Chapter 5: मशीनसाठी डेटा सादर करणे #

5.1 Representation का महत्त्वाचं आहे #

🔹 संक्षिप्त सारांश:
मशीनला फक्त संख्या समजतात, त्यामुळे प्रत्येक डेटा संख्या मध्ये बदलावा लागतो.

🔹 सोपं स्पष्टीकरण:

• मशीनला text, image थेट समजत नाही
• ती फक्त numbers वर काम करते
• म्हणून प्रत्येक प्रकारचा डेटा संख्या मध्ये बदलावा लागतो
• यालाच data representation म्हणतात

5.2 सर्व काही संख्या बनतं #

🔹 संक्षिप्त सारांश:
कोणताही डेटा शेवटी संख्या मध्ये रूपांतरित होतो.

🔹 सोपं स्पष्टीकरण:

• Text → numbers
• Categories → numbers
• Yes/No → 1/0
• Images → pixel values
• numeric नसलेला डेटा मशीन process करू शकत नाही

5.3 डेटा चे प्रकार (Encoding साठी महत्त्वाचे) #

🔹 संक्षिप्त सारांश:
डेटा चा प्रकार समजून घेतल्याशिवाय योग्य रूपांतरण करता येत नाही.

🔹 सोपं स्पष्टीकरण:

• दोन मुख्य प्रकार:
  • Numerical data
  • Categorical data
• categorical मध्ये:
  • Nominal
  • Ordinal

Numerical Data #

🔹 संक्षिप्त सारांश:
संख्या स्वरूपातील डेटा.

🔹 सोपं स्पष्टीकरण:

• उदा. age, salary, temperature
• थेट वापरता येतो
• कधी कधी scaling करावी लागते

Categorical Data #

🔹 संक्षिप्त सारांश:
गट किंवा प्रकार दाखवणारा डेटा.

🔹 सोपं स्पष्टीकरण:

• उदा. color, city
• थेट वापरता येत नाही
• आधी संख्या मध्ये बदलावा लागतो

Nominal Data #

🔹 संक्षिप्त सारांश:
ज्यात कोणताही क्रम (order) नसतो.

🔹 सोपं स्पष्टीकरण:

• उदा. color: red, blue, green
• कोणताही ranking नसतो
• One-Hot Encoding वापरतात

Ordinal Data #

🔹 संक्षिप्त सारांश:
ज्यात अर्थपूर्ण क्रम असतो.

🔹 सोपं स्पष्टीकरण:

• उदा. small, medium, large
• क्रम महत्त्वाचा असतो
• Label Encoding वापरतात

5.4 Label Encoding #

🔹 संक्षिप्त सारांश:
categories ला क्रमाने संख्या देणे.

🔹 सोपं स्पष्टीकरण:

• प्रत्येक category ला number दिला जातो
• उदा. small=0, medium=1, large=2
• ordinal data साठी योग्य
• चुकीच्या वापरामुळे चुकीचे patterns तयार होऊ शकतात

5.5 One-Hot Encoding #

🔹 संक्षिप्त सारांश:
प्रत्येक category साठी वेगळा column तयार करणे.

🔹 सोपं स्पष्टीकरण:

• प्रत्येक category साठी स्वतंत्र feature तयार होते
• फक्त एकच column 1 असतो, बाकी 0
• कोणताही order दाखवला जात नाही
• nominal data साठी योग्य

5.6 Numerical Data (पुन्हा) #

🔹 संक्षिप्त सारांश:
संख्या डेटा थेट वापरता येतो पण कधी बदल आवश्यक असतो.

🔹 सोपं स्पष्टीकरण:

• उदा. age, income, distance
• scale वेगळी असेल तर समस्या येते
• पुढे scaling आणि normalization शिकू

5.7 Representation चा मॉडेलवर परिणाम #

🔹 संक्षिप्त सारांश:
डेटा कसा सादर करतो यावर model चे learning अवलंबून असते.

🔹 सोपं स्पष्टीकरण:

• चुकीचा encoding → चुकीचे patterns
• योग्य encoding → चांगली performance
• data representation थेट परिणाम करते

5.8 लक्षात ठेवण्यासारखी कल्पना #

🔹 संक्षिप्त सारांश:
मशीनला फक्त संख्या समजतात.

🔹 सोपं स्पष्टीकरण:

• सर्व डेटा संख्या मध्ये बदलतो
• डेटा चा प्रकार encoding ठरवतो
• योग्य representation = चांगलं learning

5.9 हे का महत्त्वाचं आहे #

🔹 संक्षिप्त सारांश:
हा टप्पा model training साठी पाया तयार करतो.

🔹 सोपं स्पष्टीकरण:

• डेटा योग्य बनवतो
• योग्य encoding निवडायला मदत करतो
• सामान्य चुका टाळतो
• पुढील सर्व टप्प्यांसाठी आधार तयार करतो

5.10 पुढे काय येणार? #

🔹 संक्षिप्त सारांश:
पुढे features कसे सुधारायचे ते पाहणार.

🔹 सोपं स्पष्टीकरण:

• existing डेटा पासून नवीन features तयार करणे
• model performance वाढवणे
• पुढील chapter: Feature Engineering

Chapter Summary #

🔹 संक्षिप्त सारांश:
मशीनसाठी डेटा संख्या मध्ये रूपांतरित करणे आवश्यक आहे.

🔹 सोपं स्पष्टीकरण:

• मशीनला फक्त numbers समजतात
• numerical data थेट वापरता येतो
• categorical data encode करावा लागतो
• nominal → One-Hot Encoding
• ordinal → Label Encoding
• योग्य representation performance सुधारते