Amazon SageMaker JumpStart-এ গ্রাফ মেশিন লার্নিং ব্যবহার করে একটি কর্পোরেট ক্রেডিট রেটিং ক্লাসিফায়ার তৈরি করুন

আজ, আমরা আর্থিক গ্রাফ মেশিন লার্নিং (ML) এর জন্য একটি নতুন সমাধান প্রকাশ করছি আমাজন সেজমেকার জাম্পস্টার্ট. জাম্পস্টার্ট আপনাকে দ্রুত ML-এর সাথে শুরু করতে সাহায্য করে এবং সবচেয়ে সাধারণ ব্যবহারের ক্ষেত্রে সমাধানের একটি সেট প্রদান করে যেগুলিকে শুধুমাত্র কয়েকটি ক্লিকের মাধ্যমে প্রশিক্ষিত এবং স্থাপন করা যেতে পারে।

নতুন জাম্পস্টার্ট সলিউশন (গ্রাফ-ভিত্তিক ক্রেডিট স্কোরিং) দেখায় যে কীভাবে এসইসি ফাইলিং (লং-ফর্ম টেক্সট ডেটা) থেকে একটি কর্পোরেট নেটওয়ার্ক তৈরি করা যায়, এটিকে আর্থিক অনুপাত (টেবুলার ডেটা) দিয়ে একত্রিত করা যায় এবং ক্রেডিট তৈরি করতে গ্রাফ নিউরাল নেটওয়ার্ক (জিএনএন) ব্যবহার করা হয়। রেটিং ভবিষ্যদ্বাণী মডেল। এই পোস্টে, আমরা ব্যাখ্যা করব কীভাবে আপনি ক্রেডিট স্কোরিংয়ের জন্য এই সম্পূর্ণ কাস্টমাইজযোগ্য সমাধানটি ব্যবহার করতে পারেন, যাতে আপনি আপনার গ্রাফ এমএল যাত্রাকে ত্বরান্বিত করতে পারেন। গ্রাফ ML আর্থিক ML-এর জন্য একটি ফলপ্রসূ ক্ষেত্র হয়ে উঠছে কারণ এটি ঐতিহ্যগত ট্যাবুলার ডেটাসেটের সাথে নেটওয়ার্ক ডেটা ব্যবহার করতে সক্ষম করে। আরও তথ্যের জন্য, দেখুন ডাব্লুএসডিএম-এ অ্যামাজন: গ্রাফ নিউরাল নেটওয়ার্কের ভবিষ্যত.

সমাধান ওভারভিউ

আপনি ব্যবসায়িক সংযোগের ডেটা কাজে লাগিয়ে ক্রেডিট স্কোরিং উন্নত করতে পারেন, যার জন্য আপনি এই সমাধানে CorpNet (কর্পোরেট নেটওয়ার্কের জন্য সংক্ষিপ্ত) হিসাবে চিহ্নিত একটি গ্রাফ তৈরি করতে পারেন। তারপরে আপনি এই গ্রাফে GNN ব্যবহার করে গ্রাফ এমএল শ্রেণীবিভাগ প্রয়োগ করতে পারেন এবং নোডগুলির জন্য একটি ট্যাবুলার বৈশিষ্ট্য সেট করে, আপনি নেটওয়ার্ক সম্পর্কের তথ্যকে আরও কাজে লাগিয়ে আরও ভাল এমএল মডেল তৈরি করতে পারেন কিনা তা দেখতে। অতএব, এই সমাধানটি ব্যবসায়িক মডেলগুলির জন্য একটি টেমপ্লেট অফার করে যা নেটওয়ার্ক ডেটা শোষণ করে, যেমন সাপ্লাই চেইন সম্পর্ক গ্রাফ, সামাজিক নেটওয়ার্ক গ্রাফ এবং আরও অনেক কিছু ব্যবহার করে।

সমাধানটি একটি কর্পোরেট নেটওয়ার্ক তৈরি করে এবং সিন্থেটিক আর্থিক ডেটা তৈরি করে বেশ কিছু নতুন শিল্পকর্ম তৈরি করে এবং গ্রাফ এমএল ব্যবহার করে মডেল তৈরি করতে উভয় ধরনের ডেটা একত্রিত করে।

সমাধানটি দেখায় কিভাবে SEC 10-K/Q ফাইলিং থেকে MD&A বিভাগ ব্যবহার করে সংযুক্ত কোম্পানিগুলির একটি নেটওয়ার্ক তৈরি করা যায়। অনুরূপ দূরদর্শী বিবৃতি সহ কোম্পানিগুলি ক্রেডিট ইভেন্টগুলির জন্য সংযুক্ত হওয়ার সম্ভাবনা রয়েছে। এই সংযোগগুলি একটি গ্রাফে উপস্থাপন করা হয়। গ্রাফ নোড বৈশিষ্ট্যগুলির জন্য, সমাধানটি অল্টম্যান জেড-স্কোর মডেল এবং প্রতিটি ফার্মের শিল্প বিভাগে ভেরিয়েবল ব্যবহার করে। এগুলি প্রদর্শনের উদ্দেশ্যে উপলব্ধ একটি সিন্থেটিক ডেটাসেটে সরবরাহ করা হয়। গ্রাফ ডেটা এবং ট্যাবুলার ডেটা GNN ব্যবহার করে রেটিং ক্লাসিফায়ারের সাথে মানানসই করতে ব্যবহৃত হয়। দৃষ্টান্তমূলক উদ্দেশ্যে, আমরা গ্রাফ তথ্যের সাথে এবং ছাড়া মডেলের কর্মক্ষমতা তুলনা করি।

গ্রাফ-ভিত্তিক ক্রেডিট স্কোরিং সমাধান ব্যবহার করুন

জাম্পস্টার্ট ব্যবহার শুরু করতে, দেখুন অ্যামাজন সেজমেকার দিয়ে শুরু করা. গ্রাফ-ভিত্তিক ক্রেডিট স্কোরিং সমাধানের জন্য জাম্পস্টার্ট কার্ডটি এর মাধ্যমে উপলব্ধ অ্যামাজন সেজমেকার স্টুডিও.

1. মডেল কার্ড চয়ন করুন, তারপর নির্বাচন করুন শুরু করা সমাধান শুরু করতে।
   

সমাধানটি অনুমানের জন্য একটি মডেল এবং একটি নোটবুকের সাথে ব্যবহার করার জন্য একটি শেষ পয়েন্ট তৈরি করে।

2. তারা প্রস্তুত না হওয়া পর্যন্ত অপেক্ষা করুন এবং স্থিতি হিসাবে দেখায় Complete.
3. বেছে নিন নোটবুক খুলুন প্রথম নোটবুক খুলতে, যা প্রশিক্ষণ এবং শেষ পয়েন্ট স্থাপনের জন্য।
   

আপনি এই নোটবুকের মাধ্যমে এই সমাধানটি কীভাবে ব্যবহার করবেন তা শিখতে পারেন এবং তারপরে আপনার নিজের ডেটাতে অন্যান্য অ্যাপ্লিকেশনের জন্য এটি পরিবর্তন করতে পারেন। সমাধানটি সিন্থেটিক ডেটার সাথে আসে এবং মডেলটি প্রশিক্ষণের জন্য প্রয়োজনীয় পদক্ষেপগুলির উদাহরণ দেওয়ার জন্য এটির একটি উপসেট ব্যবহার করে, এটিকে একটি এন্ডপয়েন্টে স্থাপন করে এবং তারপরে অনুমানের জন্য শেষ বিন্দুকে আহ্বান করে। নোটবুকে আপনার নিজের একটি শেষ পয়েন্ট স্থাপন করার জন্য কোডও রয়েছে।

4. দ্বিতীয় নোটবুক খুলতে (অনুমানের জন্য ব্যবহৃত), নির্বাচন করুন নোটবুকে এন্ডপয়েন্ট ব্যবহার করুন শেষবিন্দু আর্টিফ্যাক্টের পাশে।

এই নোটবুকে, আপনি উদাহরণের একটি ব্যাচে অনুমান সম্পাদন করার জন্য উদাহরণের শেষ পয়েন্টের জন্য কীভাবে ডেটা প্রস্তুত করবেন তা দেখতে পারেন।

এন্ডপয়েন্ট ভবিষ্যদ্বাণীকৃত রেটিং প্রদান করে, যা মডেলের কর্মক্ষমতা মূল্যায়ন করতে ব্যবহৃত হয়, যেমনটি অনুমান নোটবুকের শেষ কোড ব্লকের নিম্নলিখিত স্ক্রিনশটে দেখানো হয়েছে।

আপনি একটি গ্রাফ-বর্ধিত ক্রেডিট রেটিং মডেলের জন্য একটি টেমপ্লেট হিসাবে এই সমাধানটি ব্যবহার করতে পারেন। আপনি এই উদাহরণে সেট করা বৈশিষ্ট্যগুলিতে সীমাবদ্ধ নন—আপনি আপনার নিজের ব্যবহারের ক্ষেত্রে গ্রাফ ডেটা এবং ট্যাবুলার ডেটা উভয়ই পরিবর্তন করতে পারেন। প্রয়োজনীয় কোড পরিবর্তনের পরিমাণ ন্যূনতম। আমরা সমাধানের গঠন বোঝার জন্য আমাদের টেমপ্লেট উদাহরণের মাধ্যমে কাজ করার পরামর্শ দিই, এবং তারপর প্রয়োজন অনুসারে এটি সংশোধন করুন।

এই সমাধান শুধুমাত্র প্রদর্শনমূলক উদ্দেশ্যে। এটি আর্থিক পরামর্শ নয় এবং আর্থিক বা বিনিয়োগ পরামর্শ হিসাবে নির্ভর করা উচিত নয়। প্রশিক্ষিত মডেল সহ সংশ্লিষ্ট নোটবুকগুলি সিন্থেটিক ডেটা ব্যবহার করে এবং উৎপাদন ব্যবহারের উদ্দেশ্যে নয়। যদিও এসইসি ফাইলিংয়ের পাঠ্য ব্যবহার করা হয়, আর্থিক ডেটা কৃত্রিমভাবে এবং এলোমেলোভাবে তৈরি করা হয় এবং কোনও কোম্পানির প্রকৃত আর্থিকতার সাথে কোনও সম্পর্ক নেই। অতএব, কৃত্রিমভাবে উত্পন্ন রেটিংগুলির সাথে কোনও আসল কোম্পানির সত্যিকারের রেটিং-এর কোনও সম্পর্ক নেই।

সমাধান ব্যবহার করা তথ্য

ডেটাসেটে সিন্থেটিক ট্যাবুলার ডেটা রয়েছে যেমন বিভিন্ন অ্যাকাউন্টিং অনুপাত (সংখ্যাসূচক) এবং শিল্প কোড (শ্রেণীগত)। ডেটাসেট আছে 𝑁=3286 সারি। রেটিং লেবেল এছাড়াও যোগ করা হয়. এই নোড বৈশিষ্ট্যগুলি গ্রাফ ML এর সাথে ব্যবহার করা হবে।

ডেটাসেটে একটি কর্পোরেট গ্রাফও রয়েছে, যা অনির্দেশিত এবং ওজনহীন। এই সমাধানটি আপনাকে লিঙ্কগুলি অন্তর্ভুক্ত করার উপায়ে পরিবর্তন করে গ্রাফের কাঠামো সামঞ্জস্য করতে দেয়। ট্যাবুলার ডেটাসেটের প্রতিটি কোম্পানি কর্পোরেট গ্রাফে একটি নোড দ্বারা প্রতিনিধিত্ব করা হয়। কাজ construct_network_data() গ্রাফ তৈরি করতে সাহায্য করে, যার মধ্যে সোর্স নোড এবং গন্তব্য নোডের তালিকা রয়েছে।

রেটিং লেবেলগুলি GNN ব্যবহার করে শ্রেণীবিভাগের জন্য ব্যবহার করা হয়, যা সমস্ত রেটিং বা বাইনারিগুলির জন্য বহু-বিভাগ হতে পারে, বিনিয়োগ গ্রেড (AAA, AA, A, BBB) এবং অ-বিনিয়োগ গ্রেডের মধ্যে বিভক্ত (BB, B, CCC, CC, C, ডি)। D এখানে defaulted বোঝায়।

ডাটা পড়তে এবং সমাধান চালানোর সম্পূর্ণ কোড সমাধান নোটবুকে দেওয়া আছে। নিম্নলিখিত স্ক্রিনশটটি সিন্থেটিক ট্যাবুলার ডেটার গঠন দেখায়।

গ্রাফ তথ্য পাস করা হয় গভীর গ্রাফ লাইব্রেরি এবং গ্রাফ এমএল করার জন্য ট্যাবুলার ডেটার সাথে মিলিত হয়। আপনি যদি আপনার নিজস্ব গ্রাফ নিয়ে আসেন, তবে এটিকে উৎস নোড এবং গন্তব্য নোডের সেট হিসাবে সরবরাহ করুন।

মডেল প্রশিক্ষণ

তুলনা করার জন্য, আমরা প্রথমে শুধুমাত্র ট্যাবুলার ডেটা ব্যবহার করে একটি মডেলকে প্রশিক্ষণ দিই অটোগ্লুওন, কোম্পানির ক্রেডিট রেটিং ঐতিহ্যগত পদ্ধতির অনুকরণ. তারপর আমরা গ্রাফ ডেটা যোগ করি এবং প্রশিক্ষণের জন্য GNN ব্যবহার করি। সম্পূর্ণ বিবরণ নোটবুকে দেওয়া আছে, এবং এই পোস্টে একটি সংক্ষিপ্ত বিবরণ দেওয়া হয়েছে। নোটবুকটি নির্বাচিত রেফারেন্স সহ গ্রাফ এমএল-এর একটি দ্রুত ওভারভিউ অফার করে।

GNN প্রশিক্ষণ নিম্নরূপ গ্রহণ করা হয়. আমরা একটি অভিযোজন ব্যবহার গ্রাফসেজ মডেল ডিপ গ্রাফ লাইব্রেরিতে বাস্তবায়িত।

1. থেকে গ্রাফ ডেটা পড়ুন আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) এবং CorpNet-এর জন্য উৎস এবং গন্তব্য নোড তালিকা তৈরি করুন।
2. গ্রাফ নোড বৈশিষ্ট্য সেটে পড়ুন (ট্রেন এবং পরীক্ষা)। প্রয়োজনীয় হিসাবে ডেটা স্বাভাবিক করুন।
3. টিউনযোগ্য হাইপারপ্যারামিটার সেট করুন। হাইপারপ্যারামিটার অপ্টিমাইজেশান (HPO) ছাড়াই GNN ফিট করার জন্য PyTorch চলমান বিশেষায়িত গ্রাফ এমএল কন্টেইনারে কল করুন।
4. HPO সহ গ্রাফ ML পুনরাবৃত্তি করুন।

বাস্তবায়ন সহজবোধ্য এবং স্থিতিশীল করার জন্য, আমরা নিম্নলিখিত কোড ব্যবহার করে একটি পাত্রে মডেল প্রশিক্ষণ চালাই (এই প্রশিক্ষণ কোডের আগে সেটআপ কোডটি সমাধান নোটবুকে রয়েছে):

from sagemaker.pytorch import PyTorch
from time import strftime, gmtime training_job_name = sagemaker_config["SolutionPrefix"] + "-gcn-training"
print( f"You can go to SageMaker -> Training -> Hyperparameter tuning jobs -> a job name started with {training_job_name} to monitor training job status and details."
) estimator = PyTorch( entry_point='train_dgl_pytorch_entry_point.py', source_dir='graph_convolutional_network', role=role, instance_count=1, instance_type='ml.g4dn.xlarge', framework_version="1.9.0", py_version='py38', hyperparameters=hyperparameters, output_path=output_location, code_location=output_location, sagemaker_session=sess, base_job_name=training_job_name,
) estimator.fit({'train': input_location})

বর্তমান প্রশিক্ষণ প্রক্রিয়াটি একটি ট্রান্সডাক্টিভ সেটিংয়ে করা হয়, যেখানে পরীক্ষার ডেটাসেটের বৈশিষ্ট্যগুলি (টার্গেট কলাম সহ নয়) গ্রাফ তৈরি করতে ব্যবহৃত হয় এবং সেইজন্য পরীক্ষার নোডগুলি প্রশিক্ষণ প্রক্রিয়ায় অন্তর্ভুক্ত করা হয়। প্রশিক্ষণ শেষে, পরীক্ষার ডেটাসেটের ভবিষ্যদ্বাণী তৈরি করা হয় এবং সংরক্ষিত হয় output_location S3 বালতিতে।

যদিও প্রশিক্ষণটি ট্রান্সডাক্টিভ, পরীক্ষার ডেটাসেটের লেবেলগুলি প্রশিক্ষণের জন্য ব্যবহার করা হয় না এবং আমাদের অনুশীলনের লক্ষ্য হল পরীক্ষার ডেটাসেট নোডগুলির জন্য নোড এম্বেডিং ব্যবহার করে এই লেবেলগুলির পূর্বাভাস দেওয়া। GraphSAGE-এর একটি গুরুত্বপূর্ণ বৈশিষ্ট্য হল যে গ্রাফের অংশ নয় এমন নতুন পর্যবেক্ষণগুলিতে প্রবর্তক শিক্ষাও সম্ভব, যদিও এই সমাধানে শোষণ করা হয়নি।

হাইপারপ্যারামিটার অপ্টিমাইজেশান

GNN-এ HPO পরিচালনার মাধ্যমে এই সমাধানটি আরও বাড়ানো হয়। এটি সেজমেকারের মধ্যে করা হয়। নিম্নলিখিত কোড দেখুন:

from sagemaker.tuner import ( IntegerParameter, CategoricalParameter, ContinuousParameter, HyperparameterTuner,
) # Static hyperparameters we do not tune
hyperparameters = { "n-layers": 2, "aggregator-type": "pool", "target-column": target_column
}
# Dynamic hyperparameters to tune and their searching ranges. # For demonstration purpose, we skip the architecture search by skipping # tuning the hyperparameters such as 'skip_rnn_num_layers', 'rnn_num_layers', etc.
hyperparameter_ranges = { "n-hidden": CategoricalParameter([32, 64, 128, 256, 512, 1024]), 'dropout': ContinuousParameter(0.0, 0.6), 'weight-decay': ContinuousParameter(1e-5, 1e-2), 'n-epochs': IntegerParameter(70, 120), #80, 160 'lr': ContinuousParameter(0.002, 0.02),
}

তারপরে আমরা এই ক্ষেত্রে F1 স্কোর সর্বাধিক করার জন্য প্রশিক্ষণের উদ্দেশ্য সেট আপ করি:

objective_metric_name = "Validation F1"
metric_definitions = [{"Name": "Validation F1", "Regex": "Validation F1 (\S+)"}]
objective_type = "Maximize"

সেজমেকারে নির্বাচিত পরিবেশ এবং প্রশিক্ষণ সংস্থান স্থাপন করুন:

estimator_tuning = PyTorch( entry_point='train_dgl_pytorch_entry_point.py', source_dir='graph_convolutional_network', role=role, instance_count=1, instance_type='ml.g4dn.xlarge', framework_version="1.9.0", py_version='py38', hyperparameters=hyperparameters, output_path=output_location, code_location=output_location, sagemaker_session=sess, base_job_name=training_job_name,
)

অবশেষে, হাইপারপ্যারামিটার অপ্টিমাইজেশান সহ প্রশিক্ষণের কাজ চালান:

import time tuning_job_name = sagemaker_config["SolutionPrefix"] + "-gcn-hpo"
print( f"You can go to SageMaker -> Training -> Hyperparameter tuning jobs -> a job name started with {tuning_job_name} to monitor HPO tuning status and details.n" f"Note. You will be unable to successfully run the following cells until the tuning job completes. This step may take around 2 hours."
) tuner = HyperparameterTuner( estimator_tuning, # using the estimator defined in previous section objective_metric_name, hyperparameter_ranges, metric_definitions, max_jobs=30, max_parallel_jobs=10, objective_type=objective_type, base_tuning_job_name = tuning_job_name,
) start_time = time.time() tuner.fit({'train': input_location}) hpo_training_job_time_duration = time.time() - start_time

ফলাফল

নেটওয়ার্ক ডেটা এবং হাইপারপ্যারামিটার অপ্টিমাইজেশানের অন্তর্ভুক্তি উন্নত ফলাফল দেয়। ক্রেডিট স্কোরিংয়ের জন্য ব্যবহৃত স্ট্যান্ডার্ড ট্যাবুলার ডেটাসেটে CorpNet-এ যোগ করার সুবিধা নিম্নলিখিত সারণীতে কর্মক্ষমতা মেট্রিকগুলি প্রদর্শন করে।

AutoGluon-এর ফলাফল গ্রাফ ব্যবহার করে না, শুধুমাত্র ট্যাবুলার ডেটা। যখন আমরা গ্রাফ ডেটা যোগ করি এবং HPO ব্যবহার করি, তখন আমরা কার্যক্ষমতায় একটি উপাদান লাভ পাই।

(দ্রষ্টব্য: MCC হল ম্যাথিউস পারস্পরিক সম্পর্ক সহগ; https://en.wikipedia.org/wiki/Phi_coefficient.)

পরিষ্কার কর

আপনি এই নোটবুকটি ব্যবহার করা শেষ করার পরে, আরও চার্জ এড়াতে মডেলের নিদর্শন এবং অন্যান্য সংস্থানগুলি মুছুন৷ নোটবুক চালানোর সময় আপনি যে সংস্থানগুলি তৈরি করেছেন তা ম্যানুয়ালি মুছে ফেলতে হবে, যেমন মডেল আর্টিফ্যাক্টের জন্য S3 বালতি, প্রশিক্ষণ ডেটাসেট, প্রসেসিং আর্টিফ্যাক্ট এবং অ্যামাজন ক্লাউডওয়াচ লগ গ্রুপ.

সারাংশ

এই পোস্টে, আমরা জাম্পস্টার্টে একটি গ্রাফ-ভিত্তিক ক্রেডিট স্কোরিং সমাধান প্রবর্তন করেছি যাতে আপনি আপনার গ্রাফ এমএল যাত্রাকে ত্বরান্বিত করতে সহায়তা করেন। নোটবুক একটি পাইপলাইন সরবরাহ করে যা আপনি আরও ভাল কার্যকারিতা পেতে বিদ্যমান ট্যাবুলার মডেলগুলির সাথে গ্রাফগুলি সংশোধন এবং শোষণ করতে পারেন।

শুরু করার জন্য, আপনি জাম্পস্টার্ট ইন-এ গ্রাফ-ভিত্তিক ক্রেডিট স্কোরিং সমাধান পেতে পারেন সেজমেকার স্টুডিও.

লেখক সম্পর্কে

ডাঃ সঞ্জীব দাস একজন অ্যামাজন স্কলার এবং সান্তা ক্লারা ইউনিভার্সিটির ফিনান্স এবং ডেটা সায়েন্সের টেরি প্রফেসর। তিনি ফাইন্যান্সে স্নাতকোত্তর ডিগ্রি (নিউ ইয়র্ক বিশ্ববিদ্যালয় থেকে এম.ফিল এবং পিএইচ.ডি) এবং কম্পিউটার সায়েন্স (ইউসি বার্কলে থেকে এমএস), এবং ইন্ডিয়ান ইনস্টিটিউট অফ ম্যানেজমেন্ট, আহমেদাবাদ থেকে এমবিএ করেছেন। একাডেমিক হওয়ার আগে, তিনি সিটি ব্যাংকে ভাইস প্রেসিডেন্ট হিসেবে এশিয়া-প্যাসিফিক অঞ্চলে ডেরিভেটিভ ব্যবসায় কাজ করেছেন। তিনি আর্থিক অ্যাপ্লিকেশনের ক্ষেত্রে মাল্টিমডাল মেশিন লার্নিং নিয়ে কাজ করেন।

ডঃ জিন হুয়াং জন্য একটি ফলিত বিজ্ঞানী আমাজন সেজমেকার জাম্পস্টার্ট এবং Amazon SageMaker বিল্ট-ইন অ্যালগরিদম. তিনি স্কেলেবল মেশিন লার্নিং অ্যালগরিদম বিকাশের দিকে মনোনিবেশ করেন। তার গবেষণার আগ্রহগুলি প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, ট্যাবুলার ডেটার গভীর শিক্ষা এবং নন-প্যারামেট্রিক স্পেস-টাইম ক্লাস্টারিংয়ের শক্তিশালী বিশ্লেষণের ক্ষেত্রে।

সোজি আদেশিনা তিনি AWS-এর একজন ফলিত বিজ্ঞানী, যেখানে তিনি জালিয়াতি এবং অপব্যবহার, নলেজ গ্রাফ, সুপারিশকারী সিস্টেম এবং জীবন বিজ্ঞানের অ্যাপ্লিকেশন সহ গ্রাফ কাজগুলিতে মেশিন লার্নিংয়ের জন্য গ্রাফ নিউরাল নেটওয়ার্ক-ভিত্তিক মডেল তৈরি করেন। তার অবসর সময়ে, তিনি পড়া এবং রান্না উপভোগ করেন।

প্যাট্রিক ইয়াং অ্যামাজন সেজমেকারের একজন সফটওয়্যার ডেভেলপমেন্ট ইঞ্জিনিয়ার। তিনি গ্রাহকদের জন্য মেশিন লার্নিং টুলস এবং পণ্য তৈরিতে মনোনিবেশ করেন।

• 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/build-a-corporate-credit-ratings-classifier-using-graph-machine-learning-in-amazon-sagemaker-jumpstart/