Kumarans Data Academy

 Polynomial Regression is an Advance method of Linear Regression. Linear Regression draws a line between X and Y data values, we can check how well the relationship between X and Y. Polynomial Regression draws a Curved Line which bends when relationship is unpredictable and non Linear. In a non-linear relationship , the connection between X and Y is not consistent.  Sometimes when X increases , Y increases , Other times when X increases , Y decreases , and it can change direction multiple times . Linear Regression → works best when the relationship between X and Y is proportional and predictable . The line just shows how much Y increases when X increases. Polynomial Regression → works best when the relationship is non-linear or unpredictable . The curve bends up and down showing that sometimes X increases Y, sometimes decreases Y, depending on the data pattern.

Prediction - Finding out what will happen in Future. It may not be 100% Exact. But At least you know something is more likely to happen, with the help of prediction Analysis. This is called Predictive Analysis . One of the four important Types of Analysis. If you have last 10 months of students mark data, you can do predictive analysis and find future marks of the students. Why Predictive Analysis is Useful in Real Jobs? Sales Department : To Predict next month’s Profit, Sales, Product preference. Marketing Department : To Predict which customer is likely to buy a product. HR Department : To Predict which employee may leave the company in upcoming months. Education Sector : To Predict student performance and give early support before exams. Healthcare : To Predict patient risk level or future disease based on historic records. Government: To Predict Future Population Growth, Future Economy Level, Future Demands, Future Employment and business growth. Military: To Predict threats, Ear...

  Data Science மற்றும் Machine Learningல் நாம நிறைய Numbers மற்றும் Dataset-களை  கையாளுகிறோம். Dataset என்றால், பல Rows மற்றும் Columns கொண்ட Table மாதிரியான Structure. Matrix உபயோகிப்பதால், பெரிய அளவிலான Calculationகளை வேகமாகவும் எளிமையாகவும் கணக்கிடலாம். தரவுகளை சேமிப்பது நீங்கள் காணும் எந்த Dataset-யும் (Excel file, CSV, SQL table) எல்லாமே ஒரு Matrix மாதிரி Structure தான். Rows = Records (Row 1, 2, 3, …) Columns = Features or Variables (Column A, B, C, …) ஒரு Column-ல் இருக்கும் Headings: Name, Subject, Employee ID, Attendance, Height, Weight இதெல்லாம் Features. ஒரு Row-ல் இருக்கும் Values: Akash, Ajith, Maths, English, 5 feet, 6 feet — இவை எல்லாம் Values. இது தான் Data சேமிக்க மிக சிறந்த முறை .  மனிதர்களுக்கும் Computerகும் சமமாக புரியும். Image Processing Digital Images எல்லாம் Matrixஸாக சேமிக்கப்படும். ஒவ்வொரு Pixel-க்கும் ஒரு Matrix Value இருக்கும், அது Computerகு அந்த Pixel-ல் என்ன Color, density காட்டணும் என்பதை சொல்லி தரும். Black & White படம் → ...

Uses of Matrices in Data Science and Machine Learning In data science and machine learning, we deal with a lot of numbers and datasets ( dataset means Collection of Multiple tables). Matrices help us to handle large numbers easily and quickly. Here are the main uses of matrices: Storing Data Any dataset you see (Excel table, CSV file, SQL table) is like a matrix. Rows = records or samples. ( Row 1, 2, 3, etc.. ) Columns = features or variables. ( Column A, B, C etc...) Column contains Name, Subject, Employee ID, Attendance, Department, Height, Weight - Such Headings. So Columns contain Features. Row contains the List of Names, like Akash, Ajith etc.. List of Subject like Maths, English etc.. and Height values like 5 feet, 6 feet etc..  So Row Contains Values. This method of Storing Data is Best for Everything! (Both Humans and Computers) Ima ge Processing Digital Images are stored as matrices. Each Matrix Numbers represent Color or density of a Single Pixel of image. For example, ...

 Matrix என்பது வரிசை (Rows) மற்றும் நெடுவரிசை (Columns) கொண்ட ஒரு Table மாதிரியான Box. இதில் Numbers சேர்க்கப்பட்டிருக்கும். Row (வரிசை) என்றால் என்ன? Column (நெடுவரிசை) என்றால் என்ன? கீழே உள்ள Excel டேபிளைப் பாருங்கள்: நீங்கள் பார்க்கும் 1, 2, 3, 4, 5, 6, 7 — இவை எல்லாம் Row-கள் ஆகும். இவை Left to Right செல்லும். நீங்கள் பார்க்கும் Serial Number, Product, Quantity, Price, Sales -  இவை எல்லாம் Column-கள் (நெடுவரிசைகள்) ஆகும். இவை Top to Bottom செல்லும். இந்த முறை உங்கள் School Math Table, Excel Table, SQL Table மற்றும் பல Data தளங்களில் பயன்படுத்தப்படுகிறது. இது தான் Computer Dataகளை புரியவைக்கும் சரியான முறை. இதில் தரவை தேடுவதும், Filtering, Visualize பண்ணவும் எளிதாக இருக்கும். Row எப்படி வாசிப்பது? Row 1 – Serial Number, Product, Quantity, Price, Sales என்று இடம் இருந்து வலமாக வாசிக்க வேண்டும். Row 2 – 1, Product 1, 5, 25, 125 என்று வாசிக்க வேண்டும். Column எப்படி வாசிப்பது? Column A – Serial Number, 1, 2, 3, 4, 5 என்று மேலிருந்து கீழாக வாசிக்க வேண்டும். இந்த மாதிரி...

 A matrix is like a table or box with rows and columns that hold numbers. So, What is Row and What is Column? Lets take the below Excel table for Example: Look at the Table. You can see Number 1, 2, 3, 4, 5, 6, 7 - Those are all called Rows. You can see Serial Number, Product, Quantity, Price, Seles - Those are all Called Columns. This Method is used in your School Math Tables, Excel Table, SQL table and every other Table.. This is the Proper Method to store data, so a computer can understand the data and it will be easier to Search the data or Create a Visualization from the data. How you read the Row 1, You have to read as Serial Number, Product, Quantity, Price and Sales How you read the Row 2, You have to read as 1, Product 1, 5, 25, 125.  You will always read a Row from Left to Right. Now, How you will read the Column A, you have to read as Serial Number, 1, 2, 3, 4, 5 You will always read a Column from Top to Bottom. Now, the same way you will read this Matrix. This Abov...

🔹 Feature Scaling (Min-Max Scaling, Standardization) நம்முடைய Numerical Dataகளை ஒரே அளவுக்குள் கொண்டுவர Linear Transformation (நேரியல் மாற்றம்) பயன்படுத்தப்படுகிறது. இதனால் அனைத்து அம்சங்களும் ஒரே Rangeகுள் வரும். உதாரணம்: ₹1,000 – ₹1,00,000 வரையிலான Sales Figures-ஐ 0 முதல் 1 அளவுக்கு கொண்டுவர Min-Max Scaling Formula பயன்படுத்தப்படுகிறது. இதனால் Machine Learning Models அனைத்து அளவுகளையும் சமமாக கையாள முடியும். மாணவர்கள் பெற்ற Marks (0 – 100) அனைத்தையும் 0 to 1 அளவுக்கு கொண்டுவர Min-Max Scaling Formula பயன்படுத்தி Machine Learning Models அனைத்து பாடத்தையும் சமமாக கையாள உதவும். 🔹   Normalization வித்தியாசமான தரவுகள் (Different Data Types) மற்றும் வித்தியாசமான அளவுகளில் இருக்கும் மதிப்புகளை (Values) ஒரே அளவுக்குள் கொண்டுவர Normalization உதவுகிறது. ஆனால் அங்குள்ள Valuesகளின் வித்தியாசம் பாதிக்கப்படாது. Just இது கணினி கணிப்புக்கு ஏற்ற மாதிரியாக அனைத்து Valuesகளையும் ஒரே Level படுத்துகிறது. உதாரணம்: வயது, வருமானம், செலவுகள் ஆகியவற்றை Min-Max Scaling அல்லது Standardization F...

  Feature Scaling (Min-Max Scaling, Standardization) Linear Transformation is used to scale numerical data so that all features fall within the same range. Example:  Bringing sales figures from ₹1,000 – ₹1,00,000 into a range of 0 to 1 using Min-Max Scaling Formula to help maching learning models treat all dimensions equally. This Ensures Machine Learning Models can Handle All Dimensions Equally. Bringing student marks from 0 – 100 into a range of 0 to 1 using the Min-Max Scaling formula to help machine learning models treat all Subjects equally. Normalization It is used to change values that are on different scales into the same scale without changing the meaning or difference between them. Making Different Data types understandable and in Common Format. However this does not affect the Values, but only the data type changes to Common Format. So Computer can process the Information Equally. Example: Normalizing Age, Income, and Expenses for fair comparison using Min-Max Sc...

Linear Algebra is a branch of mathematics that deals with vectors , matrices , and linear transformations . It's one of the foundations of data science, machine learning, and computer graphics. In Simple Words : Linear algebra helps us: Solve equations with multiple variables ( variables - a value, number or anything that changes anytime eg, Mark, Temperature, Price ) Represent and transform data using matrices ( Matrix - numbers arranged in rows and columns) Understand how systems behave (like how multiple inputs affect an output) Key Concepts : Scalars – Scalar means Magnitude(Speed). So it is just a single number (e.g., 8 or 6 or 10 etc..) Vectors – Vector means Both Magnitude (Speed) and Direction. So it is a ordered list of numbers (e.g., [2, 3] or [4, 5] or [10, 50] etc..) Matrices – A grid of numbers arranged in rows and Columns  (e.g., a 2x2 matrix or 4x4 matrix) Matrix Multiplication – Combining 2 or more matrices to transform data. Linear Transformation - Multiply...