John Tukey นักคณิตศาสตร์ชาวอเมริกันผู้บุกเบิกได้คิดค้น Exploratory Data Analysis (EDA) ในปี 1970 กรอไปข้างหน้าอย่างรวดเร็วจนถึงวันนี้ และเทคนิค EDA ยังคงเป็นรากฐานที่สําคัญในกระบวนการค้นหาข้อมูล โดยยืนหยัดผ่านการทดสอบของเวลาในฐานะวิธีการที่ใช้กันอย่างแพร่หลาย นอกเหนือจากการสร้างแบบจําลองอย่างเป็นทางการหรือการทดสอบสมมติฐาน EDA ยังเปิดโอกาสมากมายในการทําความเข้าใจตัวแปรชุดข้อมูลและเว็บความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรเหล่านั้น นอกจากนี้ยังมีบทบาทสําคัญในการตรวจสอบความเหมาะสมของเทคนิคทางสถิติที่จัดสรรไว้สําหรับการวิเคราะห์ข้อมูล
ในโลกที่เต็มไปด้วยข้อมูล EDA ทําหน้าที่เป็นพันธมิตรที่มีศักยภาพในการเปิดเผยเรื่องราวโดยธรรมชาติและความแตกต่างภายในชุดข้อมูล ช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถแยกแยะรูปแบบที่ซ่อนอยู่ระบุค่าผิดปกติและแม้แต่สร้างแรงบันดาลใจในการกําหนดสมมติฐานใหม่ EDA ทําหน้าที่เป็นเข็มทิศส่งเสริมการเชื่อมต่อที่ใกล้ชิดกับข้อมูลแนะนํานักวิเคราะห์ไปสู่วิธีการวิเคราะห์ที่เหมาะสมที่สุด มันยอดเยี่ยมในการช่วยระบุค่าที่ขาดหายไปค้นหาความสัมพันธ์ระหว่างตัวแปรอื่น ๆ ค้นหาควอร์ไทล์ที่สามและคํานวณช่วงระหว่างควอไทล์ EDA มีบทบาทอันล้ําค่าในการถอดรหัสความซับซ้อนของชุดข้อมูลส่วนใหญ่และความสัมพันธ์ที่หลากหลายระหว่างจุดข้อมูล ความเกี่ยวข้องที่ยั่งยืนในภูมิทัศน์วิทยาศาสตร์ข้อมูลเน้นย้ําถึงบทบาทที่ขาดไม่ได้ในการกําหนดอนาคตของการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล
การวิเคราะห์ข้อมูลเชิงสํารวจคืออะไร?
การวิเคราะห์ข้อมูลเชิงสํารวจ (EDA) เป็นกระบวนการวิเคราะห์ข้อมูลที่สําคัญที่เกี่ยวข้องกับการตรวจสอบเบื้องต้นและการสํารวจชุดข้อมูล วัตถุประสงค์หลักคือเพื่อสรุปลักษณะสําคัญของข้อมูล ซึ่งมักจะผ่านการแสดงภาพและสถิติสรุป เพื่อรับข้อมูลเชิงลึกเกี่ยวกับโครงสร้าง รูปแบบ และปัญหาที่อาจเกิดขึ้น
การวิเคราะห์ข้อมูลเชิงสํารวจ (EDA) เป็นแนวทางพื้นฐานและใช้กันอย่างแพร่หลายในวิทยาศาสตร์ข้อมูล เกี่ยวข้องกับการตรวจสอบและวิเคราะห์ชุดข้อมูลอย่างละเอียดเพื่อสรุปลักษณะสําคัญด้วยวิธีการทางภาพและสถิติต่างๆ EDA มีจุดประสงค์หลายประการรวมถึงการค้นพบรูปแบบข้อมูลการระบุความผิดปกติการทดสอบสมมติฐานและการตรวจสอบสมมติฐาน สอดคล้องกับ การวิเคราะห์ข้อมูลและการวิเคราะห์ข้อมูล ซึ่งเป็นกระบวนการที่สัมพันธ์กันเพื่อดึงข้อมูลเชิงลึกอันมีค่าจากข้อมูลเพื่ออํานวยความสะดวกในการตัดสินใจอย่างชาญฉลาด
โดยพื้นฐานแล้ว EDA สามารถกําหนดสั้น ๆ ได้ว่าเป็นวิธีการที่ช่วยให้นักวิทยาศาสตร์สามารถกําหนดวิธีที่มีประสิทธิภาพสูงสุดในการจัดการชุดข้อมูลที่กําหนดเพื่อให้บรรลุเป้าหมายที่ต้องการและดึงข้อมูลที่มีความหมาย
ประเภทการวิเคราะห์ข้อมูลเชิงสํารวจ
กระบวนการดึงข้อมูลเชิงลึกอันมีค่าจากข้อมูลเพื่ออํานวยความสะดวกในการตัดสินใจอย่างมีข้อมูล
โดยทั่วไปแล้ว EDA จะเกี่ยวข้องกับการวิเคราะห์และเทคนิคประเภทต่างๆ การวิเคราะห์ข้อมูลเชิงสํารวจทั่วไปบางประเภทมีดังนี้
ตัวแปรเดียวที่ไม่ใช่กราฟิก
Univariate Non Graphical เป็นรูปแบบการวิเคราะห์ข้อมูลที่ง่ายที่สุด ที่นี่ประกอบด้วยตัวแปรเพียงตัวเดียว การเป็นตัวแปรเดียวจึงไม่เกี่ยวข้องกับสาเหตุหรือความสัมพันธ์ จุดประสงค์หลักของ การวิเคราะห์เฉพาะเรื่อง ตัวแปรเดียวคือการอธิบายข้อมูลและค้นหารูปแบบภายในข้อมูล
กราฟิกตัวแปรเดียว
วิธีการที่ไม่ใช่กราฟิกไม่สามารถให้ภาพที่สมบูรณ์ของข้อมูลได้ ดังนั้นจึงต้องใช้วิธีการกราฟิกที่นี่ ประเภททั่วไปของกราฟิกตัวแปรเดียวคือ:
- แปลงลําต้นและใบ: สิ่งเหล่านี้แสดงค่าข้อมูลทั้งหมดและรูปร่างของการแจกจ่าย
- ฮิสโตแกรม พล็อตแท่ง: ซึ่งแต่ละแท่งแสดงถึงความถี่ (นับ) หรือสัดส่วน (จํานวน/จํานวนรวม) ของกรณีสําหรับช่วงของค่า
- พล็อตกล่อง: แสดงกราฟิกสรุปตัวเลขห้าตัวของค่าต่ําสุด ควอร์ไทล์แรก ค่ามัธยฐาน ควอร์ไทล์ที่สาม และสูงสุด
หลายตัวแปร ไม่ใช่กราฟิก
ข้อมูลหลายตัวแปรเกิดขึ้นจากตัวแปรมากกว่าหนึ่งตัว โดยทั่วไป เทคนิค EDA ที่ไม่ใช่กราฟิกหลายตัวแปรจะแสดงความสัมพันธ์ระหว่างตัวแปรข้อมูลตั้งแต่สองตัวขึ้นไปผ่านตารางไขว้หรือสถิติ
กราฟิกหลายตัวแปร
ข้อมูลหลายตัวแปรใช้กราฟิกในขณะที่แสดงความสัมพันธ์ระหว่างชุดข้อมูลตั้งแต่สองชุดขึ้นไป กราฟิกที่ใช้มากที่สุดคือพล็อตแท่งหรือแผนภูมิแท่งที่จัดกลุ่มโดยแต่ละกลุ่มแสดงถึงระดับหนึ่งของตัวแปรตัวใดตัวหนึ่งและแต่ละแท่งภายในกลุ่มที่แสดงถึงระดับของตัวแปรอื่น
กราฟิกหลายตัวแปรทั่วไปประเภทอื่น ๆ ได้แก่ :
- พล็อตกระจาย: ใช้เพื่อพล็อตจุดข้อมูลบนแกนแนวนอนและแนวตั้งเพื่อแสดงว่าตัวแปรหนึ่งได้รับผลกระทบจากอีกตัวแปรหนึ่งมากน้อยเพียงใด
- แผนภูมิหลายตัวแปร: เป็นการแสดงกราฟิกของความสัมพันธ์ระหว่างปัจจัยและการตอบสนอง
- แผนภูมิการเรียกใช้: เป็นกราฟเส้นของข้อมูลที่พล็อตเมื่อเวลาผ่านไป
- แผนภูมิฟอง: เป็นการแสดงภาพข้อมูลที่แสดงวงกลมหลายวง (ฟองอากาศ) ในพล็อตสองมิติ
- แผนที่ความร้อน: เป็นการแสดงกราฟิกของข้อมูลที่ค่าจะแสดงด้วยสี
EDA เป็นกระบวนการวนซ้ํา และการเลือกเทคนิคและการแสดงภาพขึ้นอยู่กับลักษณะของข้อมูลและเป้าหมายเฉพาะของการวิเคราะห์ ช่วยให้นักวิเคราะห์ได้รับข้อมูลเชิงลึก ตัดสินใจ และเตรียมข้อมูลสําหรับการสร้างแบบจําลองหรือการวิเคราะห์เพิ่มเติม
ขั้นตอนของกระบวนการวิเคราะห์ข้อมูลเชิงสํารวจ
การวิเคราะห์ข้อมูลเชิงสํารวจ (EDA) มักเกี่ยวข้องกับขั้นตอนสําคัญหลายขั้นตอนเพื่อรับข้อมูลเชิงลึกเกี่ยวกับชุดข้อมูล แม้ว่าลําดับขั้นตอนเฉพาะอาจแตกต่างกันไป แต่ต่อไปนี้คือโครงร่างทั่วไปของกระบวนการ EDA:
- การเก็บรวบรวมข้อมูล: รวบรวมชุดข้อมูล
- การทําความสะอาดข้อมูล: จัดการค่าและค่าผิดปกติที่ขาดหายไป
- การสํารวจข้อมูลและการแสดงภาพ: วิเคราะห์และแสดงภาพข้อมูล
- วิศวกรรมคุณลักษณะ: ปรับปรุงชุดข้อมูลสําหรับการสร้างแบบจําลองและการวิเคราะห์
- การทดสอบสมมติฐาน: ตรวจสอบสมมติฐาน
- การสื่อสารและการจัดทําเอกสาร: แบ่งปันสิ่งที่ค้นพบและบันทึกกระบวนการ
ระบุรูปแบบและความสัมพันธ์ และทําการตัดสินใจอย่างชาญฉลาดเกี่ยวกับขั้นตอนต่อไปในกระบวนการวิเคราะห์ข้อมูล เช่น การเลือกคุณลักษณะ การสร้างแบบจําลอง หรือการประมวลผลข้อมูลเพิ่มเติม
การวิเคราะห์ข้อมูลเชิงสํารวจมีความสําคัญอย่างไรในวิทยาศาสตร์ข้อมูล
การวิเคราะห์ข้อมูลเชิงสํารวจ (EDA) เป็นขั้นตอนพื้นฐานและสําคัญในสาขาวิทยาศาสตร์ข้อมูลด้วยเหตุผลหลายประการ:
ความเข้าใจข้อมูล:
EDA ช่วยให้นักวิทยาศาสตร์ข้อมูลเข้าใจชุดข้อมูลที่พวกเขากําลังทํางานด้วย รวมถึงวิธีการรวบรวมข้อมูลและแหล่งข้อมูล ให้ข้อมูลเชิงลึกเกี่ยวกับโครงสร้าง คุณภาพ และคุณลักษณะของชุดข้อมูล นักวิทยาศาสตร์ข้อมูลตรวจสอบประเภทข้อมูล สถิติสรุป และการกระจายจุดข้อมูลเพื่อทําความเข้าใจคุณสมบัติพื้นฐาน
การทําความสะอาดข้อมูล:
EDA มักจะต้องเปิดเผยค่า ค่าผิดปกติ และความไม่สอดคล้องกันในข้อมูลที่ขาดหายไป การทําความสะอาดและประมวลผลข้อมูลล่วงหน้าเป็นสิ่งจําเป็นสําหรับการสร้างแบบจําลองที่แม่นยําและเชื่อถือได้ การจัดการเรื่องที่ขาดหายไปเป็นสิ่งสําคัญในขั้นตอนนี้ เนื่องจากอาจส่งผลกระทบอย่างมากต่อการวิเคราะห์และประสิทธิภาพของแบบจําลอง
การค้นพบรูปแบบ:
เทคนิค EDA เปิดเผยรูปแบบข้อมูล ความสัมพันธ์ และแนวโน้ม นักวิทยาศาสตร์ข้อมูลสามารถระบุรูปแบบและความสัมพันธ์ได้โดยทําการวิเคราะห์ตัวแปรเดียวและตรวจสอบความสัมพันธ์ระหว่างตัวแปรผ่านการวิเคราะห์สองตัวแปรหรือหลายตัวแปร อาจมีประโยชน์สําหรับการตัดสินใจอย่างรอบรู้และกําหนดสมมติฐานเพื่อตอบคําถามที่น่าตื่นเต้นเกี่ยวกับข้อมูล
การแสดงข้อมูลด้วยภาพ:
การแสดงภาพที่สร้างขึ้นระหว่าง EDA เช่น ฮิสโตแกรม พล็อตกระจาย และพล็อตกล่อง ทําให้ง่ายต่อการสื่อสารสิ่งที่ค้นพบและข้อมูลเชิงลึกกับผู้มีส่วนได้ส่วนเสียทางเทคนิคและไม่ใช่ด้านเทคนิค พวกเขาสามารถเป็นเครื่องมือที่มีประสิทธิภาพสําหรับการเล่าเรื่องช่วยถ่ายทอดเรื่องราวของข้อมูลได้อย่างมีประสิทธิภาพ
การเลือกรุ่น:
จากข้อมูลเชิงลึกที่ได้รับจาก EDA นักวิทยาศาสตร์สามารถตัดสินใจได้อย่างชาญฉลาดเกี่ยวกับการเลือกแบบจําลอง ตัวอย่างเช่น หาก EDA เปิดเผยความสัมพันธ์ที่ไม่ใช่เชิงเส้นหรือปฏิสัมพันธ์ระหว่างตัวแปร อาจนําไปสู่การเลือกแบบจําลองที่ไม่ใช่เชิงเส้น เช่น แผนผังการตัดสินใจหรือโครงข่ายประสาทเทียม
การควบคุมคุณภาพ:
EDA สามารถค้นพบปัญหาคุณภาพของข้อมูลได้ตั้งแต่เนิ่นๆ ในกระบวนการวิเคราะห์ การจัดการกับปัญหาเหล่านี้ เช่น ค่าผิดปกติของข้อมูลและความไม่สอดคล้องกัน เป็นสิ่งสําคัญก่อนที่จะสร้างแบบจําลอง การตรวจจับและจัดการปัญหาคุณภาพของข้อมูลในขั้นตอนนี้สามารถประหยัดเวลาและทรัพยากรได้
EDA ไม่เพียงแต่มีความสําคัญแต่จําเป็นในด้านวิทยาศาสตร์ข้อมูลเท่านั้น EDA ช่วยให้นักวิทยาศาสตร์ข้อมูลตัดสินใจอย่างชาญฉลาดเข้าใจข้อ จํากัด ของข้อมูลและดึงข้อมูลที่มีค่าจากข้อมูลในที่สุดนําไปสู่ผลลัพธ์ที่ถูกต้องและมีความหมายมากขึ้น การสรุปจุดข้อมูล และทําให้แน่ใจว่าชุดข้อมูลพร้อมสําหรับการวิเคราะห์เชิงลึก
เครื่องมือวิเคราะห์ข้อมูลเชิงสํารวจ
การวิเคราะห์ข้อมูลเชิงสํารวจ (EDA) เป็นกระบวนการที่จําเป็นในการวิเคราะห์ข้อมูล และมีเครื่องมือหลายอย่างที่จะช่วยนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ในความพยายามนี้ ในบรรดาเครื่องมือยอดนิยมสําหรับ EDA ได้แก่ R, Python และ SAS เครื่องมือแต่ละอย่างมีจุดแข็งและจุดอ่อน ทําให้จําเป็นต้องเลือกเครื่องมือที่เหมาะสมกับความต้องการเฉพาะของคุณ
R:
ชุมชนวิทยาศาสตร์ข้อมูลยอมรับอย่างกว้างขวางว่า R เป็นเครื่องมือที่ยอดเยี่ยมสําหรับการแสดงข้อมูลระหว่าง EDA R นําเสนอพล็อตและแผนภูมิที่กว้างขวาง ครอบคลุมฮิสโตแกรม พล็อตกล่อง และพล็อตกระจาย ซึ่งนักวิเคราะห์สามารถใช้เพื่อตรวจสอบข้อมูลจากมุมมองต่างๆ R มีชุดตัวเลือกการแสดงภาพที่หลากหลายและชุดฟังก์ชันทางสถิติที่กว้างขวาง ทําให้มีประโยชน์สําหรับการวิเคราะห์ขั้นสูงเพิ่มเติม R เป็นที่ชื่นชอบของนักสถิติและนักวิทยาศาสตร์ข้อมูลสําหรับความเก่งกาจและความสามารถทางสถิติที่ครอบคลุม
หลาม:
Python เป็นอีกหนึ่งเครื่องมือที่มีประสิทธิภาพสําหรับ EDA มันแบ่งปันคุณสมบัติมากมายกับ R ทําให้เป็นตัวเลือกที่น่าสนใจสําหรับการวิเคราะห์ข้อมูล ข้อได้เปรียบของ Python อยู่ที่ความเป็นมิตรต่อผู้ใช้และความเก่งกาจ ทําให้เป็นตัวเลือกที่ดีสําหรับผู้เริ่มต้นที่เพิ่งเริ่มต้นการวิเคราะห์ข้อมูล ระบบนิเวศ Python ประกอบด้วยไลบรารีต่างๆ เช่น Pandas, Matplotlib, Seaborn และ Plotly ซึ่งอํานวยความสะดวกในการจัดการข้อมูลและการแสดงภาพ ความสามารถในการอ่านและการสนับสนุนจากชุมชนที่กว้างขวางของ Python ช่วยเพิ่มความน่าสนใจสําหรับการสํารวจข้อมูล
เอสเอเอส:
SAS เป็นชุดซอฟต์แวร์ที่มีประสิทธิภาพสําหรับการวิเคราะห์ทางสถิติและการสํารวจข้อมูล มีชื่อเสียงในด้านความสามารถในการจัดการการคํานวณที่ซับซ้อนและดําเนินการวิเคราะห์ทางสถิติขั้นสูง แม้ว่า SAS จะเป็นเครื่องมือที่น่าเกรงขาม แต่สิ่งสําคัญคือต้องทราบว่ามีแนวโน้มที่จะมีราคาแพงกว่าทางเลือกโอเพ่นซอร์ส เช่น R และ Python อย่างไรก็ตาม การลงทุนอาจคุ้มค่าสําหรับองค์กรและมืออาชีพที่ต้องการคุณสมบัติทางสถิติที่แข็งแกร่งที่ SAS นําเสนอ
นอกจากเครื่องมือหลักทั้งสามนี้แล้ว ซอฟต์แวร์และแพลตฟอร์มอื่นๆ ยังมีประโยชน์สําหรับ EDA อีกด้วย ตัวอย่างเช่น เครื่องมือต่างๆ เช่น Tableau, Excel, Power BI และ KNIME นําเสนออินเทอร์เฟซที่ใช้งานง่ายสําหรับการสํารวจข้อมูลแบบโต้ตอบและการแสดงภาพ ทําให้เหมาะสําหรับผู้ชมที่กว้างขึ้น รวมถึงผู้มีส่วนได้ส่วนเสียที่ไม่ใช่ด้านเทคนิค
การเลือกเครื่องมือ EDA ขึ้นอยู่กับเป้าหมาย ความเชี่ยวชาญ และงบประมาณเฉพาะของคุณ แม้ว่า R, Python และ SAS จะเป็นหนึ่งในตัวเลือกอันดับต้น ๆ แต่การเลือกเครื่องมือที่เหมาะสมสําหรับโครงการของคุณเป็นสิ่งสําคัญสําหรับการวิเคราะห์ข้อมูลเชิงสํารวจในทางปฏิบัติ นักวิทยาศาสตร์ข้อมูลมักพบความท้าทายที่เกี่ยวข้องกับค่าที่ขาดหายไปชุดข้อมูลตัวแปรตามค่ามัธยฐานตัวแปรหมวดหมู่จุดข้อมูลและเทคนิคการวิเคราะห์ การจัดการด้านเหล่านี้อย่างเหมาะสมเป็นสิ่งสําคัญในการได้รับข้อมูลเชิงลึกที่มีความหมายจากข้อมูลดิบและเตรียมการรวบรวมข้อมูลใหม่สําหรับการวิเคราะห์เพิ่มเติม นอกจากนี้ การวัดต่างๆ เช่น ค่าเบี่ยงเบนมาตรฐานและเมตริกทางสถิติอื่นๆ ยังจําเป็นสําหรับการทําความเข้าใจการกระจายและความแปรปรวนของจุดข้อมูล
QuestionPro และการวิเคราะห์ข้อมูลเชิงสํารวจ
เมื่อคุณได้รับข้อมูลของคุณจากแหล่งต่างๆ QuestionPro ให้การสนับสนุนที่ดีเยี่ยมในการรวบรวมข้อมูลแบบสํารวจผ่านหลายช่องทาง อย่างไรก็ตาม คุณจะทําอย่างไรเมื่อคุณต้องการเจาะลึกลงไปในข้อมูลนอกเหนือจากที่รวบรวมไว้แล้ว เป็นที่มาของการวิเคราะห์ข้อมูลเชิงสํารวจ (EDA)
ชุดเครื่องมือวิเคราะห์แบบบูรณาการของ QuestionPro ช่วยลดความยุ่งยากในการเริ่มต้น EDA ช่วยให้คุณเข้าถึงสถิติสรุปของข้อมูลได้อย่างรวดเร็ว เช่น ค่ามัธยฐานและฟังก์ชันการแจกแจงสะสม คุณยังสามารถสร้างการแสดงภาพแบบโต้ตอบเพื่อค้นหารูปแบบและความสัมพันธ์ภายในชุดข้อมูล นอกจากนี้ การผสานรวมอย่างราบรื่นของ QuestionPro กับ R ยังช่วยให้คุณควบคุมความสามารถทางสถิติที่น่าเกรงขามของ R รวมถึงการวิเคราะห์การถดถอยเพื่อทําความเข้าใจตัวแปรตาม
สมมติว่าคุณพร้อมที่จะยกระดับการวิเคราะห์ข้อมูลของคุณไปอีกขั้นไม่ว่าจะเป็นการวิเคราะห์ข้อมูลการเรียนรู้ของเครื่องหรืองานการเรียนรู้เชิงลึก QuestionPro โดดเด่นในฐานะเครื่องมือที่สมบูรณ์แบบสําหรับงาน ทํางานกับชุดข้อมูลที่หลากหลาย และดึงข้อมูลเชิงลึกอันมีค่าจากจุดข้อมูล
บทสรุป
การวิเคราะห์ข้อมูลเชิงสํารวจ (EDA) ยังคงเป็นวิธีการที่เป็นที่ยอมรับ โดยทําหน้าที่เป็นเข็มทิศที่มีค่าสําหรับนักวิทยาศาสตร์ข้อมูลในการนําทางชุดข้อมูลที่ซับซ้อน ค่าสัมประสิทธิ์สหสัมพันธ์ และเทคนิคการวิเคราะห์อื่นๆ ทําให้ EDA เปิดเผยรูปแบบและความสัมพันธ์ที่ซับซ้อนซึ่งอาจยังคงซ่อนอยู่ มีบทบาทสําคัญในการตรวจจับและจัดการกับค่าที่ขาดหายไปทําความเข้าใจพฤติกรรมของตัวแปรตามและใช้เทคนิคการวิเคราะห์ต่างๆรวมถึงเทคนิคที่เกี่ยวข้องกับการวิเคราะห์ข้อมูลและการเรียนรู้ของเครื่อง
ดังนั้น EDA จึงเป็นรากฐานที่สําคัญของความพยายามในการวิเคราะห์ข้อมูลใดๆ บทความนี้ได้ให้คําแนะนําที่ชัดเจนเกี่ยวกับแนวทางปฏิบัติที่ขาดไม่ได้นี้ ในภูมิทัศน์ของวิทยาศาสตร์ข้อมูลที่เปลี่ยนแปลงตลอดเวลา EDA ยังคงมีความสําคัญ ทําให้สามารถแปลงข้อมูลดิบเป็นข้อมูลเชิงลึกที่นําไปปฏิบัติได้
ผู้เขียน: Md Assalatuzzaman และ Mizanul Islam
