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

நாள் 46 - செய்யறிவு உதவியுடன் Excel சூத்திரங்கள் (Formulas) எழுதுதல் (Writing Excel Formulas using AI)

📊 வாரம் 10 · தரவுப் பகுப்பாய்வும் காட்சிப்படுத்தலும் (AI with Data)

தரவுப் பகுப்பாய்வும் காட்சிப்படுத்தலும் AI உதவியுடன்

செய்யறிவு (AI) மூலம் Excel சூத்திரங்கள், Python குறியீடுகள், தரவுத் தூய்மை, வரைபடக் காட்சிகள் — ஆய்வுத் தரவுகளை எளிமையாகப் பகுப்பாய்வு செய்யும் நுட்பங்கள்.

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

📆 நாள் 46 · Excel சூத்திரங்கள் + AI

செய்யறிவு உதவியுடன் Excel சூத்திரங்கள் (Formulas) எழுதுதல்

VLOOKUP, COUNTIFS, IF, AVERAGEIF போன்ற சிக்கலான சூத்திரங்களை மனப்பாடம் செய்யாமல், சாதாரணத் தமிழில் AI-யிடம் கேட்டு உடனடிச் சூத்திரங்களைப் பெறும் முறை.

📘 46.0 அறிமுகம்

விரிதாள் (Excel) தரவுப் பகுப்பாய்விற்கு உலகப் பரவலான கருவி. ஆனால் VLOOKUP, INDEX-MATCH போன்ற சூத்திரங்களை நினைவில் வைத்து, பிழையின்றிப் பயன்படுத்துவது சவாலானது. இங்கே செய்யறிவு (AI) ஒரு சிறந்த “Excel Assistant” ஆகச் செயல்படுகிறது. நம் தேவையைத் தமிழில் விளக்கினால் போதும், AI பொருத்தமான சூத்திரத்தை நொடிகளில் உருவாக்கித் தருகிறது.

“எண்ணென்ப ஏனை எழுத்தென்ப இவ்விரண்டும் கண்ணென்ப வாழும் உயிர்க்கு” (குறள் 392) — எண்ணும் (கணிதம்) எழுத்தும் (மொழி) இன்று AI-யில் இணைந்து, தமிழில் வினவி Excel சூத்திரங்களைப் பெறும் புதிய கணக்குக் கலையை உருவாக்கியுள்ளது.

⚙️ 46.1 செய்யறிவு உதவியுடன் விரிதாள் சூத்திரம் உருவாக்குதல் – 3 படிகள்

🔹 படி 1: உங்கள் தரவுக் கோப்பின் கட்டமைப்பைப் புரிந்து கொள்ளுங்கள் — நெடுவரிசைகள் (Columns), தலைப்புகள், தரவு தொடங்கும் கலம் (Cell).

🔹 படி 2: AI-யிடம் தெளிவான தூண்டல் (Prompt) மூலம் சூத்திரத்தைக் கோருக. நெடுவரிசைப் பெயர்கள், நிபந்தனைகளைத் துல்லியமாகக் குறிப்பிடுக.

🔹 படி 3: AI தரும் சூத்திரத்தை Excel / Google Sheets-இல் சோதித்துப் பார்க்கவும். பிழை ஏற்பட்டால், பிழைச் செய்தியை AI-யிடம் கூறி திருத்தம் பெறுக.

📌 46.2 எடுத்துக்காட்டுகள் – AI-யிடம் சூத்திரங்களைக் கேட்டல்

🔢 COUNTIF
தூண்டல்: “B நெடுவரிசையில் PG படிக்கும் மாணவர்களின் எண்ணிக்கையைக் கணக்கிடும் சூத்திரம்?”

=COUNTIF(B:B, "PG")

📊 COUNTIFS
தூண்டல்: “PG படித்து, 80+ மதிப்பெண் பெற்றவர்கள் எண்ணிக்கை?”

=COUNTIFS(B:B, "PG", C:C, ">80")

🔍 VLOOKUP
தூண்டல்: “Sheet1-ன் A2 ஐ வைத்து Sheet2-ல் மதிப்பெண் தேடி இழுக்க?”

=VLOOKUP(A2, Sheet2!A:B, 2, FALSE)

⚖️ IF
தூண்டல்: “மதிப்பெண் >=50 எனில் ‘தேர்ச்சி’, இல்லையேல் ‘தோல்வி’?”

=IF(A2>=50, "Pass", "Fail")

📈 AVERAGEIF
தூண்டல்: “PG மாணவர்களின் சராசரி மதிப்பெண்?”

=AVERAGEIF(A:A, "PG", B:B)

➕ SUMIF
தூண்டல்: “UG மாணவர்களின் மொத்த மதிப்பெண்?”

=SUMIF(A:A, "UG", B:B)

💡 AI-யிடம் “என்னிடம் ‘விற்பனை’ (Column A), ‘வருவாய்’ (Column B) உள்ளது; விற்பனை 1000+ உள்ள வரிகளின் சராசரி வருவாயைக் கணக்கிடும் சூத்திரம்?” என்று கேட்கலாம்.

✍️ சிறந்த தூண்டல் வடிவம் (Prompt Template)

📌 “என்னிடம் ஒரு விரிதாள் (Excel) கோப்பு உள்ளது. [A] நெடுவரிசையில் [உருப்படி], [B] நெடுவரிசையில் [மதிப்பு] உள்ளது.
எனக்குத் தேவையான கணக்கீடு: [உதாரணமாக: B நெடுவரிசையில் 50-க்கு மேல் உள்ளவற்றின் எண்ணிக்கை].
இதற்கான Excel சூத்திரத்தை மட்டும் தனியாகத் தருக. அதன் செயல்பாட்டையும் சுருக்கமாக விளக்குக.”

📝 எடுத்துக்காட்டு: “என்னிடம் ‘A’ நெடுவரிசையில் வயது (Age) உள்ளது. 18-க்கும் குறைவானவர்களின் எண்ணிக்கையைக் கணக்கிடும் சூத்திரம் தருக.” → =COUNTIF(A:A, "<18")

✍️ 46.3 பயிற்சி 26 – AI மூலம் Excel சூத்திரங்களை உருவாக்குதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட Excel / Google Sheets கோப்பைத் திறக்கவும் (அல்லது எளிய மாதிரித் தரவுகளை உருவாக்கவும்).
• உங்களுக்குத் தேவையான ஒரு கணக்கீட்டைத் தேர்வு செய்க (எ.கா: குறிப்பிட்ட மாவட்டத்தின் சராசரி, அதிக மதிப்பெண்).
• ChatGPT / Gemini / Claude-இல், மேலே உள்ள Prompt Template-ஐப் பயன்படுத்தித் தமிழில் கேள்வி கேட்கவும்.
• AI தரும் சூத்திரத்தை உங்கள் விரிதாளில் உரிய கலத்தில் (Cell) ஒட்டிச் சோதிக்கவும்.
• குறைந்தது 3 வெவ்வேறு வகையான சூத்திரங்கள் (COUNTIF, AVERAGEIF, IF, VLOOKUP) உருவாக்கிப் பழகுக.

🔸 மாதிரித் தூண்டல்கள்:
• “பெயர் நெடுவரிசையில் (Column A) ‘ம’ என்ற எழுத்தில் தொடங்கும் பெயர்களை எண்ணும் சூத்திரம்?” → =COUNTIF(A:A, "ம*")
• “வயது (Column B) நெடுவரிசையில் 18-க்கும் குறைவானவர்களின் எண்ணிக்கை?” → =COUNTIF(B:B, "<18")
• “செலவு (Column C) நெடுவரிசையில் உள்ள அனைத்து மதிப்புகளின் கூட்டுத்தொகை?” → =SUM(C:C)

📌 46.4 இறுதியாக

சூத்திரங்களை மனப்பாடம் செய்வதற்குப் பதிலாக, AI-யிடம் நம் தேவையைச் சொல்லி உடனடிச் சூத்திரங்களைப் பெறுவது ஆய்வின் நேரத்தைக் குறைத்து, துல்லியத்தை அதிகரிக்கிறது. இன்று ஒவ்வொரு ஆய்வாளருக்கும் AI ஒரு சிறந்த “Excel Assistant” ஆக விளங்குகிறது.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• AI மூலம் சூத்திர உருவாக்கம்: COUNTIF, VLOOKUP, IF, AVERAGEIF போன்ற சூத்திரங்களைச் சாதாரணத் தமிழில் AI-யிடம் கேட்டுப் பெறுதல்.
• தூண்டலின் கூறுகள்: தரவுக் கோப்பின் நெடுவரிசைகள், நிபந்தனைகள், கணக்கீட்டுத் தேவை ஆகியவற்றைத் தெளிவாகக் குறிப்பிடுதல்.
• சூத்திரத்தைச் சோதித்தல்: AI தந்த சூத்திரத்தை Excel / Sheets-இல் இட்டு, பிழை இருந்தால் AI-யிடமே மீண்டும் திருத்தம் கோருதல்.
• இலக்கிய இணைப்பு: “எண்ணென்ப ஏனை எழுத்தென்ப” — தமிழின் கணக்குக் கலை இன்று AI உரையாடல் வழியாக வளம் பெறுகிறது.

📢 அடுத்த பாடத்தில் (நாள் 47): விரிதாளின் எல்லைகளைக் கடந்து, Python & AI மூலம் பெருந்தரவு (Big Data) பகுப்பாய்வு மற்றும் தானியங்கு காட்சிப்படுத்தல் குறித்துக் காண்போம்.

🎥 காணொளி வழிகாட்டி: AI-யுடன் Excel & தரவுப் பகுப்பாய்வு

வாரம் 10 அறிமுகம் & AI-யுடன் Excel சூத்திரங்கள் – நேரடி நிகழ்வுகள், பயிற்சி விளக்கங்கள்.

🧮 “எண்ணும் எழுத்தும் கண்ணெனத் தகும்” — தரவுகளை (எண்) AI-யின் உதவியுடன் பகுப்பாய்வு செய்து, அதன் முடிவுகளை (எழுத்து) ஆய்வறிக்கையாக மாற்றும் பயணத்தின் தொடக்கம். அடுத்த பாடங்களில் மேலும் ஆழமான AI தரவுக் கருவிகளைப் பயில்வோம்.

© மாதம் - 3 | வாரம் 10 · நாள் 46 — செய்யறிவு உதவியுடன் Excel சூத்திரங்கள் (AI for Excel Formulas) · தமிழ் AI ஆய்வு முறைமை

நாள் 45 - செய்யறிவால் பரிந்துரைக்கப்பட்ட கட்டுரைகளை மதிப்பீடு செய்தல் (Evaluating AI-Recommended Research Papers)

🔍 நாள் 45 · தர மதிப்பீடு & Hallucination கண்டறிதல்

செய்யறிவால் பரிந்துரைக்கப்பட்ட கட்டுரைகளை மதிப்பீடு செய்தல்

இதழ்த் தரம், மேற்கோள் எண்ணிக்கை, DOI சரிபார்ப்பு, Hallucination (புனைவு) வெளிச்சம் — AI பரிந்துரைகளை ஆய்வாளர் அறிவால் சீர்தூக்கும் கலை.

📜 “எப்பொருள் யார்யார்வாய்க் கேட்பினும் அப்பொருள் மெய்ப்பொருள் காண்பது அறிவு” (குறள் 423)
செய்யறிவு ஒரு தகவல் வாயில் மட்டுமே; அது காட்டும் தரவுகளின் மெய்ப்பொருளை நம் அறிவால் பகுப்பாய்ந்து உறுதி செய்வதே சிறந்த ஆய்வாளரின் பொறுப்பு.

📘 45.0 அறிமுகம்

செய்யறிவு (AI) ஆயிரக்கணக்கான கட்டுரைகளைப் பரிந்துரைக்கும் ஆற்றல் கொண்டது. ஆனால், சில கட்டுரைகள் காலாவதியானவை, நம்பகத்தன்மை குறைந்த இதழ்களில் (Predatory Journals) வெளியானவை, அல்லது முற்றிலும் “தகவல் புனைவு” (Hallucination) ஆக இருக்கலாம். எனவே, AI பரிந்துரைகளைத் தரம் பிரித்தல் (Quality Assessment) மிக அவசியம்.

📊 45.1 மதிப்பீட்டு அளவுகோல்கள் (Evaluation Criteria)

அளவுகோல்	தமிழ்ப் பெயர்	விளக்கம்	எவ்வாறு சரிபார்ப்பது?
இதழின் நம்பகத்தன்மை	இதழ்த் தரம்	Scopus / UGC-CARE / Web of Science பட்டியலில் உள்ளதா?	Scopus, UGC-CARE பட்டியலில் இதழின் ISSN தேடுக.
ஆசிரியரின் நம்பகத்தன்மை	ஆசிரியர் நம்பகத்தன்மை	h-index, மேற்கோள்கள், துறை அறிவு	Google Scholar-இல் ஆசிரியரின் சுயவிவரம், மேற்கோள்கள் சரிபார்க்க.
காலப் பொருத்தம்	காலப் பொருத்தம்	கடந்த 5-10 ஆண்டுகளில் வெளியானதா?	வெளியீட்டு ஆண்டைச் சரிபார்க்கவும்.
முறையியல் தரம்	முறையியல் தரம்	Methodology தெளிவாக உள்ளதா? பொருத்தமானதா?	AI சுருக்கத்தில் methodology பகுதியைப் படிக்க.
மேற்கோள்களின் எண்ணிக்கை	மேற்கோள் எண்ணிக்கை	பிற ஆய்வுகள் எவ்வளவு மேற்கோள் காட்டியுள்ளன?	Google Scholar “Cited by” எண்ணிக்கை.

⚠️ 45.2 செய்யறிவின் “தகவல் புனைவு” (Hallucinations)

🚨 Hallucination என்றால் என்ன? AI, உண்மையில் இல்லாத ஒரு கட்டுரையை, உண்மையான மேற்கோள் விவரங்களுடன் (ஆசிரியர், இதழ், DOI, ஆண்டு) உருவாக்கிக் காட்டும் நுட்பமான பிழை.

🔍 DOI சரிபார்ப்பு
doi.org இணையதளத்தில் DOI எண்ணைத் தேடுக. அங்கீகரிக்கவில்லை என்றால் புனைவாக இருக்கலாம்.

🎓 Google Scholar தேடல்
முழுத் தலைப்பை மேற்கோள் குறிக்குள் (" ") போட்டுத் தேடுக. முடிவுகள் இல்லையெனில் hallucination.

📚 இதழ் இணையதள ஆய்வு
இதழின் அதிகாரப்பூர்வத் தளத்தில் Volume, Issue, பக்க எண்களைச் சரிபார்.

🧑‍🏫 ஆசிரியர் சுயவிவரம்
ஆசிரியரின் Google Scholar / ResearchGate-ல் அந்தக் கட்டுரை உள்ளதா?

📌 Hallucination சரிபார்க்க AI-விடம் கேட்கும் தூண்டல் (Prompt):
“நீ ஏற்கனவே பரிந்துரைத்த கட்டுரைகளில், உண்மையில் இல்லாத அல்லது தவறான விவரங்களைக் கொண்ட கட்டுரைகள் (Hallucinations) ஏதேனும் உள்ளனவா? ஒவ்வொரு கட்டுரையின் DOI, இதழ் விவரங்களை மீண்டும் ஒருமுறைச் சரிபார்த்து, உண்மையான கட்டுரைகளை மட்டும் உறுதிப்படுத்து. உன்னால் உறுதிப்படுத்த முடியாத கட்டுரைகளைத் தனியாகப் பட்டியலிடுக.”

📌 45.3 கட்டுரைகளைத் தரம் பிரித்தல் (Quality Assessment) – 6 படிகள்

🔹 படி 1: AI கருவிகள் (Perplexity, Consensus, Research Rabbit) மூலம் கட்டுரைகளைப் பரிந்துரைக்கச் சொல்லுக.

🔹 படி 2: இதழ்த் தரம் (Journal Quality) – Scopus / UGC-CARE / Web of Science பட்டியல் சரிபார்க்க.

🔹 படி 3: காலப் பொருத்தம் – வெளியான ஆண்டு (கடந்த 5-10 ஆண்டுகள்).

🔹 படி 4: மேற்கோள் எண்ணிக்கை (Google Scholar "Cited by").

🔹 படி 5: Hallucination சரிபார்ப்பு – DOI, Google Scholar, இதழ் தளம்.

🔹 படி 6: இறுதித் தேர்வு – சிறந்த 10-15 கட்டுரைகளை மட்டும் இலக்கியத் தேடலுக்குத் தேர்வு செய்க.

✍️ 45.4 பயிற்சி 25 – செய்யறிவின் பரிந்துரைகளை மதிப்பீடு செய்தல்

📋 வழிமுறை: நாள் 41-43-ல் AI உதவியுடன் திரட்டிய 10-15 கட்டுரைகளைக் கொண்டு, கீழுள்ள அட்டவணையில் ஒவ்வொன்றையும் மதிப்பீடு செய்க. தேர்வாகும் கட்டுரைகளை மட்டும் ஆய்வின் முன்னாய்வில் சேர்க்கவும்.

வ.எண்	கட்டுரையின் தலைப்பு	இதழ்த் தரம் (Scopus/UGC-CARE)	வெளியீட்டு ஆண்டு	மேற்கோள் எண்ணிக்கை	DOI சரிபார்ப்பு	இறுதித் தேர்வு
1	[எடுத்துக்காட்டு]	Scopus	2022	45	✅ உண்மையானது	ஆம்
2
3
4
5

📌 குறிப்பு: DOI சரிபார்ப்புக்கு doi.org பயன்படுத்துக. “Cited by” Google Scholar-ல் காண்க.

“குணம்நாடிக் குற்றமும் நாடி அவற்றுள் மிகைநாடி மிக்க கொளல்” (குறள் 504) — நிறைகளையும் குறைகளையும் சீர்தூக்கிப் பார்த்து, ஆய்வுக்கு வலு சேர்க்கும் கட்டுரைகளை மட்டும் தேர்வு செய்க.

📚 வாரத் தேர்வு: இலக்கியத் தொகுப்பு (Literature Matrix)

உங்கள் ஆய்வுத் தலைப்பிற்கான 10 கட்டுரைகளின் தொகுப்பு அட்டவணை

நாள் 41 முதல் 45 வரை கற்ற நுட்பங்களைப் பயன்படுத்தி, 10 முக்கிய ஆய்வுக் கட்டுரைகளைத் திரட்டி, கீழ்க்காணும் அட்டவணை வடிவில் சமர்ப்பிக்கவும்.

📌 செய்முறைப் படிகள்:
➜ நாள் 41: Elicit / Consensus மூலம் கட்டுரைகளைத் தேடுக.
➜ நாள் 42: மேம்பட்ட தூண்டல்கள் (காலம், Scopus/UGC-CARE) மூலம் வடிகட்டுக.
➜ நாள் 43: Research Rabbit மூலம் தொடர்புடைய கட்டுரைகளை விரிவாக்குக.
➜ நாள் 44: ChatGPT/Claude மூலம் PDF-ஐச் சுருக்கி, Objective, Methodology, Findings பதிவு செய்க.
➜ நாள் 45: தர மதிப்பீடு & Hallucination சரிபார்ப்பு செய்து சிறந்த 10-ஐத் தேர்வு செய்க.

எண்	கட்டுரையின் தலைப்பு & ஆசிரியர் (ஆண்டு)	நோக்கம் (Objective)	தரவு சேகரிப்பு முறை (Methodology)	முடிவுகள் (Findings)	உங்கள் ஆய்விற்கான பொருத்தம்
1	[தலைப்பு], [ஆசிரியர்] ([ஆண்டு])	[ஒரு பத்தி]	[ஒரு பத்தி]	[ஒரு பத்தி]	[ஒரு வாக்கியம்]
2
3
4
5
6
7
8
9
10

✍️ இந்த அட்டவணையை உங்கள் ஆய்வு முன்னாய்வுக்கான அடித்தளமாகப் பயன்படுத்தலாம்.

📖 வாரம் 9 – சுருக்கம் (AI for Literature Review)

🔎 கட்டுரை தேடல்
Perplexity, Consensus, Elicit - நம்பகமான ஆதாரங்கள்.

✍️ மேம்பட்ட தூண்டல்கள்
காலம், துறை, இதழ்த் தரம், வடிவம்.

🗺️ தொடர்புடைய கட்டுரைகள்
Research Rabbit / Litmaps - வலைப்பின்னல் வரைபடம்.

📄 சுருக்குதல் (Summarization)
ChatPDF, Claude, SciSpace - Objective, Methodology, Findings.

⚖️ மதிப்பீடு & Hallucination
DOI சரிபார்ப்பு, Scopus/UGC-CARE, மேற்கோள் எண்ணிக்கை.

📚 இலக்கியத் தொகுப்பு
Literature Matrix - 10 கட்டுரைகளின் ஒருங்கிணைந்த பதிவு.

🧠 “தொடர்பு அறிந்து” (Research Rabbit) → “சுருங்கச் சொல்லி” (Summarization) → “மெய்ப்பொருள் காண்பது அறிவு” (Evaluation).
இவ்வாரம் AI-யைத் திறம்பட பயன்படுத்தி, தரமான முன்னாய்வை உருவாக்கும் படிநிலைகளைப் பயின்றோம்.

📢 அடுத்த வாரம் (வாரம் 10): முன்னாய்வுத் தரவுகளைக் கொண்டு Literature Review Synthesis (ஒருங்கிணைந்த ஆய்வு அறிக்கை) மற்றும் AI-யுடன் தரவுப் பகுப்பாய்வு (Data Analysis) குறித்துப் பயிலப்போகிறோம்.

🎥 காணொலி வழிகாட்டி: AI பரிந்துரைகளை மதிப்பீடு செய்தல் & Hallucination கண்டறிதல்

DOI சரிபார்ப்பு, இதழ்த் தரக் குறியீடுகள், Hallucination-ஐ வெளிச்சம் போட்டுக் காட்டும் நேரடி விளக்கம்.

💡 செய்யறிவு ஒரு கருவி; ஆய்வாளரின் திறனாய்வுச் சிந்தனையே (Critical Thinking) உச்சம்.
“மெய்ப்பொருள் காண்பது அறிவு” — AI பரிந்துரைகளைச் சீர்தூக்கி, உங்கள் ஆய்வை உலகத் தரத்துடன் முன்னெடுங்கள்.

© மாதம் - 3 | வாரம் - 9 (நாள் 45) — செய்யறிவால் பரிந்துரைக்கப்பட்ட கட்டுரைகளை மதிப்பீடு செய்தல் & வாரத் தேர்வு · தமிழ் AI ஆய்வு முறைமை