source avatarShraddha Bharuka

āđāļŠāļĢāđŒ
Share IconShare IconShare IconShare IconShare IconShare IconCopy

📊 āļ—āļąāļāļĐāļ°āļ‚āđ‰āļ­āļĄāļđāļĨ = āļāļēāļĢāđ€āļ•āļīāļšāđ‚āļ•āđƒāļ™āļ­āļēāļŠāļĩāļž āļŦāļēāļāļ„āļļāļ“āļ•āđ‰āļ­āļ‡āļāļēāļĢāđ€āļ•āļīāļšāđ‚āļ•āđ€āļĢāđ‡āļ§āļ‚āļķāđ‰āļ™āđƒāļ™āļ§āļ‡āļāļēāļĢāđ€āļ—āļ„āđ‚āļ™āđ‚āļĨāļĒāļĩ āļ­āļĒāđˆāļēāļ•āļēāļĄāļŦāļēāđ€āļ„āļĢāļ·āđˆāļ­āļ‡āļĄāļ·āļ­āđāļšāļšāļŠāļļāđˆāļĄāļ­āļĩāļāļ•āđˆāļ­āđ„āļ›â€Ķ āđ‚āļŸāļāļąāļŠāļ—āļĩāđˆāļ—āļąāļāļĐāļ°āļ‚āđ‰āļ­āļĄāļđāļĨ 5 āļ”āđ‰āļēāļ™āļ—āļĩāđˆāļĄāļĩāļœāļĨāļāļĢāļ°āļ—āļšāļŠāļđāļ‡āđ€āļŦāļĨāđˆāļēāļ™āļĩāđ‰ 👇 --- 1. Excel (āļ—āļąāļāļĐāļ°āļžāļ·āđ‰āļ™āļāļēāļ™) â€Ē āļāļēāļĢāļ—āļģāļ„āļ§āļēāļĄāļŠāļ°āļ­āļēāļ”āđāļĨāļ°āđ€āļ•āļĢāļĩāļĒāļĄāļ‚āđ‰āļ­āļĄāļđāļĨ â€Ē āļāļēāļĢāđ€āļĢāļĩāļĒāļ‡āļĨāļģāļ”āļąāļš āļ•āļąāļ§āļāļĢāļ­āļ‡ āđāļĨāļ°āļˆāļąāļ”āļĢāļ°āđ€āļšāļĩāļĒāļšāļ‚āđ‰āļ­āļĄāļđāļĨ â€Ē Pivot Tables āđāļĨāļ°āļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļžāļ·āđ‰āļ™āļāļēāļ™ â€Ē āļāļēāļĢāļ„āļģāļ™āļ§āļ“āļ—āļēāļ‡āļāļēāļĢāđ€āļ‡āļīāļ™āđāļĨāļ°āļāļēāļĢāļĢāļēāļĒāļ‡āļēāļ™ āļĒāļąāļ‡āļ„āļ‡āđ€āļ›āđ‡āļ™āļŦāļ™āļķāđˆāļ‡āđƒāļ™āļ—āļąāļāļĐāļ°āļ—āļĩāđˆāļ–āļđāļāļĄāļ­āļ‡āļ‚āđ‰āļēāļĄāļĄāļēāļāļ—āļĩāđˆāļŠāļļāļ”āđƒāļ™āļ›āļĩ 2026 --- 2. SQL (āļˆāļģāđ€āļ›āđ‡āļ™āļ•āđ‰āļ­āļ‡āļĢāļđāđ‰) â€Ē āļāļēāļĢāļ”āļķāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ (SELECT, WHERE) â€Ē āļāļēāļĢāđ€āļŠāļ·āđˆāļ­āļĄāļ‚āđ‰āļ­āļĄāļđāļĨ (JOIN) â€Ē āļāļēāļĢāļĢāļ§āļĄāļāļĨāļļāđˆāļĄ (GROUP BY, COUNT, SUM) â€Ē āļžāļ·āđ‰āļ™āļāļēāļ™āļāļēāļĢāļ›āļĢāļąāļšāđāļ•āđˆāļ‡āļ„āļģāļŠāļąāđˆāļ‡āļŠāļ­āļšāļ–āļēāļĄ āļŦāļēāļāļ„āļļāļ“āđ„āļĄāđˆāļŠāļēāļĄāļēāļĢāļ–āļŠāļ­āļšāļ–āļēāļĄāļ‚āđ‰āļ­āļĄāļđāļĨāđ„āļ”āđ‰ āļ„āļļāļ“āļāđ‡āđ„āļĄāđˆāļŠāļēāļĄāļēāļĢāļ–āđƒāļŠāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨāđ„āļ”āđ‰ --- 3. Power BI (āļŠāļąāđ‰āļ™āļāļēāļĢāļ™āļģāđ€āļŠāļ™āļ­āļ‚āđ‰āļ­āļĄāļđāļĨ) â€Ē āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡āđāļšāļšāļˆāļģāļĨāļ­āļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāđāļĨāļ°āļ„āļ§āļēāļĄāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒ â€Ē DAX āļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāļ„āļģāļ™āļ§āļ“ â€Ē āļāļēāļĢāļ­āļ­āļāđāļšāļšāđāļ”āļŠāļšāļ­āļĢāđŒāļ”āđāļĨāļ°āļāļēāļĢāļ™āļģāđ€āļŠāļ™āļ­āļ‚āđ‰āļ­āļĄāļđāļĨ â€Ē āļāļēāļĢāļĢāļēāļĒāļ‡āļēāļ™āđāļšāļšāđ‚āļ•āđ‰āļ•āļ­āļš āđ€āļ›āļĨāļĩāđˆāļĒāļ™āļ‚āđ‰āļ­āļĄāļđāļĨāļ”āļīāļš â†’ āļ‚āđ‰āļ­āļĄāļđāļĨāđ€āļŠāļīāļ‡āļĨāļķāļ â†’ āļāļēāļĢāļ•āļąāļ”āļŠāļīāļ™āđƒāļˆ --- 4. Python (āļ­āļąāļ•āđ‚āļ™āļĄāļąāļ•āļī + āļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒ) â€Ē āļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨāļ”āđ‰āļ§āļĒ Pandas â€Ē āļāļēāļĢāļ™āļģāđ€āļŠāļ™āļ­āļ‚āđ‰āļ­āļĄāļđāļĨ (Matplotlib, Seaborn) â€Ē āļ­āļąāļ•āđ‚āļ™āļĄāļąāļ•āļīāđāļĨāļ°āļāļēāļĢāđ€āļ‚āļĩāļĒāļ™āļŠāļ„āļĢāļīāļ›āļ•āđŒ â€Ē āđāļ™āļ§āļ„āļīāļ”āļžāļ·āđ‰āļ™āļāļēāļ™āļ‚āļ­āļ‡ Machine Learning āļ™āļĩāđˆāļ„āļ·āļ­āļˆāļļāļ”āļ—āļĩāđˆāļ‚āđ‰āļ­āļĄāļđāļĨāļžāļšāļāļąāļšāļžāļĨāļąāļ‡āđāļ—āđ‰āļˆāļĢāļīāļ‡ --- 5. R (āļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āļąāđ‰āļ™āļŠāļđāļ‡) â€Ē āļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāđ€āļŠāļīāļ‡āļŠāļ–āļīāļ•āļīāđāļĨāļ°āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡āđāļšāļšāļˆāļģāļĨāļ­āļ‡ â€Ē āļāļēāļĢāļ™āļģāđ€āļŠāļ™āļ­āļ‚āđ‰āļ­āļĄāļđāļĨ (ggplot2) â€Ē āļāļēāļĢāļˆāļąāļ”āļāļēāļĢāļ‚āđ‰āļ­āļĄāļđāļĨ (dplyr, tidyr) â€Ē āļāļēāļĢāļ§āļīāļˆāļąāļĒāđāļĨāļ°āļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāđ€āļŠāļīāļ‡āļĨāļķāļ āđ€āļŦāļĄāļēāļ°āļ—āļĩāđˆāļŠāļļāļ”āļŠāļģāļŦāļĢāļąāļšāļšāļ—āļšāļēāļ—āļ—āļĩāđˆāđ€āļ™āđ‰āļ™āļāļēāļĢāļ§āļīāļˆāļąāļĒāđāļĨāļ°āļŠāļ–āļīāļ•āļī --- āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļ•āļēāļĄāļĨāļģāļ”āļąāļšāļ™āļĩāđ‰: Excel → SQL → Power BI → Python → R āļŠāļļāļ”āļ—āļąāļāļĐāļ°āļ™āļĩāđ‰āļŠāļēāļĄāļēāļĢāļ–āļžāļēāļ„āļļāļ“āļˆāļēāļ āļœāļđāđ‰āđ€āļĢāļīāđˆāļĄāļ•āđ‰āļ™ â†’ āļžāļĢāđ‰āļ­āļĄāļ—āļģāļ‡āļēāļ™ â†’ āļ•āļģāđāļŦāļ™āđˆāļ‡āļĢāļēāļĒāđ„āļ”āđ‰āļŠāļđāļ‡ ðŸš€ --- āļ•āļīāļ”āļ•āļēāļĄāļ‰āļąāļ™āļ—āļĩāđˆ @BharukaShraddha āđ€āļžāļ·āđˆāļ­āļ”āļđāđ€āļŠāđ‰āļ™āļ—āļēāļ‡āļ›āļāļīāļšāļąāļ•āļīāđ€āļžāļīāđˆāļĄāđ€āļ•āļīāļĄ

No.0 picture
āđāļŦāļĨāđˆāļ‡āļ—āļĩāđˆāļĄāļē:āđāļŠāļ”āļ‡āļ•āđ‰āļ™āļ‰āļšāļąāļš
āļ„āļģāļ›āļāļīāđ€āļŠāļ˜āļ„āļ§āļēāļĄāļĢāļąāļšāļœāļīāļ”āļŠāļ­āļš: āļ‚āđ‰āļ­āļĄāļđāļĨāđƒāļ™āļŦāļ™āđ‰āļēāļ™āļĩāđ‰āļ­āļēāļˆāđ„āļ”āđ‰āļĢāļąāļšāļˆāļēāļāļšāļļāļ„āļ„āļĨāļ—āļĩāđˆāļŠāļēāļĄ āđāļĨāļ°āđ„āļĄāđˆāļˆāļģāđ€āļ›āđ‡āļ™āļ•āđ‰āļ­āļ‡āļŠāļ°āļ—āđ‰āļ­āļ™āļ–āļķāļ‡āļĄāļļāļĄāļĄāļ­āļ‡āļŦāļĢāļ·āļ­āļ„āļ§āļēāļĄāļ„āļīāļ”āđ€āļŦāđ‡āļ™āļ‚āļ­āļ‡ KuCoin āđ€āļ™āļ·āđ‰āļ­āļŦāļēāļ™āļĩāđ‰āļˆāļąāļ”āļ—āļģāļ‚āļķāđ‰āļ™āđ€āļžāļ·āđˆāļ­āļ§āļąāļ•āļ–āļļāļ›āļĢāļ°āļŠāļ‡āļ„āđŒāđƒāļ™āļāļēāļĢāđƒāļŦāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļąāđˆāļ§āđ„āļ›āđ€āļ—āđˆāļēāļ™āļąāđ‰āļ™ āđ‚āļ”āļĒāđ„āļĄāđˆāļĄāļĩāļāļēāļĢāļĢāļąāļšāļĢāļ­āļ‡āļŦāļĢāļ·āļ­āļāļēāļĢāļĢāļąāļšāļ›āļĢāļ°āļāļąāļ™ āđāļĨāļ°āļˆāļ°āđ„āļĄāđˆāļ–āļđāļāļ•āļĩāļ„āļ§āļēāļĄāļ§āđˆāļēāđ€āļ›āđ‡āļ™āļ„āļģāđāļ™āļ°āļ™āļģāļ—āļēāļ‡āļāļēāļĢāđ€āļ‡āļīāļ™āļŦāļĢāļ·āļ­āļāļēāļĢāļĨāļ‡āļ—āļļāļ™ KuCoin āļˆāļ°āđ„āļĄāđˆāļĢāļąāļšāļœāļīāļ”āļŠāļ­āļšāļ•āđˆāļ­āļ„āļ§āļēāļĄāļœāļīāļ”āļžāļĨāļēāļ”āļŦāļĢāļ·āļ­āļāļēāļĢāļĨāļ°āđ€āļ§āđ‰āļ™āđƒāļ™āđ€āļ™āļ·āđ‰āļ­āļŦāļē āļŦāļĢāļ·āļ­āļœāļĨāļĨāļąāļžāļ˜āđŒāđƒāļ”āđ† āļ—āļĩāđˆāđ€āļāļīāļ”āļˆāļēāļāļāļēāļĢāđƒāļŠāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨāļ™āļĩāđ‰ āļāļēāļĢāļĨāļ‡āļ—āļļāļ™āđƒāļ™āļŠāļīāļ™āļ—āļĢāļąāļžāļĒāđŒāļ”āļīāļˆāļīāļ—āļąāļĨāļ­āļēāļˆāļĄāļĩāļ„āļ§āļēāļĄāđ€āļŠāļĩāđˆāļĒāļ‡ āđ‚āļ›āļĢāļ”āļ›āļĢāļ°āđ€āļĄāļīāļ™āļ„āļ§āļēāļĄāđ€āļŠāļĩāđˆāļĒāļ‡āļ‚āļ­āļ‡āļœāļĨāļīāļ•āļ āļąāļ“āļ‘āđŒāđāļĨāļ°āļ„āļ§āļēāļĄāđ€āļŠāļĩāđˆāļĒāļ‡āļ—āļĩāđˆāļ„āļļāļ“āļĒāļ­āļĄāļĢāļąāļšāđ„āļ”āđ‰āļ­āļĒāđˆāļēāļ‡āļĢāļ­āļšāļ„āļ­āļšāļ•āļēāļĄāļŠāļ–āļēāļ™āļāļēāļĢāļ“āđŒāļ—āļēāļ‡āļāļēāļĢāđ€āļ‡āļīāļ™āļ‚āļ­āļ‡āļ„āļļāļ“āđ€āļ­āļ‡ āđ‚āļ›āļĢāļ”āļ”āļđāļ‚āđ‰āļ­āļĄāļđāļĨāđ€āļžāļīāđˆāļĄāđ€āļ•āļīāļĄāđ„āļ”āđ‰āļ—āļĩāđˆāļ‚āđ‰āļ­āļāļģāļŦāļ™āļ”āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āđāļĨāļ°āđ€āļ­āļāļŠāļēāļĢāđ€āļ›āļīāļ”āđ€āļœāļĒāļ‚āđ‰āļ­āļĄāļđāļĨāļ„āļ§āļēāļĄāđ€āļŠāļĩāđˆāļĒāļ‡āļ‚āļ­āļ‡āđ€āļĢāļē