অ্যামাজন সেজমেকার অটোপাইলট মাত্র কয়েকটি লাইন বা এমনকি কোডের সাথে একটি এন্ড-টু-এন্ড মেশিন লার্নিং (ML) মডেল এবং অনুমান পাইপলাইন দ্রুত তৈরি এবং স্থাপন করা সংস্থাগুলির পক্ষে সম্ভব করে তোলে কোন কোড ছাড়া সব সঙ্গে অ্যামাজন সেজমেকার স্টুডিও. অটোপাইলট পরিকাঠামো কনফিগার করার ভারী উত্তোলন এবং বৈশিষ্ট্য ইঞ্জিনিয়ারিং, মডেল নির্বাচন এবং হাইপারপ্যারামিটার টিউনিং সহ একটি সম্পূর্ণ পাইপলাইন তৈরি করতে যে সময় লাগে তা অফলোড করে।
এই পোস্টে, আমরা অটোপাইলট দিয়ে কীভাবে কাঁচা ডেটা থেকে একটি শক্তিশালী এবং সম্পূর্ণরূপে স্থাপন করা অনুমান পাইপলাইনে যেতে হয় তা দেখাই।
সমাধান ওভারভিউ
আমরা ব্যাবহার করি বাইকশেয়ারিং-এ লিফটের পাবলিক ডেটাসেট এই সিমুলেশনটি ভবিষ্যদ্বাণী করার জন্য যে কোনও ব্যবহারকারী এতে অংশগ্রহণ করে কিনা বাইক শেয়ার ফর অল প্রোগ্রাম. এটি একটি সাধারণ বাইনারি শ্রেণিবিন্যাস সমস্যা।
বাইক শেয়ার ফর অল প্রোগ্রামে অংশগ্রহণের ভিত্তিতে ব্যবহারকারীদের শ্রেণীবদ্ধ করার জন্য একটি স্বয়ংক্রিয় এবং রিয়েল-টাইম ইনফারেন্স পাইপলাইন তৈরি করা কতটা সহজ তা আমরা দেখাতে চাই। এই লক্ষ্যে, আমরা সান ফ্রান্সিসকো বে এরিয়াতে অপারেটিং একটি কাল্পনিক বাইকশেয়ার কোম্পানির জন্য এন্ড-টু-এন্ড ডেটা ইনজেশন এবং ইনফারেন্স পাইপলাইন সিমুলেট করি।
আর্কিটেকচার দুটি ভাগে বিভক্ত: ইনজেশন পাইপলাইন এবং ইনফরেন্স পাইপলাইন।
আমরা এই পোস্টের প্রথম বিভাগে প্রাথমিকভাবে ML পাইপলাইনের উপর ফোকাস করি এবং দ্বিতীয় অংশে ডেটা ইনজেশন পাইপলাইন পর্যালোচনা করি।
পূর্বশর্ত
এই উদাহরণটি অনুসরণ করতে, নিম্নলিখিত পূর্বশর্তগুলি পূরণ করুন:
- একটি নতুন সেজমেকার নোটবুক উদাহরণ তৈরি করুন.
- তৈরি একটি আমাজন কিনেস ডেটা ফায়ারহোজ ose একটি সঙ্গে বিতরণ স্ট্রীম এডাব্লুএস ল্যাম্বদা রূপান্তর ফাংশন। নির্দেশাবলীর জন্য, দেখুন AWS Lambda এর সাথে Amazon Kinesis Firehose ডেটা ট্রান্সফরমেশন. এই ধাপটি ঐচ্ছিক এবং শুধুমাত্র ডেটা স্ট্রিমিং অনুকরণ করার জন্য প্রয়োজন।
ডেটা অন্বেষণ
আসুন ডেটাসেট ডাউনলোড এবং কল্পনা করি, যা একটি সর্বজনীনে অবস্থিত আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) বালতি এবং স্ট্যাটিক ওয়েবসাইট:
নিম্নলিখিত স্ক্রিনশট রূপান্তরের আগে ডেটার একটি উপসেট দেখায়।
ডেটার শেষ কলামে আমরা যে টার্গেটটি ভবিষ্যদ্বাণী করতে চাই তা ধারণ করে, যা একটি বাইনারি ভেরিয়েবল যা হ্যাঁ বা না মান গ্রহণ করে, যা নির্দেশ করে যে ব্যবহারকারী সকলের জন্য বাইক শেয়ার প্রোগ্রামে অংশগ্রহণ করে কিনা।
আসুন যেকোন ডেটা ভারসাম্যহীনতার জন্য আমাদের লক্ষ্য ভেরিয়েবলের বিতরণের দিকে নজর দিন।
উপরের গ্রাফে যেমন দেখানো হয়েছে, প্রোগ্রামে কম লোক অংশগ্রহণ করে ডেটা ভারসাম্যহীন।
অতি-প্রতিনিধিত্বের পক্ষপাত রোধ করতে আমাদের ডেটার ভারসাম্য বজায় রাখতে হবে। এই পদক্ষেপটি ঐচ্ছিক কারণ অটোপাইলট স্বয়ংক্রিয়ভাবে শ্রেণি ভারসাম্যহীনতা পরিচালনা করার জন্য একটি অভ্যন্তরীণ পদ্ধতির প্রস্তাব দেয়, যা একটি F1 স্কোর বৈধতা মেট্রিকে ডিফল্ট হয়। অতিরিক্তভাবে, আপনি যদি ডেটার ভারসাম্য নিজেরাই বেছে নেন, তাহলে আপনি শ্রেণী ভারসাম্যহীনতা পরিচালনার জন্য আরও উন্নত কৌশল ব্যবহার করতে পারেন, যেমন SMOTE or GAN.
এই পোস্টের জন্য, আমরা ডাটা ব্যালেন্সিং কৌশল হিসাবে সংখ্যাগরিষ্ঠ শ্রেণীর (না) নমুনা তুলেছি:
নিম্নলিখিত কোডটি ডেটা সমৃদ্ধ করে এবং অত্যধিক উপস্থাপিত শ্রেণীকে আন্ডার-স্যাম্পল করে:
আমরা ইচ্ছাকৃতভাবে আমাদের শ্রেণীগত বৈশিষ্ট্যগুলিকে এনকোড করা হয়নি, আমাদের বাইনারি লক্ষ্য মান সহ। এর কারণ হল অটোপাইলট স্বয়ংক্রিয় বৈশিষ্ট্য ইঞ্জিনিয়ারিং এবং পাইপলাইন স্থাপনার অংশ হিসাবে আমাদের জন্য ডেটা এনকোডিং এবং ডিকোড করার যত্ন নেয়, যেমনটি আমরা পরবর্তী বিভাগে দেখতে পাচ্ছি।
নিম্নলিখিত স্ক্রিনশটটি আমাদের ডেটার একটি নমুনা দেখায়।
নিম্নলিখিত গ্রাফের ডেটা অন্যথায় স্বাভাবিক দেখায়, একটি বিমোডাল ডিস্ট্রিবিউশন যা সকালের সময় এবং বিকেলের ভিড়ের সময় দুটি শিখর প্রতিনিধিত্ব করে, যেমনটি আপনি আশা করেন। আমরা সপ্তাহান্তে এবং রাতে কম কার্যকলাপ পর্যবেক্ষণ করি।
পরবর্তী বিভাগে, আমরা অটোপাইলটকে ডেটা ফিড করি যাতে এটি আমাদের জন্য একটি পরীক্ষা চালাতে পারে।
একটি বাইনারি শ্রেণিবিন্যাস মডেল তৈরি করুন
অটোপাইলটের প্রয়োজন যে আমরা ইনপুট এবং আউটপুট গন্তব্য বালতি নির্দিষ্ট করি। এটি ডেটা লোড করতে ইনপুট বাকেট ব্যবহার করে এবং আউটপুট বাকেট ব্যবহার করে শিল্পকর্ম সংরক্ষণ করতে, যেমন ফিচার ইঞ্জিনিয়ারিং এবং জেনারেট করা জুপিটার নোটবুক। প্রশিক্ষণ শেষ হওয়ার পর মডেলের কার্যকারিতা মূল্যায়ন ও যাচাই করার জন্য আমরা 5% ডেটাসেট ধরে রাখি এবং S95 ইনপুট বাকেটে 3% ডেটাসেট আপলোড করি। নিম্নলিখিত কোড দেখুন:
আমরা ইনপুট গন্তব্যে ডেটা আপলোড করার পরে, এটি অটোপাইলট শুরু করার সময়:
আমাদের যা পরীক্ষা শুরু করতে হবে তা হল fit() পদ্ধতিকে কল করা। অটোপাইলটের প্রয়োজনীয় পরামিতি হিসাবে ইনপুট এবং আউটপুট S3 অবস্থান এবং টার্গেট অ্যাট্রিবিউট কলাম প্রয়োজন। বৈশিষ্ট্য প্রক্রিয়াকরণের পরে, অটোপাইলট কল করে সেজমেকার স্বয়ংক্রিয় মডেল টিউনিং আপনার ডেটাসেটে অনেক প্রশিক্ষণের কাজ চালিয়ে একটি মডেলের সেরা সংস্করণ খুঁজে পেতে। প্রার্থীর সংখ্যা 30-এ সীমিত করার জন্য আমরা ঐচ্ছিক max_candidates প্যারামিটার যোগ করেছি, যা অটোপাইলট সর্বোত্তম মডেল খোঁজার জন্য অ্যালগরিদম এবং হাইপারপ্যারামিটারের বিভিন্ন সংমিশ্রণে লঞ্চ করে এমন প্রশিক্ষণ কাজের সংখ্যা। আপনি যদি এই প্যারামিটারটি নির্দিষ্ট না করেন তবে এটি 250 তে ডিফল্ট হয়।
আমরা নিম্নলিখিত কোড সহ অটোপাইলটের অগ্রগতি পর্যবেক্ষণ করতে পারি:
প্রশিক্ষণ শেষ হতে কিছু সময় লাগে। এটি চলাকালীন, আসুন অটোপাইলট ওয়ার্কফ্লো দেখুন।
সেরা প্রার্থী খুঁজে পেতে, নিম্নলিখিত কোড ব্যবহার করুন:
নিম্নলিখিত স্ক্রিনশট আমাদের আউটপুট দেখায়।
আমাদের মডেল 96% একটি বৈধতা নির্ভুলতা অর্জন করেছে, তাই আমরা এটি স্থাপন করতে যাচ্ছি। আমরা এমন একটি শর্ত যোগ করতে পারি যে আমরা কেবলমাত্র মডেলটি ব্যবহার করি যদি সঠিকতা একটি নির্দিষ্ট স্তরের উপরে হয়।
অনুমান পাইপলাইন
আমরা আমাদের মডেল স্থাপন করার আগে, আসুন আমাদের সেরা প্রার্থী এবং আমাদের পাইপলাইনে কী ঘটছে তা পরীক্ষা করি। নিম্নলিখিত কোড দেখুন:
নিচের চিত্রটি আমাদের আউটপুট দেখায়।
অটোপাইলট মডেলটি তৈরি করেছে এবং এটি তিনটি ভিন্ন পাত্রে প্যাকেজ করেছে, প্রতিটি ক্রমানুসারে একটি নির্দিষ্ট কাজ চালাচ্ছে: রূপান্তর, ভবিষ্যদ্বাণী এবং বিপরীত-রূপান্তর। এই বহু-পদক্ষেপ অনুমান একটি দ্বারা সম্ভব সেজমেকার ইনফারেন্স পাইপলাইন।
একটি মাল্টি-স্টেপ ইনফারেন্স একাধিক ইনফারেন্স মডেলকে চেইন করতে পারে। উদাহরণস্বরূপ, একটি ধারক পারফর্ম করতে পারে প্রধান উপাদান বিশ্লেষণ XGBoost কন্টেইনারে ডেটা পাস করার আগে।
একটি শেষ পয়েন্টে অনুমান পাইপলাইন স্থাপন করুন
স্থাপনার প্রক্রিয়ায় কোডের মাত্র কয়েকটি লাইন জড়িত:
আসুন একটি ভবিষ্যদ্বাণীকারীর সাথে ভবিষ্যদ্বাণীর জন্য আমাদের শেষ পয়েন্টটি কনফিগার করি:
এখন যেহেতু আমাদের এন্ডপয়েন্ট এবং ভবিষ্যদ্বাণী প্রস্তুত আছে, এখন সময় এসেছে টেস্টিং ডেটা ব্যবহার করার এবং আমাদের মডেলের যথার্থতা পরীক্ষা করার। আমরা একটি ইউটিলিটি ফাংশন সংজ্ঞায়িত করে শুরু করি যা আমাদের অনুমান শেষ পয়েন্টে একবারে এক লাইনে ডেটা পাঠায় এবং বিনিময়ে একটি ভবিষ্যদ্বাণী পায়। কারণ আমরা একটি আছে এক্সজিবিস্ট মডেল, আমরা শেষ পয়েন্টে CSV লাইন পাঠানোর আগে টার্গেট ভেরিয়েবল ড্রপ করি। উপরন্তু, আমরা ফাইলটি লুপ করার আগে পরীক্ষার CSV থেকে শিরোনামটি সরিয়ে দিয়েছি, যা SageMaker-এ XGBoost-এর জন্য আরেকটি প্রয়োজনীয়তা। নিম্নলিখিত কোড দেখুন:
নিম্নলিখিত স্ক্রিনশট আমাদের আউটপুট দেখায়।
এখন আমাদের মডেলের নির্ভুলতা গণনা করা যাক।
নিম্নলিখিত কোডটি দেখুন:
আমরা 92% এর নির্ভুলতা পাই। এটি বৈধকরণ পদক্ষেপের সময় প্রাপ্ত 96% থেকে সামান্য কম, তবে এটি এখনও যথেষ্ট বেশি। আমরা আশা করি না যে নির্ভুলতা ঠিক একই হবে কারণ পরীক্ষাটি একটি নতুন ডেটাসেট দিয়ে করা হয়।
ডেটা ইনজেশন
আমরা সরাসরি ডেটা ডাউনলোড করেছি এবং প্রশিক্ষণের জন্য কনফিগার করেছি। বাস্তব জীবনে, আপনাকে প্রান্ত ডিভাইস থেকে সরাসরি ডেটা লেকে পাঠাতে হতে পারে এবং সেজমেকারকে ডেটা লেক থেকে সরাসরি নোটবুকে লোড করতে হবে।
Kinesis Data Firehose হল একটি ভাল বিকল্প এবং নির্ভরযোগ্যভাবে ডেটা লেক, ডেটা স্টোর এবং অ্যানালিটিক্স টুলগুলিতে স্ট্রিমিং ডেটা লোড করার সবচেয়ে সহজ উপায়। এটি Amazon S3 এবং অন্যান্য AWS ডেটা স্টোরগুলিতে স্ট্রিমিং ডেটা ক্যাপচার, রূপান্তর এবং লোড করতে পারে।
আমাদের ব্যবহারের ক্ষেত্রে, আমরা একটি ল্যাম্বডা ট্রান্সফরমেশন ফাংশন সহ একটি কাইনেসিস ডেটা ফায়ারহোস ডেলিভারি স্ট্রীম তৈরি করি যাতে এটি স্ট্রীম অতিক্রম করে কিছু হালকা ডেটা পরিষ্কার করতে পারে৷ নিম্নলিখিত কোড দেখুন:
এই ল্যাম্বডা ফাংশনটি ডিভাইসগুলি থেকে ডেটা লেকে প্রবাহিত ডেটার হালকা রূপান্তর সম্পাদন করে। এটি একটি CSV ফর্ম্যাট করা ডেটা ফাইল আশা করে৷
ইনজেশন ধাপের জন্য, আমরা ডেটা ডাউনলোড করি এবং একটি ল্যাম্বডা ট্রান্সফর্ম ফাংশন সহ কাইনেসিস ডেটা ফায়ারহোসে একটি ডেটা স্ট্রীম এবং আমাদের S3 ডেটা লেকে অনুকরণ করি।
আসুন কয়েকটি লাইন স্ট্রিমিং অনুকরণ করি:
পরিষ্কার কর
খরচ কমাতে এই অনুশীলনে ব্যবহৃত সমস্ত সংস্থান মুছে ফেলা গুরুত্বপূর্ণ। নিচের কোডটি আমাদের তৈরি করা সেজমেকার ইনফারেন্স এন্ডপয়েন্ট মুছে দেয় সেইসাথে আমাদের আপলোড করা প্রশিক্ষণ এবং টেস্টিং ডেটা:
উপসংহার
এমএল ইঞ্জিনিয়ার, ডেটা সায়েন্টিস্ট এবং সফ্টওয়্যার ডেভেলপাররা অটোপাইলট ব্যবহার করে একটি অনুমান পাইপলাইন তৈরি এবং স্থাপন করতে পারেন যার মধ্যে সামান্য থেকে কোন এমএল প্রোগ্রামিং অভিজ্ঞতা নেই৷ অটোপাইলট ডেটা সায়েন্স এবং এমএল সেরা অনুশীলনগুলি ব্যবহার করে সময় এবং সংস্থান সংরক্ষণ করে। বৃহৎ সংস্থাগুলি এখন ইঞ্জিনিয়ারিং সংস্থানগুলিকে অবকাঠামো কনফিগারেশন থেকে দূরে সরিয়ে মডেলগুলি উন্নত করতে এবং ব্যবসায়িক ব্যবহারের ক্ষেত্রে সমাধান করতে পারে৷ স্টার্টআপ এবং ছোট সংস্থাগুলি সামান্য থেকে কোনও এমএল দক্ষতা ছাড়াই মেশিন লার্নিং শুরু করতে পারে।
সেজমেকার অটোপাইলট দিয়ে শুরু করতে, দেখুন পণ্য পাতা অথবা সেজমেকার স্টুডিওর মধ্যে সেজমেকার অটোপাইলট অ্যাক্সেস করুন।
আমরা সেজমেকারের অফার করা অন্যান্য গুরুত্বপূর্ণ বৈশিষ্ট্যগুলি সম্পর্কে আরও শিখতে সুপারিশ করি, যেমন আমাজন সেজমেকার ফিচার স্টোর, যার সাথে একীভূত হয় অ্যামাজন সেজমেকার পাইপলাইন তৈরি করতে, বৈশিষ্ট্য অনুসন্ধান এবং আবিষ্কার যোগ করতে এবং স্বয়ংক্রিয় এমএল ওয়ার্কফ্লো পুনরায় ব্যবহার করতে। আপনি আপনার ডেটাসেটে বিভিন্ন বৈশিষ্ট্য বা লক্ষ্য ভেরিয়েন্ট সহ একাধিক অটোপাইলট সিমুলেশন চালাতে পারেন। আপনি এটিকে একটি গতিশীল যানবাহন বরাদ্দকরণ সমস্যা হিসাবেও যোগাযোগ করতে পারেন যেখানে আপনার মডেল সময় (যেমন দিন বা সপ্তাহের দিন) বা অবস্থান বা উভয়ের সংমিশ্রণের উপর ভিত্তি করে গাড়ির চাহিদা ভবিষ্যদ্বাণী করার চেষ্টা করে।
লেখক সম্পর্কে
ডগ এমবায়া ডেটা এবং বিশ্লেষণে ফোকাস সহ একজন সিনিয়র সলিউশন আর্কিটেক্ট। ডগ AWS অংশীদারদের সাথে ঘনিষ্ঠভাবে কাজ করে, তাদের ক্লাউডে ডেটা এবং বিশ্লেষণ সমাধান একীভূত করতে সাহায্য করে। ডগের পূর্বের অভিজ্ঞতার মধ্যে রয়েছে রাইড শেয়ারিং এবং ফুড ডেলিভারি সেগমেন্টে AWS গ্রাহকদের সমর্থন করা।
ভ্যালেরিও পেরোন অ্যামাজন সেজমেকার স্বয়ংক্রিয় মডেল টিউনিং এবং অটোপাইলটে কর্মরত একজন ফলিত বিজ্ঞান ব্যবস্থাপক।
- Coinsmart. ইউরোপের সেরা বিটকয়েন এবং ক্রিপ্টো এক্সচেঞ্জ।
- প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. বিনামূল্যে এক্সেস.
- ক্রিপ্টোহক। Altcoin রাডার। বিনামূল্যে ট্রায়াল.
- সূত্র: https://aws.amazon.com/blogs/machine-learning/automate-a-shared-bikes-and-scooters-classification-model-with-amazon-sagemaker-autopilot/
- '
- "
- &
- 100
- সম্পর্কে
- প্রবেশ
- অর্জন
- ক্রিয়াকলাপ
- অগ্রসর
- আলগোরিদিম
- সব
- বণ্টন
- মর্দানী স্ত্রীলোক
- বৈশ্লেষিক ন্যায়
- অন্য
- API
- অভিগমন
- স্থাপত্য
- এলাকায়
- আর্গুমেন্ট
- অটোমেটেড
- ডেস্কটপ AWS
- উপসাগর
- সর্বোত্তম
- সেরা অভ্যাস
- নির্মাণ করা
- ব্যবসায়
- কল
- পেতে পারি
- যত্ন
- মামলা
- পরিবর্তন
- পছন্দ
- শ্রেণীবিন্যাস
- পরিস্কার করা
- মেঘ
- কোড
- স্তম্ভ
- সমাহার
- সমন্বয়
- কোম্পানি
- উপাদান
- শর্ত
- কনফিগারেশন
- আধার
- কন্টেনারগুলি
- ধারণ
- পারা
- গ্রাহকদের
- উপাত্ত
- তথ্য প্রক্রিয়াজাতকরণ
- তথ্য বিজ্ঞান
- দিন
- বিলি
- চাহিদা
- স্থাপন
- বিস্তৃতি
- ডেভেলপারদের
- যন্ত্র
- ডিভাইস
- বিভিন্ন
- আবিষ্কার
- প্রদর্শন
- বিতরণ
- নিচে
- ড্রপ
- প্রগতিশীল
- প্রান্ত
- এনক্রিপশন
- শেষপ্রান্ত
- প্রকৌশল
- প্রকৌশলী
- ঘটনা
- উদাহরণ
- ছাড়া
- ব্যায়াম
- আশা
- অভিজ্ঞতা
- পরীক্ষা
- ল্যাপারোস্কোপিক পদ্ধতি
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- প্রথম
- কেন্দ্রবিন্দু
- অনুসরণ করা
- অনুসরণ
- খাদ্য
- ফ্রান্সিসকো
- ক্রিয়া
- পেয়ে
- চালু
- ভাল
- হ্যান্ডলিং
- এখানে
- উচ্চ
- কিভাবে
- কিভাবে
- HTTPS দ্বারা
- গুরুত্বপূর্ণ
- সুদ্ধ
- পরিকাঠামো
- সম্পূর্ণ
- IT
- কাজ
- জবস
- বড়
- লঞ্চ
- শিক্ষা
- উচ্চতা
- লাইব্রেরি
- আলো
- লাইটওয়েট
- লাইন
- লিঙ্কডইন
- সামান্য
- বোঝা
- স্থানীয়ভাবে
- অবস্থান
- মেশিন
- মেশিন লার্নিং
- সংখ্যাগুরু
- মেকিং
- পরিচালক
- ML
- মডেল
- মডেল
- সেতু
- নোটবই
- অর্পণ
- অফার
- অপারেটিং
- পছন্দ
- ক্রম
- সংগঠন
- অন্যান্য
- অন্যভাবে
- অংশগ্রহণ
- অংশীদারদের
- সম্প্রদায়
- কর্মক্ষমতা
- সম্ভব
- ভবিষ্যদ্বাণী
- সমস্যা
- প্রক্রিয়া
- কার্যক্রম
- প্রোগ্রামিং
- প্রদান
- প্রকাশ্য
- দ্রুত
- কাঁচা
- প্রকৃত সময়
- সুপারিশ করা
- নথি
- রেকর্ড
- প্রয়োজনীয়
- Resources
- আয়
- এখানে ক্লিক করুন
- নিয়ম
- চালান
- দৌড়
- নলখাগড়া
- সান
- সানফ্রান্সিসকো
- রক্ষা
- বিজ্ঞান
- বিজ্ঞানীরা
- সার্চ
- নির্বাচিত
- ক্রম
- সেট
- শেয়ার
- ভাগ
- পরিবর্তন
- সহজ
- ব্যাজ
- আয়তন
- ঘুম
- So
- সফটওয়্যার
- বিভক্ত করা
- শুরু
- শুরু
- প্রারম্ভ
- স্টোরেজ
- দোকান
- প্রবাহ
- স্ট্রীম
- স্ট্রিমিং
- চিত্রশালা
- লক্ষ্য
- প্রযুক্তি
- পরীক্ষা
- পরীক্ষামূলক
- দ্বারা
- সময়
- আজ
- সরঞ্জাম
- প্রশিক্ষণ
- রুপান্তর
- রুপান্তর
- us
- ব্যবহার
- ব্যবহারকারী
- উপযোগ
- মূল্য
- বাহন
- ওয়েবসাইট
- সপ্তাহান্তিক কাল
- কিনা
- উইকিপিডিয়া
- মধ্যে
- কাজ
- কাজ