যেহেতু আরও সংস্থাগুলি গভীর অন্তর্দৃষ্টি চালানোর জন্য মেশিন লার্নিং (ML) এর দিকে চলে যায়, তাদের দুটি মূল হোঁচট খাওয়া হল লেবেলিং এবং জীবনচক্র ব্যবস্থাপনা। লেবেলিং হল ডেটা সনাক্ত করা এবং প্রসঙ্গ প্রদান করার জন্য লেবেল যোগ করা যাতে একটি ML মডেল এটি থেকে শিখতে পারে। লেবেলগুলি একটি অডিও ফাইলে একটি বাক্যাংশ, একটি ফটোগ্রাফে একটি গাড়ি, বা একটি এমআরআইতে একটি অঙ্গ নির্দেশ করতে পারে। এমএল মডেলগুলিকে ডেটার বিপরীতে কাজ করতে সক্ষম করার জন্য ডেটা লেবেলিং প্রয়োজনীয়। লাইফসাইকেল ম্যানেজমেন্ট একটি এমএল পরীক্ষা সেট আপ করার প্রক্রিয়া এবং ফলাফল পেতে ব্যবহৃত ডেটাসেট, লাইব্রেরি, সংস্করণ এবং মডেল নথিভুক্ত করার প্রক্রিয়ার সাথে কাজ করতে হবে। একটি দল একটি পদ্ধতিতে স্থির হওয়ার আগে শত শত পরীক্ষা চালাতে পারে। ফিরে যাওয়া এবং সেই পদ্ধতির পুনরায় তৈরি করা সেই পরীক্ষার উপাদানগুলির রেকর্ড ছাড়াই কঠিন হতে পারে।
অনেক ML উদাহরণ এবং টিউটোরিয়াল একটি ডেটাসেট দিয়ে শুরু হয় যাতে একটি লক্ষ্য মান রয়েছে। যাইহোক, বাস্তব-বিশ্বের ডেটার সবসময় এমন একটি লক্ষ্য মান থাকে না। উদাহরণস্বরূপ, অনুভূতি বিশ্লেষণে, একজন ব্যক্তি সাধারণত একটি পর্যালোচনা ইতিবাচক, নেতিবাচক বা মিশ্র কিনা তা নিয়ে রায় দিতে পারেন। কিন্তু পর্যালোচনাগুলি পাঠ্যের একটি সংগ্রহের সমন্বয়ে গঠিত হয় যার সাথে কোন বিচার মান সংযুক্ত করা হয় না। একটি তৈরি করার জন্য তদারকি শেখা এই সমস্যা সমাধানের জন্য মডেল, একটি উচ্চ-মানের লেবেলযুক্ত ডেটাসেট অপরিহার্য। আমাজন সেজমেকার গ্রাউন্ড ট্রুথ একটি সম্পূর্ণরূপে পরিচালিত ডেটা লেবেলিং পরিষেবা যা ML-এর জন্য অত্যন্ত নির্ভুল প্রশিক্ষণ ডেটাসেট তৈরি করা সহজ করে তোলে৷
যে সংস্থাগুলি ডেটাব্রিকগুলিকে তাদের ডেটা এবং বিশ্লেষণ প্ল্যাটফর্ম হিসাবে AWS-এ এক্সট্রাক্ট, ট্রান্সফর্ম এবং লোড (ETL) কাজগুলি সম্পাদন করতে ব্যবহার করে, তাদের চূড়ান্ত লক্ষ্য প্রায়শই একটি তত্ত্বাবধানে শেখার মডেলকে প্রশিক্ষণ দেওয়া হয়। এই পোস্টে, আমরা দেখাই কিভাবে ডেটাব্রিক্স গ্রাউন্ড ট্রুথের সাথে একীভূত হয় এবং আমাজন সেজমেকার ডেটা লেবেলিং এবং মডেল বিতরণের জন্য।
সমাধান ওভারভিউ
গ্রাউন্ড ট্রুথ একটি সম্পূর্ণরূপে পরিচালিত ডেটা লেবেলিং পরিষেবা যা ML-এর জন্য অত্যন্ত সঠিক প্রশিক্ষণ ডেটাসেট তৈরি করা সহজ করে তোলে। গ্রাউন্ড ট্রুথ কনসোলের মাধ্যমে, আমরা কয়েক মিনিটের মধ্যে কাস্টম বা বিল্ট-ইন ডেটা লেবেলিং ওয়ার্কফ্লো তৈরি করতে পারি। এই ওয়ার্কফ্লোগুলি 3D পয়েন্ট ক্লাউড, ভিডিও, ছবি এবং পাঠ্য সহ বিভিন্ন ব্যবহারের ক্ষেত্রে সমর্থন করে। এছাড়াও, গ্রাউন্ড ট্রুথ স্বয়ংক্রিয় ডেটা লেবেলিং অফার করে, যা আমাদের ডেটা লেবেল করার জন্য একটি ML মডেল ব্যবহার করে।
আমরা আমাদের মডেলকে সর্বজনীনভাবে উপলব্ধ Amazon গ্রাহক পর্যালোচনা ডেটাসেটে প্রশিক্ষণ দিই। উচ্চ স্তরে, পদক্ষেপগুলি নিম্নরূপ:
- লেবেল করার জন্য একটি কাঁচা ডেটাসেট বের করুন এবং এটিকে সরান আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)।
- সেজমেকারে একটি লেবেলিং কাজ তৈরি করে লেবেলিং সম্পাদন করুন।
- একটি নমুনা ব্যবহার করে ডেটাব্রিক্স প্ল্যাটফর্মে পর্যালোচনা পাঠ্যের অনুভূতিকে শ্রেণিবদ্ধ করতে একটি সাধারণ স্কিট-লার্ন লিনিয়ার লার্নার মডেল তৈরি এবং প্রশিক্ষণ দিন নোটবই.
- ব্যবহার এমএলফ্লো MLOps তৈরি এবং সঞ্চালন এবং মডেল শিল্পকর্ম সংরক্ষণ করার উপাদান.
- ব্যবহার করে মডেলটিকে সেজমেকার এন্ডপয়েন্ট হিসাবে স্থাপন করুন MLflow SageMaker লাইব্রেরি রিয়েল-টাইম অনুমানের জন্য।
নীচের চিত্রটি গ্রাউন্ড ট্রুথ এবং এমএলফ্লো ব্যবহার করে লেবেলিং এবং এমএল যাত্রার চিত্র তুলে ধরেছে।
সেজমেকারে একটি লেবেলিং কাজ তৈরি করুন
Amazon Customer Reviews dataset থেকে, আমরা শুধুমাত্র টেক্সট অংশগুলি বের করি, কারণ আমরা একটি অনুভূতি বিশ্লেষণ মডেল তৈরি করছি। একবার বের করা হলে, আমরা পাঠ্যটিকে একটি S3 বালতিতে রাখি এবং তারপর SageMaker কনসোলের মাধ্যমে একটি গ্রাউন্ড ট্রুথ লেবেলিং কাজ তৈরি করি।
উপরে লেবেলিং কাজ তৈরি করুন পৃষ্ঠা, সমস্ত প্রয়োজনীয় ক্ষেত্রগুলি পূরণ করুন। এই পৃষ্ঠায় পদক্ষেপের অংশ হিসাবে, গ্রাউন্ড ট্রুথ আপনাকে কাজের ম্যানিফেস্ট ফাইল তৈরি করতে দেয়। গ্রাউন্ড ট্রুথ লেবেলিং কাজের ফাইল বা বস্তুর সংখ্যা সনাক্ত করতে ইনপুট ম্যানিফেস্ট ফাইল ব্যবহার করে যাতে সঠিক সংখ্যক কাজ তৈরি করা হয় এবং মানব (বা মেশিন) লেবেলারদের কাছে পাঠানো হয়। ফাইলটি স্বয়ংক্রিয়ভাবে S3 বালতিতে সংরক্ষিত হয়। পরবর্তী ধাপ হল টাস্ক ক্যাটাগরি এবং টাস্ক সিলেকশন উল্লেখ করা। এই ব্যবহারের ক্ষেত্রে, আমরা নির্বাচন করি পাঠ টাস্ক বিভাগ হিসাবে, এবং পাঠ্য শ্রেণিবিন্যাস টাস্ক নির্বাচনের জন্য একটি একক লেবেল সহ, যার অর্থ একটি পর্যালোচনা পাঠ্যের একটি একক অনুভূতি থাকবে: ইতিবাচক, নেতিবাচক বা নিরপেক্ষ৷
অবশেষে, আমরা লেবেলারদের জন্য সহজ কিন্তু সংক্ষিপ্ত নির্দেশনা লিখি কিভাবে পাঠ্য ডেটা লেবেল করতে হয়। নির্দেশাবলী লেবেলিং টুলে প্রদর্শিত হয় এবং আপনি ঐচ্ছিকভাবে এই সময়ে টীকাকারের দৃশ্য পর্যালোচনা করতে পারেন। অবশেষে, আমরা কাজ জমা দিই এবং কনসোলে অগ্রগতি নিরীক্ষণ করি।
যখন লেবেল করার কাজ চলছে, তখন আমরা লেবেল করা ডেটাও দেখতে পারি আউটপুট ট্যাব আমরা প্রতিটি পর্যালোচনা পাঠ্য এবং লেবেল নিরীক্ষণ করতে পারি, এবং যদি কাজটি কোনও মানুষ বা মেশিন দ্বারা করা হয়। আমরা মানুষের দ্বারা করা 100% লেবেল কাজ নির্বাচন করতে পারি বা মেশিনের টীকা বেছে নিতে পারি, যা কাজের গতি বাড়ায় এবং শ্রম খরচ কমিয়ে দেয়।
কাজ সম্পূর্ণ হলে, লেবেলিং কাজের সারাংশে আউটপুট ম্যানিফেস্ট এবং লেবেলযুক্ত ডেটাসেটের লিঙ্ক থাকে। আমরা Amazon S3 এ যেতে পারি এবং আমাদের S3 বাকেট ফোল্ডার থেকে উভয়ই ডাউনলোড করতে পারি।
পরবর্তী ধাপে, আমরা একটি Databricks নোটবুক ব্যবহার করি, এমএলফ্লো, এবং একটি নির্মাণের জন্য গ্রাউন্ড ট্রুথ দ্বারা লেবেলযুক্ত ডেটাসেট সাইকিট-শিখুন মডেল.
Amazon S3 থেকে একটি লেবেলযুক্ত ডেটাসেট ডাউনলোড করুন
আমরা Amazon S3 থেকে লেবেলযুক্ত ডেটাসেট ডাউনলোড করে শুরু করি। ম্যানিফেস্টটি JSON ফর্ম্যাটে সংরক্ষিত হয় এবং আমরা এটিকে ডেটাব্রিক্সের একটি স্পার্ক ডেটাফ্রেমে লোড করি। সেন্টিমেন্ট অ্যানালাইসিস মডেলের প্রশিক্ষণের জন্য, আমাদের শুধুমাত্র সেই রিভিউ টেক্সট এবং সেন্টিমেন্ট দরকার যা গ্রাউন্ড ট্রুথ লেবেলিং কাজের দ্বারা টীকা করা হয়েছে। আমরা ঐ দুটি বৈশিষ্ট্য নিষ্কাশন করতে select() ব্যবহার করি। তারপরে আমরা ডেটাসেটকে PySpark ডেটাফ্রেম থেকে একটি পান্ডাস ডেটাফ্রেমে রূপান্তর করি, কারণ Scikit-learn অ্যালগরিদমের জন্য Pandas DataFrame ফরম্যাট প্রয়োজন।
এর পরে, আমরা Scikit-learn ব্যবহার করি CountVectorizer
রিভিউ টেক্সটকে বিগগ্রাম ভেক্টরে রুপান্তর করার জন্য সেট করে ngram_range
সর্বোচ্চ মান 2। CountVectorizer
পাঠ্যকে টোকেন গণনার ম্যাট্রিক্সে রূপান্তরিত করে। তারপর আমরা ব্যবহার করি TfidfTransformer
বিগ্রাম ভেক্টরকে একটি টার্ম ফ্রিকোয়েন্সি-ইনভার্স ডকুমেন্ট ফ্রিকোয়েন্সি (TF-IDF) ফরম্যাটে রূপান্তর করতে।
আমরা টিএফ-আইডিএফ-এর সাথে বিগগ্রাম ভেক্টর বনাম বিগ্রামের সাথে প্রশিক্ষণের জন্য সঠিকতার স্কোর তুলনা করি। TF-IDF হল একটি পরিসংখ্যানগত পরিমাপ যা নথির সংগ্রহে একটি নথির সাথে একটি শব্দ কতটা প্রাসঙ্গিক তা মূল্যায়ন করে। যেহেতু পর্যালোচনা পাঠ্য তুলনামূলকভাবে সংক্ষিপ্ত হতে থাকে, আমরা লক্ষ্য করতে পারি কিভাবে TF-IDF ভবিষ্যদ্বাণীমূলক মডেলের কার্যকারিতাকে প্রভাবিত করে।
একটি MLflow পরীক্ষা সেট আপ করুন
MLflow Databricks দ্বারা বিকশিত হয়েছিল এবং এখন এটি একটি মুক্ত উত্স প্রকল্প. MLflow ML লাইফসাইকেল পরিচালনা করে, যাতে আপনি সহজেই পরীক্ষাগুলি ট্র্যাক করতে, পুনরায় তৈরি করতে এবং প্রকাশ করতে পারেন৷
MLflow পরীক্ষা সেট আপ করতে, আমরা ব্যবহার করি mlflow.sklearn.autolog()
যখনই হাইপারপ্যারামিটার, মেট্রিক্স এবং মডেল আর্টিফ্যাক্টগুলির স্বয়ংক্রিয় লগিং সক্ষম করতে estimator.fit()
, estimator.fit_predict()
, এবং estimator.fit_transform()
ডাকল. বিকল্পভাবে, আপনি কল করে ম্যানুয়ালি এটি করতে পারেন mlflow.log_param()
এবং mlflow.log_metric()
.
আমরা স্টকাস্টিক গ্রেডিয়েন্ট ডিসেন্ট (SGD) শেখার সাথে রূপান্তরিত ডেটাসেটকে একটি রৈখিক শ্রেণীবিভাগে ফিট করি। SGD এর সাথে, ক্ষতির গ্রেডিয়েন্টটি একবারে একটি নমুনা আনুমানিক করা হয় এবং মডেলটি হ্রাসকারী শক্তির সময়সূচীর সাথে সাথে আপডেট করা হয়।
আমরা আগে তৈরি করা সেই দুটি ডেটাসেটকে পাস করা হয়েছে train_and_show_scores()
প্রশিক্ষণের জন্য ফাংশন। প্রশিক্ষণের পরে, আমাদের একটি মডেল নিবন্ধন করতে হবে এবং এর শিল্পকর্মগুলি সংরক্ষণ করতে হবে। আমরা ব্যাবহার করি mlflow.sklearn.log_model()
তাই না.
স্থাপন করার আগে, আমরা পরীক্ষার ফলাফল দেখি এবং তুলনা করার জন্য দুটি পরীক্ষা বেছে নিই (একটি বিগ্রামের জন্য এবং অন্যটি TF-IDF-এর সাথে বিগগ্রামের জন্য)। আমাদের ব্যবহারের ক্ষেত্রে, বিগগ্রাম TF-IDF এর সাথে প্রশিক্ষিত দ্বিতীয় মডেলটি কিছুটা ভালো পারফর্ম করেছে, তাই আমরা মোতায়েন করার জন্য সেই মডেলটিকে বেছে নিই। মডেলটি নিবন্ধিত হওয়ার পরে, আমরা মডেলটি স্থাপন করি, মডেল পর্যায়টিকে উত্পাদনে পরিবর্তন করি। আমরা MLflow UI এ বা কোড ব্যবহার করে এটি সম্পন্ন করতে পারি transition_model_version_stage()
.
সেজমেকার এন্ডপয়েন্ট হিসাবে মডেলটিকে স্থাপন এবং পরীক্ষা করুন
আমরা প্রশিক্ষিত মডেল স্থাপন করার আগে, সেজমেকারে মডেলটি হোস্ট করার জন্য আমাদের একটি ডকার কন্টেইনার তৈরি করতে হবে। আমরা একটি সাধারণ MLflow কমান্ড চালিয়ে এটি করি যা কন্টেইনারটিকে তৈরি করে এবং পুশ করে অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (Amazon ECR) আমাদের AWS অ্যাকাউন্টে।
আমরা এখন Amazon ECR কনসোলে চিত্র URI খুঁজে পেতে পারি। আমরা একটি হিসাবে ইমেজ URI পাস image_url
প্যারামিটার, এবং ব্যবহার করুন DEPLOYMENT_MODE_CREATE
মোড প্যারামিটারের জন্য যদি এটি একটি নতুন স্থাপনা হয়। একটি নতুন সংস্করণের সাথে একটি বিদ্যমান শেষ পয়েন্ট আপডেট করা হলে, ব্যবহার করুন DEPLOYMENT_MODE_REPLACE
.
সেজমেকার এন্ডপয়েন্ট পরীক্ষা করার জন্য, আমরা একটি ফাংশন তৈরি করি যা শেষ পয়েন্টের নাম এবং ইনপুট ডেটাকে এর পরামিতি হিসাবে নেয়।
উপসংহার
এই পোস্টে, আমরা আপনাকে দেখিয়েছি কিভাবে একটি কাঁচা ডেটাসেট লেবেল করতে গ্রাউন্ড ট্রুথ ব্যবহার করতে হয় এবং Scikit-learn ব্যবহার করে একটি সাধারণ লিনিয়ার ক্লাসিফায়ারকে প্রশিক্ষণ দিতে লেবেলযুক্ত ডেটা ব্যবহার করতে হয়। এই উদাহরণে, আমরা হাইপারপ্যারামিটার এবং মেট্রিক্স ট্র্যাক করতে MLflow ব্যবহার করি, একটি প্রোডাকশন-গ্রেড মডেল রেজিস্টার করি এবং প্রশিক্ষিত মডেলটিকে SageMaker-এ এন্ডপয়েন্ট হিসেবে স্থাপন করি। ডেটা প্রসেস করার জন্য Databricks এর সাথে, আপনি এই সম্পূর্ণ ব্যবহারের কেসটিকে স্বয়ংক্রিয় করতে পারেন, যাতে নতুন ডেটা চালু হওয়ার সাথে সাথে এটিকে লেবেল করা এবং মডেলে প্রক্রিয়া করা যেতে পারে। এই পাইপলাইনগুলি এবং মডেলগুলিকে স্বয়ংক্রিয় করার মাধ্যমে, ডেটা সায়েন্স দলগুলি প্রতিদিনের ভিত্তিতে ডেটা আপডেটগুলি পরিচালনা করার জন্য তাদের সময় ব্যয় করার পরিবর্তে নতুন ব্যবহারের ক্ষেত্রে ফোকাস করতে পারে এবং আরও অন্তর্দৃষ্টি উন্মোচন করতে পারে।
শুরু করতে, পরীক্ষা করে দেখুন ডেটা লেবেল করতে অ্যামাজন সেজমেকার গ্রাউন্ড ট্রুথ ব্যবহার করুন এবং একটি জন্য সাইন আপ করুন AWS-এ Databricks-এর 14-দিনের বিনামূল্যের ট্রায়াল. ডেটাব্রিক্স কীভাবে সেজমেকারের সাথে একীভূত হয় সে সম্পর্কে আরও জানতে, সেইসাথে অন্যান্য AWS পরিষেবাগুলির মতো এডাব্লুএস আঠালো এবং আমাজন রেডশিফ্ট, পরিদর্শন করুন AWS-এ ডেটাব্রিক্স.
অতিরিক্তভাবে, এই পোস্টে ব্যবহৃত নিম্নলিখিত সংস্থানগুলি দেখুন:
নিম্নলিখিত ব্যবহার নোটবই শুরু করতে.
লেখক সম্পর্কে
রুমি ওলসেন AWS পার্টনার প্রোগ্রামের একজন সমাধান স্থপতি। তিনি তার বর্তমান ভূমিকাতে সার্ভারহীন এবং মেশিন লার্নিং সমাধানে বিশেষজ্ঞ, এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণ প্রযুক্তিতে তার একটি পটভূমি রয়েছে। তিনি তার বেশিরভাগ অবসর সময় তার মেয়ের সাথে উত্তর-পশ্চিম প্রশান্ত মহাসাগরের প্রকৃতি অন্বেষণে ব্যয় করেন।
Igor Alekseev ডেটা এবং অ্যানালিটিক্সে AWS-এর একজন পার্টনার সলিউশন আর্কিটেক্ট। ইগর কৌশলগত অংশীদারদের সাথে কাজ করে তাদের জটিল, AWS-অপ্টিমাইজ করা আর্কিটেকচার তৈরি করতে সাহায্য করে। AWS-এ যোগদানের আগে, ডেটা/সলিউশন আর্কিটেক্ট হিসাবে, তিনি Hadoop ইকোসিস্টেমের বেশ কয়েকটি ডেটা লেক সহ বিগ ডেটাতে অনেকগুলি প্রকল্প বাস্তবায়ন করেছিলেন। একজন ডেটা ইঞ্জিনিয়ার হিসাবে, তিনি জালিয়াতি সনাক্তকরণ এবং অফিস অটোমেশনে AI/ML প্রয়োগের সাথে জড়িত ছিলেন। ইগরের প্রকল্পগুলি যোগাযোগ, অর্থ, জননিরাপত্তা, উত্পাদন এবং স্বাস্থ্যসেবা সহ বিভিন্ন শিল্পে ছিল। এর আগে, ইগর সম্পূর্ণ স্ট্যাক ইঞ্জিনিয়ার/টেক লিড হিসাবে কাজ করেছিলেন।
নাসির আহমেদ ডাটাব্রিক্সের একজন সিনিয়র পার্টনার সলিউশন আর্কিটেক্ট তার AWS ব্যবসাকে সমর্থন করে। নাসির ডেটা গুদামজাতকরণ, ব্যবসায় বুদ্ধিমত্তা, অ্যাপ ডেভেলপমেন্ট, কনটেইনার, সার্ভারহীন, AWS-এ মেশিন লার্নিং আর্কিটেকচারে বিশেষজ্ঞ। তিনি Databricks এ বছরের 2021 SME ভোট পেয়েছিলেন এবং একজন আগ্রহী ক্রিপ্টো উত্সাহী।
- 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-an-mlops-sentiment-analysis-pipeline-using-amazon-sagemaker-ground-truth-and-databricks-mlflow/
- "
- 100
- 2021
- 3d
- সম্পর্কে
- হিসাব
- সঠিক
- যোগ
- অ্যালগরিদম
- সব
- মর্দানী স্ত্রীলোক
- বিশ্লেষণ
- বৈশ্লেষিক ন্যায়
- অ্যাপ্লিকেশন
- অ্যাপ্লিকেশন বিকাশ
- প্রয়োগ করা হচ্ছে
- অভিগমন
- অডিও
- গাড়ী
- স্বয়ংক্রিয়তা
- সহজলভ্য
- ডেস্কটপ AWS
- পটভূমি
- ভিত্তি
- বড় ডেটা
- নির্মাণ করা
- ভবন
- তৈরী করে
- বিল্ট-ইন
- ব্যবসায়
- ব্যবসায়িক বুদ্ধি
- গাড়ী
- মামলা
- বিভাগ
- বেছে নিন
- শ্রেণীবিন্যাস
- কোড
- সংগ্রহ
- যোগাযোগমন্ত্রী
- জটিল
- কনসোল
- আধার
- ধারণ
- খরচ
- নির্মিত
- তৈরি করা হচ্ছে
- ক্রিপ্টো
- বর্তমান
- প্রথা
- উপাত্ত
- তথ্য বিজ্ঞান
- গভীর
- স্থাপন
- মোতায়েন
- বিস্তৃতি
- সনাক্তকরণ
- উন্নত
- উন্নয়ন
- কঠিন
- বিতরণ
- ডকশ্রমিক
- কাগজপত্র
- না
- ড্রাইভ
- সহজে
- বাস্তু
- সক্ষম করা
- শেষপ্রান্ত
- প্রকৌশলী
- অপরিহার্য
- আনুমানিক
- উদাহরণ
- পরীক্ষা
- বৈশিষ্ট্য
- ক্ষেত্রসমূহ
- পরিশেষে
- অর্থ
- ফিট
- কেন্দ্রবিন্দু
- অনুসরণ
- বিন্যাস
- প্রতারণা
- বিনামূল্যে
- সম্পূর্ণ
- ক্রিয়া
- উত্পাদন করা
- লক্ষ্য
- চালু
- স্বাস্থ্যসেবা
- উচ্চ
- অত্যন্ত
- কিভাবে
- কিভাবে
- HTTPS দ্বারা
- মানবীয়
- মানুষেরা
- শত শত
- শনাক্ত
- সনাক্ত করা
- ভাবমূর্তি
- বাস্তবায়িত
- সুদ্ধ
- শিল্প
- ইনপুট
- অর্ন্তদৃষ্টি
- বুদ্ধিমত্তা
- জড়িত
- IT
- কাজ
- জবস
- চাবি
- লেবেল
- লেবেলগুলি
- শ্রম
- ভাষা
- নেতৃত্ব
- শিখতে
- শিক্ষা
- উচ্চতা
- লাইব্রেরি
- লিঙ্ক
- বোঝা
- মেশিন
- মেশিন লার্নিং
- প্রণীত
- তৈরি করে
- পরিচালিত
- ব্যবস্থাপনা
- পরিচালক
- ম্যানুয়ালি
- উত্পাদন
- জরায়ু
- মাপ
- ছন্দোবিজ্ঞান
- মিশ্র
- ML
- মডেল
- মডেল
- মনিটর
- অধিক
- সেতু
- পদক্ষেপ
- প্রাকৃতিক
- প্রকৃতি
- নোটবই
- সংখ্যা
- অফার
- ক্রম
- সংগঠন
- অন্যান্য
- শান্তিপ্রয়াসী
- হাসপাতাল
- অংশীদারদের
- কর্মক্ষমতা
- ব্যক্তি
- মাচা
- বিন্দু
- ধনাত্মক
- সমস্যা
- প্রক্রিয়া
- উত্পাদনের
- কার্যক্রম
- প্রকল্প
- প্রদান
- প্রকাশ্য
- প্রকাশ করা
- কাঁচা
- প্রকৃত সময়
- রেকর্ড
- খাতা
- নিবন্ধভুক্ত
- প্রাসঙ্গিক
- প্রয়োজনীয়
- Resources
- ফলাফল
- এখানে ক্লিক করুন
- পর্যালোচনা
- চালান
- দৌড়
- নিরাপত্তা
- বিজ্ঞান
- অনুভূতি
- Serverless
- সেবা
- সেবা
- সেট
- বিন্যাস
- সংক্ষিপ্ত
- সহজ
- So
- সমাধান
- সলিউশন
- সমাধান
- বিশেষ
- খরচ
- গাদা
- পর্যায়
- শুরু
- শুরু
- পরিসংখ্যানসংক্রান্ত
- স্টোরেজ
- কৌশলগত
- সমর্থন
- সমর্থক
- লক্ষ্য
- কাজ
- টীম
- প্রযুক্তি
- পরীক্ষা
- দ্বারা
- সময়
- টোকেন
- টুল
- পথ
- প্রশিক্ষণ
- রুপান্তর
- পরীক্ষা
- টিউটোরিয়াল
- ui
- চূড়ান্ত
- উন্মোচন
- আপডেট
- ব্যবহার
- সাধারণত
- মূল্য
- বৈচিত্র্য
- ভিডিও
- চেক
- কিনা
- ছাড়া
- হয়া যাই ?
- কাজ করছে
- কাজ
- বছর