दिन 1: Data Science क्या है? Jobs और Roadmap
✅ आज आप सीखेंगे
- Data science असल में क्या है
- India में कहाँ इस्तेमाल होता है – UPI, Swiggy, cricket, hospitals
- Job roles: Analyst, Scientist, ML Engineer, Data Engineer
- Data science का 6-step life cycle
- आपका 60-दिन का plan और इसे कैसे पढ़ें
🏢 असली दुनिया में
जब भी आप Swiggy पर order करते हैं, app दूरी, traffic, बारिश और restaurant की speed से delivery time बताती है। यह model एक data scientist ने लाखों पुराने orders से बनाया। Day 60 तक आप ख़ुद ऐसा model बनाएँगे।
Data science क्या है?
Data science कच्चे data को काम के फ़ैसलों में बदलने की कला है। इसमें तीन चीज़ें मिलती हैं: data संभालने के लिए programming (Python, SQL), उसे समझने के लिए statistics, और सही सवाल पूछने के लिए business की समझ।
आपके आस-पास के असली examples
| Company / field | पूछा गया सवाल | इस्तेमाल हुआ data | नतीजा |
|---|---|---|---|
| UPI / banks | क्या यह payment fraud है? | Amount, समय, location, device | संदिग्ध payments milliseconds में रुकते हैं |
| Swiggy / Zomato | Delivery में कितना समय लगेगा? | दूरी, traffic, मौसम, पुराने orders | Screen पर सही ETA |
| Flipkart / Amazon | यह customer आगे क्या ख़रीदेगा? | Clicks, cart, पुरानी ख़रीद | “You may also like” सुझाव |
| IPL teams | इस pitch पर कौन सा player ठीक है? | Ball-by-ball match data | बेहतर team selection और strategy |
| Hospitals | किस मरीज़ को ज़्यादा ख़तरा है? | Reports, उम्र, vitals | जल्दी इलाज, जानें बचती हैं |
| मौसम (IMD) | क्या कल बारिश होगी? | Satellite और sensor readings | किसानों और airports के लिए forecast |
Python का पहला स्वाद
अभी हर शब्द समझने की चिंता न करें। यह असली जैसा retail dataset है (एक Indian online store के 2,000 orders, जो पूरे course में इस्तेमाल होगा)। कुछ lines में हम पता करते हैं कि कौन सी category सबसे ज़्यादा कमाई करती है। Day 19 तक आप ऐसे analysis ख़ुद लिखेंगे।
import pandas as pd
sales = pd.read_csv("sales_data.csv")
sales["revenue"] = sales["quantity"] * sales["unit_price"] * (1 - sales["discount"])
by_cat = sales.groupby("category")["revenue"].sum()
print(by_cat.sort_values(ascending=False).round())import pandas as pd
import matplotlib.pyplot as plt
sales = pd.read_csv("sales_data.csv")
sales["revenue"] = sales["quantity"] * sales["unit_price"] * (1 - sales["discount"])
month = sales["order_date"].str[:7] # "2024-01"
monthly = sales.groupby(month)["revenue"].sum() / 100000
monthly.plot(marker="o", color="#4f46e5")
plt.title("BazaarKart monthly revenue 2024 (₹ lakh)")
plt.xlabel("Month"); plt.ylabel("Revenue (₹ lakh)")
plt.xticks(rotation=45)
plt.show()
Data → chart → insight → decision: “October से पहले ज़्यादा electronics stock करो और November के पहले हफ़्ते में ads चलाओ।” यही आख़िरी step – फ़ैसला – वह कारण है जिसके लिए companies data scientists को पैसे देती हैं।
Data की job roles
Salary शहर, company और आपके portfolio पर बहुत निर्भर करती है। Internet के किसी एक number पर भरोसा करने की जगह Naukri, LinkedIn Jobs या Glassdoor पर role और अपना शहर search करके ranges देखें। मज़बूत project portfolio (जो आप यहाँ कई बनाएँगे) certificates से ज़्यादा मायने रखता है।
Data science life cycle
- 1Ask – business सवाल तय करें (जैसे “Customers क्यों छोड़ रहे हैं?”)
- 2Collect – databases, CSV/Excel, APIs, surveys से data लाएँ
- 3Clean – missing values, duplicates, ग़लत types ठीक करें (अक्सर 60–70% काम)
- 4Explore – patterns ढूँढने के लिए charts और statistics (EDA)
- 5Model – prediction के लिए machine learning model बनाएँ
- 6Communicate और deploy – dashboards, reports, ऐसी app जो business इस्तेमाल करे
जो tools आप सीखेंगे
| Tool | किसलिए | दिन |
|---|---|---|
| Python | Data science की मुख्य भाषा | 2–7 |
| NumPy, Pandas | तेज़ गणित और tables | 8–20 |
| Matplotlib, Seaborn, Plotly | Charts और dashboards | 21–25 |
| Statistics (SciPy) | Data से ideas test करना | 26–31 |
| SQL (SQLite) | Databases से data लाना | 32–35 |
| scikit-learn | Machine learning models | 36–50 |
| Streamlit / Flask | Model को app बनाना | 50, 60 |
| Git और GitHub | Employers को अपना काम दिखाना | 53 |
आपका 60-दिन का roadmap
यह course कैसे पढ़ें
- रोज़ 1.5–2 घंटे दें। कोई दिन छूट जाए तो कोई बात नहीं – अगले दिन से जारी रखें।
- हर program ख़ुद type करें, Jupyter या Colab में। Copy-paste से कुछ नहीं सीखते।
- Solution खोलने से पहले practice tasks ख़ुद करें।
- हर दिन के अंत में quiz दें; 4/5 से कम आए तो revise करें।
- Datasets एक बार download करें (Day 2) – हर lesson यही files इस्तेमाल करता है।
- “Insights” की एक notebook रखें – यही आपकी interview story बनेगी।
🏅 आज के Job Skills
Practice tasks
🏋️ Practice – ख़ुद करें
Quick quiz
🧠 Quick Quiz – ख़ुद को जाँचें
Interview corner
💼 Interview Corner
Data analyst और data scientist में क्या फ़र्क है?
Analyst ज़्यादातर अतीत समझाता है – क्या हुआ और क्यों – SQL, Excel, Python और dashboards से। Data scientist statistics और machine learning models से भविष्य का अनुमान भी लगाता है। छोटी companies में अक्सर एक ही व्यक्ति दोनों करता है।
Data science life cycle समझाइए।
Business सवाल पूछें, data इकट्ठा करें, साफ़ करें, charts और statistics से explore करें, model बनाकर जाँचें, फिर result को communicate और deploy करें ताकि business उसे इस्तेमाल करे – और समय के साथ उसकी निगरानी करें।
सारांश
- Data science programming, statistics और domain knowledge से data को फ़ैसलों में बदलता है।
- यह UPI fraud check, delivery time, recommendations, sports और health care चलाता है।
- मुख्य roles: Data Analyst, Data Scientist, ML Engineer, Data Engineer, Business Analyst।
- Life cycle: Ask → Collect → Clean → Explore → Model → Communicate और deploy।
Day 2: Python, Jupyter और Google Colab install करें, course datasets download करें और पहली notebook चलाएँ।
