কোনো কোড ছাড়াই Amazon SageMaker-এ রিস্ক ম্যানেজমেন্ট মেশিন লার্নিং ওয়ার্কফ্লো তৈরি করুন

বিশ্বব্যাপী আর্থিক সংকটের পর থেকে, সম্ভাব্য গ্রাহকদের জন্য ঋণের অবস্থার পূর্বাভাস সহ ব্যাংকগুলির জন্য সিদ্ধান্ত গ্রহণের ক্ষেত্রে ঝুঁকি ব্যবস্থাপনা একটি প্রধান ভূমিকা নিয়েছে। এটি প্রায়শই একটি ডেটা-ইনটেনসিভ ব্যায়াম যার জন্য মেশিন লার্নিং (ML) প্রয়োজন। যাইহোক, ঝুঁকি ব্যবস্থাপনা এমএল ওয়ার্কফ্লো তৈরি করার জন্য সমস্ত সংস্থার ডেটা বিজ্ঞানের সংস্থান এবং দক্ষতা নেই।

আমাজন সেজমেকার একটি সম্পূর্ণরূপে পরিচালিত ML প্ল্যাটফর্ম যা ডেটা ইঞ্জিনিয়ার এবং ব্যবসা বিশ্লেষকদের দ্রুত এবং সহজে ML মডেল তৈরি, প্রশিক্ষণ এবং স্থাপন করতে দেয়৷ ডেটা ইঞ্জিনিয়ার এবং ব্যবসায়িক বিশ্লেষকরা SageMaker-এর নো-কোড/লো-কোড ক্ষমতা ব্যবহার করে সহযোগিতা করতে পারেন। ডেটা ইঞ্জিনিয়াররা ব্যবহার করতে পারেন অ্যামাজন সেজমেকার ডেটা র্যাংলার কোড লেখা ছাড়াই মডেল বিল্ডিংয়ের জন্য দ্রুত একত্রিত এবং ডেটা প্রস্তুত করতে। তারপর ব্যবসা বিশ্লেষক ভিজ্যুয়াল পয়েন্ট এবং ক্লিক ইন্টারফেস ব্যবহার করতে পারেন আমাজন সেজমেকার ক্যানভাস নিজেরাই সঠিক ML ভবিষ্যদ্বাণী তৈরি করতে।

এই পোস্টে, আমরা দেখাই যে ডেটা প্রকৌশলী এবং ব্যবসায়িক বিশ্লেষকদের জন্য কোড লেখা ছাড়াই ডেটা প্রস্তুতি, মডেল বিল্ডিং এবং অনুমান সহ একটি এমএল ওয়ার্কফ্লো তৈরি করতে সহযোগিতা করা কতটা সহজ।

সমাধান ওভারভিউ

যদিও এমএল ডেভেলপমেন্ট একটি জটিল এবং পুনরাবৃত্তিমূলক প্রক্রিয়া, আপনি ডেটা প্রস্তুতি, মডেল ডেভেলপমেন্ট এবং মডেল স্থাপনের পর্যায়ে একটি এমএল ওয়ার্কফ্লোকে সাধারণীকরণ করতে পারেন।

ডেটা র্যাংলার এবং ক্যানভাস ডেটা প্রস্তুতি এবং মডেল ডেভেলপমেন্টের জটিলতাগুলিকে বিমূর্ত করে, তাই আপনি কোড ডেভেলপমেন্টে বিশেষজ্ঞ না হয়ে আপনার ডেটা থেকে অন্তর্দৃষ্টি অঙ্কন করে আপনার ব্যবসার মূল্য প্রদানের উপর ফোকাস করতে পারেন। নিম্নলিখিত আর্কিটেকচার ডায়াগ্রামটি নো-কোড/লো-কোড সমাধানে উপাদানগুলিকে হাইলাইট করে।

আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) কাঁচা ডেটা, ইঞ্জিনিয়ারড ডেটা এবং মডেল আর্টিফ্যাক্টগুলির জন্য আমাদের ডেটা ভান্ডার হিসাবে কাজ করে৷ আপনি এখান থেকে ডেটা আমদানি করতেও বেছে নিতে পারেন আমাজন রেডশিফ্ট, অ্যামাজন অ্যাথেনা, Databricks, এবং Snowflake.

ডেটা সায়েন্টিস্ট হিসাবে, আমরা তারপরে অনুসন্ধানমূলক ডেটা বিশ্লেষণ এবং বৈশিষ্ট্য প্রকৌশলের জন্য ডেটা র্যাংলার ব্যবহার করি। যদিও ক্যানভাস ফিচার ইঞ্জিনিয়ারিং কাজ চালাতে পারে, ফিচার ইঞ্জিনিয়ারিংয়ে সাধারণত মডেল ডেভেলপমেন্টের জন্য একটি ডেটাসেটকে সঠিক ফর্মে সমৃদ্ধ করতে কিছু পরিসংখ্যানগত এবং ডোমেন জ্ঞানের প্রয়োজন হয়। অতএব, আমরা ডেটা ইঞ্জিনিয়ারদের এই দায়িত্ব দিয়ে থাকি যাতে তারা ডেটা র্যাংলারের সাথে কোড না লিখেই ডেটা রূপান্তর করতে পারে।

ডেটা তৈরির পর, আমরা ডেটা বিশ্লেষকদের কাছে মডেল তৈরির দায়িত্ব দিয়ে থাকি, যারা ক্যানভাস ব্যবহার করে কোনো কোড না লিখেই একটি মডেলকে প্রশিক্ষণ দিতে পারে।

পরিশেষে, আমরা নিজেদেরকে মডেল এন্ডপয়েন্ট স্থাপন না করেই ফলাফল মডেল থেকে সরাসরি ক্যানভাসের মধ্যে একক এবং ব্যাচ ভবিষ্যদ্বাণী করি।

ডেটাসেট ওভারভিউ

আমরা SageMaker বৈশিষ্ট্যগুলি ব্যবহার করে লেনদেন ক্লাবের একটি পরিবর্তিত সংস্করণ ব্যবহার করে একটি ঋণের অবস্থা ভবিষ্যদ্বাণী করি সর্বজনীনভাবে উপলব্ধ ঋণ বিশ্লেষণ ডেটাসেট. ডেটাসেটে 2007-2011 সালের মাধ্যমে জারি করা ঋণের জন্য ঋণের ডেটা রয়েছে। ঋণ এবং ঋণগ্রহীতা বর্ণনাকারী কলাম আমাদের বৈশিষ্ট্য। কলাম লোন_স্ট্যাটাস হল লক্ষ্য পরিবর্তনশীল, যা আমরা ভবিষ্যদ্বাণী করার চেষ্টা করছি।

ডেটা র‍্যাংলারে প্রদর্শন করতে, আমরা ডেটাসেটটিকে দুটি CSV ফাইলে বিভক্ত করেছি: প্রথম অংশ এবং অংশ দুই. ডেমো সহজ করার জন্য আমরা লেন্ডিং ক্লাবের আসল ডেটাসেট থেকে কিছু কলাম সরিয়ে দিয়েছি। আমাদের ডেটাসেটে 37,000 টির বেশি সারি এবং 21টি বৈশিষ্ট্য কলাম রয়েছে, যা নিম্নলিখিত সারণীতে বর্ণিত হয়েছে।

কলামের নাম	বিবরণ
loan_status	ঋণের বর্তমান অবস্থা (লক্ষ্য পরিবর্তনশীল)।
loan_amount	ঋণগ্রহীতার দ্বারা আবেদনকৃত ঋণের তালিকাভুক্ত পরিমাণ। যদি ক্রেডিট ডিপার্টমেন্ট ঋণের পরিমাণ কমিয়ে দেয়, তাহলে তা এই মূল্যে প্রতিফলিত হয়।
funded_amount_by_investors	সেই সময়ে সেই ঋণের জন্য বিনিয়োগকারীদের দ্বারা প্রতিশ্রুত মোট পরিমাণ।
term	ঋণের পেমেন্টের সংখ্যা। মানগুলি মাসের মধ্যে এবং হয় 36 বা 60 হতে পারে৷
interest_rate	ঋণের সুদের হার।
installment	ঋণের উৎপত্তি হলে ঋণগ্রহীতার মাসিক পেমেন্ট।
grade	এলসি নির্ধারিত ঋণ গ্রেড.
sub_grade	এলসি বরাদ্দ ঋণ সাবগ্রেড.
employment_length	বছরে কর্মসংস্থানের দৈর্ঘ্য। সম্ভাব্য মান 0-10 এর মধ্যে, যেখানে 0 মানে এক বছরের কম এবং 10 মানে দশ বা তার বেশি বছর।
home_ownership	নিবন্ধনের সময় ঋণগ্রহীতার দ্বারা প্রদত্ত বাড়ির মালিকানার স্থিতি। আমাদের মান হল ভাড়া, নিজের, বন্ধক এবং অন্যান্য।
annual_income	নিবন্ধনের সময় ঋণগ্রহীতার দ্বারা প্রদত্ত স্ব-প্রতিবেদিত বার্ষিক আয়।
verification_status	আয় এলসি দ্বারা যাচাই করা হয়েছে কিনা তা নির্দেশ করে।
issued_amount	যে মাসে ঋণ দেওয়া হয়েছিল।
purpose	ঋণের অনুরোধের জন্য ঋণগ্রহীতার দ্বারা প্রদত্ত একটি বিভাগ।
dti	বন্ধকী এবং অনুরোধকৃত এলসি লোন বাদ দিয়ে ঋণগ্রহীতার মোট ঋণের দায়-দায়িত্বের উপর ঋণগ্রহীতার মোট মাসিক ঋণ পরিশোধ ব্যবহার করে গণনা করা একটি অনুপাত, ঋণগ্রহীতার স্ব-প্রতিবেদিত মাসিক আয় দ্বারা ভাগ করা হয়।
earliest_credit_line	যে মাসে ঋণগ্রহীতার প্রথম রিপোর্ট করা ক্রেডিট লাইন খোলা হয়েছিল।
inquiries_last_6_months	গত 6 মাসে অনুসন্ধানের সংখ্যা (অটো এবং বন্ধকী অনুসন্ধান ব্যতীত)।
open_credit_lines	ঋণগ্রহীতার ক্রেডিট ফাইলে খোলা ক্রেডিট লাইনের সংখ্যা।
derogatory_public_records	অবমাননাকর পাবলিক রেকর্ডের সংখ্যা।
revolving_line_utilization_rate	রিভলভিং লাইন ইউটিলাইজেশন রেট, বা ঋণগ্রহীতা যে পরিমাণ ক্রেডিট ব্যবহার করছেন তা সমস্ত উপলব্ধ রিভলভিং ক্রেডিটের তুলনায়।
total_credit_lines	ঋণগ্রহীতার ক্রেডিট ফাইলে বর্তমানে মোট ক্রেডিট লাইনের সংখ্যা।

আমরা আমাদের ডেটা প্রস্তুতি এবং মডেল প্রশিক্ষণের জন্য এই ডেটাসেটটি ব্যবহার করি।

পূর্বশর্ত

নিম্নলিখিত পূর্বশর্ত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. উভয় ঋণ ফাইল আপলোড করুন আপনার পছন্দের একটি S3 বালতিতে।
2. আপনার প্রয়োজনীয় অনুমতি আছে তা নিশ্চিত করুন। আরো তথ্যের জন্য, পড়ুন ডেটা র্যাংলার দিয়ে শুরু করুন.
3. ডেটা র্যাংলার ব্যবহার করার জন্য কনফিগার করা একটি সেজমেকার ডোমেন সেট আপ করুন। নির্দেশাবলীর জন্য, পড়ুন Amazon SageMaker ডোমেনে অনবোর্ড.

ডেটা আমদানি করুন

একটি নতুন ডেটা র্যাংলার ডেটা ফ্লো তৈরি করুন থেকে অ্যামাজন সেজমেকার স্টুডিও ইউআই.

আপনি যেখানে আপনার ডেটাসেট রেখেছেন সেই S3 বাকেট থেকে CSV ফাইলগুলি নির্বাচন করে Amazon S3 থেকে ডেটা আমদানি করুন৷ আপনি উভয় ফাইল আমদানি করার পরে, আপনি দুটি পৃথক ওয়ার্কফ্লো দেখতে পারেন তথ্য প্রবাহ দৃশ্য।

ডেটা র্যাংলার ফ্লোতে আপনার ডেটা আমদানি করার সময় আপনি বেশ কয়েকটি নমুনা বিকল্প বেছে নিতে পারেন। যখন আপনার কাছে একটি ডেটাসেট থাকে যা ইন্টারেক্টিভভাবে প্রস্তুত করার জন্য খুব বড়, অথবা আপনি যখন আপনার নমুনাকৃত ডেটাসেটে বিরল ইভেন্টের অনুপাত সংরক্ষণ করতে চান তখন নমুনা সাহায্য করতে পারে। যেহেতু আমাদের ডেটাসেট ছোট, আমরা স্যাম্পলিং ব্যবহার করি না।

ডেটা প্রস্তুত করুন

আমাদের ব্যবহারের ক্ষেত্রে, আমাদের কাছে একটি সাধারণ কলাম সহ দুটি ডেটাসেট রয়েছে: id. ডেটা প্রস্তুতির প্রথম ধাপ হিসেবে, আমরা এই ফাইলগুলিকে যুক্ত করে একত্রিত করতে চাই। নির্দেশাবলীর জন্য, পড়ুন তথ্য রূপান্তর.

আমরা ব্যবহার করি যোগদান তথ্য রূপান্তর ধাপ এবং ব্যবহার ভিতরের যোগ দিন টাইপ করুন id কলাম।

আমাদের যোগদানের রূপান্তরের ফলস্বরূপ, ডেটা র‍্যাংলার দুটি অতিরিক্ত কলাম তৈরি করে: id_0 এবং id_1. যাইহোক, এই কলামগুলি আমাদের মডেল বিল্ডিংয়ের উদ্দেশ্যে অপ্রয়োজনীয়। আমরা ব্যবহার করে এই অপ্রয়োজনীয় কলাম ড্রপ কলাম পরিচালনা করুন রূপান্তর পদক্ষেপ।

আমরা আমাদের ডেটাসেটগুলি আমদানি করেছি, তাদের সাথে যোগ দিয়েছি এবং অপ্রয়োজনীয় কলামগুলি সরিয়েছি৷ আমরা এখন ফিচার ইঞ্জিনিয়ারিংয়ের মাধ্যমে আমাদের ডেটা সমৃদ্ধ করতে এবং মডেল তৈরির জন্য প্রস্তুত।

বৈশিষ্ট্য প্রকৌশল সঞ্চালন

আমরা ডেটা প্রস্তুত করার জন্য ডেটা র্যাংলার ব্যবহার করেছি। এছাড়াও আপনি ব্যবহার করতে পারেন ডেটা গুণমান এবং অন্তর্দৃষ্টি রিপোর্ট বৈশিষ্ট্য আপনার ডেটা গুণমান যাচাই করতে এবং আপনার ডেটাতে অস্বাভাবিকতা সনাক্ত করতে ডেটা র্যাংলারের মধ্যে। ডেটা বিজ্ঞানীদের প্রায়শই ইঞ্জিনিয়ারিং বৈশিষ্ট্যগুলিতে সঠিক ডোমেন জ্ঞান দক্ষতার সাথে প্রয়োগ করতে এই ডেটা অন্তর্দৃষ্টিগুলি ব্যবহার করতে হয়। এই পোস্টের জন্য, আমরা ধরে নিই যে আমরা এই গুণমানের মূল্যায়নগুলি সম্পন্ন করেছি এবং ফিচার ইঞ্জিনিয়ারিং-এ যেতে পারি।

এই ধাপে, আমরা সাংখ্যিক, শ্রেণীবদ্ধ এবং পাঠ্য কলামগুলিতে কয়েকটি রূপান্তর প্রয়োগ করি।

আমরা প্রথমে 0-1 এর মধ্যে মান মাপতে সুদের হার স্বাভাবিক করি। আমরা ব্যবহার করে এই কাজ প্রক্রিয়া সংখ্যা স্কেল রূপান্তর interest_rate একটি সর্বনিম্ন-সর্বোচ্চ স্কেলার ব্যবহার করে কলাম। স্বাভাবিকীকরণের (বা প্রমিতকরণ) উদ্দেশ্য হল আমাদের মডেল থেকে পক্ষপাত দূর করা। বিভিন্ন স্কেলে পরিমাপ করা ভেরিয়েবলগুলি মডেল শেখার প্রক্রিয়াতে সমানভাবে অবদান রাখবে না। অতএব, ন্যূনতম-ম্যাক্স স্কেলার ট্রান্সফর্মের মতো একটি রূপান্তর ফাংশন বৈশিষ্ট্যগুলিকে স্বাভাবিক করতে সহায়তা করে।

একটি শ্রেণীগত ভেরিয়েবলকে একটি সংখ্যাসূচক মানতে রূপান্তর করতে, আমরা এক-হট এনকোডিং ব্যবহার করি। আমরা নির্বাচন করুন এনকোড শ্রেণিবদ্ধ রূপান্তর করুন, তারপর চয়ন করুন এক-গরম এনকোড. এক-হট এনকোডিং একটি ML মডেলের ভবিষ্যদ্বাণী করার ক্ষমতা উন্নত করে। এই প্রক্রিয়াটি বৈশিষ্ট্যটিতে 1 বা 0 এর একটি বাইনারি মান নির্ধারণ করে একটি শ্রেণীগত মানকে একটি নতুন বৈশিষ্ট্যে রূপান্তর করে। একটি সাধারণ উদাহরণ হিসাবে, যদি আপনার একটি কলাম থাকে যেটির একটি মান থাকে yes or no, ওয়ান-হট এনকোডিং সেই কলামটিকে দুটি কলামে রূপান্তর করবে: a Yes কলাম এবং ক No কলাম একটি হ্যাঁ মান 1 হবে Yes কলাম এবং একটি 0 মধ্যে No কলাম এক-হট এনকোডিং আমাদের ডেটাকে আরও উপযোগী করে তোলে কারণ সাংখ্যিক মানগুলি আরও সহজে আমাদের ভবিষ্যদ্বাণীগুলির সম্ভাব্যতা নির্ধারণ করতে পারে।

অবশেষে, আমরা বৈশিষ্ট্যযুক্ত employer_title কলাম তার স্ট্রিং মানকে একটি সংখ্যাসূচক ভেক্টরে রূপান্তরিত করবে। আমরা প্রয়োগ করি কাউন্ট ভেক্টরাইজার এবং এর মধ্যে একটি আদর্শ টোকেনাইজার ভেক্টরাইজ করুন রূপান্তর টোকেনাইজেশন একটি বাক্য বা পাঠ্যের সিরিজকে শব্দে বিভক্ত করে, যেখানে একটি ভেক্টরাইজার পাঠ্য ডেটাকে মেশিন-পাঠযোগ্য আকারে রূপান্তর করে। এই শব্দগুলি ভেক্টর হিসাবে উপস্থাপিত হয়।

সমস্ত বৈশিষ্ট্য প্রকৌশল পদক্ষেপ সম্পূর্ণ হলে, আমরা ডেটা রপ্তানি করতে পারি এবং ফলাফলগুলি আমাদের S3 বালতিতে আউটপুট করতে পারি। বিকল্পভাবে, আপনি পাইথন কোড হিসাবে আপনার প্রবাহ রপ্তানি করতে পারেন, অথবা একটি জুপিটার নোটবুক ব্যবহার করে আপনার ভিউ সহ একটি পাইপলাইন তৈরি করতে পারেন অ্যামাজন সেজমেকার পাইপলাইন. আপনি যখন আপনার ফিচার ইঞ্জিনিয়ারিং ধাপগুলি স্কেলে বা একটি ML পাইপলাইনের অংশ হিসাবে চালাতে চান তখন এটি বিবেচনা করুন।

আমরা এখন ক্যানভাসের জন্য আমাদের ইনপুট হিসাবে ডেটা র্যাংলার আউটপুট ফাইল ব্যবহার করতে পারি। আমাদের ML মডেল তৈরি করতে আমরা এটিকে ক্যানভাসে ডেটাসেট হিসাবে উল্লেখ করি।

আমাদের ক্ষেত্রে, আমরা আমাদের প্রস্তুত ডেটাসেটটিকে একটি দিয়ে ডিফল্ট স্টুডিও বাকেটে রপ্তানি করেছি output উপসর্গ পরবর্তী মডেল বিল্ডিংয়ের জন্য ক্যানভাসে ডেটা লোড করার সময় আমরা এই ডেটাসেটের অবস্থান উল্লেখ করি।

ক্যানভাস দিয়ে আপনার এমএল মডেল তৈরি করুন এবং প্রশিক্ষণ দিন

সেজমেকার কনসোলে, ক্যানভাস অ্যাপ্লিকেশন চালু করুন। পূর্ববর্তী বিভাগে প্রস্তুত ডেটা থেকে একটি এমএল মডেল তৈরি করতে, আমরা নিম্নলিখিত পদক্ষেপগুলি সম্পাদন করি:

1. S3 বালতি থেকে ক্যানভাসে প্রস্তুত ডেটাসেট আমদানি করুন।

আমরা একই S3 পথ উল্লেখ করি যেখানে আমরা পূর্ববর্তী বিভাগ থেকে ডেটা র্যাংলার ফলাফল রপ্তানি করেছি।

2. ক্যানভাসে নতুন মডেল তৈরি করুন এবং নাম দিন loan_prediction_model.
3. আমদানি করা ডেটাসেট নির্বাচন করুন এবং মডেল অবজেক্টে এটি যোগ করুন।

ক্যানভাস একটি মডেল তৈরি করতে, আমাদের লক্ষ্য কলাম নির্বাচন করতে হবে।

4. যেহেতু আমাদের লক্ষ্য হল একটি ঋণদাতার ঋণ পরিশোধ করার ক্ষমতার সম্ভাব্যতার পূর্বাভাস দেওয়া, আমরা বেছে নিই loan_status কলাম।

ক্যানভাস স্বয়ংক্রিয়ভাবে এমএল সমস্যা বিবৃতির ধরন সনাক্ত করে। লেখার সময়, ক্যানভাস রিগ্রেশন, শ্রেণীবিভাগ, এবং সময় সিরিজের পূর্বাভাস সমস্যা সমর্থন করে। আপনি সমস্যার ধরন নির্দিষ্ট করতে পারেন বা ক্যানভাস স্বয়ংক্রিয়ভাবে আপনার ডেটা থেকে সমস্যাটি অনুমান করতে পারেন।

5. মডেল বিল্ডিং প্রক্রিয়া শুরু করার জন্য আপনার বিকল্প চয়ন করুন: দ্রুত বিল্ড or স্ট্যান্ডার্ড বিল্ড.

সার্জারির দ্রুত বিল্ড বিকল্পটি 2-15 মিনিটের মধ্যে একটি মডেলকে প্রশিক্ষণ দিতে আপনার ডেটাসেট ব্যবহার করে। আপনার কাছে থাকা ডেটাসেট ভবিষ্যদ্বাণী করার জন্য যথেষ্ট হবে কিনা তা নির্ধারণ করতে আপনি যখন একটি নতুন ডেটাসেট নিয়ে পরীক্ষা করছেন তখন এটি কার্যকর। আমরা এই পোস্টের জন্য এই বিকল্পটি ব্যবহার করি।

সার্জারির স্ট্যান্ডার্ড বিল্ড বিকল্পটি গতির চেয়ে নির্ভুলতা বেছে নেয় এবং মডেলটি প্রশিক্ষণের জন্য প্রায় 250 মডেল প্রার্থী ব্যবহার করে। প্রক্রিয়াটি সাধারণত 1-2 ঘন্টা সময় নেয়।

মডেলটি তৈরি হওয়ার পরে, আপনি মডেলটির ফলাফল পর্যালোচনা করতে পারেন। ক্যানভাস অনুমান করে যে আপনার মডেল সঠিক ফলাফলের 82.9% সময়ের পূর্বাভাস দিতে সক্ষম। প্রশিক্ষণ মডেলের পরিবর্তনশীলতার কারণে আপনার নিজের ফলাফল পরিবর্তিত হতে পারে।

উপরন্তু, আপনি মডেল সম্পর্কে আরও জানতে মডেলের বিশদ বিশ্লেষণে গভীরভাবে ডুব দিতে পারেন।

বৈশিষ্ট্যের গুরুত্ব লক্ষ্য কলামের পূর্বাভাস দেওয়ার ক্ষেত্রে প্রতিটি বৈশিষ্ট্যের আনুমানিক গুরুত্ব উপস্থাপন করে। এই ক্ষেত্রে, ক্রেডিট লাইন কলামের ভবিষ্যদ্বাণীতে সবচেয়ে উল্লেখযোগ্য প্রভাব রয়েছে যদি একজন গ্রাহক ঋণের পরিমাণ ফেরত দেবেন, তারপরে সুদের হার এবং বার্ষিক আয়।

মধ্যে বিভ্রান্তি ম্যাট্রিক্স উন্নত মেট্রিক্স বিভাগটিতে ব্যবহারকারীদের জন্য তথ্য রয়েছে যারা তাদের মডেল কর্মক্ষমতা সম্পর্কে গভীরভাবে বুঝতে চান।

আপনি উত্পাদন কাজের চাপের জন্য আপনার মডেল স্থাপন করার আগে, মডেল পরীক্ষা করতে ক্যানভাস ব্যবহার করুন। ক্যানভাস আমাদের মডেল এন্ডপয়েন্ট পরিচালনা করে এবং আমাদের ক্যানভাস ইউজার ইন্টারফেসে সরাসরি ভবিষ্যদ্বাণী করতে দেয়।

6. বেছে নিন ভবিষ্যদ্বাণী করা এবং ফলাফল পর্যালোচনা করুন ব্যাচ ভবিষ্যদ্বাণী or একক ভবিষ্যদ্বাণী ট্যাব।

নিম্নলিখিত উদাহরণে, আমরা আমাদের লক্ষ্য পরিবর্তনশীল ভবিষ্যদ্বাণী করতে মান পরিবর্তন করে একটি একক ভবিষ্যদ্বাণী করি loan_status বাস্তব সময়

এছাড়াও আমরা একটি বৃহত্তর ডেটাসেট নির্বাচন করতে পারি এবং ক্যানভাস আমাদের পক্ষ থেকে ব্যাচের পূর্বাভাস তৈরি করতে পারি।

উপসংহার

এন্ড-টু-এন্ড মেশিন লার্নিং জটিল এবং পুনরাবৃত্তিমূলক এবং প্রায়শই একাধিক ব্যক্তিত্ব, প্রযুক্তি এবং প্রক্রিয়া জড়িত থাকে। ডেটা র্যাংলার এবং ক্যানভাস এই দলগুলিকে কোনও কোড লেখার প্রয়োজন ছাড়াই দলগুলির মধ্যে সহযোগিতা সক্ষম করে৷

একজন ডেটা প্রকৌশলী কোনো কোড না লিখে সহজেই ডেটা র‍্যাংলার ব্যবহার করে ডেটা প্রস্তুত করতে পারেন এবং প্রস্তুত ডেটাসেটটি ব্যবসায়িক বিশ্লেষকের কাছে পাঠাতে পারেন। একজন ব্যবসায়িক বিশ্লেষক তখন ক্যানভাস ব্যবহার করে মাত্র কয়েকটি ক্লিকের মাধ্যমে নির্ভুল এমএল মডেল তৈরি করতে পারেন এবং রিয়েল টাইমে বা ব্যাচে সঠিক ভবিষ্যদ্বাণী পেতে পারেন।

ডেটা র্যাংলার দিয়ে শুরু করুন কোনো অবকাঠামো পরিচালনা না করেই এই সরঞ্জামগুলি ব্যবহার করে। তুমি পারবে ক্যানভাস সেট আপ করুন দ্রুত এবং অবিলম্বে আপনার ব্যবসার চাহিদা সমর্থন করার জন্য ML মডেল তৈরি করা শুরু করুন।

---

লেখক সম্পর্কে

পিটার চুং তিনি AWS-এর জন্য একজন সলিউশন আর্কিটেক্ট, এবং গ্রাহকদের তাদের ডেটা থেকে অন্তর্দৃষ্টি উন্মোচন করতে সাহায্য করার বিষয়ে উত্সাহী৷ তিনি সরকারী এবং বেসরকারী উভয় ক্ষেত্রেই সংস্থাগুলিকে ডেটা-চালিত সিদ্ধান্ত নিতে সহায়তা করার জন্য সমাধান তৈরি করছেন। তার কাছে সমস্ত AWS শংসাপত্রের পাশাপাশি দুটি GCP শংসাপত্র রয়েছে৷

 মীনাক্ষীসুন্দরম ঠাণ্ডাভারায়ণ AWS সহ একজন সিনিয়র AI/ML বিশেষজ্ঞ। তিনি তাদের AI এবং ML যাত্রায় হাই-টেক কৌশলগত অ্যাকাউন্টে সাহায্য করেন। তিনি ডেটা-চালিত AI সম্পর্কে খুব উত্সাহী।

ড্যান ফার্গুসন নিউ ইয়র্ক, মার্কিন যুক্তরাষ্ট্রে অবস্থিত AWS-এর একজন সলিউশন আর্কিটেক্ট। একজন মেশিন লার্নিং পরিষেবা বিশেষজ্ঞ হিসাবে, ড্যান গ্রাহকদের ML কার্যপ্রবাহকে দক্ষতার সাথে, কার্যকরীভাবে এবং টেকসইভাবে একীভূত করার জন্য তাদের যাত্রায় সহায়তা করার জন্য কাজ করে।

• 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-risk-management-machine-learning-workflow-on-amazon-sagemaker-with-no-code/