ডেটা অ্যানালিটিক্স এবং মেশিন লার্নিং প্রোজেক্টের ক্ষেত্রে বিভিন্ন টুলসের ইন্টিগ্রেশন খুবই গুরুত্বপূর্ণ। এখানে আমি কিছু জনপ্রিয় টুলস যেমন Pandas, NumPy, Matplotlib, এবং Scikit-learn এর সাথে Python ব্যবহার করে একটি প্রকল্পের উদাহরণ দেখাব। এই উদাহরণে আমরা একটি ডেটাসেট লোড করব, কিছু ডেটা প্রক্রিয়াকরণ করব, ভিজ্যুয়ালাইজেশন করব এবং মডেল ট্রেনিং করব।
১. প্রয়োজনীয় লাইব্রেরি ইনস্টল করা
প্রথমে নিচের লাইব্রেরিগুলি ইনস্টল করুন (যদি ইতোমধ্যে ইনস্টল করা না থাকে):
pip install pandas numpy matplotlib scikit-learn
২. ডেটাসেট লোড করা
এখন একটি CSV ফাইল থেকে ডেটা লোড করতে আমরা Pandas ব্যবহার করব।
import pandas as pd
# ডেটাসেট লোড করা
df = pd.read_csv('https://people.sc.fsu.edu/~jburkardt/data/csv/hw_200.csv') # উদাহরণস্বরূপ একটি CSV ডেটাসেট
print(df.head())
৩. ডেটা প্রক্রিয়াকরণ
আমরা NumPy এবং Pandas ব্যবহার করে কিছু ডেটা প্রক্রিয়াকরণ করব।
import numpy as np
# ডেটা বিশ্লেষণ
print("Descriptive Statistics:")
print(df.describe())
# কিছু ডেটা ফিল্টার করা
filtered_data = df[df['Height(Inches)'] > 60]
print(filtered_data)
৪. ভিজ্যুয়ালাইজেশন
Matplotlib ব্যবহার করে ডেটার একটি ভিজ্যুয়ালাইজেশন তৈরি করুন।
import matplotlib.pyplot as plt
# ডেটার ভিজ্যুয়ালাইজেশন
plt.scatter(df['Height(Inches)'], df['Weight(Pounds)'], color='blue')
plt.title('Height vs Weight')
plt.xlabel('Height (Inches)')
plt.ylabel('Weight (Pounds)')
plt.grid()
plt.show()
৫. মডেল ট্রেনিং
এখন আমরা Scikit-learn ব্যবহার করে একটি সরল লিনিয়ার রিগ্রেশন মডেল তৈরি করব।
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# বৈশিষ্ট্য এবং লক্ষ্য নির্ধারণ
X = df[['Height(Inches)']]
y = df['Weight(Pounds)']
# ডেটা বিভাজন
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# মডেল তৈরি এবং প্রশিক্ষণ
model = LinearRegression()
model.fit(X_train, y_train)
# পূর্বাভাস করা
y_pred = model.predict(X_test)
# মডেলের কার্যকারিতা মূল্যায়ন
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse:.2f}')
৬. সম্পূর্ণ কোড
এখন নিচের সম্পূর্ণ কোডটি একসাথে দেখে নেওয়া যাক:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# ডেটাসেট লোড করা
df = pd.read_csv('https://people.sc.fsu.edu/~jburkardt/data/csv/hw_200.csv')
# ডেটা বিশ্লেষণ
print("Descriptive Statistics:")
print(df.describe())
# কিছু ডেটা ফিল্টার করা
filtered_data = df[df['Height(Inches)'] > 60]
print(filtered_data)
# ডেটার ভিজ্যুয়ালাইজেশন
plt.scatter(df['Height(Inches)'], df['Weight(Pounds)'], color='blue')
plt.title('Height vs Weight')
plt.xlabel('Height (Inches)')
plt.ylabel('Weight (Pounds)')
plt.grid()
plt.show()
# বৈশিষ্ট্য এবং লক্ষ্য নির্ধারণ
X = df[['Height(Inches)']]
y = df['Weight(Pounds)']
# ডেটা বিভাজন
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# মডেল তৈরি এবং প্রশিক্ষণ
model = LinearRegression()
model.fit(X_train, y_train)
# পূর্বাভাস করা
y_pred = model.predict(X_test)
# মডেলের কার্যকারিতা মূল্যায়ন
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse:.2f}')
উপসংহার
এই উদাহরণটি দেখায় কিভাবে Python এবং বিভিন্ন লাইব্রেরি (Pandas, NumPy, Matplotlib, এবং Scikit-learn) ব্যবহার করে ডেটা লোড করা, প্রক্রিয়া করা, ভিজ্যুয়ালাইজেশন করা এবং মডেল ট্রেনিং করা যায়। বিভিন্ন টুলসের একত্রিতকরণ আপনাকে ডেটা সায়েন্স প্রকল্পের পুরো চক্র পরিচালনা করতে সাহায্য করে।
Read more
