Artificial Intelligence (AI), Machine Learning (ML), Deep Learning और Data Science जैसे आधुनिक तकनीकी क्षेत्रों में केवल Programming Language सीखना पर्याप्त नहीं होता। एक AI Engineer या Data Scientist को ऐसा Development Environment चाहिए जहाँ वह Python Code लिख सके, उसे तुरंत Execute कर सके, परिणाम देख सके, Graph बना सके, Data का Analysis कर सके और पूरे Project को व्यवस्थित तरीके से Document कर सके।
इसी आवश्यकता को पूरा करने के लिए Interactive Notebook Environments विकसित किए गए। आज दुनिया में सबसे अधिक उपयोग किए जाने वाले दो Notebook Platforms हैं Jupyter Notebook और Google Colab। दोनों Platforms Python Programming, Data Analytics, Machine Learning, Deep Learning और Generative AI सीखने तथा वास्तविक Projects बनाने के लिए उपयोग किए जाते हैं।
इस Lesson में हम विस्तार से समझेंगे कि Jupyter Notebook क्या है, Google Colab क्या है, दोनों कैसे कार्य करते हैं, इनके बीच क्या अंतर है तथा AI सीखने के लिए कौन-सा Platform कब उपयोग करना चाहिए।
इस Lesson के इस भाग को पूरा करने के बाद आप निम्नलिखित बातें समझ पाएँगे:
Notebook एक ऐसा Interactive Document होता है जिसमें Programming Code, उसका Output, Images, Charts, Mathematical Equations, Tables और Documentation एक ही File में रखी जा सकती है। Traditional Programming Editors में Code अलग File में होता है और Documentation अलग तैयार करनी पड़ती है, जबकि Notebook Environment में सब कुछ एक ही स्थान पर उपलब्ध रहता है।
Notebook का सबसे बड़ा लाभ यह है कि Developer Step-by-Step Code Execute कर सकता है। यदि किसी Program में Error आती है तो पूरी File दोबारा Run करने की आवश्यकता नहीं होती। केवल उसी Cell को Execute किया जाता है जिसमें परिवर्तन किया गया है।
इसी कारण AI Engineers, Researchers और Data Scientists Notebook आधारित Development को प्राथमिकता देते हैं।
मान लीजिए आपके पास 10 लाख Rows वाला Dataset है। यदि आप सामान्य Python Editor में कार्य करेंगे, तो हर बार पूरा Program Execute करना पड़ेगा। लेकिन Notebook में आप Data Import, Cleaning, Visualization, Model Training और Evaluation को अलग-अलग Cells में व्यवस्थित कर सकते हैं।
इससे Development तेज़, Debugging आसान और Documentation अधिक स्पष्ट हो जाती है।
| Traditional IDE | Notebook Environment |
|---|---|
| पूरा Program Run करना पड़ता है | केवल आवश्यक Cell Run करें |
| Documentation अलग लिखनी पड़ती है | Documentation Notebook में ही लिख सकते हैं |
| Output अलग Window में आता है | Output उसी Cell के नीचे दिखाई देता है |
| Visualization कठिन हो सकती है | Charts तुरंत दिखाई देते हैं |
| Research के लिए कम उपयुक्त | Research के लिए आदर्श |
Jupyter Notebook एक Open-Source Web-Based Interactive Computing Environment है जहाँ Python सहित कई Programming Languages का उपयोग किया जा सकता है। यह Project Jupyter द्वारा विकसित किया गया है और आज Data Science Community का सबसे लोकप्रिय Development Tool माना जाता है।
Jupyter Notebook की File का Extension .ipynb होता है। इस File में Code, Text, Images, Graphs और Output सभी सुरक्षित रहते हैं। इसलिए किसी भी Project को बाद में समझना और दूसरे व्यक्ति के साथ Share करना आसान हो जाता है।
Jupyter Notebook Local Computer पर चलता है। इसका अर्थ है कि Program आपके Computer के Processor, RAM और Storage का उपयोग करता है।
Project Jupyter की शुरुआत IPython Project से हुई थी। प्रारम्भ में इसका उद्देश्य केवल Python Programming को Interactive बनाना था। बाद में इसे इतना विकसित किया गया कि यह Data Science, Artificial Intelligence और Scientific Computing के लिए विश्व का सबसे लोकप्रिय Notebook Platform बन गया।
| वर्ष | घटना |
|---|---|
| 2001 | IPython Project प्रारम्भ हुआ। |
| 2014 | Project Jupyter की स्थापना हुई। |
| 2015 | Jupyter Notebook व्यापक रूप से लोकप्रिय हुआ। |
| 2020+ | विश्वभर की Universities तथा AI कंपनियों ने इसे अपनाया। |
“Jupyter” नाम तीन प्रमुख Programming Languages के प्रथम अक्षरों से मिलकर बना है।
हालाँकि आज Jupyter केवल इन तीन Languages तक सीमित नहीं है। वर्तमान में 40 से अधिक Programming Languages के लिए अलग-अलग Kernels उपलब्ध हैं।
यदि कोई Data Scientist किसी Hospital के Patient Data का विश्लेषण कर रहा है, तो वह पहले Cell में Dataset Import करेगा, दूसरे Cell में Missing Values हटाएगा, तीसरे Cell में Charts बनाएगा, चौथे Cell में Machine Learning Model Train करेगा और पाँचवें Cell में Accuracy Report तैयार करेगा। पूरा Analysis एक ही Notebook में सुरक्षित रहेगा।
इस भाग में आपने Interactive Notebook Environment की मूल अवधारणा, Notebook की आवश्यकता, Jupyter Notebook का परिचय, Project Jupyter का इतिहास तथा इसकी प्रमुख विशेषताओं के बारे में सीखा। अगले भाग में हम Google Colab, Notebook Interface, Code Cells, Markdown Cells और पहला Python Program विस्तार से सीखेंगे।
Jupyter Notebook एक Interactive Web-Based Development Environment है जहाँ Code, Output, Charts और Documentation को एक ही Notebook में तैयार किया जाता है।
Netflix, NASA, CERN, Microsoft, IBM, Google, Amazon और हजारों Universities अपने Data Science और AI Research Projects में Jupyter Notebook का उपयोग करती हैं।
Google Colaboratory, जिसे सामान्यतः Google Colab कहा जाता है, Google द्वारा विकसित एक Cloud-Based Interactive Notebook Environment है। इसका Interface Jupyter Notebook जैसा ही होता है, लेकिन इसका सबसे बड़ा लाभ यह है कि इसे उपयोग करने के लिए किसी Software Installation की आवश्यकता नहीं होती।
यदि आपके Computer में Python Install नहीं है, Anaconda उपलब्ध नहीं है या आपके पास High-End Hardware नहीं है, तब भी आप केवल एक Web Browser और Google Account की सहायता से AI, Machine Learning और Data Science Projects पर कार्य कर सकते हैं।
Google Colab का उपयोग विश्वभर के Students, AI Researchers, Universities और Industry Professionals करते हैं क्योंकि यह Notebook Development को अत्यंत सरल बनाता है।
Google Colab आपके Computer पर Code Execute नहीं करता। इसके स्थान पर आपका Python Code Google के Cloud Servers पर Execute होता है। इसका अर्थ है कि अधिकांश Processing Google के Data Centers में होती है और आपको केवल Web Browser की आवश्यकता होती है।
यही कारण है कि कम Configuration वाले Laptop पर भी Machine Learning तथा Deep Learning सीखना संभव हो जाता है।
| Local Jupyter Notebook | Google Colab |
|---|---|
| Local Computer पर चलता है | Google Cloud पर चलता है |
| Python Install करना पड़ता है | Python पहले से उपलब्ध होता है |
| Libraries स्वयं Install करनी पड़ती हैं | अधिकांश लोकप्रिय Libraries पहले से उपलब्ध होती हैं |
| Local Hardware उपयोग होता है | Cloud Hardware उपयोग होता है |
| Maintenance स्वयं करनी होती है | Google Infrastructure संभालता है |
Google Colab विशेष रूप से निम्न परिस्थितियों में उपयोगी होता है:
दोनों Platforms का उद्देश्य Interactive Programming है। दोनों में Notebook Cells, Python Programming, Markdown Documentation तथा Data Visualization की सुविधा उपलब्ध होती है।
| Feature | Available |
|---|---|
| Python Programming | ✔ |
| Markdown Support | ✔ |
| Charts | ✔ |
| Machine Learning | ✔ |
| Deep Learning | ✔ |
| Notebook Files (.ipynb) | ✔ |
Google Colab और Jupyter Notebook दोनों का Interface लगभग समान होता है। Notebook कई Cells से मिलकर बनी होती है। प्रत्येक Cell अलग-अलग कार्य के लिए उपयोग की जाती है।
| Component | Purpose |
|---|---|
| Notebook Title | Notebook का नाम |
| Toolbar | Notebook Commands |
| Code Cell | Python Code लिखने के लिए |
| Markdown Cell | Documentation लिखने के लिए |
| Output Area | Program Result दिखाने के लिए |
Code Cell Notebook का सबसे महत्वपूर्ण भाग है। इसमें Python Code लिखा जाता है और Execute किया जाता है। प्रत्येक Code Cell स्वतंत्र रूप से Run की जा सकती है।
उदाहरण:
print("Hello AI")
Output
Hello AI
Code Cell के माध्यम से Variables, Loops, Functions, Machine Learning Models तथा Data Analysis सभी कार्य किए जा सकते हैं।
Markdown Cell का उपयोग Documentation लिखने के लिए किया जाता है। इसमें Heading, Lists, Tables, Images तथा Notes लिखे जा सकते हैं।
Machine Learning Projects में प्रत्येक चरण का विवरण Markdown Cell में लिखना एक अच्छी Practice मानी जाती है।
कुछ Notebook Environments में Raw Cell भी उपलब्ध होती है। इसका उपयोग बिना Formatting वाले साधारण Text को रखने के लिए किया जाता है। अधिकांश Beginners को इसकी आवश्यकता कम पड़ती है।
| Shortcut | कार्य |
|---|---|
| Shift + Enter | Cell Run करके अगली Cell पर जाएँ |
| Ctrl + Enter | Cell Run करें |
| Alt + Enter | Cell Run करके नई Cell बनाएँ |
| Ctrl + S | Notebook Save करें |
AI Project सामान्यतः निम्न चरणों में विकसित किया जाता है:
इन सभी चरणों को अलग-अलग Notebook Cells में व्यवस्थित किया जाता है जिससे Project समझना और Debug करना आसान हो जाता है।
इस भाग में आपने Google Colab की मूल अवधारणा, Cloud Computing, Notebook Interface, Code Cell, Markdown Cell, Keyboard Shortcuts तथा AI Projects में Notebook के उपयोग को समझा। अगले भाग में हम Google Colab और Jupyter Notebook की विस्तृत तुलना, GPU एवं TPU Support, Local बनाम Cloud Development तथा सही Platform चुनने की प्रक्रिया सीखेंगे।
Google Colab एक Cloud-Based Interactive Notebook Platform है, जबकि Jupyter Notebook सामान्यतः Local Computer पर चलने वाला Interactive Development Environment है। दोनों का उपयोग AI, Data Science, Machine Learning और Python Programming के लिए किया जाता है।
Google Colab में बनाई गई Notebook वास्तव में Jupyter Notebook (.ipynb) Format में ही होती है। इसलिए आप एक ही Notebook को Google Colab और Jupyter Notebook दोनों Platforms पर आसानी से खोल और संपादित कर सकते हैं।
अब तक आपने Jupyter Notebook और Google Colab का परिचय प्राप्त किया। दोनों ही Interactive Notebook Platforms हैं जिनका उपयोग Python Programming, Data Analysis, Machine Learning और Deep Learning Projects विकसित करने के लिए किया जाता है। पहली नज़र में दोनों लगभग समान दिखाई देते हैं क्योंकि दोनों का Interface Notebook आधारित है और दोनों में Python Code, Markdown Documentation तथा Visualization की सुविधा उपलब्ध होती है। लेकिन इनके कार्य करने का तरीका, Hardware Resources, Installation Process और Collaboration Features काफी अलग हैं।
इस भाग में हम विस्तार से समझेंगे कि Google Colab और Jupyter Notebook में क्या अंतर है, किस परिस्थिति में कौन-सा Platform बेहतर है, तथा AI Engineers और Data Scientists किस प्रकार अपने Project की आवश्यकता के अनुसार सही विकल्प चुनते हैं।
Google Colab और Jupyter Notebook के बीच सबसे बड़ा अंतर यह है कि Jupyter Notebook सामान्यतः Local Computer पर चलता है जबकि Google Colab Cloud Infrastructure पर कार्य करता है।
Local Computing में आपका पूरा Program आपके Computer के Processor (CPU), Memory (RAM), Storage और यदि उपलब्ध हो तो GPU का उपयोग करता है। इसके विपरीत Google Colab में अधिकांश Processing Google के Remote Servers पर होती है।
| Local Computing | Cloud Computing |
|---|---|
| Computer पर Execution | Google Server पर Execution |
| Internet आवश्यक नहीं | Internet आवश्यक |
| Hardware आपकी जिम्मेदारी | Infrastructure Google संभालता है |
| Performance आपके System पर निर्भर | Cloud Resources पर निर्भर |
| Offline कार्य संभव | मुख्यतः Online कार्य |
Jupyter Notebook उपयोग करने के लिए सामान्यतः Anaconda Distribution या Python के साथ Jupyter Package Install करना पड़ता है। इसके विपरीत Google Colab में किसी प्रकार का Installation आवश्यक नहीं होता।
| Feature | Jupyter Notebook | Google Colab |
|---|---|---|
| Python Installation | Required | Not Required |
| Anaconda | Recommended | Not Required |
| Browser Only | No | Yes |
| Ready to Use | After Setup | Immediately |
यदि आप पहली बार Python सीख रहे हैं और Installation Process से बचना चाहते हैं, तो Google Colab शुरुआत के लिए सुविधाजनक विकल्प हो सकता है।
AI Projects में Hardware महत्वपूर्ण भूमिका निभाता है। छोटे Python Programs CPU पर आसानी से चल जाते हैं, लेकिन Deep Learning Models के लिए अधिक Memory तथा GPU की आवश्यकता हो सकती है।
| Hardware | Jupyter Notebook | Google Colab |
|---|---|---|
| CPU | Local CPU | Cloud CPU |
| RAM | Local RAM | Cloud RAM |
| GPU | यदि आपके Computer में हो | Available (subject to availability) |
| TPU | सामान्यतः उपलब्ध नहीं | Available (subject to availability) |
CPU (Central Processing Unit) Computer का मुख्य Processor होता है। यह Program के सामान्य Instructions को Execute करता है। Data Analysis, Python Programming और छोटे Machine Learning Projects के लिए CPU पर्याप्त हो सकता है।
हालाँकि जब Dataset बहुत बड़ा हो या Neural Network में लाखों Parameters हों, तब केवल CPU पर्याप्त नहीं रहता।
GPU (Graphics Processing Unit) हजारों Mathematical Calculations को समानांतर (Parallel) रूप से Execute कर सकता है। यही कारण है कि Deep Learning में GPU का उपयोग व्यापक रूप से किया जाता है।
Image Classification, Object Detection, Natural Language Processing तथा Generative AI Models GPU पर CPU की तुलना में कहीं अधिक तेजी से Train होते हैं।
TPU (Tensor Processing Unit) विशेष प्रकार का Processor है जिसे Google ने Machine Learning और TensorFlow आधारित Workloads के लिए विकसित किया है। TPU विशेष रूप से Matrix Calculations को अत्यंत तेज़ गति से Execute करने के लिए बनाया गया है।
Google Colab में कुछ परिस्थितियों में TPU Runtime उपलब्ध होता है, जिससे बड़े Deep Learning Models की Training अधिक Efficient हो सकती है।
Deep Learning Models में लाखों से लेकर अरबों Parameters हो सकते हैं। इन Models को Train करते समय करोड़ों Mathematical Operations बार-बार Execute होते हैं।
| Component | Jupyter Notebook | Google Colab |
|---|---|---|
| CPU | Local | Cloud |
| GPU | Depends on Your PC | Available (subject to availability) |
| TPU | Usually Not Available | Available (subject to availability) |
| Scalability | Limited by Local Hardware | Depends on Cloud Resources |
यदि कोई Student केवल Python Basics सीख रहा है, तो Jupyter Notebook उसके Local Laptop पर आसानी से चल सकता है। लेकिन यदि वही Student Image Classification या Deep Learning Model बनाना चाहता है और उसके Laptop में Dedicated GPU नहीं है, तो Google Colab उपयोगी विकल्प हो सकता है क्योंकि यह Cloud Resources उपलब्ध कराता है।
इस भाग में आपने Local Computing, Cloud Computing, Installation Process, Hardware Requirements तथा CPU, GPU और TPU की भूमिका को समझा। अगले भाग में हम Storage, Collaboration, Performance, Security, Advantages, Limitations और विस्तृत Comparison Table के माध्यम से दोनों Platforms की तुलना करेंगे।
Data Science और Artificial Intelligence Projects में Storage का महत्वपूर्ण स्थान होता है। किसी भी AI Project में Dataset, Python Scripts, Trained Models, Graphs और Notebook Files को सुरक्षित रखना आवश्यक होता है। Jupyter Notebook और Google Colab दोनों Storage उपलब्ध कराते हैं, लेकिन उनका तरीका अलग-अलग होता है।
Jupyter Notebook में सभी Files आपके Computer की Local Storage में Save होती हैं, जबकि Google Colab सामान्यतः Google Drive के साथ कार्य करता है और Cloud Storage का उपयोग करता है।
| Feature | Jupyter Notebook | Google Colab |
|---|---|---|
| Storage Type | Local Disk | Google Drive |
| Automatic Saving | Manual / Auto depending on setup | Auto Save |
| Access Anywhere | No | Yes |
| Internet Required | No | Yes |
Performance कई Factors पर निर्भर करती है जैसे Processor, RAM, Dataset Size तथा उपलब्ध Hardware। यदि आपके पास High-End Computer है, तो Jupyter Notebook बहुत अच्छा प्रदर्शन कर सकता है। वहीं यदि आपके पास सामान्य Laptop है, तो Google Colab का Cloud Infrastructure कई कार्यों में लाभदायक हो सकता है।
| Task | Recommended Platform |
|---|---|
| Python Learning | Both |
| Data Analysis | Both |
| Machine Learning | Both |
| Deep Learning | Google Colab (Cloud GPU availability may vary) |
| Offline Development | Jupyter Notebook |
AI Projects में अनेक Libraries का उपयोग किया जाता है जैसे NumPy, Pandas, Matplotlib, Scikit-learn तथा TensorFlow। Jupyter Notebook में इन Libraries को Local System पर Install करना पड़ता है, जबकि Google Colab में कई लोकप्रिय Libraries पहले से उपलब्ध रहती हैं।
Jupyter Notebook
pip install pandas pip install numpy pip install matplotlib
Google Colab
!pip install pandas
यदि कोई Library पहले से उपलब्ध है, तो उसे दोबारा Install करने की आवश्यकता नहीं होती।
Jupyter Notebook का सबसे बड़ा लाभ यह है कि इसे Internet के बिना भी उपयोग किया जा सकता है। यदि सभी आवश्यक Packages पहले से Install हैं, तो पूरा Project Offline चल सकता है।
इसके विपरीत Google Colab मुख्यतः Internet Connection पर निर्भर करता है क्योंकि Notebook Google के Cloud Servers पर Execute होती है।
| Feature | Jupyter Notebook | Google Colab |
|---|---|---|
| Offline Work | ✔ | ✘ |
| Online Work | ✔ | ✔ |
| Cloud Access | Limited | ✔ |
यदि कई लोग एक ही Project पर कार्य कर रहे हैं, तो Collaboration अत्यंत महत्वपूर्ण हो जाता है।
Google Colab Google Docs की तरह Notebook Sharing की सुविधा देता है। उचित अनुमति मिलने पर कई लोग एक ही Notebook पर कार्य कर सकते हैं।
Jupyter Notebook में भी Notebook Share की जा सकती है, लेकिन सामान्यतः File को अलग से भेजना या Version Control System जैसे Git का उपयोग करना पड़ता है।
यदि आपका Project अत्यधिक Confidential Data से संबंधित है, तो Local Development अधिक उपयुक्त हो सकता है क्योंकि पूरा Data आपके Computer पर रहता है।
Cloud आधारित Platforms उपयोग करते समय सदैव ध्यान रखें कि Sensitive Information को उचित Security Policies के अनुसार ही Store और Share करें।
| Feature | Jupyter Notebook | Google Colab |
|---|---|---|
| Installation | Required | Not Required |
| Offline Support | Yes | No |
| Cloud Access | Limited | Yes |
| Google Drive | No | Yes |
| Sharing | Manual | Easy |
| Hardware Dependency | Local Computer | Cloud Infrastructure |
| Best For | Offline Development | Learning & Cloud-Based AI Projects |
Google Colab और Jupyter Notebook दोनों ही उत्कृष्ट Interactive Development Platforms हैं। यदि आपको Offline Development, पूर्ण नियंत्रण और Local Environment चाहिए, तो Jupyter Notebook एक अच्छा विकल्प है। यदि आप बिना Installation के Browser से AI सीखना चाहते हैं, Google Drive Integration चाहते हैं तथा Cloud Resources का लाभ उठाना चाहते हैं, तो Google Colab अधिक सुविधाजनक हो सकता है। सही Platform का चयन आपके Project, Hardware, Internet Availability और Workflow पर निर्भर करता है।
Jupyter Notebook Local Interactive Development Environment है, जबकि Google Colab Cloud-Based Interactive Notebook Platform है। दोनों का उपयोग Python Programming, Data Science, Machine Learning और Artificial Intelligence Projects विकसित करने के लिए किया जाता है।
Google Colab और Jupyter Notebook दोनों .ipynb फ़ाइल फ़ॉर्मेट का उपयोग करते हैं। इसलिए एक Notebook को दोनों Platforms पर आसानी से खोला और संपादित किया जा सकता है।
अब तक आपने Google Colab और Jupyter Notebook का परिचय, उनकी विशेषताएँ तथा दोनों Platforms के बीच का अंतर समझ लिया है। अब समय है इन्हें वास्तविक रूप से उपयोग करने का। इस भाग में आप अपना पहला Notebook बनाएँगे, Python Code Execute करेंगे, Dataset Upload करेंगे तथा Data Analysis की शुरुआत करेंगे।
Google Colab उपयोग करने के लिए केवल एक Google Account की आवश्यकता होती है।
नई Notebook खुलते ही आपको पहला Code Cell दिखाई देगा जिसमें आप Python Program लिख सकते हैं।
यदि आपने Anaconda Install किया है, तो Anaconda Navigator खोलें और Jupyter Notebook Launch करें।
अब पहली बार Python Code Execute करते हैं।
print("Hello AI World")
Output
Hello AI World
Cell Run करने के लिए Shift + Enter दबाएँ।
name="Vista Academy" print(name)
Output
Vista Academy
Variables Data को Memory में Store करने के लिए उपयोग किए जाते हैं।
a=25 b=15 print(a+b) print(a*b)
Output
40 375
Machine Learning Project की शुरुआत Dataset से होती है। Google Colab में Dataset Upload करना बहुत आसान है।
अब Dataset Notebook में उपलब्ध होगी।
Pandas Data Analysis की सबसे लोकप्रिय Library है।
import pandas as pd
df=pd.read_csv("students.csv")
df.head()
यह Command Dataset की पहली पाँच Rows दिखाती है।
Dataset की Structure समझने के लिए निम्न Command उपयोग की जाती है।
df.info()
यह Columns, Data Types तथा Missing Values की जानकारी देती है।
df.describe()
यह Numerical Columns की Statistical Summary दिखाता है जैसे Mean, Minimum, Maximum तथा Standard Deviation।
df.head()
यदि अंतिम पाँच Records देखने हों:
df.tail()
Google Colab में Notebook सामान्यतः Google Drive में Save होती रहती है। Jupyter Notebook में File → Save या Ctrl + S का उपयोग किया जा सकता है।
इस भाग में आपने Google Colab तथा Jupyter Notebook में पहली Notebook बनाना, Python Program Execute करना, Variables का उपयोग करना तथा CSV Dataset पढ़ना सीखा। अगले भाग में हम Data Visualization, Machine Learning Workflow, Notebook Export, Import, Career Tips और Final AI Project Structure सीखेंगे।
Data Visualization किसी भी Data Analytics या Machine Learning Project का महत्वपूर्ण भाग होता है। Graphs और Charts की सहायता से बड़े Dataset को आसानी से समझा जा सकता है। Python में सबसे लोकप्रिय Visualization Library Matplotlib है।
सबसे पहले Library Import करें।
import matplotlib.pyplot as plt
अब एक साधारण Line Chart बनाते हैं।
x=[1,2,3,4,5]
y=[10,20,30,40,50]
plt.plot(x,y)
plt.title("Sales Trend")
plt.xlabel("Month")
plt.ylabel("Sales")
plt.show()
इस Chart में X-Axis महीनों को तथा Y-Axis Sales को प्रदर्शित करती है।
courses=["Python","SQL","Power BI","Machine Learning"] students=[40,35,28,18] plt.bar(courses,students) plt.show()
Bar Chart Categories की तुलना करने के लिए उपयोग किया जाता है।
अधिकांश Machine Learning Projects लगभग एक समान Workflow का पालन करते हैं।
Scikit-learn Python की सबसे लोकप्रिय Machine Learning Library है।
from sklearn.linear_model import LinearRegression
इसी प्रकार भविष्य के Lessons में आप Classification, Regression, Clustering तथा Deep Learning Models बनाना सीखेंगे।
Google Colab तथा Jupyter Notebook दोनों में Notebook Export की जा सकती है।
इससे Project को दूसरे Computer पर आसानी से उपयोग किया जा सकता है।
यदि आपके पास पहले से कोई Notebook उपलब्ध है, तो उसे Google Colab अथवा Jupyter Notebook दोनों में Import किया जा सकता है।
AI_Project/ │ ├── data/ ├── notebooks/ ├── models/ ├── images/ ├── reports/ ├── requirements.txt └── README.md
इस प्रकार Folder Structure व्यवस्थित रखने से बड़े Projects को Maintain करना आसान हो जाता है।
Google Colab तथा Jupyter Notebook का उपयोग निम्न क्षेत्रों में व्यापक रूप से किया जाता है।
इस Lesson में आपने Interactive Notebook Environment की अवधारणा, Jupyter Notebook और Google Colab का परिचय, दोनों Platforms का विस्तृत Comparison, Local तथा Cloud Computing, CPU, GPU और TPU की भूमिका, Notebook Interface, Code Cells, Markdown Cells, Python Program Execute करना, Dataset Import करना, Pandas द्वारा Data पढ़ना, Matplotlib से Visualization बनाना तथा Machine Learning Workflow को समझा।
अब आप दोनों Platforms का उपयोग करके छोटे Data Analysis Projects तथा शुरुआती Machine Learning Projects विकसित करने के लिए तैयार हैं। आने वाले Lessons में आप Python Libraries, NumPy, Pandas, Machine Learning Algorithms तथा Deep Learning Frameworks का उपयोग करके वास्तविक AI Applications बनाना सीखेंगे।
Google Colab एक Cloud-Based Interactive Notebook Platform है, जबकि Jupyter Notebook एक Local Interactive Development Environment है। दोनों का उपयोग Python Programming, Data Science, Machine Learning और Artificial Intelligence Projects बनाने के लिए किया जाता है।
विश्व की अनेक Universities, Research Labs और Technology Companies अपने AI Research, Data Science तथा Machine Learning Projects के लिए Google Colab और Jupyter Notebook दोनों का उपयोग करती हैं क्योंकि ये तेज़ Development, आसान Experimentation तथा बेहतर Documentation प्रदान करते हैं।