কৃত্রিম বুদ্ধিমত্তা (AI) এবং মেশিন লার্নিং (ML) এন্টারপ্রাইজ এবং সরকারী সংস্থাগুলিতে ব্যাপকভাবে গ্রহণ করা হয়েছে। প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) এবং ব্যবহারকারী-বান্ধব এআই/এমএল পরিষেবাগুলির অগ্রগতির সাথে অসংগঠিত ডেটা প্রক্রিয়াকরণ সহজ হয়ে উঠেছে অ্যামাজন টেক্সট্র্যাক, আমাজন ট্রান্সক্রাইব, এবং অ্যামাজন সমঝোতা. সংস্থাগুলি তাদের অসংগঠিত ডেটা দিয়ে শ্রেণীবিভাগের মডেল তৈরি করতে Amazon Comprehend-এর মতো AI/ML পরিষেবাগুলি ব্যবহার করতে শুরু করেছে যাতে তাদের আগে ছিল না এমন গভীর অন্তর্দৃষ্টি পেতে৷ যদিও আপনি ন্যূনতম প্রচেষ্টায় প্রাক-প্রশিক্ষিত মডেলগুলি ব্যবহার করতে পারেন, সঠিক ডেটা কিউরেশন এবং মডেল টিউনিং ছাড়া, আপনি AI/ML মডেলগুলির সম্পূর্ণ সুবিধা উপলব্ধি করতে পারবেন না।
এই পোস্টে, আমরা ব্যাখ্যা করি কিভাবে Amazon Comprehend ব্যবহার করে একটি কাস্টম শ্রেণীবিভাগ মডেল তৈরি এবং অপ্টিমাইজ করা যায়। আমরা একটি মাল্টি-লেবেল কাস্টম ক্লাসিফিকেশন মডেল তৈরি করতে একটি Amazon Comprehend কাস্টম শ্রেণীবিভাগ ব্যবহার করে এটি প্রদর্শন করি এবং প্রশিক্ষণ ডেটাসেট কীভাবে প্রস্তুত করতে হয় এবং নির্ভুলতা, নির্ভুলতা, প্রত্যাহার এবং F1 স্কোরের মতো পারফরম্যান্স মেট্রিক্স পূরণ করার জন্য মডেলটি টিউন করতে হয় তার নির্দেশিকা প্রদান করি। আমরা মডেল পারফরম্যান্স টিউন করতে এবং আপনার প্রশিক্ষণের ডেটা উন্নত করার জন্য আপনাকে গাইড করতে একটি কনফিউশন ম্যাট্রিক্সের মতো অ্যামাজন কম্প্রিহেন্ড মডেল প্রশিক্ষণ আউটপুট আর্টিফ্যাক্ট ব্যবহার করি।
সমাধান ওভারভিউ
এই সমাধানটি Amazon Comprehend ব্যবহার করে একটি অপ্টিমাইজড কাস্টম শ্রেণীবিভাগ মডেল তৈরি করার একটি পদ্ধতি উপস্থাপন করে। আমরা ডেটা প্রস্তুতি, মডেল তৈরি, মডেল পারফরম্যান্স মেট্রিক বিশ্লেষণ এবং আমাদের বিশ্লেষণের উপর ভিত্তি করে অনুমান অপ্টিমাইজ করা সহ বেশ কয়েকটি ধাপের মধ্য দিয়ে যাই। আমরা একটি ব্যবহার আমাজন সেজমেকার নোটবই এবং এডাব্লুএস ম্যানেজমেন্ট কনসোল এই ধাপগুলির কিছু সম্পূর্ণ করতে।
এছাড়াও আমরা ডেটা প্রস্তুতি, মডেল বিল্ডিং এবং মডেল টিউনিংয়ের সময় সেরা অনুশীলন এবং অপ্টিমাইজেশন কৌশলগুলির মধ্য দিয়ে যাই।
পূর্বশর্ত
আপনার যদি সেজমেকার নোটবুকের উদাহরণ না থাকে তবে আপনি একটি তৈরি করতে পারেন। নির্দেশাবলীর জন্য, পড়ুন একটি Amazon SageMaker নোটবুক উদাহরণ তৈরি করুন.
ডেটা প্রস্তুত করুন
এই বিশ্লেষণের জন্য, আমরা এর থেকে বিষাক্ত মন্তব্য শ্রেণীবিভাগ ডেটাসেট ব্যবহার করি Kaggle. এই ডেটাসেটে 6 ডেটা পয়েন্ট সহ 158,571টি লেবেল রয়েছে৷ যাইহোক, প্রতিটি লেবেলে ইতিবাচক উদাহরণ হিসাবে মোট ডেটার মাত্র 10% এর কম থাকে, দুটি লেবেলে 1%-এর কম থাকে।
আমরা বিদ্যমান Kaggle ডেটাসেটে রূপান্তর করি Amazon দুই-কলামের CSV ফর্ম্যাট বোঝা একটি পাইপ (|) ডেলিমিটার ব্যবহার করে লেবেলগুলিকে বিভক্ত করে। Amazon Comprehend প্রতিটি ডেটা পয়েন্টের জন্য অন্তত একটি লেবেল আশা করে। এই ডেটাসেটে, আমরা বেশ কিছু ডেটা পয়েন্টের সম্মুখীন হই যেগুলি প্রদত্ত লেবেলের মধ্যে পড়ে না। আমরা পরিষ্কার নামে একটি নতুন লেবেল তৈরি করি এবং এই লেবেলের সাথে ইতিবাচক হওয়ার জন্য বিষাক্ত নয় এমন যেকোনও ডেটা পয়েন্ট বরাদ্দ করি। অবশেষে, আমরা প্রতি লেবেলে 80/20 অনুপাতের বিভক্ত ব্যবহার করে প্রশিক্ষণ এবং পরীক্ষা ডেটাসেটে কিউরেটেড ডেটাসেটগুলিকে বিভক্ত করি।
আমরা ডেটা-প্রস্তুতি নোটবুক ব্যবহার করব। নিম্নলিখিত ধাপগুলি কাগল ডেটাসেট ব্যবহার করে এবং আমাদের মডেলের জন্য ডেটা প্রস্তুত করে।
- সেজমেকার কনসোলে, নির্বাচন করুন নোটবুক উদাহরণস্বরূপ নেভিগেশন ফলকে।
- আপনি কনফিগার করেছেন নোটবুক উদাহরণ নির্বাচন করুন এবং চয়ন করুন জুপিটার খুলুন.
- উপরে নতুন মেনু, নির্বাচন করুন প্রান্তিক.
- এই পোস্টের জন্য প্রয়োজনীয় আর্টিফ্যাক্টগুলি ডাউনলোড করতে টার্মিনালে নিম্নলিখিত কমান্ডগুলি চালান:
- টার্মিনাল উইন্ডো বন্ধ করুন।
আপনি তিনটি নোটবুক দেখতে হবে এবং train.csv ফাইল।
- নোটবুকটি বেছে নিন ডেটা-প্রস্তুতি.ipynb.
- নোটবুকের সমস্ত ধাপ চালান।
এই পদক্ষেপগুলি কিউরেটেড প্রশিক্ষণ এবং পরীক্ষার ডেটাসেট হিসাবে পরিবেশন করার জন্য কাঁচা কাগল ডেটাসেট প্রস্তুত করে। কিউরেটেড ডেটাসেটগুলি নোটবুকে সংরক্ষণ করা হবে এবং আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)।
বড় আকারের মাল্টি-লেবেল ডেটাসেটগুলির সাথে কাজ করার সময় নিম্নলিখিত ডেটা প্রস্তুতির নির্দেশিকাগুলি বিবেচনা করুন:
- ডেটাসেটের প্রতি লেবেলে ন্যূনতম 10টি নমুনা থাকতে হবে।
- Amazon Comprehend সর্বাধিক 100টি লেবেল গ্রহণ করে। এটি একটি নরম সীমা যা বাড়ানো যেতে পারে।
- ডেটাসেট ফাইলটি নিশ্চিত করুন সঠিকভাবে ফরম্যাট করা হয়েছে সঠিক সীমারেখা সহ। ভুল ডিলিমিটার ফাঁকা লেবেল প্রবর্তন করতে পারে।
- সমস্ত ডেটা পয়েন্টের লেবেল থাকতে হবে।
- প্রশিক্ষণ এবং পরীক্ষার ডেটাসেটগুলিতে লেবেল প্রতি সুষম ডেটা বিতরণ থাকতে হবে। র্যান্ডম ডিস্ট্রিবিউশন ব্যবহার করবেন না কারণ এটি প্রশিক্ষণ এবং পরীক্ষার ডেটাসেটে পক্ষপাতিত্ব প্রবর্তন করতে পারে।
একটি কাস্টম শ্রেণিবিন্যাস মডেল তৈরি করুন
আমরা আমাদের মডেল তৈরি করার জন্য ডেটা প্রস্তুতির ধাপে তৈরি করা প্রশিক্ষণ এবং পরীক্ষার ডেটাসেটগুলি ব্যবহার করি। নিম্নলিখিত পদক্ষেপগুলি একটি Amazon Comprehend মাল্টি-লেবেল কাস্টম শ্রেণিবিন্যাসের মডেল তৈরি করে:
- Amazon Comprehend কনসোলে, নির্বাচন করুন কাস্টম শ্রেণীবিভাগ নেভিগেশন ফলকে।
- বেছে নিন নতুন মডেল তৈরি করুন.
- জন্য ণশড, বিষাক্ত-শ্রেণীবিভাগ-মডেল লিখুন।
- জন্য সংস্করণের নাম, 1 লিখুন।
- জন্য টীকা এবং তথ্য বিন্যাসনির্বাচন মাল্টি-লেবেল মোড ব্যবহার করে.
- জন্য প্রশিক্ষণ ডেটাসেট, Amazon S3 এ কিউরেটেড ট্রেনিং ডেটাসেটের অবস্থান লিখুন।
- বেছে নিন গ্রাহক পরীক্ষার ডেটাসেট প্রদান করেছেন এবং Amazon S3 এ কিউরেটেড টেস্ট ডেটার অবস্থান লিখুন।
- জন্য আউটপুট ডেটা, Amazon S3 অবস্থান লিখুন।
- জন্য আইএএম ভূমিকা, নির্বাচন করুন একটি IAM ভূমিকা তৈরি করুন, নামের প্রত্যয়টিকে "comprehend-blog" হিসাবে উল্লেখ করুন।
- বেছে নিন সৃষ্টি কাস্টম শ্রেণিবিন্যাস মডেল প্রশিক্ষণ এবং মডেল তৈরি শুরু করতে।
নিম্নলিখিত স্ক্রিনশটটি Amazon Comprehend কনসোলে কাস্টম শ্রেণিবিন্যাস মডেলের বিবরণ দেখায়।
মডেল কর্মক্ষমতা জন্য টিউন
নিম্নলিখিত স্ক্রিনশট মডেল কর্মক্ষমতা মেট্রিক্স দেখায়. এতে স্পষ্টতা, প্রত্যাহার, F1 স্কোর, নির্ভুলতা এবং আরও অনেক কিছুর মতো মূল মেট্রিক্স অন্তর্ভুক্ত রয়েছে।
মডেলটি প্রশিক্ষিত এবং তৈরি হওয়ার পরে, এটি output.tar.gz ফাইল তৈরি করবে, যেটিতে ডেটাসেট থেকে লেবেলগুলির পাশাপাশি প্রতিটি লেবেলের জন্য বিভ্রান্তি ম্যাট্রিক্স রয়েছে৷ মডেলের ভবিষ্যদ্বাণী কর্মক্ষমতা আরও টিউন করতে, আপনাকে প্রতিটি শ্রেণীর জন্য ভবিষ্যদ্বাণী সম্ভাব্যতার সাথে আপনার মডেলটি বুঝতে হবে। এটি করার জন্য, আপনাকে প্রতিটি ডেটা পয়েন্টে অ্যাসাইন করা অ্যামাজন কম্প্রেহেন্ড স্কোর সনাক্ত করতে একটি বিশ্লেষণ কাজ তৈরি করতে হবে।
একটি বিশ্লেষণ কাজ তৈরি করতে নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- Amazon Comprehend কনসোলে, নির্বাচন করুন বিশ্লেষণ কাজ নেভিগেশন ফলকে।
- বেছে নিন চাকরি তৈরি করুন.
- জন্য নামপ্রবেশ করান
toxic_train_data_analysis_job
. - জন্য বিশ্লেষণের ধরণনির্বাচন কাস্টম শ্রেণীবিভাগ.
- জন্য শ্রেণীবিভাগ মডেল এবং flywheels, নির্দিষ্ট করুন
toxic-classification-model
. - জন্য সংস্করণ, উল্লেখ করুন 1.
- জন্য ইনপুট ডেটা S3 অবস্থান, কিউরেটেড ট্রেনিং ডেটা ফাইলের অবস্থান লিখুন।
- জন্য ছক পূরণ করানির্বাচন প্রতি লাইনে একটি নথি.
- জন্য আউটপুট ডেটা S3 অবস্থান, অবস্থান লিখুন।
- জন্য অ্যাক্সেস অনুমতি, নির্বাচন করুন একটি বিদ্যমান IAM ভূমিকা ব্যবহার করুন এবং পূর্বে তৈরি ভূমিকা চয়ন করুন।
- বেছে নিন চাকরি তৈরি করুন বিশ্লেষণ কাজ শুরু করতে.
- নির্বাচন করুন বিশ্লেষণ কাজ কাজের বিবরণ দেখতে। অনুগ্রহ করে কাজের বিবরণের অধীনে চাকরির আইডির একটি নোট নিন। আমরা আমাদের পরবর্তী ধাপে কাজের আইডি ব্যবহার করব।
কিউরেটেড টেস্ট ডেটার জন্য বিশ্লেষণ কাজ শুরু করার ধাপগুলি পুনরাবৃত্তি করুন। আমরা আমাদের মডেলের ভবিষ্যদ্বাণী সম্ভাব্যতা সম্পর্কে জানতে আমাদের বিশ্লেষণের কাজ থেকে ভবিষ্যদ্বাণী আউটপুট ব্যবহার করি। অনুগ্রহ করে প্রশিক্ষণ এবং পরীক্ষা বিশ্লেষণের চাকরির আইডি নোট করুন।
আমরা ব্যবহার করি মডেল-থ্রেশহোল্ড-বিশ্লেষণ.ipynb সমস্ত সম্ভাব্য থ্রেশহোল্ডে আউটপুট পরীক্ষা করার জন্য নোটবুক এবং স্কিট-লার্ন ব্যবহার করে পূর্বাভাস সম্ভাবনার উপর ভিত্তি করে আউটপুট স্কোর করতে precision_recall_curve
ফাংশন উপরন্তু, আমরা প্রতিটি থ্রেশহোল্ডে F1 স্কোর গণনা করতে পারি।
ইনপুট হিসাবে আমাদের Amazon Comprehend analysis job id এর প্রয়োজন হবে মডেল-থ্রেশহোল্ড-বিশ্লেষণ নোটবই. আপনি Amazon Comprehend কনসোল থেকে কাজের আইডি পেতে পারেন। সমস্ত পদক্ষেপগুলি সম্পাদন করুন মডেল-থ্রেশহোল্ড-বিশ্লেষণ সমস্ত শ্রেণীর জন্য থ্রেশহোল্ড পর্যবেক্ষণ করার জন্য নোটবুক।
থ্রেশহোল্ড উপরে যাওয়ার সাথে সাথে কীভাবে নির্ভুলতা বাড়তে থাকে তা লক্ষ্য করুন, যখন রিকলের সাথে বিপরীতটি ঘটে। উভয়ের মধ্যে ভারসাম্য খুঁজে পেতে, আমরা F1 স্কোর ব্যবহার করি যেখানে এটি তাদের বক্ররেখায় দৃশ্যমান শিখর রয়েছে। F1 স্কোরের শিখরগুলি একটি নির্দিষ্ট থ্রেশহোল্ডের সাথে মিলে যায় যা মডেলের কর্মক্ষমতা উন্নত করতে পারে। লক্ষ্য করুন কিভাবে বেশিরভাগ লেবেল থ্রেশহোল্ডের জন্য 0.5 চিহ্নের কাছাকাছি পড়ে থ্রেশহোল্ড ছাড়া, যার থ্রেশহোল্ড 0.04 এর কাছাকাছি।
তারপরে আমরা এই থ্রেশহোল্ডটি নির্দিষ্ট লেবেলের জন্য ব্যবহার করতে পারি যা শুধুমাত্র ডিফল্ট 0.5 থ্রেশহোল্ডের সাথে কম পারফর্ম করছে। অপ্টিমাইজ করা থ্রেশহোল্ড ব্যবহার করে, পরীক্ষার ডেটাতে মডেলের ফলাফল 0.00 থেকে 0.24 পর্যন্ত লেবেল হুমকির জন্য উন্নত হয়। সমস্ত লেবেলের জন্য সাধারণ বেঞ্চমার্কের পরিবর্তে সেই লেবেলের জন্য ইতিবাচক বনাম নেতিবাচক নির্ধারণ করতে আমরা থ্রেশহোল্ডে সর্বাধিক F1 স্কোর ব্যবহার করছি।
নিম্নবর্ণিত ক্লাস পরিচালনা করা
ভারসাম্যহীন ডেটাসেটের জন্য কার্যকর আরেকটি পদ্ধতি হল ওভারস্যাম্পলিং. নিম্নবর্ণিত শ্রেণীকে ওভারস্যাম্পিংয়ের মাধ্যমে, মডেলটি প্রায়শই নিম্নবর্ণিত শ্রেণীকে দেখে এবং সেই নমুনার গুরুত্বের উপর জোর দেয়। আমরা ব্যবহার করি Oversampling-underrepresented.ipynb ডেটাসেট অপ্টিমাইজ করার জন্য নোটবুক।
এই ডেটাসেটের জন্য, আমরা আরও নমুনা প্রদান করার সাথে সাথে মূল্যায়ন ডেটাসেটে মডেলের কর্মক্ষমতা কীভাবে পরিবর্তিত হয় তা পরীক্ষা করেছি। পারফরম্যান্স উন্নত করার জন্য আমরা নিম্নবর্ণিত ক্লাসের ঘটনা বাড়ানোর জন্য ওভারস্যাম্পলিং কৌশল ব্যবহার করি।
এই বিশেষ ক্ষেত্রে, আমরা 10, 25, 50, 100, 200 এবং 500টি ইতিবাচক উদাহরণ পরীক্ষা করেছি। লক্ষ্য করুন যে যদিও আমরা ডেটা পয়েন্টগুলি পুনরাবৃত্তি করছি, আমরা অন্তর্নিহিত শ্রেণির গুরুত্বের উপর জোর দিয়ে মডেলের কার্যকারিতা উন্নত করছি।
মূল্য
Amazon Comprehend-এর মাধ্যমে, আপনি প্রসেস করা টেক্সট অক্ষরের সংখ্যার উপর ভিত্তি করে অর্থ প্রদান করেন। নির্দেশ করে আমাজন কম্প্রিহেন্ড প্রাইসিং প্রকৃত খরচের জন্য।
পরিষ্কার কর
আপনি যখন এই সমাধানটির সাথে পরীক্ষা করা শেষ করেন, তখন এই উদাহরণে স্থাপন করা সমস্ত সংস্থান মুছে ফেলতে আপনার সংস্থানগুলি পরিষ্কার করুন৷ এটি আপনাকে আপনার অ্যাকাউন্টে ক্রমাগত খরচ এড়াতে সহায়তা করে৷
উপসংহার
এই পোস্টে, আমরা উপাত্ত প্রস্তুতির উপর সর্বোত্তম অনুশীলন এবং নির্দেশিকা প্রদান করেছি, ভবিষ্যদ্বাণী সম্ভাব্যতা এবং কৌশলগুলি ব্যবহার করে উপস্থাপিত ডেটা ক্লাসগুলি পরিচালনা করার জন্য মডেল টিউনিং। আপনি আপনার Amazon Comprehend কাস্টম শ্রেণীবিভাগ মডেলের কর্মক্ষমতা মেট্রিক্স উন্নত করতে এই সেরা অনুশীলন এবং কৌশলগুলি ব্যবহার করতে পারেন।
Amazon Comprehend সম্পর্কে আরও তথ্যের জন্য, দেখুন আমাজন বিকাশকারী সংস্থানগুলিকে বোঝা ভিডিও সংস্থান এবং ব্লগ পোস্ট খুঁজে পেতে, এবং পড়ুন AWS কম্প্রিহেন্ড FAQs.
লেখক সম্পর্কে
সত্য বালাকৃষ্ণন AWS-এর পেশাদার পরিষেবা দলের একজন সিনিয়র কাস্টমার ডেলিভারি আর্কিটেক্ট, ডেটা এবং ML সলিউশনে বিশেষজ্ঞ। তিনি মার্কিন ফেডারেল আর্থিক ক্লায়েন্টদের সাথে কাজ করেন। তিনি গ্রাহকদের ব্যবসায়িক সমস্যা সমাধানের জন্য বাস্তবসম্মত সমাধান তৈরির বিষয়ে উত্সাহী। তার অবসর সময়ে, তিনি তার পরিবারের সাথে সিনেমা দেখতে এবং হাইকিং উপভোগ করেন।
রাজকুমার মাল্লারি এডব্লিউএস-এর পেশাদার পরিষেবা দলের একজন এনএলপি ডেটা সায়েন্টিস্ট, পাবলিক সেক্টরের গ্রাহকদের জন্য এনএলপি-এর অ্যাপ্লিকেশনগুলিতে বিশেষীকরণ৷ গ্রাহকদের আরও বেশি উত্পাদনশীল হতে দেওয়ার জন্য একটি হাতিয়ার হিসাবে ML ব্যবহার করার বিষয়ে তিনি উত্সাহী। তার অবসর সময়ে, তিনি ভিডিও গেম খেলতে এবং তার বন্ধুদের সাথে একটি বিকাশ উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/improve-prediction-quality-in-custom-classification-models-with-amazon-comprehend/
- : আছে
- : হয়
- :কোথায়
- $ ইউপি
- 1
- 10
- 100
- 200
- 24
- 25
- 50
- 500
- 7
- 9
- a
- সম্পর্কে
- গ্রহণ
- হিসাব
- সঠিকতা
- দিয়ে
- আসল
- উপরন্তু
- গ্রহণ
- উন্নয়নের
- AI
- এআই / এমএল
- সব
- অনুমতি
- এছাড়াও
- যদিও
- মর্দানী স্ত্রীলোক
- অ্যামাজন সমঝোতা
- আমাজন সেজমেকার
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষণ
- এবং
- কোন
- অ্যাপ্লিকেশন
- এনএলপির অ্যাপ্লিকেশন
- অভিগমন
- রয়েছি
- কাছাকাছি
- AS
- সম্পদ
- নির্ধারিত
- At
- এড়াতে
- ডেস্কটপ AWS
- ভারসাম্য
- ভিত্তি
- BE
- কারণ
- পরিণত
- আগে
- উচ্চতার চিহ্ন
- সুবিধা
- সর্বোত্তম
- সেরা অভ্যাস
- মধ্যে
- পক্ষপাত
- ব্লগ
- ব্লগ এর লেখাগুলো
- নির্মাণ করা
- ভবন
- ব্যবসায়
- by
- নামক
- CAN
- পেতে পারি
- কেস
- পরিবর্তন
- অক্ষর
- বেছে নিন
- শ্রেণী
- ক্লাস
- শ্রেণীবিন্যাস
- ক্লায়েন্ট
- মন্তব্য
- সাধারণ
- সম্পূর্ণ
- বোঝা
- গনা
- কনফিগার
- বিশৃঙ্খলা
- কনসোল
- ধারণ
- অব্যাহত
- রূপান্তর
- খরচ
- সৃষ্টি
- নির্মিত
- সৃষ্টি
- প্লেলিস্টে যোগ করা
- কিউরেশন
- বাঁক
- প্রথা
- ক্রেতা
- গ্রাহকদের
- উপাত্ত
- ডেটা পয়েন্ট
- ডেটা প্রস্তুতি
- তথ্য বিজ্ঞানী
- ডেটাসেট
- ডিলিং
- গভীর
- ডিফল্ট
- বিলি
- প্রদর্শন
- মোতায়েন
- বিস্তারিত
- নির্ধারণ
- বিকাশকারী
- উন্নয়নশীল
- বিতরণ
- do
- দলিল
- Dont
- ডাউনলোড
- সময়
- প্রতি
- সহজ
- কার্যকর
- প্রচেষ্টা
- জোর দেয়
- জোর
- প্রবেশ করান
- উদ্যোগ
- মূল্যায়ন
- উদাহরণ
- উদাহরণ
- ছাড়া
- এক্সিকিউট
- বিদ্যমান
- আশা
- ব্যাখ্যা করা
- f1
- পতন
- পরিবার
- যুক্তরাষ্ট্রীয়
- ফাইল
- নথি পত্র
- পরিশেষে
- আর্থিক
- আবিষ্কার
- অনুসরণ
- জন্য
- বন্ধুদের
- থেকে
- সম্পূর্ণ
- ক্রিয়া
- অধিকতর
- গেম
- উত্পাদন করা
- পাওয়া
- Go
- Goes
- সরকার
- পথপ্রদর্শন
- কৌশল
- নির্দেশিকা
- হাতল
- আছে
- জমিদারি
- he
- সাহায্য
- তার
- কিভাবে
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- ID
- সনাক্ত করা
- আইডি
- গুরুত্ব
- উন্নত করা
- উন্নতি
- in
- অন্তর্ভুক্ত
- সুদ্ধ
- বৃদ্ধি
- বর্ধিত
- তথ্য
- মজ্জাগতভাবে
- ইনপুট
- অর্ন্তদৃষ্টি
- উদাহরণ
- পরিবর্তে
- নির্দেশাবলী
- বুদ্ধিমত্তা
- মধ্যে
- প্রবর্তন করা
- IT
- কাজ
- জবস
- মাত্র
- চাবি
- লেবেল
- লেবেলগুলি
- ভাষা
- বড় আকারের
- শিখতে
- শিক্ষা
- অন্তত
- কম
- মত
- LIMIT টি
- অবস্থান
- মেশিন
- মেশিন লার্নিং
- করা
- ব্যবস্থাপনা
- ছাপ
- জরায়ু
- সর্বোচ্চ
- সর্বাধিক
- সম্মেলন
- মেনু
- ছন্দোময়
- ছন্দোবিজ্ঞান
- হতে পারে
- যত্সামান্য
- সর্বনিম্ন
- ML
- মডেল
- মডেল
- অধিক
- সেতু
- চলচ্চিত্র
- অবশ্যই
- নাম
- প্রাকৃতিক
- স্বাভাবিক ভাষা প্রক্রিয়াকরণ
- ন্যাভিগেশন
- প্রয়োজন
- নেতিবাচক
- নতুন
- পরবর্তী
- NLP
- নোটবই
- লক্ষ্য করুন..
- সংখ্যা
- মান্য করা
- ঘটা
- of
- প্রায়ই
- on
- ONE
- কেবল
- অপ্টিমাইজেশান
- অপ্টিমিজ
- অপ্টিমাইজ
- সর্বোচ্চকরন
- সংগঠন
- আমাদের
- আউটপুট
- শার্সি
- বিশেষ
- কামুক
- বেতন
- প্রতি
- কর্মক্ষমতা
- বাছাই
- নল
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- কেলি
- দয়া করে
- বিন্দু
- পয়েন্ট
- ধনাত্মক
- সম্ভব
- পোস্ট
- পোস্ট
- চর্চা
- রাষ্ট্রীয়
- স্পষ্টতা
- ভবিষ্যদ্বাণী
- প্রস্তুতি
- প্রস্তুত করা
- উপস্থাপন
- পূর্বে
- সমস্যা
- প্রক্রিয়াকৃত
- প্রক্রিয়াজাতকরণ
- উত্পাদনক্ষম
- পেশাদারী
- সঠিক
- প্রদান
- প্রদত্ত
- প্রকাশ্য
- গুণ
- এলোমেলো
- অনুপাত
- কাঁচা
- সাধা
- পড়ুন
- প্রয়োজনীয়
- Resources
- ফলাফল
- ভূমিকা
- ঋষি নির্মাতা
- বিজ্ঞানী
- স্কোর
- সেক্টর
- দেখ
- দেখা
- দেখেন
- পরিবেশন করা
- সেবা
- বিভিন্ন
- উচিত
- শো
- সহজ
- কোমল
- সমাধান
- সলিউশন
- সমাধান
- কিছু
- বিশেষজ্ঞ
- নির্দিষ্ট
- বিভক্ত করা
- মান
- শুরু
- শুরু
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টোরেজ
- সঞ্চিত
- এমন
- গ্রহণ করা
- টীম
- প্রযুক্তি
- প্রযুক্তি
- প্রান্তিক
- পরীক্ষা
- প্রমাণিত
- পাঠ
- চেয়ে
- যে
- সার্জারির
- তাদের
- তারপর
- এইগুলো
- তারা
- এই
- সেগুলো
- হুমকি
- তিন
- গোবরাট
- দ্বারা
- সময়
- থেকে
- টুল
- মোট
- প্রশিক্ষিত
- প্রশিক্ষণ
- দুই
- অধীনে
- উপস্থাপিত
- বোঝা
- us
- মার্কিন ফেডারেল
- ব্যবহার
- ব্যবহারকারী বান্ধব
- ব্যবহার
- মূল্য
- ভিডিও
- ভিডিও গেমস
- চেক
- দৃশ্যমান
- দেখুন
- vs
- পর্যবেক্ষক
- we
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- কখন
- যে
- যখন
- ব্যাপক
- ইচ্ছা
- জানলা
- সঙ্গে
- ছাড়া
- কাজ
- আপনি
- আপনার
- zephyrnet
- ফ্যাস্ শব্দ