अब हम Machine Learning के सबसे महत्वपूर्ण भागों में से एक को कवर करते हैं:

---

🧠 1. डेटा क्या है? / What is Data?

डेटा वह कच्चा इनपुट होता है जिससे मशीन लर्निंग मॉडल कुछ सीखता है।
यह संख्याओं, शब्दों, इमेज या ऑडियो के रूप में हो सकता है।

👉 उदाहरण:

उम्र	वेतन	नौकरी	लोन स्वीकृत?
25	₹30k	हाँ	नहीं

---

📦 2. डेटा का प्रकार / Types of Data:

प्रकार	विवरण	उदाहरण
Structured	टेबल फॉर्म में डेटा	Excel शीट, SQL
Unstructured	इमेज, टेक्स्ट, ऑडियो	फोटो, ईमेल
Semi-structured	आंशिक रूप से टेबल	JSON, XML

---

🧹 3. डेटा प्रीप्रोसेसिंग / Data Preprocessing

डेटा को मॉडल के लिए तैयार करना एक अनिवार्य स्टेप है।

🛠️ इसमें मुख्य चरण होते हैं:

🔹 A. Missing Values को हैंडल करना

• NaN या null को हटाना / भरना

🔹 B. Encoding Categorical Data

• नौकरी = “हाँ” / “नहीं” को 1/0 में बदलना (Label Encoding)

🔹 C. Normalization / Scaling

• सभी फीचर्स को एक समान स्केल पर लाना
  उम्र = 25 से 60 → [0, 1] स्केल में </br>

X_scaled = (X – min) / (max – min)

🔹 D. Outlier Detection

• ऐसे डेटा पॉइंट्स जो बहुत अलग हैं — उन्हें हटाना

---

🏗️ 4. फीचर इंजीनियरिंग क्या है? / What is Feature Engineering?

Feature Engineering का अर्थ है:

“डेटा से ऐसे विशेष गुण (features) निकालना जो मॉडल को बेहतर सीखने में मदद करें।”

📌 फीचर = वह जानकारी जो आउटपुट को प्रभावित करती है

---

🔧 5. फीचर इंजीनियरिंग की तकनीकें / Techniques of Feature Engineering:

🔹 A. Feature Creation (नए फीचर्स बनाना)

उदाहरण:
जन्मतिथि → उम्र
“Total Purchase” + “Discount” → Final Price

🔹 B. Feature Selection (बेहतर फीचर चुनना)

सिर्फ वही फीचर रखें जो आउटपुट से सबसे ज़्यादा संबंधित हों।

उपयोगी तकनीकें:

• Correlation Matrix
• Mutual Information
• Recursive Feature Elimination (RFE)

🔹 C. Dimensionality Reduction (फ़ीचर घटाना)

• जब फीचर्स बहुत अधिक हों (High Dimensional Data)
• तकनीक: PCA (Principal Component Analysis)

---

🤖 उदाहरण:

from sklearn.preprocessing import LabelEncoder, MinMaxScaler
import pandas as pd

data = pd.DataFrame({
    'Age': [25, 32, 40],
    'Job': ['Yes', 'No', 'Yes'],
    'Salary': [30000, 50000, 60000]
})

# Categorical Encoding
le = LabelEncoder()
data['Job'] = le.fit_transform(data['Job'])

# Scaling
scaler = MinMaxScaler()
data[['Age', 'Salary']] = scaler.fit_transform(data[['Age', 'Salary']])

---

📊 Summary Table:

Step	कार्य
Data Cleaning	Missing values, Outliers हटाना
Encoding	Categorical डेटा को संख्यात्मक बनाना
Scaling	फीचर्स को समान स्केल पर लाना
Feature Creation	नए सार्थक फीचर्स बनाना
Feature Selection	ज़रूरी फीचर्स चुनना
Dimensionality Reduction	अनावश्यक फीचर्स घटाना

---

🎯 निष्कर्ष / Conclusion:

“Garbage In → Garbage Out”
अगर डेटा और फीचर सही नहीं हैं, तो मॉडल का परफॉर्मेंस अच्छा नहीं होगा। इसलिए ML की सफलता का 70% हिस्सा डेटा और फीचर इंजीनियरिंग पर निर्भर करता है।

Data Preprocessing + Feature Engineering Example

हम एक सिंपल टेबल डेटा लेंगे (उम्र, वेतन, जॉब टाइप), और इसे PyTorch में टेंसर बनाकर स्केल, एनकोड और ट्रेनिंग के लिए तैयार करेंगे।

---

📌 उदाहरण डेटा:

उम्र (Age)	वेतन (Salary)	नौकरी (Job)
25	30000	Yes
35	45000	No
45	60000	Yes

---

🔧 कोड:

import torch
import pandas as pd
from sklearn.preprocessing import LabelEncoder, MinMaxScaler

# -------------------------------
# Step 1: Raw Data Load
# -------------------------------
data = pd.DataFrame({
    'Age': [25, 35, 45],
    'Salary': [30000, 45000, 60000],
    'Job': ['Yes', 'No', 'Yes'],
    'Approved': [1, 0, 1]   # Target label
})

# -------------------------------
# Step 2: Label Encode 'Job'
# -------------------------------
le = LabelEncoder()
data['Job'] = le.fit_transform(data['Job'])  # 'Yes'→1, 'No'→0

# -------------------------------
# Step 3: Feature Scaling
# -------------------------------
scaler = MinMaxScaler()
data[['Age', 'Salary']] = scaler.fit_transform(data[['Age', 'Salary']])

# -------------------------------
# Step 4: Split Features & Labels
# -------------------------------
X = data[['Age', 'Salary', 'Job']].values   # Features
y = data['Approved'].values                 # Labels

# -------------------------------
# Step 5: Convert to PyTorch tensors
# -------------------------------
X_tensor = torch.tensor(X, dtype=torch.float32)
y_tensor = torch.tensor(y, dtype=torch.float32).unsqueeze(1)

# -------------------------------
# Output for verification
# -------------------------------
print("Features Tensor:\n", X_tensor)
print("Labels Tensor:\n", y_tensor)

---

📤 Output (उदाहरण):

Features Tensor:
 tensor([[0.0000, 0.0000, 1.0000],
         [0.5000, 0.5000, 0.0000],
         [1.0000, 1.0000, 1.0000]])

Labels Tensor:
 tensor([[1.],
         [0.],
         [1.]])

---

🔍 इस कोड में हमने क्या सीखा:

चरण	कार्य
Step 1	DataFrame बनाया
Step 2	‘Job’ कॉलम को Encode किया
Step 3	Features को Normalize किया
Step 4	Features और Labels अलग किए
Step 5	NumPy से PyTorch Tensor में बदला

---

📘 यह कोड खास तौर पर उपयोगी होगा:

• Tabular Dataset पर Deep Learning Model चलाने से पहले
• PyTorch में MLP (Multi-layer Perceptron) ट्रेन करने के लिए डेटा तैयार करने में

---

🔷 🔹 Why Data & Feature Engineering?

Reason	Benefit
Raw Data को साफ करना	मॉडल training में noise और errors कम होते हैं
Features को encode/scaling करना	डेटा को गणितीय रूप से मॉडल के लिए उपयुक्त बनाना
अच्छे Features निकालना	Accuracy, Generalization और Explainability बढ़ाना

---

🔶 1. डेटा प्रीप्रोसेसिंग (Data Preprocessing)

डेटा को model के लिए तैयार करना:

✅ Missing Values हटाना या भरना
✅ Categorical Data को Encode करना
✅ Scaling / Normalization
✅ Outlier को detect और handle करना

---

🔶 2. फीचर इंजीनियरिंग

🔹 2.1 Feature Creation

जैसे:

• जन्मतिथि → उम्र
• Final Price = Price – Discount

🔹 2.2 Feature Selection

सिर्फ वे features जो target से अधिक संबंधित हों (correlation आदि से चुने गए)

🔹 2.3 Dimensionality Reduction

High-dimensional डेटा को PCA या Autoencoder जैसे तरीकों से कम करना

---

🔷 🔧 PyTorch कोड उदाहरण

import torch
import pandas as pd
from sklearn.preprocessing import LabelEncoder, MinMaxScaler

# Step 1: Raw Data
data = pd.DataFrame({
    'Age': [25, 35, 45],
    'Salary': [30000, 45000, 60000],
    'Job': ['Yes', 'No', 'Yes'],
    'Approved': [1, 0, 1]
})

# Step 2: Encode categorical feature
le = LabelEncoder()
data['Job'] = le.fit_transform(data['Job'])

# Step 3: Scaling
scaler = MinMaxScaler()
data[['Age', 'Salary']] = scaler.fit_transform(data[['Age', 'Salary']])

# Step 4: Separate X and y
X = data[['Age', 'Salary', 'Job']].values
y = data['Approved'].values

# Step 5: Convert to tensors
X_tensor = torch.tensor(X, dtype=torch.float32)
y_tensor = torch.tensor(y, dtype=torch.float32).unsqueeze(1)

print("Features:\n", X_tensor)
print("Labels:\n", y_tensor)

---

🔚 Summary Table

Component	Description
Missing Handling	NaN या null को mean, median या drop से ठीक करना
Encoding	LabelEncoder, OneHotEncoder आदि का उपयोग
Scaling	MinMaxScaler, StandardScaler
Feature Creation	नए meaningful features generate करना
Feature Selection	जरूरी features चुनना (correlation, RFE)
Dimensionality Reduce	PCA, AutoEncoder, UMAP, t-SNE आदि
PyTorch Integration	NumPy arrays → torch.tensor में बदलना

---

📝 Practice Questions:

1. PyTorch में MinMaxScaler और LabelEncoder का क्या उपयोग है?
2. Feature Creation और Feature Selection में क्या अंतर है?
3. Normalization और Standardization में क्या फ़र्क है?
4. Dimensionality Reduction कब ज़रूरी होता है?
5. PyTorch में NumPy array को tensor में कैसे बदला जाता है?