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