Just To Know

-
The Internet: either your greatest teacher,
or your worst distraction.

Food: either supporting your growth,
or destroying your health.

Imagination: either improving your life decisions, or making you overly anxious.

Any tool, either your greatest ally,
or your worst enemy.

Comments

Post a Comment

Popular posts from this blog

మన తెలుగు భాష గొప్పతనం-వ్యాసం

-
                        https://qr.ae/TWTa4H                        మన తెలుగు భాష గొప్పతనం-వ్యాసం మాతృభాష ఏదైనా అది తల్లి తో సమానం. మనం తల్లిని ఎంత గౌరవము ఇస్తామో, మన మాతృభాష ని కూడా అంతే గౌరవించాలి. అది తెలుగు కావచ్చు,ఆంగ్లం కావచ్చు, హింది కావచ్చు. ఎవరి భాష వారికి అది గొప్పది. మనం తెలుగు భాష తక్కువ అని అనుకోకూడదు. తెలుగు భాష కి చాలా చరిత్ర ఉంది. తెలుగు భాష సంస్కృతం నుండి ఆవిర్భవించింది. అందులో ఎందరో కవులు, రచయితలు గ్రంధ కర్తలు చాలా చాలా రచనలు చేశారు. పర భాష లను గౌరవించడమే తెలుగు భాష, తెలుగు వారి గొప్పతనం. ప్రపంచపు తెలుగు మహాసభలు అమెరికాలోనూ , పశ్చిమ ఆసియా లోనూ,ఆంధ్ర,తెలంగాణ లోనూ జరుగుతాయి. తెలుగువారి మంచి మనసు, వేరే భాషలవారిని ఆదరించే గుణం లోనే తెలుస్తుంది తెలుగు తీపి, తెలుగు వారి గొప్పతనం. తెలుగు భాష గొప్పతనం తెలియాలంటే తెలుగులో సంభాషించాలి. గొప్పవాళ్లు రాసిన రచనలు పద్యాలు, గద్యాలు, గేయాలు, కథలు, కవితలు, పల్లెగీతాలు, కూనిరాగాలు, ఇంకా హాస్య రచనలు, విప్లవ రచనలు ...
Read more

Procedure to do Exploratory Data Analysis…

-
Image
  Procedure to do Exploratory Data Analysis… EDA-Exploratory Data Analysis “Data is the new oil”  is a common saying nowadays in the areas of marketing, medical science, economics, finance, any research field, and the IT industry. New Oil, i.e.,  Data  is a collection of numbers, words, events, facts, measurements, and observations. The data after processing gives us information. The information leads to useful knowledge. So for that, we need to do some analysis on data. Exploratory Data Analysis:  It is a process of examining or understanding the data and extracting insights from the data. EDA is very essential because it is a good practice to first understand the problem statement and the various relationships between the data features before getting your hands dirty. 1) First Observe the dataset whether it is a Supervised(classification) problem or an Unsupervised(cluster) problem. 2) Next observe the variables and their data types, i.e., how many have quanti...
Read more