதி செய்கின்றன.

📘 50.0 அறிமுகம்

ஆய்வு முடிவுகளின் நம்பகத்தன்மையை உறுதி செய்ய புள்ளியியல் (Statistics) சோதனைகள் மிக அவசியமானவை. சராசரி (Mean), இடைநிலை (Median) மட்டுமின்றி, டி-தேர்வு (T-Test), அனோவா (ANOVA), கை-வர்க்கச் சோதனை (Chi-Square) போன்ற மேம்பட்ட சோதனைகள் ஆய்வின் முடிவுகள் புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்தவையா (Statistically Significant) என்பதை உறுதி செய்கின்றன. AI இந்தச் சோதனைகளுக்கான Python குறியீடுகளை எளிதாக உருவாக்கித் தருகிறது.

📊 50.1 புள்ளியியல் சோதனைகள் (Statistical Tests) – அறிமுகம்

சோதனை	தமிழ்ப் பெயர்	எப்போது பயன்படுத்துவது	எடுத்துக்காட்டு
T-Test	டி-தேர்வு	இரு குழுக்களின் (Two Groups) சராசரிகளை ஒப்பிட	ஆண், பெண் மாணவர்களின் மதிப்பெண்களில் வேறுபாடு உள்ளதா?
ANOVA	அனோவா	மூன்று அல்லது அதற்கு மேற்பட்ட குழுக்களின் சராசரிகளை ஒப்பிட	UG, PG, PhD மாணவர்களின் மதிப்பெண்களில் வேறுபாடு உள்ளதா?
Chi-Square Test	சி-சதுர சோதனை	வகைப்படுத்தப்பட்ட (Categorical) தரவுகளுக்கிடையே தொடர்பு உள்ளதா எனச் சோதிக்க	பட்டம் (UG/PG), வேலை வாய்ப்பு (Employed/Unemployed) ஆகியவற்றுக்கிடையே தொடர்பு உள்ளதா?
Pearson Correlation	பியர்சன் தொடர்பு	இரண்டு தொடர்ச்சியான (Continuous) மாறிகளுக்கிடையே தொடர்பு உள்ளதா எனச் சோதிக்க	படிக்கும் நேரத்திற்கும் (Study Hours) மதிப்பெண்களுக்கும் (Marks) தொடர்பு உள்ளதா?

⚙️ 50.2 செய்யறிவு உதவியுடன் புள்ளியியல் சோதனைகள் செய்தல் – 2 படிகள்

🔹 படி 1: தரவுத் தொகுப்பை (CSV/Excel) AI-யிடம் பதிவேற்றுக (ChatGPT Plus / Claude / Google Colab).

🔹 படி 2: தெளிவான புள்ளியியல் தூண்டலை (Prompt) வழங்குக — சோதனை வகை, நெடுவரிசைகள், குழுக்களைக் குறிப்பிடுக.

📝 டி-தேர்வு (T-Test) – Prompt Template:
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [குழு 1], [குழு 2] என இரண்டு குழுக்களுக்கான தரவுகள் உள்ளன. [மதிப்பெண் நெடுவரிசை] என்பதில் மதிப்பெண்கள் உள்ளன. இரு குழுக்களின் சராசரிகளுக்கு இடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த வேறுபாடு உள்ளதா என்பதைச் சோதிக்க, டி-தேர்வு (Independent T-Test) செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. scipy.stats நூலகத்தைப் பயன்படுத்துக. p-value < 0.05 எனில், வேறுபாடு முக்கியத்துவம் வாய்ந்தது என விளக்குக.”

📊 அனோவா (ANOVA) – Prompt Template:
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [குழு 1], [குழு 2], [குழு 3] என மூன்று குழுக்களுக்கான தரவுகள் உள்ளன. இவற்றுக்கு இடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த வேறுபாடு உள்ளதா என்பதைச் சோதிக்க, அனோவா (ANOVA) செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. F-statistic, p-value காட்டுக.”

🔗 கை-வர்க்கச் சோதனை (Chi-Square) – Prompt Template:
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A], [நெடுவரிசை B] என இரண்டு வகைப்படுத்தப்பட்ட (Categorical) தரவுகள் உள்ளன. இவற்றுக்கிடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த தொடர்பு உள்ளதா எனச் சோதிக்க, Chi-Square Test செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. chi-square statistic, p-value காட்டுக.”

📌 50.3 எடுத்துக்காட்டுகள் – AI-யுடன் புள்ளியியல் சோதனைகள்

📏 T-Test (இரு குழுக்கள்)
தூண்டல்: “gender_marks.csv-ல் Male vs Female Marks - T-Test”

from scipy import stats
male_marks = df[df['Gender']=='Male']['Marks']
female_marks = df[df['Gender']=='Female']['Marks']
t_stat, p_value = stats.ttest_ind(male_marks, female_marks)
print(f"p-value: {p_value}")

✅ p-value < 0.05 → வேறுபாடு முக்கியத்துவம் வாய்ந்தது

📊 ANOVA (மூன்று+ குழுக்கள்)
தூண்டல்: “program_marks.csv-ல் UG, PG, PhD Marks - ANOVA”

from scipy import stats
ug = df[df['Program']=='UG']['Marks']
pg = df[df['Program']=='PG']['Marks']
phd = df[df['Program']=='PhD']['Marks']
f_stat, p_value = stats.f_oneway(ug, pg, phd)

✅ F-statistic & p-value → குழுக்களிடையே வேறுபாடு உள்ளதா?

🔗 Chi-Square Test (வகைப்பாடுகள்)
தூண்டல்: “program_employment.csv-ல் Program vs Employment”

from scipy.stats import chi2_contingency
table = pd.crosstab(df['Program'], df['Employment'])
chi2, p_value, dof, expected = chi2_contingency(table)

✅ p-value < 0.05 → தொடர்பு முக்கியத்துவம் வாய்ந்தது

✍️ 50.4 பயிற்சி 30 – புள்ளியியல் சோதனைக் குறியீடுகளை உருவாக்கி Google Colab-இல் இயக்குதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க.
• Google Colab-ஐத் திறந்து (colab.research.google.com), புதிய Notebook உருவாக்கி, CSV கோப்பைப் பதிவேற்றுக.
• உங்கள் ஆய்வுக் கேள்விக்குப் பொருத்தமான புள்ளியியல் சோதனையைத் தேர்வு செய்க (T-Test / ANOVA / Chi-Square).
• மேலே உள்ள Prompt Templates-ஐப் பயன்படுத்தி AI-யிடம் (ChatGPT/Gemini) Python குறியீட்டைக் கேட்கவும்.
• AI தந்த குறியீட்டை Colab-இல் ஒட்டி இயக்கி, p-value மதிப்பைப் பதிவு செய்க.

🔸 p-value விளக்கம்:
• p-value < 0.05: ஆய்வு முடிவுகள் புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்தவை (Statistically Significant) → உண்மையான தொடர்பு/வேறுபாடு உள்ளது.
• p-value > 0.05: புள்ளியியல் அடிப்படையில் முக்கியத்துவம் அற்றவை → குறிப்பிடத்தக்க வேறுபாடு இல்லை.

📌 50.5 இறுதியாக

புள்ளியியல் சோதனைகள் (Statistical Tests) ஆய்வு முடிவுகளின் நம்பகத்தன்மையை உறுதி செய்யும் அத்தியாவசியக் கருவிகள். AI-யின் உதவியுடன் T-Test, ANOVA, Chi-Square போன்ற சோதனைகளுக்கான Python குறியீடுகளை உருவாக்கி, Google Colab-இல் இயக்கி p-value அடிப்படையில் முடிவுகளைத் துல்லியமாகத் தீர்மானிக்கலாம்.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• புள்ளியியல் சோதனைகளின் வகைகள்: T-Test, ANOVA, Chi-Square Test, Pearson Correlation — ஒவ்வொன்றின் பயன்பாடுகள்.
• AI உதவியுடன் குறியீடு உருவாக்கம்: தூண்டலில் சோதனை வகை, நெடுவரிசைகள், குழுக்களைக் குறிப்பிட்டுப் Python குறியீட்டைப் பெறுதல்.
• Google Colab-இல் இயக்குதல்: AI தந்த குறியீட்டை இயக்கி t-statistic, F-statistic, chi-square statistic, p-value ஆகிய அளவீடுகளைப் பெறுதல்.
• p-value-இன் முக்கியத்துவம்: p-value < 0.05 எனில் முடிவுகள் புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்தவை.
• இலக்கிய இணைப்பு: “அளவு” — புள்ளியியல் சோதனைகள் ஆய்வு முடிவுகளின் நம்பகத்தன்மையை உறுதி செய்கின்றன; “மெய்ப்பொருள் காண்பது அறிவு”.

🎥 காணொளி வழிகாட்டி: AI-யுடன் புள்ளியியல் பகுப்பாய்வு

T-Test, ANOVA, Chi-Square — AI-யுடன் புள்ளியியல் சோதனைகள் செய்வது எப்படி என்பதற்கான நேரடி விளக்கம்.

📚 வாரம் 10 – சுருக்கம் (தரவுப் பகுப்பாய்வும் காட்சிப்படுத்தலும்)

📊 விரிதாள் சூத்திரங்கள்
COUNTIF, VLOOKUP, IF — AI உதவியுடன் தமிழில் கேட்டு Excel சூத்திரங்களைப் பெறுதல்.

🐍 பைத்தான் குறியீடு
pandas, numpy — தரவு சுத்திகரிப்பு, வடிகட்டுதல், பகுப்பாய்வுக்கான AI குறியீடு.

📈 தரவுப் பகுப்பாய்வு
சராசரி, இடைநிலை, திட்டவிலக்கம், போக்குகள், தொடர்புகள்.

📉 விளக்கப்படங்கள்
Bar Chart, Pie Chart, Scatter Plot — AI-யுடன் காட்சிப்படுத்தல்.

📐 புள்ளியியல் சோதனைகள்
T-Test, ANOVA, Chi-Square — p-value அடிப்படையில் முடிவுகளின் நம்பகத்தன்மை.

🎯 இலக்கிய இணைப்பு
“எண்ணித் துணிக”, “காட்சி”, “அளவு”, “மெய்ப்பொருள் காண்பது அறிவு”.

🧠 வாரம் 10 முக்கியக் கற்றல்கள்: தொழில்நுட்ப அறிவு குறைவாக இருந்தாலும், சரியான தூண்டல்கள் (Prompts) மூலம் AI-யுடன் சிக்கலான தரவுப் பணிகளைச் செய்யலாம். புள்ளியியல் சான்றுகளுடன் ஆய்வு முடிவுகளை முன்வைக்கும் பண்பு மேம்பட்டுள்ளது.

📢 அடுத்த வாரத்தில் (வாரம் 11): AI-யைப் பயன்படுத்தி ஒரு முழுமையான ஆய்வுக் கட்டுரையை (Research Paper) உலகளாவிய தரத்துடன் எவ்வாறு எழுதுவது என்பது குறித்துப் பயிலப்போகிறோம்.

📝 வாரத் தேர்வு: CSV கோப்பிலிருந்து மூன்று வெவ்வேறு விளக்கப்படங்களை உருவாக்குதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க (குறைந்தது 4-5 நெடுவரிசைகள்).
• ChatGPT/Gemini-யில் கீழ்க்காணும் தூண்டலைப் பயன்படுத்தி Python குறியீட்டைக் கேட்கவும்.
• Google Colab-இல் குறியீட்டை இயக்கி, Bar Chart, Pie Chart, Scatter Plot ஆகிய மூன்று வரைபடங்களையும் PNG/PDF ஆகச் சேமிக்கவும்.

🔸 தூண்டல் (Prompt):
“என்னிடம் ‘[your_file_name].csv’ என்ற CSV கோப்பு உள்ளது. இதில் [Column1], [Column2], [Column3], [Column4] நெடுவரிசைகள் உள்ளன. இந்தத் தரவுகளைப் பயன்படுத்தி, Bar Chart, Pie Chart, Scatter Plot ஆகிய மூன்று வெவ்வேறு விளக்கப்படங்களை உருவாக்கும் Python குறியீட்டைத் தருக. matplotlib மற்றும் seaborn பயன்படுத்துக. ஒவ்வொரு வரைபடத்திற்கும் தலைப்புகள், அச்சுத் தலைப்புகளை அமைத்துத் தருக.”

🧠 “எண்ணித் துணிக கருமம்” — தரவுகளை AI-யின் உதவியுடன் புள்ளியியல் முறையில் பகுப்பாய்வு செய்து, நம்பகமான ஆய்வு முடிவுகளை எடுங்கள். இவ்வாரம் நீங்கள் கற்றுக்கொண்ட திறன்கள் உங்கள் ஆய்வுப் பயணத்தை அடுத்த கட்டத்திற்கு நகர்த்தும்.

© மாதம் - 3 | வாரம் 10 · நாள் 50 — புள்ளியியல் பகுப்பாய்வுக்குச் செய்யறிவுடன் குறியீடு எழுதுதல் (Statistical Analysis using AI) & வாரத் தேர்வு · தமிழ் AI ஆய்வு முறைமை

நாள் 49 - விளக்கப்படங்கள் உருவாக்குதல் (Creating Charts and Visualizations using AI)

📊 நாள் 49 · AI-யுடன் விளக்கப்படங்கள் (Data Visualization)

விளக்கப்படங்கள் உருவாக்குதல் (Charts using AI)

Bar Chart, Pie Chart, Scatter Plot, Line Chart, Histogram — செய்யறிவு (AI) மூலம் தரவுகளைக் கவர்ச்சியான வரைபடங்களாக மாற்றும் நுட்பங்கள்.

🖼️ “ஒரு படம் ஆயிரம் சொற்களுக்குச் சமம்” — விளக்கப்படங்கள் தரவுகளைக் காட்சிப்படுத்தி, போக்குகளையும் தொடர்புகளையும் உடனடியாகப் புரிய வைக்கின்றன. “காட்சி” என்பது கற்றலின் முக்கியப் பகுதி.

📘 49.0 அறிமுகம்

தரவுப் பகுப்பாய்வில் எண்களாக இருப்பதை விட, வரைபடங்களாக (Charts) இருக்கும் தரவுகள் மிக எளிதாகப் புரிகின்றன. பட்டை வரைபடம் (Bar Chart), வட்ட விளக்கப்படம் (Pie Chart), சிதறல் வரைபடம் (Scatter Plot) போன்றவை தரவுகளில் மறைந்திருக்கும் போக்குகளையும் தொடர்புகளையும் கண்ணுக்குப் புலப்படுத்துகின்றன. AI இந்த விளக்கப்படங்களுக்கான Python குறியீடுகளை நொடிகளில் உருவாக்கித் தருகிறது.

📊 49.1 விளக்கப்படங்களின் (Charts) வகைகள், பயன்பாடுகள்

விளக்கப்பட வகை	தமிழ்ப் பெயர்	எப்போது பயன்படுத்துவது	எடுத்துக்காட்டு
Bar Chart	பட்டை வரைபடம்	வெவ்வேறு பிரிவுகளுக்கிடையே ஒப்பீடு செய்ய	வெவ்வேறு மாதங்களில் விற்பனை ஒப்பீடு
Pie Chart	வட்ட விளக்கப்படம்	முழுமையின் (Whole) பகுதிகளைக் காட்ட	UG vs PG மாணவர்களின் பரவல்
Histogram	அதிர்வெண் வரைபடம்	ஒரு மாறியின் பரவலைக் காட்ட	மதிப்பெண்களின் பரவல் (50-60, 60-70)
Scatter Plot	சிதறல் வரைபடம்	இரண்டு மாறிகளுக்கும் இடையே உள்ள தொடர்பைக் காட்ட	Study Hours vs Marks
Line Chart	கோடு வரைபடம்	காலப்போக்கில் ஏற்படும் மாற்றங்களைக் காட்ட	பல ஆண்டுகளில் மாணவர் சேர்க்கை

⚙️ 49.2 செய்யறிவு உதவியுடன் விளக்கப்படங்கள் உருவாக்குதல் – 3 படிகள்

🔹 படி 1: தரவுத் தொகுப்பை (CSV/Excel) AI-யிடம் பதிவேற்றுக (ChatGPT Plus / Claude / Google Colab).

🔹 படி 2: தெளிவான விளக்கப்படத் தூண்டலை (Prompt) வழங்குக — விளக்கப்பட வகை, X/Y அச்சுகள், தலைப்பு, நிறம் ஆகியவற்றைக் குறிப்பிடுக.

🔹 படி 3: AI தரும் Python குறியீட்டை Google Colab-இல் ஒட்டி இயக்கி, வரைபடத்தைச் சேமிக்கவும் (Save image as).

📝 தூண்டல் வடிவம் (Prompt Template):
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A], [நெடுவரிசை B] உள்ளன. [Bar Chart / Pie Chart / Scatter Plot] உருவாக்கும் Python குறியீட்டைத் தருக. தலைப்பு: [வரைபடத் தலைப்பு], X-அச்சு: [X-பெயர்], Y-அச்சு: [Y-பெயர்], நிறம்: [blue/green/skyblue]. matplotlib / seaborn பயன்படுத்துக.”

📌 49.3 எடுத்துக்காட்டுகள் – AI-யுடன் விளக்கப்படங்கள்

📊 Bar Chart (பட்டை வரைபடம்)
தூண்டல்: “monthly_sales.csv-ல் Month vs Sales Bar Chart”

✅ தலைப்பு: Monthly Sales Comparison

import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('monthly_sales.csv')
plt.bar(df['Month'], df['Sales'], color='skyblue')
plt.title('Monthly Sales Comparison')
plt.xlabel('Month')
plt.ylabel('Sales (in ₹)')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

🥧 Pie Chart (வட்ட விளக்கப்படம்)
தூண்டல்: “student_program.csv-ல் Program நெடுவரிசையின் பரவல்”

✅ தலைப்பு: Student Distribution by Program

import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('student_program.csv')
program_counts = df['Program'].value_counts()
plt.pie(program_counts, labels=program_counts.index, autopct='%1.1f%%', startangle=90)
plt.title('Student Distribution by Program')
plt.axis('equal')
plt.show()

🔵 Scatter Plot (சிதறல் வரைபடம்)
தூண்டல்: “study_hours_vs_marks.csv-ல் Study_Hours vs Marks”

✅ தொடர்பு மதிப்பு: 0.85 (Strong Positive Correlation)

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_csv('study_hours_vs_marks.csv')
sns.scatterplot(x='Study_Hours', y='Marks', data=df, color='green')
plt.title('Correlation between Study Hours and Marks')
plt.xlabel('Study Hours per Day')
plt.ylabel('Marks (out of 100)')
plt.show()

✍️ 49.4 பயிற்சி 29 – மூன்று வெவ்வேறு விளக்கப்படங்களை உருவாக்குதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க.
• Google Colab-ஐத் திறந்து (colab.research.google.com), புதிய Notebook உருவாக்குக.
• உங்கள் CSV கோப்பை Colab-இல் பதிவேற்றுக (Files → Upload).
• கீழ்க்காணும் தூண்டல்களைப் பயன்படுத்தி AI-யிடம் (ChatGPT/Gemini) Python குறியீட்டைக் கேட்கவும்.
• AI தந்த குறியீட்டை Colab-இல் ஒட்டி, ▶ (Play) அழுத்தி இயக்கவும்.
• வரைபடத்தில் வலது கிளிக் → “Save image as” மூலம் சேமிக்கவும்.

🔸 மாதிரித் தூண்டல்கள்:
• Bar Chart: “நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A], [நெடுவரிசை B] ஆகியவற்றுக்கு இடையே ஒரு Bar Chart உருவாக்கும் Python குறியீட்டைத் தருக.”
• Pie Chart: “நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A] நெடுவரிசையில் உள்ள மதிப்புகளின் பரவலைக் காட்டும் Pie Chart உருவாக்கும் குறியீட்டைத் தருக.”
• Scatter Plot: “நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை X], [நெடுவரிசை Y] ஆகியவற்றுக்கு இடையே ஒரு Scatter Plot உருவாக்கும் Python குறியீட்டைத் தருக.”

📌 49.5 இறுதியாக

விளக்கப்படங்கள் (Charts) தரவுகளைக் காட்சிப்படுத்தி, புரிந்துகொள்ள மிகவும் எளிதாக்குகின்றன. AI-யின் உதவியுடன், பைத்தான் நிரலாக்கம் தெரியாவிட்டாலும் கவர்ச்சியான, அர்த்தமுள்ள விளக்கப்படங்களை உருவாக்க முடியும். வரைபடங்களின் நிறம், தலைப்பு, அளவு ஆகியவற்றைத் தனிப்பயனாக்கவும் AI உதவுகிறது.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• விளக்கப்பட வகைகள்: Bar Chart, Pie Chart, Scatter Plot, Line Chart, Histogram — ஒவ்வொன்றின் தனித்துவமான பயன்பாடுகள்.
• AI உதவியுடன் குறியீடு உருவாக்கம்: தூண்டலில் (Prompt) விளக்கப்பட வகை, நெடுவரிசைகள், தலைப்புகள், நிறங்களைக் குறிப்பிட்டுப் Python குறியீட்டைப் பெறுதல்.
• Google Colab-இல் இயக்குதல்: AI தந்த குறியீட்டை Colab-இல் இயக்கி, வரைபடங்களைச் சேமித்தல்.
• தனிப்பயனாக்கம் (Customization): AI உதவியுடன் வரைபடங்களின் நிறம், அளவு, தலைப்பு, எழுத்துரு ஆகியவற்றை மாற்றியமைத்தல்.
• இலக்கிய இணைப்பு: “காட்சி” — விளக்கப்படங்கள் தரவுகளைக் காட்சிப்படுத்தும் நவீனக் கலை.

📢 அடுத்த பாடத்தில் (நாள் 50): புள்ளியியல் பகுப்பாய்விற்கு (Statistical Analysis) AI-யுடன் Python குறியீடு எழுதுதல் — t-test, ANOVA, regression.

🎥 காணொளி வழிகாட்டி: AI-யுடன் விளக்கப்படங்கள் உருவாக்குதல்

Bar Chart, Pie Chart, Scatter Plot — AI-யுடன் வரைபடங்கள் உருவாக்கும் நேரடி விளக்கம்.

🎨 “காட்சி” — தரவுகளை AI-யின் உதவியுடன் வரைபடங்களாக மாற்றி, ஆய்வின் முடிவுகளை எளிதாகவும் கவர்ச்சியாகவும் வெளிப்படுத்துங்கள். ஒவ்வொரு விளக்கப்படமும் உங்கள் ஆய்வுக் கதையைச் சொல்லும் ஒரு படமாகும்.

© மாதம் - 3 | வாரம் 10 · நாள் 49 — விளக்கப்படங்கள் உருவாக்குதல் (Data Visualization using AI) · தமிழ் AI ஆய்வு முறைமை

நாள் 48 - தரவுகளைப் பகுப்பாய்வு செய்தல் (Analyzing Data using AI)

📊 நாள் 48 · AI-யுடன் தரவுப் பகுப்பாய்வு

தரவுகளைப் பகுப்பாய்வு செய்தல் (Data Analysis using AI)

சராசரி, இடைநிலை, போக்குகள் (Trends), தொடர்புகள் (Correlations) — செய்யறிவு (AI) மூலம் தரவுகளில் மறைந்திருக்கும் உண்மைகளைக் கண்டறியும் நுட்பங்கள்.

📐 “எண்ணித் துணிக கருமம்” (குறள் 467) — தரவுப் பகுப்பாய்வும் “எண்ணுதல்” (கணக்கிடுதல்) மற்றும் “துணிதல்” (முடிவு காணுதல்) ஆகிய இரு படிகளைக் கொண்டது. AI இந்த இரண்டிலும் ஆய்வாளருக்கு வலுசேர்க்கிறது.

📘 48.0 அறிமுகம்

தரவுகளைத் தூய்மை செய்த பிறகு, அடுத்த படிநிலை அவற்றில் மறைந்திருக்கும் உண்மைகளைக் கண்டறிவதாகும். இதுவே தரவுப் பகுப்பாய்வு (Data Analysis). “எந்த மாதம் விற்பனை அதிகம்?”, “இரு மாறிகளுக்கும் தொடர்பு உள்ளதா?” போன்ற கேள்விகளுக்கு விடை காண AI மிக விரைவாகவும் துல்லியமாகவும் உதவுகிறது.

📊 48.1 தரவுப் பகுப்பாய்வின் (Data Analysis) வகைகள்

வகை	தமிழ்ப் பெயர்	விளக்கம்	எடுத்துக்காட்டுக் கேள்விகள்
Descriptive Analysis	விளக்கப் பகுப்பாய்வு	தரவுகளின் மையப் போக்குகளை விளக்குதல்	சராசரி? இடைநிலை? திட்டவிலக்கம்?
Diagnostic Analysis	காரணப் பகுப்பாய்வு	ஏன் ஒரு நிகழ்வு நிகழ்ந்தது என்பதைக் கண்டறிதல்	“ஏன் கடந்த மாதம் விற்பனை குறைந்தது?”
Predictive Analysis	முன்கணிப்புப் பகுப்பாய்வு	எதிர்காலத்தில் என்ன நிகழும் என்பதைக் கணித்தல்	“அடுத்த மாதம் விற்பனை எவ்வளவு?”
Prescriptive Analysis	பரிந்துரைப் பகுப்பாய்வு	என்ன செய்ய வேண்டும் என்பதற்கான பரிந்துரைகள்	“விற்பனையை அதிகரிக்க என்ன நடவடிக்கை?”

💡 ஆய்வாளர்கள் பெரும்பாலும் Descriptive & Diagnostic analysis-ஐ முதற்கட்டமாகப் பயன்படுத்துகின்றனர்.

⚙️ 48.2 செய்யறிவு உதவியுடன் தரவுப் பகுப்பாய்வு செய்தல் – படிநிலைகள்

🔹 படி 1: தரவுத் தொகுப்பை (CSV/Excel) AI-யிடம் பதிவேற்றுக (ChatGPT Plus, Claude, அல்லது Colab + AI).

🔹 படி 2: தெளிவான பகுப்பாய்வுத் தூண்டல்களை (Prompts) வழங்குக.

📝 விளக்கப் பகுப்பாய்வு (Descriptive Analysis) – Prompt Template:
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில் [நெடுவரிசைப் பெயர்] மதிப்புகளின் சராசரி (Mean), இடைநிலை (Median), திட்டவிலக்கம் (Std Dev), குறைந்தபட்சம் (Min), அதிகபட்சம் (Max) ஆகியவற்றை அட்டவணையில் தருக.”

📈 போக்குகள் (Trends) கண்டறிதல் – Prompt Template:
“தரவுத் தொகுப்பில் [நெடுவரிசை A] (காலம்) மற்றும் [நெடுவரிசை B] (மதிப்பு) உள்ளது. எந்தக் காலத்தில் மதிப்பு அதிகம்? போக்குகளை விளக்குக. வரைபடத்திற்கான Python குறியீட்டையும் தருக.”

🔗 தொடர்பு (Correlation) கண்டறிதல் – Prompt Template:
“[X] மற்றும் [Y] நெடுவரிசைகளுக்கிடையேயான தொடர்பைக் கணக்கிட்டு, வலிமை (Strong/Weak) மற்றும் திசை (Positive/Negative) ஆகியவற்றை விளக்குக.”

📌 48.3 எடுத்துக்காட்டுகள் – AI-யுடன் தரவுப் பகுப்பாய்வு

📊 விளக்கப் பகுப்பாய்வு (Descriptive)
தூண்டல்: “students_marks.csv-ல் ‘Marks’ நெடுவரிசையின் புள்ளியியல் அளவீடுகள்?”

அளவீடு	மதிப்பு
சராசரி (Mean)	72.5
இடைநிலை (Median)	74.0
திட்டவிலக்கம்	12.3
குறைந்தபட்சம்	45
அதிகபட்சம்	98

📈 போக்குகள் (Trends)
தூண்டல்: “monthly_sales.csv-ல் எந்த மாதத்தில் விற்பனை அதிகம்?”

✅ அதிக விற்பனை: டிசம்பர் (₹1,50,000)

⚠️ குறைந்த விற்பனை: பிப்ரவரி (₹85,000)

📉 போக்கு: ஆகஸ்ட் முதல் உயர்ந்து டிசம்பரில் உச்சம், பின்னர் குறைகிறது.

plt.plot(df['Month'], df['Sales'])

🔗 தொடர்பு (Correlation)
தூண்டல்: “study_hours vs marks – தொடர்பு என்ன?”

தொடர்பு மதிப்பு: 0.85

✅ வலிமையான (Strong), நேர்மறையான (Positive) தொடர்பு.
➜ படிக்கும் நேரம் அதிகரிக்க, மதிப்பெண்களும் அதிகரிக்கும்.

p-value முக்கியத்துவத்தையும் AI மூலம் கணிக்கலாம்.

✍️ 48.4 பயிற்சி 28 – AI உதவியுடன் தரவுப் பகுப்பாய்வு செய்தல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க.
• ChatGPT Plus / Claude / Google Colab + Gemini-யில் தரவுக் கோப்பைப் பதிவேற்றுக (அல்லது Copy-Paste செய்க).
• கீழ்க்காணும் கேள்விகளை AI-யிடம் கேட்டுப் பகுப்பாய்வு முடிவுகளைப் பெறுக:

🔸 மாதிரிக் கேள்விகள்:
• “இந்தத் தரவுகளில் [நெடுவரிசை A] நெடுவரிசையின் சராசரி (Mean) என்ன?”
• “[நெடுவரிசை B] மற்றும் [நெடுவரிசை C] ஆகியவற்றுக்கு இடையே தொடர்பு (Correlation) உள்ளதா? விளக்குக.”
• “இந்தத் தரவுகளில் உள்ள முக்கிய போக்குகள் (Trends) யாவை? விளக்குக.”
• “எந்த மதிப்புகள் வெளிப்புறத் தரவுகளாக (Outliers) இருக்கக்கூடும்? கண்டறிந்து தருக.”

AI வழங்கும் முடிவுகளைப் பதிவு செய்து, அவை உங்கள் ஆய்வுக் கேள்விக்குப் பொருத்தமானவையா எனச் சரிபார்க்கவும்.

📌 48.5 இறுதியாக

தரவுப் பகுப்பாய்வு என்பது ஆய்வின் உயிர்நாடி. AI இந்தப் பணிகளை விரைவாகவும் துல்லியமாகவும் செய்து, ஆய்வாளருக்கு விளக்கங்களை வழங்குகிறது. சராசரி, இடைநிலை, போக்குகள், தொடர்புகள் ஆகியவற்றைக் கண்டறிவதன் மூலம், தரவுகளின் உள்ளார்ந்த செய்திகளைப் புரிந்து கொள்ளலாம்.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• தரவுப் பகுப்பாய்வின் 4 வகைகள்: Descriptive (விளக்கம்), Diagnostic (காரணம்), Predictive (முன்கணிப்பு), Prescriptive (பரிந்துரை).
• AI உதவியுடன் பகுப்பாய்வு: தரவுத் தொகுப்பைப் பதிவேற்றிச் சராசரி, இடைநிலை, திட்டவிலக்கம், போக்குகள், தொடர்புகளைக் கணக்கிடுதல்.
• தூண்டல் நுட்பம் (Prompt Engineering): தெளிவான பகுப்பாய்வுக் கேள்விகளை முன்வைத்து, AI-யிடமிருந்து அர்த்தமுள்ள முடிவுகளைப் பெறுதல்.
• போக்குகள் (Trends) & தொடர்புகள் (Correlations): காலப்போக்கில் மாற்றங்கள் மற்றும் இரு மாறிகளுக்கிடையேயான உறவைக் கண்டறிதல்.
• இலக்கிய இணைப்பு: “எண்ணித் துணிக” — தரவுகளைச் சரியாக எண்ணி (பகுப்பாய்வு செய்து) சரியான முடிவைத் துணிதல்.

📢 அடுத்த பாடத்தில் (நாள் 49): AI-யுடன் தரவுகளைக் கவரும் வரைபடங்களாகக் காட்சிப்படுத்துதல் (Data Visualization) — matplotlib, seaborn, தானியங்கு விளக்கப்படங்கள்.

🎥 காணொளி வழிகாட்டி: AI-யுடன் தரவுப் பகுப்பாய்வு

நேரடி எடுத்துக்காட்டுகள்: சராசரி, இடைநிலை, தொடர்பு, போக்குகள் — AI-யுடன் பகுப்பாய்வு செய்வது எப்படி.

🧠 “எண்ணித் துணிக கருமம்” — தரவுகளை AI-யின் உதவியுடன் பகுப்பாய்வு செய்து, உங்கள் ஆய்வுக்கான உறுதியான முடிவுகளை எடுங்கள். தரவுப் பகுப்பாய்வு இன்றி ஆய்வு முழுமை அடையாது. AI உங்கள் பகுப்பாய்வு பயணத்தை எளிதாக்குகிறது.

© மாதம் - 3 | வாரம் 10 · நாள் 48 — தரவுகளைப் பகுப்பாய்வு செய்தல் (Data Analysis using AI) · தமிழ் AI ஆய்வு முறைமை

நாள் 47 - பைத்தான் குறியீட்டைச் செய்யறிவு மூலம் உருவாக்குதல் (Generating Python Code for Data Analysis using AI)

🐍 நாள் 47 · AI + Python for Data Analysis

பைத்தான் குறியீட்டைச் செய்யறிவு மூலம் உருவாக்குதல்

Google Colab, pandas, numpy — நிரலாக்கம் தெரியாத ஆய்வாளர்களும் AI உதவியுடன் பைத்தான் குறியீடுகளை எழுதி, தரவு சுத்திகரிப்பு (Data Cleaning), பகுப்பாய்வு, வடிகட்டுதல் ஆகியவற்றை எளிதாகச் செய்யலாம்.

🤖 “இயந்திரம்” — பைத்தான் தரவுப் பகுப்பாய்விற்கான நவீன இயந்திரம். செய்யறிவு (AI) அந்த இயந்திரத்தை இயக்கும் திறனை அனைத்து ஆய்வாளர்களுக்கும் வழங்குகிறது.

📘 47.0 அறிமுகம்

பைத்தான் (Python) தரவுப் பகுப்பாய்வு, இயந்திரக் கற்றல், அறிவியல் கணக்கீடுகளுக்குப் பயன்படும் ஆற்றல்மிக்க மொழி. ஆனால் நிரலாக்கம் தெரியாத ஆய்வாளர்களுக்கு இது சவாலாக உள்ளது. செய்யறிவு (AI) ஒரு “Coding Assistant” ஆகச் செயல்பட்டு, pandas, numpy அடிப்படையிலான குறியீடுகளை உருவாக்கித் தருகிறது. Google Colab போன்ற இலவசத் தளங்களில் இந்தக் குறியீடுகளை இயக்கி, ஆயிரக்கணக்கான தரவுகளை நொடிகளில் பகுப்பாய்வு செய்யலாம்.

⚙️ 47.1 பைத்தான் (Python) & கூகுள் கோலேப் (Google Colab) – அறிமுகம்

🐍 பைத்தான் (Python)
• pandas: தரவுகளைப் படித்தல், சுத்திகரித்தல், மாற்றியமைத்தல்
• numpy: எண்கணிதக் கணக்கீடுகள்
• matplotlib, seaborn: விளக்கப்படங்கள் (Visualization)

☁️ கூகுள் கோலேப் (Google Colab)
• இலவசக் கிளவுட் சேவை
• மென்பொருள் நிறுவல் தேவையில்லை
• உலாவியிலேயே Python குறியீட்டை இயக்கலாம்
• Google கணக்கு மட்டும் போதும்

📌 47.2 செய்யறிவு உதவியுடன் பைத்தான் குறியீடு உருவாக்குதல் – 3 படிகள்

🔹 படி 1: தரவுக் கோப்பின் (CSV/Excel) அமைப்பைப் புரிந்து கொள்ளுதல் — நெடுவரிசைகள் (Columns), தரவு வகைகள் (எண், உரை, தேதி).

🔹 படி 2: AI-யிடம் தெளிவான தூண்டல் (Prompt) மூலம் குறியீட்டைக் கோருதல். pandas நூலகத்தைப் பயன்படுத்தும்படி கேட்கவும்.

🔹 படி 3: AI தரும் குறியீட்டை Google Colab-இல் ஒட்டி, தரவுக் கோப்பைப் பதிவேற்றி இயக்குதல்.

📝 தூண்டல் வடிவம் (Prompt Template):
“என்னிடம் ஒரு [CSV / Excel] கோப்பு உள்ளது. கோப்பின் பெயர் ‘[கோப்பின்_பெயர்]’. இதில் [நெடுவரிசை A]: [தரவு வகை], [நெடுவரிசை B]: [தரவு வகை] உள்ளது. எனக்குத் தேவையான பணி: [உங்கள் தேவையைத் தமிழில் விளக்குக]. இதற்கான பைத்தான் குறியீட்டை உருவாக்கித் தருக. pandas நூலகத்தைப் பயன்படுத்துக. ஒவ்வொரு படிநிலைக்கும் தமிழில் விளக்கக் குறிப்புகளைச் (Comments) சேர்க்கவும்.”

📌 47.3 எடுத்துக்காட்டுகள் – AI-யிடம் பைத்தான் குறியீட்டைக் கேட்டல்

📂 CSV கோப்பைப் படித்தல்
தூண்டல்: “students_data.csv கோப்பைப் படித்து முதல் 5 வரிசைகளைக் காட்டும் குறியீடு”

import pandas as pd
df = pd.read_csv('students_data.csv')
print(df.head())

🧹 காலி (NULL) மதிப்புகளை நீக்குதல்
தூண்டல்: “sales_data.csv-ல் ‘Sales’ நெடுவரிசையில் NULL உள்ள வரிசைகளை நீக்கும் குறியீடு”

df = pd.read_csv('sales_data.csv')
df_cleaned = df.dropna(subset=['Sales'])
print(df_cleaned.head())

📊 அதிர்வெண் கணக்கிடுதல்
தூண்டல்: “survey_data.csv-ல் ‘Feedback’ நெடுவரிசையில் உள்ள Good/Average/Poor எண்ணிக்கை”

df = pd.read_csv('survey_data.csv')
print(df['Feedback'].value_counts())

🎯 நிபந்தனையுடன் வடிகட்டுதல்
தூண்டல்: “employees.csv-ல் ‘Department’ == ‘IT’ உள்ளவர்களின் Name, Salary”

df = pd.read_csv('employees.csv')
it_emp = df[df['Department'] == 'IT']
print(it_emp[['Name', 'Salary']])

✍️ 47.4 பயிற்சி 27 – Google Colab-இல் பைத்தான் குறியீட்டை இயக்குதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க (Excel-ல் “Save As CSV”).
• colab.research.google.com → New Notebook.
• இடதுபுறம் File icon → உங்கள் CSV கோப்பைப் பதிவேற்றம் செய்க.
• கீழே உள்ள மாதிரித் தூண்டல்களைப் பயன்படுத்தி AI-யிடம் (ChatGPT/Gemini/Claude) Python குறியீட்டைக் கேட்கவும்.
• AI தந்த குறியீட்டை Colab கலத்தில் ஒட்டி, ▶ (Play) பொத்தானை அழுத்தி இயக்கவும்.

🔸 மாதிரித் தூண்டல்கள்:
• “என்னிடம் ‘data.csv’ கோப்பு உள்ளது. ‘Marks’ நெடுவரிசையின் சராசரியைக் (Mean) கணக்கிடும் பைத்தான் குறியீட்டைத் தருக.”
• “என்னிடம் ‘survey.csv’ உள்ளது. ‘Age’ நெடுவரிசையில் 30-க்கும் மேற்பட்டவர்களை மட்டும் வடிகட்டிக் காட்டும் குறியீடு.”
• “இரண்டு நெடுவரிசைகளுக்கு இடையிலான தொடர்பை (correlation) கணக்கிடும் Python குறியீடு.”

📌 47.5 இறுதியாக

பைத்தான் நிரலாக்கம் தெரியாவிட்டாலும், AI-யின் உதவியுடன் சிக்கலான தரவுப் பகுப்பாய்வுப் பணிகளைச் செய்யலாம். Google Colab இலவசமாகவும், நிறுவல் தேவையில்லாமலும் இருப்பதால், எந்த ஆய்வாளரும் உலாவி வழியாகத் தரவு பகுப்பாய்வைத் தொடங்கலாம்.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• பைத்தான் நூலகங்கள்: pandas (தரவு மேலாண்மை), numpy (எண்கணிதம்), matplotlib (வரைபடம்).
• Google Colab: மென்பொருள் நிறுவல் இல்லாமல், இணைய உலாவி வழியாக Python குறியீட்டை இயக்கும் இலவசக் கிளவுட் தளம்.
• AI-யுடன் குறியீடு உருவாக்கம்: தரவுக் கோப்பின் அமைப்பை விளக்கித் தேவையான pandas அடிப்படையிலான நிரலைப் பெறுதல்.
• பயன்பாட்டு எடுத்துக்காட்டுகள்: CSV படித்தல், NULL நீக்குதல், value_counts, நிபந்தனை வடிகட்டுதல், சராசரி/தொடர்பு கணக்கிடுதல்.
• இலக்கிய இணைப்பு: “இயந்திரம்” — பைத்தான் என்பது தரவுப் பகுப்பாய்விற்கான நவீன இயந்திரம்; AI அதை இயக்கும் திறனை அனைவருக்கும் வழங்குகிறது.

📢 அடுத்த பாடத்தில் (நாள் 48): தரவுகளில் மறைந்திருக்கும் போக்குகளை (Trends) வரைபடங்களாகக் காட்சிப்படுத்துதல் & AI-யுடன் ஆழமான பகுப்பாய்வு முறைகள்.

🎥 காணொளி வழிகாட்டி: AI-யுடன் Python குறியீடு & Google Colab

Colab-இல் CSV பதிவேற்றம், AI மூலம் pandas குறியீடு உருவாக்கம், நேரடி இயக்க முறைகள்.

🧠 “எண்ணென்ப ஏனை எழுத்தென்ப” — இன்று AI-யின் உதவியுடன், தரவுகளை (எண்) பைத்தான் மூலம் பகுப்பாய்வு செய்து, ஆய்வு முடிவுகளை (எழுத்து) உருவாக்கும் கலை எளிதாகிறது. தரவுப் பகுப்பாய்வில் பைத்தானின் சக்தியை AI-யுடன் இணைத்து உங்கள் ஆய்வை அடுத்த கட்டத்திற்கு நகர்த்துங்கள்.

© மாதம் - 3 | வாரம் 10 · நாள் 47 — பைத்தான் குறியீட்டைச் செய்யறிவு மூலம் உருவாக்குதல் (AI for Python & Google Colab) · தமிழ் AI ஆய்வு முறைமை