𝐃𝐚𝐭𝐚𝐡𝐨𝐥𝐢𝐜 𝐌𝐲𝐚𝐧𝐦𝐚𝐫

Microsoft Excel Functions For Office Staff (13)

👩‍🎓 စာသင်ခန်းတစ်ခုတွင်ရှိ ကျောင်းသားများ၏ ဘာသာရပ်ဆိုင်ရာ ရမှတ်များကို စာရင်းသွင်းထားသည်။ အကယ်၍ သင့်အား ရမှတ်များကို အကြိမ်အရေအတွက်အလိုက် ကြီးစဉ်ငယ်လိုက် (Frequently Occurring Marks) စာရင်းတစ်ခုထုတ်ခိုင်းလာသည် ဆိုကြပါစို့။ (Microsoft Excel) ကို အသုံးပြု၍ မည်ကဲ့သို့ ပြင်ဆင်မည်ကို လေ့လာကြည့်ကြမည်။

🌏

Microsoft Excel Functions For Office Staff (13) စာသင်ခန်းတစ်ခုတွင်ရှိ ကျောင်းသားများ၏ ဘာသာရပ်ဆိုင်ရာ ရမှတ်များကို စာရင်းသွင်းထားသည်။ အကယ်၍ သင့်အား ရမှတ်.....

🚗 AI - Artificial Intelligence (7)
Odds and Probability

ဉာဏ်ရည်တု (Artificial Intelligence) အကြောင်းကို လေ့လာရာတွင် လေးသာမှု (Odds) (ဘောလုံးပွဲလောင်းရာတွင် ပေါက်ကြေးဟုလည်း ခေါ်ကြသည်) နှင့် ဖြစ်နိုင်ခြေ (Probability) အကြောင်းကို သိရှိရန်လိုအပ်သည်။ ယခင်သင်ခန်းစာများမှ စစ်တုရင် (Chess) ကစားနည်းကဲ့သို့ (Search Applications) များတွင် အကွက်ကောင်းကို (Perfect Information) ကြိုတင်တွက်ချက်မှု ပြုနိုင်သော်လည်း လက်တွေ့ဘဝတွင် မသိနိုင်သည့် ဖြစ်နိုင်ခြေများ (Unknown Probabilities) ရှိနေတတ်သည်။

အလိုအလျောက်မောင်းနှင်သည့်ကား (Self-driving Car) ကို ဥပမာကြည့်ပါ။ နေရာတစ်ခုမှ အခြားတစ်နေရာသို့ ဘေးကင်းစွာဖြင့် အလိုအလျောက် မောင်းနှင်နိုင်ရန် လမ်းကြောင်းချပြီး တည်ဆောက်နိုင်သည်။ သို့သော်လည်း တွက်ချက်မှန်းဆထားသည့်အတိုင်း မဖြစ်ဘဲ ယာဉ်ကြောများပိတ်ခြင်း (Traffic Congestion) နှင့် မတော်တဆထိခိုက်မှုများ (Road Incidents) များပေါ်ပေါက်လာခြင်း၊ ရုတ်တရက် ရာသီဥတုဖောက်ပြန်ခြင်း၊ ဘောလုံးတစ်လုံးသည် ကားသွားရာလမ်းကြောင်းပေါ်တက်လာခြင်း နှင့် ပလတ်စတစ်အမှိုက် အပိုင်းအစတစ်ခုသည် အမြင်အာရုံခံကင်မရာကို လာကပ်ခြင်း စသည့် အခြေအနေများတွင် ကားသည် မည်ကဲ့သို့ တုံ့ပြန်နိုင်မည်နည်း။

အလိုအလျောက်မောင်းနှင်သည့်ကားတွင် ကင်မရာနှင့်အာရုံခံ (Sonar-like Sensors and Cameras) ပစ္စည်းများစွာကို တပ်ဆင်ထားပြီး ကားကိုယ်ထည်၏ ပတ်လည်ရှိ အရာဝတ္ထုများကို အာရုံခံနေသည်။ အာရုံခံပစ္စည်းများ (Sensors) သည် အမြဲတမ်းမှန်ကန်တိကျတတ်သည်ဟု မဆိုနိုင်ဘဲ အမှားအယွင်းနှင့် မရေရာမှု (Noises) များ အနည်းနှင့်အများ ရှိတတ်ကြသည်။ ကားရှိ အာရုံခံကိရိယာတစ်ခုသည် ဘယ်ဘက်ကိုလှည့်ရန် ညွှန်ပြနေပြီး အခြားတစ်ခုသည် ညာဘက်သို့လှည်ရန် ပြသသည့်အခြေအနေမျိုးကြောင့် ကားသည် ဆက်လက် လုပ်ဆောင်နိုင်ခြင်းမရှိတော့ဘဲ ရပ်နေသည်မျိုးဖြစ်တတ်သည်။

တိုးတက်လာသည့် ဉာဏ်ရည်တုလုပ်ဆောင်ချက်များ (AI Methods) ၏ မသေချာမှုအရာများ (Uncertainty) ကို ကိုင်တွယ်ဖြေရှင်းနိုင်စွမ်းကြောင့် လက်တွေ့ဘဝပြဿနာများ (Real-World Problems) တွင် (AI) သည် အမှန်တကယ် အရေးပါလာရသည်။ (AI) ၏ အစဟုဆိုနိုင်သည့် (Fuzzy Logic) ဆိုသည့် ဝေါဟာရကို ကြားဖူးကြမည်ထင်ပါသည်။ အနီးစပ်ဆုံးညွှန်ပြရလျှင် မိမိ၏ အိမ်သုံးအဝတ်လျှော်စက် (Washing Machine) တွင် (Fuzzy Logic) ကို အသုံးပြုထားသည်။ ထည့်ထားသည့် (Load) ဟုခေါ်သည့် အဝတ်အစား အနည်းအများကိုလိုက်ပြီး လိုအပ်သည့်ရေပမာဏကို ပေးနိုင်သည်။ ထို့အပြင် အဝတ်လျှော်စက်သည် ညစ်ပေမှုနှုန်း (Dirtiness Degree) ကို အလိုအလျောက်တွက်ချက်ပြီး လျှော်ဖွပ်ခြင်းကို အချိန်ညှိကာ လုပ်ဆောင်နေသည်။

သို့သော်လည်း မသေချာမှုဖြစ်စဉ် (Uncertainty) များကို ကျိုးကြောင်းချင့်ချိန်မှုပြုနိုင်သည့် အကောင်းဆုံးသော နည်းတစ်ခုသည် (Probability) ဖြစ်ပြီး လက်ရှိ (AI Applications) များတွင် တစ်စိတ်တစ်ဒေသ ပါဝင်နေသည်ကို တွေ့ရမည်။ (Probability) ၏ အသုံးချမှုများကို (Poker) ဖဲကစားခြင်းနှင့် ထီ (Lottery) ထိုးခြင်း စသည်များတွင် အနိုင်ရခြေကို တွက်ကြည့်ရာတွင် ရင်းနှီးနေပြီးသား ဖြစ်ကြသည်။ အရေးပါသည့် အချက်တစ်ခုမှာ နေ့စဉ်ဘဝ လုပ်ဆောင်မှုများတွင် (Probability) ဖြင့် အတိုင်းအတာ ပမာဏကို တွက်ချက်နိုင်ခြင်း (Quantify) နှင့် ဆုံးရှုံးမှုများ (Compare Risks) ကို နှိုင်းယှဉ်မှုပြုနိုင်ခြင်းဖြစ်သည်။ သတ်မှတ်ထားသည့် အမြန်နှုန်း (Speed Limit) ထက် ကျော်လွန်၍ မောင်းနှင်ပါက ယာဉ်တိုက်မှုဖြစ်နိုင်ခြေ၊ ဘဏ်တွင် ပေါင်နှံထားမှု (Mortgage) အတွက် နောက်(၅)နှစ်အတွင်း အတိုးနှုန်း (Interest Rates) တက်လာနိုင်မည့် ဖြစ်နိုင်ခြေ၊ (X-ray) မှတ်တမ်းကို (AI) နည်းပညာအကူအညီဖြင့် အရိုးကျိုးသည့်နေရာအတိအကျကို ရှာဖွေဖော်ထုတ်နိုင်ခြေ စသည်ဖြင့်လည်း အသုံးပြုနေပြီဖြစ်သည်။

ဖြစ်နိုင်ခြေ (Probability) ကို ကိန်းဂဏန်းများဖြင့် ဖော်ပြနိုင်သည်ကို သိရှိပြီးဖြစ်သော်လည်း ဖြစ်နိုင်ခြေသည် မှန်ကန်သည် သို့မဟုတ် မှားယွင်းသည်ဟု ကောက်ချက်ချ၍ မရနိုင်သည်ကို သတိပြုရမည်။ အဆိုပါ ကိန်းဂဏန်းများသည်လည်း လေ့လာမှုတစ်ခုတည်း (Single Observation) အပေါ်တွင် မူတည်ပြီး မှားသည်၊ မှန်သည်ဟု ပြော၍မရနိုင်ပါ။

အောက်ပါ ဖြစ်နိုင်ခြေခန့်မှန်းချက်များ (Probabilistic Forecasts) နှင့် အမှန်တကယ် ရလဒ်အဖြေများ (Outcomes) ကို လေ့လာကြည့်ကြမည်။ ခန့်မှန်းချက်တစ်ခုချင်းစီ၏ ဖြစ်နိုင်ခြေ (Probability) သည်
▶️ မှန်သည် (Right)
▶️ မှားသည် (Wrong)
▶️ ဆုံးဖြတ်ချက်မချနိုင်ပါ (Cannot be concluded)
စသည်ဖြင့် ဖြေကြည့်ပါ။

(၁) ရာသီဥတုခန့်မှန်းချက် (Weather Forecast) အရ မနက်ဖြန်တွင် မိုးရွာနိုင်ခြေ (၉၀%) ရှိသည် ဟုဆိုသည်။ သို့သော် အမှန်တကယ်နေ့ ရောက်သည့်အခါ တစ်နေကုန် နေသာနေခဲ့ပြီး မိုးရွာခြင်း မရှိခဲ့ပါ။ (အဖြေ _________)

(၂) ရာသီဥတုခန့်မှန်းချက် (Weather Forecast) အရ မနက်ဖြန်တွင် မိုးရွာနိုင်ခြေ (၀%) ရှိသည် ဟုဆိုသည်။ အမှန်တကယ်နေ့ ရောက်သည့်အခါ တစ်နေကုန် မိုးရွာနေခဲ့သည်။ (အဖြေ _________)

(၃) သင်သည် ရာသီဥတုခန့်မှန်းချက်ကို ကာလအတန်ကြာ စောင့်ကြည့်လေ့လာနေခဲ့သည် ဆိုပါစို့။ မိုးရွာနိုင်ခြေ (၈၀%) ရှိသည့်နေ့များကိုသာ စောင့်ကြည့်ခဲ့ပြီး သင်သည် သတိပြုမိသည်မှာ နောင်တွင်လည်း ပျမ်းမျှအရ (၅) ရက်တိုင်းတွင် (၃) ရက်သည် မိုးရွာနိုင်သည်ဟု ကောက်ချက်ချခဲ့သည်။ (အဖြေ _________)

(၄) (၂၀၁၆) ခုနှစ်က အမေရိကန်ပြည်ထောင်စု သမ္မတရွေးကောက်ပွဲတွင် ကလင်တန်သည် မဲရလဒ် (၇၁.၄%) ရနိုင်ပြီး ထရမ့်သည် (၂၈.၆%) ရနိုင်မည်ဟု နာမည်ကြီး နိုင်ငံရေးသုံးသပ်ချက်စာစောင်တစ်ခုမှ ခန့်မှန်းခဲ့သည်။ အမှန်တကယ်တွင် ထရမ့်သည် အနိုင်ရခဲ့သည်။ (အဖြေ _________)

နောက်သင်ခန်းစာတွင် အဖြေများကို ဆွေးနွေးပါမည်။

🌏 https://myanmardataholic.com/2021/06/08/artificial-intelligence-7/

📲 https://t.me/myanmardataholic.com

ARTIFICIAL INTELLIGENCE (7) Odds and Probability ဉာဏ်ရည်တု (Artificial Intelligence) အကြောင်းကို လေ့လာရာတွင် လေးသာမှု (Odds) (ဘောလုံးပွဲ လောင်းရာတွင် ပေါက်ကြေးဟုလည်း ခေါ....

General Knowledge (သိကောင်းစရာ)

🎓 နိုင်ငံတကာမှာဆိုရင် ပညာရေးဟာ အရှိန်အဟုန်ဖြင့် ပြောင်းလဲနေပါပြီ။ နောက်ပြန်ပြောင်းလဲဖို့ ကြိုးစားနေတဲ့ နိုင်ငံတချို့ကလွဲရင်ပေါ့ဗျာ။ ကျွန်တော်ကိုယ်တိုင် (Education 1.0) နဲ့ (Education 2.0) ကို မြန်မာဆိုတဲ့နိုင်ငံမှာ ကြုံဖူးခဲ့ရသလို (Education 2.0) နဲ့ (Education 3.0) ကို တခြားနိုင်ငံတွေမှာ ကြုံခဲ့ဖူးပါတယ်။ (Education 4.0) ကို အခုအမှီလိုက်နိုင်ဖို့ ကိုယ်တိုင်လည်း ကြိုးစားနေပါတယ်။ "မင်း .. အသက်ကကြီးနေပြီ။ စာလေ့လာနေတုံးလား။" လို့ အမေးခံရတယ်။ အဲလိုမေးတဲ့သူတွေက (Education 1.0) ခေတ်မှာ အိပ်ပြီးကျန်ခဲ့သူတွေပါပဲ။ ပညာရေးဟာ "Lifelong Learning" ဖြစ်နေပါပြီ။

👨‍🏫 ကဲ .. ဆရာ စလုပ်ပါပြီ။ သည်းခံပြီး ဆက်ဖတ်ပါ။

1️⃣ (Education 1.0) ဆိုတာဘာလဲ။ (Teacher-centered) ဆိုတဲ့ ဆရာကိုဗဟိုပြုတဲ့စနစ်တစ်ခုပါ။ စာသင်ခန်းထဲမှာ ဆရာက ဆရာပါပဲ။ ဆရာသင်တာပဲ နာယူကြတာပါ။ (Authoritarian) လို့တောင် နိုင်ငံခြားပညာရေး ဆောင်းပါးတွေမှာ ရေးကြပါတယ်။ (Authoritarian ဆိုတာ အားလုံးသိကြမှာပါ။ အဝေးမကြည့်ပါနဲ့။🤭) ကျောင်းသားဆိုတာ အသင်ခံရသူတွေ (Passive Recipient) မျှသာ ဖြစ်ပါတယ်။ နည်းပညာ (Technology) ဆိုတာ မတွေ့ရသလောက်ပါပဲ။

2️⃣ (Education 2.0) ခေတ်ကို ရောက်ပြီ။ အချင်းချင်း ချိတ်ဆက်တာ (Communication)နဲ့ ပူးပေါင်းလုပ်ဆောင်တာ (Collaboration)တွေ အစပြုလာပါပြီ။ တစ်ယောက်နဲ့တစ်ယောက် ချိတ်ဆက်တာဆိုလို့ စာမေးပွဲ (MCQ) ဖြေနေတုံး နှာခေါင်းကိုင်ရင် (A) နှာဖူးကိုင်ရင် (B) ဆိုတာမျိုး အချက်ပြတာမဟုတ်ဘူး။ ဒါပေမယ့် အလွတ်ကျက် (Memorization Knowledge) နဲ့ စာမေးပွဲဖြေနေရတုံးပါပဲ။ ကျောင်းသားနဲ့ ဆရာ အမေးအဖြေတော့ရှိလာပါပြီ။ ကျောင်းသားရဲ့ ရှုထောင့်အမြင်ကိုတော့ လက်တွေ့မှာ လက်မခံသေးပါဘူး။ စာသင်ခန်းတွေက ဘာသာရပ်သင်ချိန်နာရီတွေနဲ့ (Teaching Hours) အလုပ်လုပ်ကြပြီး ကျောင်းသားများက "ငါ တစ်နေ့စာ ဘယ်နနာရီ စာကျက်တယ်" ဆိုတာမျိုးတွေပေါ့။

3️⃣ (Education 3.0) ခေတ်မှာတော့ဖြင့် ကျောင်းသားဗဟိုပြု (Student-Centered) ကိုလုံးဝပြောင်းသွားပါပြီ။ ဆရာဆိုတာ ပူးပေါင်းပါဝင်သူ (Coordinator/Facilitator)၊ အကြံပေးသူ (Advisor )နဲ့ ကိုယ်တိုင်လည်း သင်ယူသူ (Learner) ဖြစ်လာရပါတယ်။ လက်တွေ့ညွှန်ပြပေးသူလည်း (Practice Guide) လည်း ဖြစ်လာပါတယ်။ (Guide) ဆိုတာ ကျောင်းသားစာကျက်တာ ထိုင်စောင့်တဲ့ ကျက်ပြန်ကို ပြောတာမဟုတ်ပါဘူး။ ကျောင်းသားဟာ မိမိဘာသာ စူးစမ်း လေ့လာ (Researching and Self-Learning) ပြုလာကြပါပြီ။ ဆွေးနွေးပြောဆိုတာတွေ (Dialogue) နဲ့ နည်းပညာ (Technology) က မပါမဖြစ် ဖြစ်လာပါပြီ။ ရှေးရိုးစွဲ စာသင်ခန်းပုံစံ မရှိတော့ပါဘူး။ သင်ခန်းစာ အချိန်စာရင်း (Lesson Plans) က သင်ယူမှု (Learning Plans) ပြောင်းသွားပါပြီ။

4️⃣ (Education 4.0) ခေတ်ကို အခုရောက်နေပါပြီ (နိုင်ငံခြားမှာပြောတာ) ။ ပူးပေါင်းတီထွင်မှု (Co-creation)၊ ဆန်းသစ်မှု (Innovation) တွေကို ဗဟိုပြုတာပါ။ သင်ယူခြင်း (Learning) ဆိုတာက အိမ်မှာ ဖြစ်စေ၊ ကျောင်းပြင်ပဖြစ်စေ နေရာမရွေးတော့ပါဘူး။ ကျောင်းတွေမှာတော့ ကျောင်းသားတွေကို လိုအပ်တဲ့ ကျွမ်းကျင်မှုကို ပုံသွင်းပေးရာနေရာ ဖြစ်လာပါတယ်။ အချိန်မရွေးဆိုသလို အပြန်အလှန်တုံ့ပြန်နိုင်တဲ့ လက်တွေ့လုပ်ဆောင်မှုတွေနဲ့ (Interactive Practical Exercise – face-to-face) သင်ယူလာကြပါတယ်။ (Learning Plans) ထက် (Creativity Plans) ဖြစ်သွားပါပြီ။ နည်းပညာ(Technology is free and easily accessible) ဆိုတာ ငွေကြေးတစ်ပြားတစ်ချပ်မှ မကုန်ဘဲ အလွယ်တကူ အသုံးပြုနိုင်ပါတယ်။ (VPN ကျော်ခွ ဝင်ရတာမျိုးပေါ့ 🤫)။ အသိဉာဏ်ပညာနဲ့ ကျွမ်းကျင်မှုအတွက် စဉ်ဆက်မပြတ် လေ့ကျင့်နေရပြီး တိုးတက်အောင်ကြံဆောင်နေရပါမယ်။ (Need for continuous training and development of new knowledge and skills by all.)

✅ အဲဒီ့တော့ (Education 4.0) အဆင့်မရောက်နိုင်သေးရင်တောင် (Education 3.0) ရောက်အောင် မိဘတွေ ပူးပေါင်းမလုပ်နိုင်ကြတော့ဘူးလား။ တတ်တဲ့သူတွေက ဆွဲပြီးတင်နေတာကို (Education 1.0) မှာ ကိုယ့်သား၊သမီးကို ဆွဲချချင်နေရင်တော့ဖြင့်-

စာလက်လွတ်၍၊ ဖြစ်တတ်ဘိသည်၊
သင်္သာရှည်ခဲ့၊ ဖန်လည်ရဟတ်၊
တပတ်ပတ်လျှင်၊ အတနတ္ထဒုက္ခ၊
အနိစ္စလည်း၊ နှလုံးပူစွ၊
ပေးလှူစွန့်ကြ၊ သည်ဘဝတွင်၊
နှမလက်လျှော့ နေလေတော့ဟု...

Nyein Thu Aye
🌏 www.myanmardataholic.com

Ⓜ️Statistics for Business Manager (7)
▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄▄

📝 Type of Survey Error (စစ်တမ်းအမှားများ)

ကုမ္ပဏီကြီးတစ်ခု၏ အမှုဆောင်အရာရှိများသည် ထုတ်လုပ်သည့်ပစ္စည်းများ၏ အရည်အသွေး ပို၍ကောင်းမွန်လာစေရန် ရည်ရွယ်ပြီး ဝယ်ယူသုံးစွဲသူများထံမှ စစ်တမ်းကောက်ယူမည့် (Customer Experience Improvement Program) တစ်ခုကို ဆောင်ရွက်ရန် ဆုံးဖြတ်ခဲ့ကြသည်။ ကုမ္ပဏီ၏ ဈေးကွက်ရှာဖွေရေးဝန်ထမ်းများသည် ဝယ်ယူသုံးစွဲသူများ၏ တုံ့ပြန်မှု (Feedback) ကို လူမှုကွန်ယက်မီဒီယာများ (Social Media Websites) ဖြင့် ကောက်ယူလိုကြသည်။ လွန်ခဲ့သောနှစ်ပေါင်း (၈၀) ကျော်က နာမည်ကြီးမဂ္ဂဇင်းတစ်ခု၏ လွဲမှားသည့်စစ်တမ်းကောက်ယူခြင်းမျိုး (Type of Survey Error) ကို ဝန်ထမ်းများသည် ထပ်မံ၍ စဉ်းစားမိကြပြန်ပြီ။

(၁၉၃၅) ခုနှစ်က နာမည်ကြီး မဂ္ဂဇင်းတစ်စောင် (Literary Digest) သည် စစ်တမ်း (Straw Polls) ဖြင့် အမေရိကန်နိုင်ငံ၏ သမ္မတ (၅) ဆက်မြောက်အထိ မှန်ကန်စွာ ခန့်မှန်းနိုင်ခဲ့သည်။ (၁၉၃၆) ရွေးကောက်ပွဲ နီးကပ်လာသည့်အခါ မဂ္ဂဇင်းသည် နိုင်ငံတစ်ဝှမ်းလုံးရှိ စာဖတ်သူပေါင်း (၁၀) သန်းထံ စစ်တမ်းများပေးပို့ခဲ့သည်။ ပြန်လည် လက်ခံရရှိခဲ့သည့် စစ်တမ်း (၂.၃) သန်း၏ ရလဒ်များကို သုံးသပ်ပြီး (Alf Landon) သည် (Franklin D. Roosevelt) ကို မဲအသာစီးရပြီး လွယ်လွယ်ကူကူ အနိုင်ရလိမ့်မည်ဟု အသေအချာ ခန့်မှန်းခဲ့သည်။

အမှန်တကယ် မဲရလဒ်ထွက်လာသည့်အခါ (Franklin D. Roosevelt) သည် သောင်ပြိုကမ်းပြို (Landslide) အနိုင်ရခဲ့ပြီး (Alf Landon) မှာ အမေရိကန်၏ ရွေးကောက်ပွဲသမိုင်းတွင် မဲ (Electoral Votes) အနည်းဆုံး ရခဲ့သူ ဖြစ်ခဲ့ရသည်။

(Literary Digest) မဂ္ဂဇင်းကြီး၏ ဂုဏ်သိက္ခာမှာလည်း ကျဆင်းခဲ့ရပြီး နှစ်နှစ်အကြာတွင် ထုတ်ဝေခြင်းကို ရပ်ဆိုင်းလိုက်ရတော့သည်။

ကောက်ယူခဲ့သည့် စစ်တမ်းများကို စုစည်းသုံးသပ်မှူပြုရာတွင် မှန်ကန်သည့်ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်ရန် အချက်နှစ်ချက်ဖြင့် အတည်ပြုရမည်။ စစ်တမ်းတစ်ခု (Survey) သည် သံသယကင်းမှု (Credibility) နှင့် ဓမ္မဒိဋ္ဌာန်ကျမှု (Objectivity) ရှိရပါမည်။ စစ်တမ်း၏ ရည်ရွယ်ချက် (Purpose) ၊ အကြောင်းပြချက် (Reason) နှင့် မည်သူ့ထံမှ (For Whom) ကောက်ယူမည်ကို သိရှိရမည်။ ထို့နောက်တွင် စစ်တမ်းကို ဖြစ်နိုင်ခြေနမူနာများ (Probability Sample) ပေါ်တွင် အခြေခံမှုရှိရပါမည်။ ထိုသို့မဟုတ်ပါက ရလဒ်များသည် ဘက်လိုက်မှု (Bias) ဖြစ်နေပြီး ဆုံဖြတ်မှု လွဲမှားနိုင်သည်။ အထက်ပါ အချက်နှစ်ခုကို လိုက်နာပြီး ကောက်ယူသည့်တိုင် အောက်ပါ စစ်တမ်းအမှားများ ရှိလာတတ်သည်ကို သတိပြုရမည်။

အစုအဖွဲ့အမှား (Coverage Error) - ဆိုသည်မှာ ကောက်ယူရမည့် သို့မဟုတ် ချန်လှပ်မှုပြုရမည့် အစုအဖွဲ့ (Groups) များကို မှားယွင်း ပြုလုပ်ခြင်းကြောင့်ဖြစ်သည်။ ဤအမှားမျိုးသည် ဘက်လိုက်ရွေးချယ်မှု (Selection Bias)ကို ဖြစ်နိုင်သည်။

ဖြေဆိုခြင်းမပြုသည့် အမှား (Non-response Error) - ဆိုသည်မှာ စစ်တမ်းကောက်ယူရာတွင် အချို့သည် ဖြေကြားခြင်း မပြုခြင်းကြောင့် ဖြစ်သည်။ ထို့ကြောင့်လည်း အချို့ စစ်တမ်းကောက်ယူသည့် အဖွဲ့များသည် (Incentives) ကဲ့သို့ အခကြေးငွေ သို့မဟုတ် လက်ဆောင်များ ပေးလေ့ရှိကြသည်။ စစ်တမ်းကောက်ရာတွင် လူချင်းတွေ့ (Face-to-Face Interview)၊ ဖုန်းဖြင့် (Phone Interview) ၊ စာရွက် သို့မဟုတ် ကွန်ပျူတာ အမေးပုံစံဖြင့် (Paper or Computer Questionnaire) မေးမြန်းခြင်းများ ရှိတတ်သည်။

နမူနာပုစံအမှား (Sampling Error) - ဆိုသည်မှာ စစ်တမ်းကောက်ယူရာတွင် မေးမြန်းရန် ရည်ရွယ်ထားသည့် အားလုံးထဲမှ နမူနာအနည်းစု (Sample) ကို ရွေးချယ်သည့်အခါ ဖြစ်တတ်သည်။ အားလုံးကို ကောက်ယူပါက ဤကဲ့သို့ အမှား မရှိနိုင်ပါ။

ကျင့်ဝတ်ဆိုင်ရာပြဿနာများ (Ethical Issues)

◼️ အစုအဖွဲ့အမှား (Coverage Error) ကဲ့သို့ ဖြစ်ရပ်မျိုးတွင် မျှော်မှန်းထားသည့် ရလဒ်အဖြေ ရရှိလာစေဖို့ အစုအဖွဲ့တစ်စု သို့မဟုတ် အကြောင်းအရာ တစ်ခုခုကို တမင်ချန်ထားခဲ့ခြင်းကြောင့် ဖြစ်လေ့ရှိသည်။

◼️ စစ်တမ်းကို တည်ဆောက်ရာတွင် ဖြေကြားမှုမရှိနိုင်မည့် မေးခွန်းမျိုးကို သိနေပါလျက် ထည့်သွင်းခြင်းကြောင့်လည်း ဖြေဆိုခြင်းမပြုသည့် အမှား (Non-response Error) ရှိလာရသည်။

◼️ နမူနာပုစံအမှား (Sampling Error) တွင် နမူနာအရွယ်အစား (Sample Size) နှင့် ခန့်မှန်းလွဲမှားမှု အတိုင်းအတာ (Margin of Error) ကို ဖော်ပြခြင်းမပြုသောကြောင့်ဖြစ်သည်။ ထို့ကြောင့် စစ်တမ်းတစ်ခု၏ ရလဒ်များကို ထုတ်ပြန်ရာတွင် “the results of this poll are expected to be within +/- 4 percentage points of the actual value.” စသည်ဖြင့် မှတ်ချက်ဖော်ပြကြသည်။

❓ A survey indicates that the vast majority of college students own their own personal computers. What information would you want to know before you accepted the results of this survey? (မေးခွန်းကို မိမိဘာသာ စဉ်းစားကြည့်ပါ။)

🌏 https://myanmardataholic.com/2021/06/01/statistics-for-business-manager-7/

Statistics for Business Manager (7) Type Of Survey Error ကုမ္ပဏီကြီးတစ်ခု၏ အမှုဆောင်အရာရှိများသည် ထုတ်လုပ်သည့်ပစ္စည်းများ၏ အရည်အသွေး ပို၍ကောင်းမွန်လာစေရ.....

Myanmar Dataholic ၏ Website Page မှာ ဝင်ရောက်လေ့လာနိုင်ပါတယ်။

🌏 www.myanmardataholic.com

ဒါမှမဟုတ်

Myanmar Dataholic ၏ အောက်က Telegram Channel ကို Subscribe လုပ်ထားနိုင်ပါတယ်။

📳 https://t.me/myanmardataholic

🧮 Accounting for Small Business Owners (12)
The Statement of Retained Earnings

ကုမ္ပဏီတစ်ခု၏ (Retained Earnings) ဆိုသည်မှာ အမြတ်ဝေစု (Dividends) များ ထုတ်ပေးပြီး၊ အခွန်ဆောင်ပြီးနောက် လုပ်ငန်းတွင် လက်ကျန်ရှိနေသည့် ဝင်ငွေ ဖြစ်သည်။ အဆိုပါ လက်ကျန်ငွေများကို ဖော်ပြထားသည့် ဘဏ္ဍာရေးရှင်းတမ်းတစ်ခုကို (Statement of Retained Earnings) ဟု ခေါ်သည်။

(Retained Earnings) သည် စီးပွားရေးလုပ်ငန်းတစ်ခု၏ အမြတ်ငွေ (Profits) ဖြစ်ပြီး အမြတ်ဝေစု (Dividends) များကို ထုတ်ပေးခြင်းမပြုသေးဘဲ အနာဂတ် ရင်းနှီးမြှုပ်နှံမှု စီမံကိန်းများတွင် အသုံးပြုရန် သီးသန့်ထားလေ့ရှိကြသည်။ စီးပွားရေးဆိုင်ရာ လေ့လာသုံးသပ်သူများအနေဖြင့် (Retained Earnings) ရှင်းတမ်းတစ်ခုကို ကြည့်ပြီး စီးပွားရေးလုပ်ငန်းတစ်ခုသည် ၎င်းတို့၏လုပ်ငန်းတိုးတက်ရန် အဆိုပါသီးသန့်ငွေများကို မည်ကဲ့သို့ အသုံးပြုမည်ကို လေ့လာကြသည်။

(Retained Earnings) အဖြစ်ထားရှိသည့် သီးသန့်ငွေများကို အောက်ပါလုပ်ငန်း၏ လုပ်ဆောင်မှုများတွင် အသုံးပြုလေ့ရှိကြသည်။

➡️ ကုန်ထုတ်လုပ်ငန်းများ၏ ကုန်ပစ္စည်းများကို ပိုမိုထုတ်လုပ်နိုင်ရန် လုပ်ငန်းချဲ့ထွင်ခြင်း (Expand) သို့မဟုတ် အရောင်းကိုယ်စားလှယ်များ တိုးချဲ့ခန့်ထားခြင်းများကဲ့သို့ လက်ရှိလုပ်ငန်းလည်ပတ်မှုများတွင် ရင်းနှီးမြှုပ်နှံကြသည်။

➡️ ကုန်ပစ္စည်းအသစ် (New Product) သို့မဟုတ် မူကွဲပစ္စည်းများ (New Variant) ထုတ်လုပ်ရာတွင် အသုံးပြုကြသည်။ ရေခဲသေတ္တာထုတ်လုပ်ရေး လုပ်ငန်းတစ်ခုသည် လေအေးပေးစက်များကိုပါ ထုတ်လုပ်ရန် အသုံးပြုခြင်းမျိုးဖြစ်သည်။

➡️ စီးပွားရေးလုပ်ငန်း၏ အလားအလာကောင်းများ ရှိလာရန် အခြားကုမ္ပဏီများနှင့် ပူးပေါင်းခြင်း (Merger) ၊ လုပ်ငန်းလွှဲပြောင်းဝယ်ယူခြင်း (Acquisition) နှင့် အခြားလုပ်ငန်းများနှင့် မိတ်ဖက်ပြုခြင်း (Partnership) မျိုးတွင် ထည့်ဝင်သုံးစွဲကြသည်။

➡️ မိမိကုမ္ပဏီမှ ရောင်းချထားသည့် အစုရှယ်ရာများကို ပြန်လည်ဝယ်ယူခြင်း (Share Buyback) နှင့် လုပ်ငန်းမှ ပေးဆပ်ရန်ရှိသည့် ချေးငွေများ (Outstanding Loan) ပြန်လည်ပေးဆပ်ခြင်းများတွင် သုံးကြသည်။

(Fig 12.1) တွင် (Statement of Retained Earnings) တွင် နှစ်တစ်ခု၏ အစရှိ လက်ကျန် (Beginning Balance) တန်ဖိုးတွင် အမြတ်ငွေ (Profits) ထည့်ပေါင်းပြီး အမြတ်ဝေစု (Dividends) များပေးရှိပါက နှုတ်၍ လက်ကျန် (Ending Balance) ကို ပြထားသည်။

(Statement of Retained Earnings) ကို ထုတ်ပြန်ခြင်းဖြင့် ဈေးကွက် နှင့် ရင်းနှီးမြှုပ်နှံသူများ (Investors) သည် မိမိ၏ ကုမ္ပဏီလုပ်ငန်းအပေါ်တွင် ယုံကြည်မှုပို၍ ခိုင်မာလာစေသည်။ နည်းပညာကုမ္ပဏီတစ်ခု နှင့် သာမာန်အင်္ကျီထုတ်လုပ်ရေးလုပ်ငန်းတစ်ခုကို နှိုင်းယှဉ်ကြည့်ပါက နည်းပညာကုမ္ပဏီတွင် (Retained Earnings) ရင်းနှီးမှု ပမာဏသည် အများအားဖြင့် အင်္ကျီထုတ်လုပ်ရေးလုပ်ငန်းထက် များပြားသည်ကို တွေ့ရမည်။ ထုတ်ကုန်အသစ်တစ်ခု (New Product Development) ထုတ်ရာတွင် နည်းပညာကုမ္ပဏီသည် ရင်းနှီးမှုတန်ဖိုးမြင့် (Higher Asset) ခြင်းကြောင့်ဖြစ်သည်။ အင်္ကျီထုတ်လုပ်ရေးလုပ်ငန်း အနေဖြင့် အချိန်ကာလအတန်ကြာ ပြောင်းလည်းမှု မရှိနိုင်သော်လည်း နည်းပညာကုမ္ပဏီသည် အမြဲတိုးတက်နေသည့် နည်းပညာဈေးကွက်တွင် အသာစီးယှဉ်ပြိုင်မှုရှိနေစေရန် ပြောင်းလည်းနေရတတ်သည့် အတွက်ကြောင့် ဖြစ်သည်။

🌏 https://myanmardataholic.com/2021/05/30/accounting-for-small-business-owners12/

Accounting for Small Business Owners(12) The Statement of Retained Earnings ကုမ္ပဏီတစ်ခု၏ (Retained Earnings) ဆိုသည်မှာ အမြတ်ဝေစု (Dividends) များ ထုတ်ပေးပြီး၊ အခွန်ဆောင်ပြီးနောက် လုပ်ငန်းတ.....

👩‍💻 Human Resources Management (HRM) Statistics (13)
(Multiple Correlation and Multiple Regression)

ယခင် သင်ခန်းစာများတွင် (Regression Equation: Y = a + bX) အရ (Variable X) တန်ဖိုးတစ်ခုတည်းကို ကြည့်၍ (Variable Y) ၏ ပြောင်းလဲမှုကို ခန့်မှန်းခဲ့ကြသည်။ (Variable X) ကို ခန့်မှန်းတန်ဖိုး (Predictor Variable) ဟုခေါ်ပြီး (Variable Y) ကို (Dependent Variable or Criterion) ဟုလည်းခေါ်သည်။

ဆက်စပ်မှုပြတန်ဖိုး (Correlation) သို့မဟုတ် (r) သည် (-1) မှ (+1) အတွင်းသာ ရှိကြောင်း သိရှိခဲ့ပြီးဖြစ်သည်။ ယခုဆက်လက် လေ့လာကြရမည့် မြန်မာလိုဆိုရလျှင် အချက်များစွာပေါ်မူတည်သည့် နောက်ကြောင်းပြန် ပိုင်းခြားလေ့လာခြင်း (Multiple Regression Analysis) တွင် ခန့်မှန်းတန်ဖိုးသည် (Predictor Variable) တစ်ခုတည်းမဟုတ်ဘဲ ခန့်မှန်းတန်ဖိုးများစွာ (Several Predictors in Combinations) (X1, X2 , X3) စသည်ဖြင့် အသုံးပြု၍ ဆက်စပ်မှုပြတန်ဖိုး (Multiple Correlation) သို့မဟုတ် (Rxy) မှာလည်း (0) မှ (+1) အတွင်းရှိသည်။ အနှုတ်တန်ဖိုး (Negative Value) မရှိနိုင်ပါ။

(Multiple Regression Equation) ကို သင်္ချာနည်းဖြင့် ဖော်ပြရလျှင် -
Y = a + b1X1 + b2X2 + b3X3 + etc.

လက်တွေ့ဖြစ်ရပ် (Case Study) တစ်ခုဖြင့် လေ့လာကြပါစို့။

အမေရိကန်နိုင်ငံရှိ တက္ကသိုလ်များတွင် ဘွဲ့လွန်တက်ရောက် သင်ယူလိုသူများအနေဖြင့် (GRE) ဟုခေါ်သည့် ဘွဲ့လွန်အရည်အချင်းစစ်ဝင်ခွင့် စာမေးပွဲကို (Graduate Record Examination) ဖြေဆိုရလေ့ရှိသည်။ (GRE) ဝင်ခွင့်စာမေးပွဲသည် ဖြေဆိုသူများ၏ ယေဘူယျ (Academic Preparedness) ကို တိုင်းတာခြင်းဖြစ်သည်။ ဖြေဆိုရန် အပိုင်း (၃) ခုပါဝင်ပြီး (Verbal Reasoning)၊ (Quantitative Reasoning) နှင့် (Analytical Writing) ကျွမ်းကျင်မှုများကို စစ်ဆေးလေ့ရှိသည်။

သင်သည် တက္ကသိုလ်တစ်ခု၏ ကျောင်းသားရေးရာဌာနမှ ဝန်ထမ်းတစ်ဦးဖြစ်ပြီး သင်၏ အထက်အုပ်ချုပ်ရေးရာမှ ပထမနှစ်ပြီးဆုံးပြီးဖြစ်ကြသည့် ဘွဲ့လွန်ကျောင်းသားများ၏ (First Year Grade Point Average, GPA) အမှတ်များနှင့် သူတို့၏ ဝင်ခွင့်အမှတ်များ (GRE) သည် ဆက်စပ်မှုရှိနေသည်ကို လေ့လာဆန်းစစ်ခိုင်းခဲ့သည်။ သင်၏ (Statistical Analysis) နှင့် (Microsoft Excel) အတွေ့အကြုံအရ ယခုကဲ့သို့ တွက်ချက်မှုများ ပြုခဲ့ပါသည်။

အောက်က (Link) တွင် ဆက်လက်၍ လေ့လာဖတ်ရှုနိုင်ပါသည်။

🌏 https://myanmardataholic.com/2021/05/11/human-resources-management-hrm-statistics-using-ms-excel-13/

Human Resources Management (HRM) Statistics Using MS Excel (13) လုပ်ငန်းခွင် လက်တွေ့အသုံးချ လူ့စွမ်းအားအရင်းအမြစ် စီမံခန့်ခွဲမှု စာရင်းအင်းအကြောင်း (သင်ခန်းစာ -၁၃ ) Multiple Correlatio...

📊 Power BI Data Analysis Expression - DAX (1)

(Microsoft Power BI Desktop) ကို အခြေခံအဆင့် လေ့လာပြီးသူများအတွက် (Power BI Desktop) ကို အသုံးပြု၍ (Data Modeling) နှင့် (DAX Formula)‌ များထည့်သွင်း၍ (Dashboard Report) များပြင်ဆင်ခြင်းကို ဆက်လက်လေ့လာကြမည်။

🔣 (Data Analysis Expression - DAX Formula) ရေးနည်းကို အခြေခံမှစ၍ လေ့ကျင့်ကြမည်။ (Measures)ဆို သည်မှာ (Microsoft Excel Formula) များကဲ့သို့ လုပ်ဆောင်ချက် တူသော်လည်း အဓိကခြားနားချက်မှာ (Data Model) တစ်ခုလုံးတွင် မည်သည့်နေရာတွင်အဆို အသုံးပြုနိုင်သည်။

(Data Modeling) အဓိပ္ပာယ်ကို ပြန်စဉ်းစားကြည့်လျှင် (Data Sources) အမျိုးမျိုးတွင် သိမ်းဆည်းထားသည့် အချက်အလက်ဒေတာများကို (Power BI) ကဲ့သို့ (Data Model) တွင် ထည့်သွင်းခြင်း (Loading)၊ စုစည်းတည်ဆောက်ခြင်း (Structuring)၊ ဒေတာများ တစ်ခုနှင့် တစ်ခု ဆက်စပ်အဖြေရှာကြည့်ခြင်း (Relating Data logically to other Data) နှင့် ပို၍အဓိပ္ပာယ်ရှိအောင်ပြင်ဆင်ခြင်း (Enhancing) စသည်ဖြင့် ဖြစ်သည်။

ယခု သင်ခန်းစာတွင် အောက်ပါအကြောင်းအရာများကို သင်ခန်းစာ (Video) ဖြင့် လက်တွေ့လေ့လာကြမည်။

Data Loading using Microsoft Access DB
Joining Data Tables
Importing New Table
Making Changes to Loaded Tables
Inserting Matrix Visualization Report and Writing DAX Measures

🌏 https://myanmardataholic.com/2021/05/06/power-bi-dax-data-analysis-expression1/

POWER BI DAX-Data Analysis Expression(1) (Microsoft Power BI) ကို အခြေခံအဆင့် လေ့လာပြီးသူများအတွက် (Power BI Desktop) ကို အသုံးပြု၍ (Data Modeling) နှင့် (DAX Formula)‌ များထည့်သွင်း၍ (Dashboard Report) မျ...

🔬Health Informatics & Bioinformatics

ဆေးပညာဆိုင်ရာ သတင်းအချက်အလက်များ လေ့လာဆန်းစစ်မှုပြုရာတွင် (Health Informatics) နှင့် (Bioinformatics) နယ်ပယ်နှစ်ခုကို ရောထွေးပြီး နားလည်မှု လွဲတတ်ကြသည်။ တူညီသည့် သဘောတရားအချို့နှင့် ကွဲပြားမှုများကို ဗဟုသုတအနေနဲ့ ပြောပြလိုပါသည်။

(Health Informatics) သည် ကျန်းမာရေးနှင့် ဆေးကုသရေးဆိုင်ရာ အချက်အလက်များ (Health and Clinical Data) ကို လေ့လာဆန်းစစ်ပြီး လူနာ၏ကျန်းမာရေးဆိုင်ရာ စောင့်ရှောက်မှုကို အထောက်အကူ ပြုစေခြင်းဖြစ်သည်။ လက်တွေ့လေ့လာမှုများထဲမှ တစ်ခုအနေဖြင့် လူနာ၏ ဆေးကုသမှုအချက်အလက်များ (Patient Data) ကို အီလက်ထရောနစ် မှတ်တမ်းမှတ်ရာများအဖြစ် (Electronic Health Records) လုံခြုံစွာ ကူးပြောင်းခြင်းဖြစ်သည်။ ဥပမာအနေဖြင့် ဆေးရုံသို့ ပြန်လည်ဆေးကုသမှုခံယူရန် လိုအပ်လာသည့် လူနာတစ်ဦး၏ မှတ်တမ်းရာဇဝင်ကို ပြန်လည်လေ့လာနိုင်ရန် (Clinical Dashboard) ဖြင့် စောင့်ကြည့်နေခြင်းမျိုး ဖြစ်သည်။ (Health Informatics) ကို အကျွမ်းတဝင်ဖြစ်နေရန် (Information Technology Skills) သာမက ကျန်းမာရေးစောင့်ရှောက်မှုဆိုင်ရာ ဗဟုသုတ (Healthcare) လည်း ရှိရန်လိုအပ်သည်။

(Bioinformatics) ဆိုသည်မှာ ဇီဝဒေတာ (Biological Data) ကို အသုံးပြုပြီး ပုံစံ (Model) တည်ဆောက်ကာ မျိုးရိုးဗီဇ (Genomics)၊ ပရိုတိန်း (Proteomics) နှင့် ဆေးဝါးဗေဒ (Pharmacology) စသည့် နယ်ပယ်ဆိုင်ရာ ပြဿနာများကို ဖြေရှင်းခြင်းဖြစ်သည်။ (Bioinformatics) ၏ စွမ်းပကားကြောင့် မြောက်မြားလှစွာသော ဇီဝဆိုင်ရာ စမ်းသပ်မှုအချက်အလက်များကို အသုံးချနိုင်ပြီး (mRNA Vaccines) ကာကွယ်ဆေးများကို ထုတ်လာနိုင်ခြင်းဖြစ်သည်။ အခြားထင်ရှားသည့် ဥပမာမှာ (Human Genome Project) ကဲ့သို့ လူသားဒီအင်အေ (Human DNA) တည်ဆောက်ခြင်းမျိုး ဖြစ်သည်။

ဆေးပညာဆိုင်ရာ အချက်အလက်လေ့လာသူများ အနေဖြင့် လိုအပ်မည့် ပညာရပ်ဆိုင်ရာ ကျွမ်းကျင်မှုများ နှင့် လုပ်ငန်းနယ်ပယ်များကို အကျဉ်းချုပ် အောက်တွင် ဖော်ပြထားပါသည်။

💉 Health Informatics
Required Skills - SQL, R, Tableau, Qlik, Power BI, HL7 Standards, Biostatistics
Roles - System Analyst, Clinical Decision Support Analyst, Methodologist, Epidemiologist, Clinical Informatics Analyst, Health Data Analyst
Place of works - Hospitals, EHR/EMR Vendors, Government organizations, Healthcare startups

🧬 Bioinformatics
Required Skills - R, SAS, SPSS, MATLAB, Computational Biology, Epidemiology, Biostatistics
Roles - Research Assistant, Junior Bioinformatics Specialist, Computational Biologist
Place of Works - Academic research labs, Government organizations, Medical laboratories

🌏 https://myanmardataholic.com/2021/04/27/health-informatics-and-bioinformatics/

Health Informatics And Bioinformatics ဆေးပညာဆိုင်ရာ သတင်းအချက်အလက်များ လေ့လာဆန်းစစ်မှုပြုရာတွင် (Health Informatics) နှင့် (Bioinformatics) နယ်ပယ်နှစ်ခုကို ရောထွေးပြီ.....

📊 Data Visualizations - Charts (2)
Scatter Chart

(Scatter Plot) သို့မဟုတ် (Scatter Chart) သည် မတူညီသည့် ကိန်းဂဏန်းတန်ဖိုးများ (Two Different Numerical Variables) ကို အစက်များ (Dots) ဖြင့် ရေးဆွဲဖော်ပြထားသည့် ဂရပ်တစ်ခုဖြစ်သည်။ တန်ဖိုးများကို အလျားလိုက် (Vertical Axis) နှင့် ထောင်လိုက် (Horizontal) တွင် ဖော်ပြပြီး တစ်ခုနှင့်တစ်ခု ဆက်သွယ်မှု (Relationship between variables) ကို ရှာဖွေကြည့်နိုင်သည်။

မည်သည့် အခြေအနေမျိုးတွင် (Scatter Chart) ကို အသုံးပြုသင့်ပါသလဲ။

မိမိလေ့လာနေသည့် အကြောင်းအရာ တစ်ခုနှင့်တစ်ခု ဆက်စပ်နေမှု (Correlational Relationships) ကို သိလိုသည့်အခါ ရေးဆွဲကြသည်။ အပေါင်းသို့မဟုတ် အနှုတ်သဘော ရှိခြင်း (Positive or Negative)၊ အားကောင်းခြင်း သို့မဟုတ် အားနည်းခြင်း (Strong or Weak)၊ တစ်သားတည်းကျခြင်း နှင့် မကျခြင်း (Linear or Nonlinear) စသည့် ဆက်စပ်မှုများကို ဖော်ထုတ်နိုင်သည်။

Fig 2.1 တွင် အပူချိန် (Temperature) အနိမ့်၊အမြင့်ကို လိုက်ပြီး (Cold Drinks) အရောင်း အတက်၊အကျကို သက်ရောက်မှုရှိနေကြောင်းကို မြင်သာစေသည်။

📦 Box Plot

(Box Plot) သို့မဟုတ် (Box and Whisker Plot) သည် ကိန်းဂဏန်းတန်ဖိုးများကို အုပ်စုအလိုက် ဖြန့်ကျက်မှု (Distribution) ကို (Box) နှင့် (Lines) များဖြင့် ဖော်ပြခြင်းဖြစ်သည်။ ဖြန့်ကျက်မှုပုံစံ (Distribution Shape) ကို လေ့လာခြင်းထက် ဒေတာအုပ်စုများ၏ အနှစ်ချုပ် (Summary) ကို လေ့လာခြင်းဖြစ်သည်။

မည်သည့် အခြေအနေမျိုးတွင် (Box Plot) ကို အသုံးပြုသင့်ပါသလဲ။

အချက်အလက် ဒေတာများကို အုပ်စုဖွဲ့ပြီး နှိုင်းယှဉ်ကြည့်ရာတွင် အသုံးပြုကြသည်။ (Box Plot) တွင် မိမိလေ့လာနေသော ဒေတာများ၏ အလယ်ကိန်းတန်ဖိုး (Middle value of data) နှင့် ဒေတာ၏ (၂၅%) အပိုင်းများခွဲပြီး (Quartiles) များအဖြစ် ပြလေ့ရှိသည်။ (Fig 2.2 Box Plot) ကို ကြည့်၍ ဒေတာများ၏ အငယ်ဆုံးတန်ဖိုး (Minimum) ၊ (Lower Quartile)၊ အလယ်ကိန်းတန်ဖိုး (Median)၊ (Upper Quartile) နှင့် အကြီးဆုံးတန်ဖိုး (Maximum) များကို သိနိုင်သည်။

🌏 https://myanmardataholic.com/2021/04/26/data-visualizations-charts-2/

📊 Power BI-Business Intelligence Desktop (10)
Grouping Records

အချက်အလက် ဒေတာများကို ပြုပြင်ပြောင်းလည်းရာတွင် (Data Transformation) အမျိုးတူရာ အုပ်စုဖွဲ့ (Group) ပြီး အရေအတွက်စုစုပေါင်းရှာခြင်း (Counting Rows)၊ တန်ဖိုးများ ပေါင်းခြင်း (Sum) ၊ ပျမ်းမျှတန်ဖိုးရှာခြင်း (Average)၊ အလယ်ကိန်းရှာခြင်း(Median)၊ တန်ဖိုးအနည်းဆုံး (Min) သို့မဟုတ် အများဆုံးရှာခြင်း (Max) စသည်များကို လက်တွေ့လေ့ကျင့်ကြမည်။

⬇️ သင်ခန်းစာအတွက် လိုအပ်မည့် (Grouping Exercise.pbix) နှင့် (Group Data Sample.xlsx) ဖိုင်နှစ်ခုကို (Download) ပြုပါ။

Fig (10.1) အတိုင်း (Power BI Desktop) ကို အသုံးပြု၍ (Grouping Exercise.pbix) ကို ဖွင့်ပါ။
(1) Open Report -> Browse Report ပြီးလျှင် (Open Window) ပေါ်လာမည်။ (2) (Download) လုပ်ထားသည့် (Grouping Exercise.pbix) ကို ရွေး၍ (3) (Open) နှိပ်ပါ။

Fig 10.1 Power BI Desktop Open Report Page

Fig 10.2 Power BI Desktop Transform Data and DataSource Error
(Fig 10.2) တွင်ပြထားသည့်အတိုင်း (1) (Data View) ကို ရွေးပါ။ (2) (Table Tools Menu) မှ (Transform Data) ကို ဆက်လက်ရွေးချယ်ပါ။
(3) (Power Query Editor) ပေါ်လာပြီး (Data Source Error) ကို မြင်ရမည်။ (4) (Go To Error) ကို နှိပ်ပါ။ (5) နောက်ထပ် (Windows) တစ်ခုတွင် (Edit Settings) ကို နှိပ်ပါ။ (6) (Excel Window) မြင်ရလျှင် (Browse) ကို ရွေးပါ။ (7) (File Open Window) တွင် (Group Data Sample.xlsx) ကို ရွေး၍ (Open) ကို ရွေးပါ။ (8) OK ကို နှိပ်ပါ။

(Fig 10.3) အတိုင်း (Power Query Editor) တွင် (Base Data) ကို မြင်ရမည်။ (1) (Data Column) အောက်ရှိ (Table) ကို ရွေးပါ။ (2) (Navigation Step) မှ (Continue) ကို နှိပ်ပါ။
(3) (Home Menu) မှ (Group By) ကို ရွေးပါ။ (4) (Group By Window) တွင် (New Column Name) ကို (Count) ဟု ပေးထားပါ။ (Operation) တွင် (Count Rows) ကို ရွေးမည်။ အပြာရောင်ဘောင်ခတ်ထားသည့် အခြားသော (Operations) များကိုလည်း ပြောင်း၍လေ့ကျင့်ကြည့်ပါ။ (5) OK ကို နှိပ်လိုက်ပါက (6) တွင် မြင်ရသည့် ဇယားကို ရရှိမည်။

Fig 10.3 Power BI Desktop Grouping Records

🎥သင်ခန်းစာ (Video) ဖြင့် လေ့ကျင့်နိုင်ပါသည်။
https://youtu.be/iiRvvkYGO-Y

🌏 https://myanmardataholic.com/2021/04/19/power-bi-business-intelligence-desktop-10/

Power BI Chapter (10)

📡 Data Visualization with R (2)

(R Studio) ဟုခေါ်သည့် (Integrated Development Environment – IDE) ၏ (Interface) တွင် ပါဝင်သည့် (Pane) များမှ အခြား (Tab) များကို ဆက်လက်လေ့လာကြမည်။ (Fig 2.1) တွင် ပြထားသည့် (1) ရှိ (History Tab) အောက်တွင် မိမိ အသုံးပြုခဲ့သည့် (Commands) များကို မှတ်သားထားသည်။ အသုံးပြုရန်လိုအပ်သည့် အခါတိုင်းတွင် (Console Pane) သို့ဖြစ်စေ၊ (Source Pane) သို့ဖြစ်စေ (Commands) များကို ထပ်မံရေးစရာမလိုတော့ဘဲ အလွယ်တကူ ရွှေ့နိုင်သည်။

(Fig 2.1) မှ (2) တွင် (ODBC) သို့မဟုတ် (Spark Data Sources) များဖြင့် ချိတ်ဆက် အသုံးပြုနိုင်သည်။ (ODBC) (Open Database Connectivity) ဆိုသည်မှာ (DBMS – Database Management Systems) ကို ချိတ်ဆက်ရာတွင် အသုံးပြုသည့် (API – Application Programming Interface) တစ်ခုဖြစ်သည်။

(Fig 2.1) မှ (3) တွင် မြင်ရသည့် (Terminal Pane) သည် (R Studio) ရှိ (System Shell) ကို ဆက်သွယ်အသုံးပြုခြင်း ဖြစ်သည်။ (R Studio System Administration) (Source Control Operations) (Ex*****on of Long-running jobs) (Remote Logins) စသည်များတွင် အသုံးပြုကြသည်။

လက်တွေ့သင်ခန်းစာအနေဖြင့် (Vectors and Factors) အကြောင်းကို လေ့လာကြမည်။ သင်ခန်းစာဖိုင် (R_Codes_2) ကို (Download) လုပ်နိုင်ပါသည်။

(Vectors) ဆိုသည်မှာ အမျိုးအစားတူ (Same Type) ဒေတာများ အစီအစဉ်တကျ အစုအဝေး တစ်ခုဖြစ်သည်။ (Vectors) များကို တည်ဆောက်ရာတွင် (c() Function) ကို အသုံးပြုရမည်။ (Console Pane) တွင် အောက်ပါ (Command) ကို ရေးပြီး (Enter) နှိပ်ပါ။ (Characters) များပါဝင်သည့် (layers) ဟု အမည်ပေးထားသည့် (Vector) တစ်ခုတည်ဆောက်ရန် ဖြစ်သည်။

> layers length(layers)

(layers vector) ရှိ (items) (၅) ခုမှ တစ်ခုချင်းစီကို (Index Number) အလိုက် ထုတ်နှုတ်၍လည်း ပြနိုင်ပါသည်။ (Square Bracket []) အတွင်း (3) ကိုထည့်ကြည့်ပါက ‘Railroads’ ကို ရလိမ့်မည်။ အခြားသော (Index Numbers) များဖြင့်လည်း မိမိဘာသာ လေ့ကျင့်ကြည့်ပါ။

> layers[3]

(Index Numbers) (3) မှ (5) အထိ (items) များကို ထုတ်ပြကြည့်ပါ။

> layers[3:5]

အနှုတ် (Negative) ၏ အဓိပ္ပာယ်သည် ထို (Index) ရှိ (Item) ကို ဖယ်ထုတ်၍ ကျန်သည်များကို ဖော်ပြခြင်းဖြစ်သည်။

> layers[-4]

ကိန်းဂဏန်း (Numbers) များပါဝင်သည့် (layerIds) ဟု အမည်ပေးထားသည့် (Vector) တစ်ခုတည်ဆောက်ရန် ဖြစ်သည်။

> layerIds combinedVector = c(layers,layerIds)

ရရှိလာသည့် (combinedVector) ဟုခေါ်သည့် (Vector) ကို (R Language) မှ (Characters) များပါဝင်သည့် (Vector) တစ်ခုအဖြစ် အလိုအလျောက် ပြောင်းလည်းပေးသည်ကို သတိပြုပါ။

သင်ခန်းစာ (Video) အတိုင်း လေ့ကျင့်ကြည့်နိုင်ပါသည်။
🖥 https://youtu.be/WNh2w19voec

🌏 https://myanmardataholic.com/2021/04/17/data-visualization-with-r-2/