एक गाइड टू लिंक प्रेडिक्शन - फेसबुक पर अपने भविष्य के कनेक्शन की भविष्यवाणी कैसे करें

अवलोकन

  • एक भविष्यवाणी को जोड़ने के लिए परिचय, यह कैसे काम करता है, और आप इसे वास्तविक दुनिया में कहां उपयोग कर सकते हैं
  • सोशल मीडिया पर लिंक भविष्यवाणी के महत्व के बारे में जानें
  • पायथन का उपयोग करके फेसबुक के उपयोग के मामले के लिए अपना पहला लिंक प्रिडिक्शन मॉडल बनाएं

परिचय

क्या आपने कभी सोचा है कि आपका अगला फेसबुक कनेक्शन कौन हो सकता है? उत्सुक है कि अगला अनुरोध किससे हो सकता है?

क्या होगा अगर मैंने आपको बताया कि यह भविष्यवाणी करने का एक तरीका था?

जब मैं अपने फेसबुक अकाउंट के माध्यम से ब्राउज़ कर रहा होता हूं तो मैं इन समस्याओं के बयानों पर विचार-मंथन करता हूं। यह एक डेटा वैज्ञानिक की मानसिकता होने के भत्तों में से एक है!

फेसबुक सहित अधिकांश सोशल मीडिया प्लेटफॉर्म को ग्राफ के रूप में संरचित किया जा सकता है। पंजीकृत उपयोगकर्ता नेटवर्क के एक ब्रह्मांड में परस्पर जुड़े हुए हैं। और इन नेटवर्क और ग्राफ़ पर काम करने के लिए, हमें दृष्टिकोणों, उपकरणों और एल्गोरिदम (पारंपरिक मशीन सीखने के तरीकों के बजाय) के एक अलग सेट की आवश्यकता है।

इसलिए इस लेख में, हम ग्राफ़ और मशीन सीखने की मदद से एक सामाजिक नेटवर्क समस्या का समाधान करेंगे। हम फेसबुक केस का अध्ययन करने और इसे पायथन में लागू करने से पहले मुख्य अवधारणाओं और लिंक भविष्यवाणी के घटकों को समझेंगे!

मैं नीचे दिए गए लेखों के माध्यम से जाने की सलाह देता हूं कि क्या ग्राफ हैं और वे कैसे काम करते हैं:

विषय - सूची

  1. सामाजिक नेटवर्क विश्लेषिकी का अवलोकन
  2. लिंक प्रीडिक्शन पर एक प्राइमर
  3. एक लिंक भविष्यवाणी समस्या को हल करने की रणनीति
  4. केस स्टडी: फेसबुक पेजों के बीच भविष्य के संबंध की भविष्यवाणी - डेटा को समझना - डेटासेट तैयारी मॉडल बिल्डिंग - फ़ीचर निष्कर्षण - मॉडल बिल्डिंग: लिंक भविष्यवाणी मॉडल

सामाजिक नेटवर्क विश्लेषिकी का अवलोकन

लिंक प्रिडिक्शन की अवधारणा में गोता लगाने से पहले पहले एक सामाजिक नेटवर्क को परिभाषित करते हैं।

एक सामाजिक नेटवर्क अनिवार्य रूप से सामाजिक संस्थाओं, जैसे कि लोगों, संगठनों, सरकारों, राजनीतिक दलों, आदि के बीच संबंधों का प्रतिनिधित्व है।

इन संस्थाओं के बीच बातचीत पोस्ट, चैट मैसेज, ट्वीट, लाइक, कमेंट, शेयर आदि के रूप में अकल्पनीय मात्रा में डेटा उत्पन्न करती है। यह अवसरों की एक खिड़की खोलती है और उन मामलों का उपयोग करती है जिन पर हम काम कर सकते हैं।

यह हमें सोशल नेटवर्क एनालिटिक्स (SNA) में लाता है। हम इसे सोशल मीडिया पर की जाने वाली कई गतिविधियों के संयोजन के रूप में परिभाषित कर सकते हैं। इन गतिविधियों में ऑनलाइन सोशल मीडिया साइटों से डेटा संग्रह और व्यापार निर्णय लेने के लिए उस डेटा का उपयोग करना शामिल है।

सोशल नेटवर्क एनालिटिक्स के लाभ अत्यधिक फायदेमंद हो सकते हैं। यहाँ कुछ प्रमुख लाभ दिए गए हैं:

  • आपको अपने दर्शकों को बेहतर समझने में मदद करता है
  • ग्राहक विभाजन के लिए उपयोग किया जाता है
  • सिफारिश प्रणाली डिजाइन करने के लिए इस्तेमाल किया
  • अन्य बातों के अलावा, नकली समाचार का पता लगाएं

लिंक प्रीडिक्शन पर एक प्राइमर

लिंक भविष्यवाणी रेखांकन और नेटवर्क के क्षेत्र में सबसे महत्वपूर्ण शोध विषयों में से एक है। लिंक भविष्यवाणी का उद्देश्य नोड्स के जोड़े की पहचान करना है जो भविष्य में लिंक बनाएंगे या नहीं।

लिंक भविष्यवाणी का वास्तविक दुनिया के अनुप्रयोगों में एक टन उपयोग है। यहाँ लिंक भविष्यवाणी के कुछ महत्वपूर्ण उपयोग के मामले हैं:

  • भविष्यवाणी करें कि कौन से ग्राहक अमेज़न जैसे ऑनलाइन मार्केटप्लेस पर क्या उत्पाद खरीद सकते हैं। यह बेहतर उत्पाद सिफारिशें करने में मदद कर सकता है
  • किसी संगठन में कर्मचारियों के बीच बातचीत या सहयोग का सुझाव दें
  • आतंकवादी नेटवर्क से महत्वपूर्ण अंतर्दृष्टि निकालें

इस लेख में, हम लिंक की भविष्यवाणी के थोड़े अलग उपयोग के मामले का पता लगाएंगे - एक ऑनलाइन सामाजिक नेटवर्क में लिंक की भविष्यवाणी करना!

एक लिंक भविष्यवाणी समस्या को हल करने की रणनीति

यदि हम किसी तरह से एक संरचित डेटासेट के रूप में एक ग्राफ का प्रतिनिधित्व कर सकते हैं जिसमें सुविधाओं का एक सेट है, तो शायद हम ग्राफ़ के असंबद्ध नोड-जोड़े के बीच लिंक के गठन की भविष्यवाणी करने के लिए मशीन लर्निंग का उपयोग कर सकते हैं।

आइए इस विचार को समझने के लिए एक डमी ग्राफ लें। नीचे दिए गए एक 7 नोड ग्राफ है और असंबद्ध नोड जोड़े जोड़े AF, BD, BE, BG, और EG हैं:

समय पर ग्राफ टी

अब, मान लें कि हम डेटा का विश्लेषण करते हैं और नीचे दिए गए ग्राफ के साथ आया है। कुछ नए कनेक्शन बनाए गए हैं (लाल रंग में लिंक):

समय पर ग्राफ t + n

हमें किसी भी तरह के मशीन लर्निंग मॉडल के निर्माण के लिए भविष्यवक्ता चर और लक्ष्य चर का एक सेट होना चाहिए, है ना? तो ये चर कहाँ हैं? खैर, हम इसे ग्राफ से ही प्राप्त कर सकते हैं! आइए देखें कि यह कैसे किया जाता है।

हमारा उद्देश्य यह अनुमान लगाना है कि क्या किसी भी 2 असंबद्ध नोड्स के बीच एक लिंक होगा। समय टी पर नेटवर्क से, हम निम्नलिखित नोड जोड़े निकाल सकते हैं जिनके बीच कोई संबंध नहीं है:

  1. ए एफ
  2. BD
  3. BE
  4. बीजी
  5. ईजी

कृपया ध्यान दें कि, सुविधा के लिए, मैंने केवल उन नोड्स पर विचार किया है जो लिंक के कुछ जोड़े हैं।

हमारे लिए अगला कदम नोड्स की प्रत्येक जोड़ी के लिए सुविधाएँ बनाना है। अच्छी खबर यह है कि एक नेटवर्क में नोड्स से सुविधाओं को निकालने के लिए कई तकनीकें हैं। मान लीजिए कि हम उन तकनीकों में से एक का उपयोग करते हैं और इनमें से प्रत्येक जोड़े के लिए सुविधाओं का निर्माण करते हैं। हालाँकि, हम अभी भी नहीं जानते कि लक्ष्य चर क्या है। चिंता करने की कोई बात नहीं - हम इसे आसानी से प्राप्त कर सकते हैं।

ग्राफ को समय t + n पर देखें। हम देख सकते हैं कि क्रमशः AF, BD और BE के जोड़े के लिए नेटवर्क में तीन नए लिंक हैं। इसलिए, हम उनमें से प्रत्येक को 1 का मान प्रदान करेंगे। नोड जोड़े बीजी और ईजी को 0 आवंटित किया जाएगा, क्योंकि नोड्स के बीच अभी भी कोई लिंक नहीं हैं।

इसलिए, डेटा इस तरह दिखेगा:

अब हमारे पास लक्ष्य चर है, हम लिंक भविष्यवाणी करने के लिए इस डेटा का उपयोग करके मशीन लर्निंग मॉडल बना सकते हैं।

तो, यह है कि हमें लक्ष्य चर को निकालने के लिए समय के दो अलग-अलग उदाहरणों पर सामाजिक ग्राफ़ का उपयोग करने की आवश्यकता है, अर्थात, नोड जोड़ी के बीच एक लिंक की उपस्थिति। हालाँकि, ध्यान रखें कि वास्तविक दुनिया के परिदृश्यों में, हमारे पास वर्तमान समय का ही डेटा होगा।

अपने मॉडल के निर्माण के लिए ग्राफ़ से डेटा निकालें

उपरोक्त अनुभाग में, हम लक्ष्य चर के लिए लेबल प्राप्त करने में सक्षम थे क्योंकि हमारे पास समय t + n पर ग्राफ तक पहुंच थी। हालाँकि, वास्तविक दुनिया के परिदृश्यों में, हमारे हाथ में सिर्फ एक ग्राफ़ डेटासेट होगा। बस!

मान लें कि हमारे पास एक सामाजिक नेटवर्क का नीचे का ग्राफ़ है जहाँ नोड्स उपयोगकर्ता हैं और किनारों का संबंध किसी प्रकार का है:

उम्मीदवार नोड जोड़े, जो भविष्य के समय में एक लिंक बना सकते हैं, (1 & 2), (2 और 4), (5 और 6), (8 और 10), और इसी तरह। हमें एक मॉडल का निर्माण करना होगा जो यह अनुमान लगाएगा कि इन नोड जोड़े के बीच कोई लिंक होगा या नहीं। यह क्या कड़ी भविष्यवाणी है!

हालांकि, लिंक प्रेडिक्शन मॉडल बनाने के लिए, हमें इस ग्राफ़ से एक प्रशिक्षण डेटासेट तैयार करना होगा। यह एक सरल ट्रिक का उपयोग करके किया जा सकता है।

चित्र यह - यह ग्राफ अतीत में किसी बिंदु पर कैसा दिखता होगा? नोड्स के बीच कम किनारे होंगे क्योंकि एक सामाजिक नेटवर्क में कनेक्शन समय के साथ धीरे-धीरे बनाए जाते हैं।

इसलिए, इसे ध्यान में रखते हुए, हम दिए गए ग्राफ़ में से कुछ किनारों को बेतरतीब ढंग से छिपा सकते हैं और फिर उसी तकनीक का पालन कर सकते हैं जैसा कि प्रशिक्षण डाटासेट बनाने के लिए पिछले अनुभाग में बताया गया है।

ग्राफ़ से लिंक बंद करें

लिंक या किनारों को हटाते समय, हमें किसी भी किनारे को हटाने से बचना चाहिए जो एक अलग नोड (किसी किनारे के बिना नोड) या एक पृथक नेटवर्क का उत्पादन कर सकता है। चलो हमारे नेटवर्क से कुछ किनारों को हटा दें:

जैसा कि आप देख सकते हैं, नोड जोड़े (1 और 4), (7 और 9), और (3 और 8) में किनारों को हटा दिया गया है।

निकाले गए डेटा में लेबल जोड़ें

इसके बाद, हमें उन सभी असंबद्ध नोड जोड़े के लिए सुविधाएँ बनाने की आवश्यकता होगी, जिनमें से हमने किनारों को छोड़ दिया है। हटाए गए किनारों को '1' और असंबद्ध नोड जोड़े को '0' के रूप में लेबल किया जाएगा।

इस डेटासेट में लक्ष्य चर अत्यधिक असंतुलित होगा। यह वही है जो आप वास्तविक दुनिया के ग्राफ़ में भी सामना करेंगे। असंबद्ध नोड जोड़े की संख्या बहुत बड़ी होगी।

चलो एक केस स्टडी लेते हैं और पायथन का उपयोग करके लिंक भविष्यवाणी की समस्या को हल करते हैं।

केस स्टडी: फेसबुक पेजों के बीच भविष्य के संबंध की भविष्यवाणी

यह वह जगह है जहां हम उपरोक्त सभी को एक भयानक वास्तविक दुनिया के परिदृश्य में लागू करेंगे।

हम एक ग्राफ डेटासेट के साथ काम करेंगे जिसमें नोड्स लोकप्रिय खाद्य जोड़ों के फेसबुक पेज हैं और दुनिया भर के प्रसिद्ध शेफ हैं। यदि कोई दो पृष्ठ (नोड) एक दूसरे की तरह हैं, तो उनके बीच एक किनारा (लिंक) है।

आप यहां से डेटासेट डाउनलोड कर सकते हैं।

उद्देश्य: असंबद्ध नोड्स (फेसबुक पेज) के बीच भविष्य के लिंक (आपसी पसंद) की भविष्यवाणी करने के लिए एक लिंक भविष्यवाणी मॉडल बनाएं।

चलो हमारे जुपिटर नोटबुक (या कोलाब) को आग दें!

डेटा को समझना

हम पहले सभी आवश्यक पुस्तकालयों और मॉड्यूल का आयात करेंगे:

चलो फेसबुक पेजों को नोड्स और किनारों के रूप में पृष्ठों के बीच आपसी पसंद के रूप में लोड करते हैं:

आउटपुट: (620, 2102)

हमारे पास 620 नोड्स और 2,102 लिंक हैं। चलिए अब सभी नोड्स का एक डेटाफ्रेम बनाते हैं। इस डेटाफ्रेम की प्रत्येक पंक्ति क्रमशः 'नोड_1' और 'नोड_2' में नोड्स द्वारा गठित लिंक का प्रतिनिधित्व करती है:

fb_df.head ()

नोड्स '276', '58', '132', '603', और '398' नोड '0' के साथ लिंक करते हैं। हम ग्राफ के रूप में फेसबुक पेजों की इस व्यवस्था का आसानी से प्रतिनिधित्व कर सकते हैं:

वाह, यह काफी कुछ लग रहा है। यह वही है जो हम निपटने जा रहे हैं - फेसबुक पेजों (नीले डॉट्स) का एक तार जाल। काली रेखाएं सभी नोड्स को एक-दूसरे से जोड़ने वाली लिंक या किनारे हैं।

मॉडल बिल्डिंग के लिए डेटासेट की तैयारी

हमें एक अप्रत्यक्ष ग्राफ से डेटासेट तैयार करने की आवश्यकता है। इस डेटासेट में नोड जोड़े की विशेषताएं होंगी और लक्ष्य चर प्रकृति में द्विआधारी होगा, जो लिंक की उपस्थिति (या नहीं) को दर्शाता है।

अनुत्तरित नोड जोड़े को पुनः प्राप्त करें - नकारात्मक नमूने

हम पहले ही समझ चुके हैं कि एक लिंक भविष्यवाणी समस्या को हल करने के लिए, हमें दिए गए ग्राफ से एक डेटासेट तैयार करना होगा। इस डेटासेट का एक प्रमुख हिस्सा नकारात्मक नमूने या असंबद्ध नोड जोड़े हैं। इस खंड में, मैं आपको दिखाऊंगा कि कैसे हम एक ग्राफ से असंबद्ध नोड जोड़े निकाल सकते हैं।

सबसे पहले, हम यह पता लगाने के लिए एक आसन्न मैट्रिक्स बनाएंगे कि कौन से जोड़े नोड्स जुड़े नहीं हैं।

उदाहरण के लिए, नीचे दिए गए ग्राफ़ की निकटता एक वर्ग मैट्रिक्स है जिसमें पंक्तियों और स्तंभों को ग्राफ के नोड्स द्वारा दर्शाया गया है:

लिंक मैट्रिक्स में मूल्यों द्वारा दर्शाए गए हैं। 1 का अर्थ है नोड जोड़ी के बीच एक लिंक है और 0 का मतलब नोड जोड़ी के बीच एक लिंक है। उदाहरण के लिए, नोड्स 1 और 3 के मैट्रिक्स में उनके क्रॉस-जंक्शन पर 0 है और इन नोड्स के ऊपर के ग्राफ़ में कोई बढ़त नहीं है।

हम मूल ग्राफ G से सभी असंबद्ध नोड जोड़े को खोजने के लिए आसन्न मैट्रिक्स की इस संपत्ति का उपयोग करेंगे:

चलो आसन्न मैट्रिक्स के आकार की जाँच करें:

adj_G.shape

आउटपुट: (620, 620)

जैसा कि आप देख सकते हैं, यह एक वर्ग मैट्रिक्स है। अब, हम शून्य की स्थिति का पता लगाने के लिए आसन्न मैट्रिक्स को पार करेंगे। कृपया ध्यान दें कि हमें पूरे मैट्रिक्स के माध्यम से नहीं जाना है। मैट्रिक्स में मान विकर्ण के ऊपर और नीचे समान हैं, जैसा कि आप नीचे देख सकते हैं:

हम या तो विकर्ण (हरा भाग) के ऊपर के मूल्यों या नीचे के मूल्यों (लाल भाग) के माध्यम से खोज सकते हैं। आइए शून्य के लिए विकर्ण मान खोजें:

हमने अपने डेटासेट में कितने असंबद्ध नोड जोड़े हैं:

लेन (all_unconnected_pairs)

आउटपुट: 19,018

हमारे पास 19,018 असंबद्ध जोड़े हैं। ये नोड जोड़े लिंक भविष्यवाणी मॉडल के प्रशिक्षण के दौरान नकारात्मक नमूनों के रूप में कार्य करेंगे। आइए इन जोड़ियों को एक डेटाफ़्रेम में रखें:

कनेक्टेड नोड नोड्स से लिंक निकालें - सकारात्मक नमूने

जैसा कि हमने ऊपर चर्चा की, हम ग्राफ से कुछ किनारों को बेतरतीब ढंग से छोड़ देंगे। हालाँकि, बेतरतीब ढंग से किनारों को हटाने के परिणामस्वरूप ग्राफ़ के शिथिल जुड़े नोड्स और टुकड़े काट दिए जा सकते हैं। यह एक ऐसी चीज है जिसका हमें ध्यान रखना है। हमें यह सुनिश्चित करना होगा कि किनारों को छोड़ने की प्रक्रिया में, ग्राफ के सभी नोड्स जुड़े रहें।

नीचे दिए गए कोड ब्लॉक में, हम पहले चेक करेंगे कि नोड जोड़ी को छोड़ने पर ग्राफ के विभाजन (संख्या_संक्रमण_सुविधाओं> 1) या नोड्स की संख्या में कमी आती है या नहीं। यदि दोनों चीजें नहीं होती हैं, तो हम उस नोड जोड़ी को छोड़ देते हैं और अगले नोड जोड़ी के साथ एक ही प्रक्रिया दोहराते हैं।

आखिरकार, हमें नोड जोड़े की एक सूची मिलेगी जिसे ग्राफ से गिराया जा सकता है और सभी नोड्स अभी भी बरकरार रहेंगे:

लेन (omissible_links_index)

आउटपुट: 1483

हमारे पास 1400 से अधिक लिंक हैं जिन्हें हम ग्राफ से छोड़ सकते हैं। ये गिराए गए किनारे लिंक भविष्यवाणी मॉडल प्रशिक्षण के दौरान सकारात्मक प्रशिक्षण उदाहरण के रूप में कार्य करेंगे।

मॉडल प्रशिक्षण के लिए डेटा

अगला, हम इन हटाने योग्य किनारों को असंबद्ध नोड जोड़े के डेटाफ्रेम में जोड़ देंगे। चूंकि ये नए किनारे सकारात्मक नमूने हैं, इसलिए उनके पास '1' का लक्ष्य मान होगा:

चलो लक्ष्य चर के मूल्यों के वितरण की जाँच करें:

डेटा [ 'क्लिक']। value_counts ()

0 -19018 1 -1483

यह पता चला है कि यह अत्यधिक असंतुलित डेटा है। लिंक बनाम नो लिंक का अनुपात सिर्फ 8% के करीब है। अगले भाग में, हम इन सभी नोड जोड़े के लिए सुविधाएँ निकालेंगे।

सुविधा निकासी

हम लिंक छोड़ने के बाद ग्राफ से नोड सुविधाओं को निकालने के लिए नोड 2vec एल्गोरिथ्म का उपयोग करेंगे। तो, चलिए सबसे पहले हटाने योग्य लिंक को छोड़ने के बाद एक नया ग्राफ बनाते हैं:

अगला, हम नोड 2vec लाइब्रेरी स्थापित करेंगे। यह डीपवल्क एल्गोरिदम से काफी मिलता-जुलता है। हालाँकि, इसमें पक्षपाती यादृच्छिक चलता है। नोड 2vec के बारे में अधिक जानने के लिए, आपको निश्चित रूप से इस पेपर नोड 2vec की जाँच करनी चाहिए: नेटवर्क के लिए स्केलेबल फ़ीचर लर्निंग।

कुछ समय के लिए, बस ध्यान रखें कि नोड 2vec का उपयोग ग्राफ के नोड्स के वेक्टर प्रतिनिधित्व के लिए किया जाता है। आइए इसे स्थापित करें:

पाइप स्थापित करें नोड 2vec

आपके स्थानीय मशीन पर स्थापित होने में कुछ समय लग सकता है (यदि आप कोलाब का उपयोग कर रहे हैं तो यह काफी तेज़ है)।

अब, हम अपने ग्राफ (G_data) पर नोड 2vec मॉडल को प्रशिक्षित करेंगे:

इसके बाद, हम डेटाफ्रेम 'डेटा' में प्रत्येक और प्रत्येक नोड जोड़ी पर प्रशिक्षित नोड 2vec मॉडल लागू करेंगे। एक जोड़ी या एक किनारे की विशेषताओं की गणना करने के लिए, हम उस जोड़ी में नोड्स की विशेषताएं जोड़ेंगे:

x = [(n2w_model [str (i)] + n2w_model [str (j)] के लिए i, j में j

हमारे लिंक भविष्यवाणी मॉडल का निर्माण

अपने मॉडल के प्रदर्शन को मान्य करने के लिए, हमें अपने डेटा को दो भागों में विभाजित करना चाहिए - एक मॉडल के प्रशिक्षण के लिए और दूसरा मॉडल के कनेक्शन का परीक्षण करने के लिए:

आइए पहले एक लॉजिस्टिक रिग्रेशन मॉडल फिट करें:

अब हम परीक्षण सेट पर भविष्यवाणियां करेंगे:

पूर्वानुमान = lr.predict_proba (xtest)

हम अपने मॉडल के प्रदर्शन की जांच करने के लिए एयूसी-आरओसी स्कोर का उपयोग करेंगे।

roc_auc_score (ytest, भविष्यवाणियां: [, 1])

आउटपुट: 0.7817

हमें लॉजिस्टिक रिग्रेशन मॉडल का उपयोग करके 0.78 का स्कोर मिलता है। आइए देखें कि क्या हम अधिक जटिल मॉडल का उपयोग करके बेहतर स्कोर प्राप्त कर सकते हैं।

208 वें पुनरावृत्ति के बाद प्रशिक्षण बंद हो गया क्योंकि हमने शुरुआती रोक मापदंड लागू किए। सबसे महत्वपूर्ण बात, मॉडल को परीक्षण सेट पर एक प्रभावशाली 0.9273 एयूसी स्कोर मिला। मैं आपको विभिन्न मापदंडों के बारे में अधिक जानने के लिए lightGBM प्रलेखन पर एक नज़र डालने के लिए प्रोत्साहित करता हूं।

नोट्स समाप्त करें

रेखांकन में भारी क्षमता है। हम बड़ी संख्या में वास्तविक दुनिया की समस्याओं को हल करने के लिए इसका उपयोग कर सकते हैं, जिनमें से लिंक भविष्यवाणी एक है।

इस लेख में, हमने दिखाया है कि मशीन लर्निंग का उपयोग करके एक लिंक भविष्यवाणी समस्या से कैसे निपटा जा सकता है, और इस तरह की समस्या को हल करते समय हमें किन सीमाओं और महत्वपूर्ण पहलुओं को ध्यान में रखना होगा।

कृपया किसी भी प्रश्न को पूछने या नीचे टिप्पणी अनुभाग में अपनी प्रतिक्रिया छोड़ने के लिए स्वतंत्र महसूस करें। खोजते रहो!

मूल रूप से https://www.analyticsvidhya.com पर 16 जनवरी, 2020 को प्रकाशित किया गया।

यह सभी देखें

कैसे एक नंबर के दो तिहाई खोजने के लिएमैं प्रोग्रामिंग को और अधिक रोचक कैसे बनाऊं? मैं प्रोग्रामिंग सीखना चाहता हूं। मुझे कहां से शुरू करना चाहिए?मैं प्रोग्रामिंग कैसे सीख सकता हूं? मैं पिछले 1 साल से पायथन सीखने की कोशिश कर रहा हूं। मैं सभी मूल बातें और वाक्यविन्यास जानता हूं, लेकिन प्रोग्रामिंग करते समय मुझे अभी भी कठिनाइयों का सामना करना पड़ रहा है।एक सफल ब्लॉग बनाने के बारे में सबसे सफल ब्लॉग क्यों हैं? मैं प्रोग्रामिंग सीखना कैसे शुरू करूँ? मेरा बॉयफ्रेंड एक प्रोग्रामर है।किसी वेबसाइट को मोबाइल ऐप में बदलने में कितना खर्च होता है? डेटा को एक डेटाबेस से दूसरे में स्वचालित रूप से कैसे कॉपी किया जा सकता है?