অটোমেল একটি মেশিন লার্নিং (ML) প্রজেক্ট লাইফসাইকেলের শুরুতেই আপনাকে আপনার ডেটা থেকে দ্রুত, সাধারণ অন্তর্দৃষ্টি পেতে দেয়। কোন প্রিপ্রসেসিং কৌশল এবং অ্যালগরিদম প্রকারগুলি সর্বোত্তম ফলাফল দেয় তা সামনের দিকে বোঝা সঠিক মডেল বিকাশ, প্রশিক্ষণ এবং স্থাপনের সময় কমিয়ে দেয়। এটি প্রতিটি মডেলের উন্নয়ন প্রক্রিয়ায় একটি গুরুত্বপূর্ণ ভূমিকা পালন করে এবং ডেটা বিজ্ঞানীদের সবচেয়ে প্রতিশ্রুতিশীল ML কৌশলগুলিতে ফোকাস করার অনুমতি দেয়। অতিরিক্তভাবে, অটোএমএল একটি বেসলাইন মডেল পারফরম্যান্স প্রদান করে যা ডেটা সায়েন্স টিমের জন্য একটি রেফারেন্স পয়েন্ট হিসাবে কাজ করতে পারে।
একটি অটোএমএল টুল আপনার ডেটাতে বিভিন্ন অ্যালগরিদম এবং বিভিন্ন প্রিপ্রসেসিং কৌশলগুলির সংমিশ্রণ প্রয়োগ করে। উদাহরণস্বরূপ, এটি ডেটা স্কেল করতে পারে, ভিন্ন বৈশিষ্ট্য নির্বাচন করতে পারে, বিভিন্ন বৈচিত্র্য থ্রেশহোল্ড স্তরে PCA পরিচালনা করতে পারে এবং ক্লাস্টারিং প্রয়োগ করতে পারে। এই ধরনের প্রিপ্রসেসিং কৌশলগুলি পৃথকভাবে প্রয়োগ করা যেতে পারে বা একটি পাইপলাইনে মিলিত হতে পারে। পরবর্তীকালে, একটি অটোএমএল টুল আপনার প্রি-প্রসেসড ডেটাসেটের বিভিন্ন সংস্করণে বিভিন্ন মডেলের ধরন, যেমন লিনিয়ার রিগ্রেশন, ইলাস্টিক-নেট বা র্যান্ডম ফরেস্টকে প্রশিক্ষণ দেবে এবং হাইপারপ্যারামিটার অপ্টিমাইজেশান (HPO) সঞ্চালন করবে। অ্যামাজন সেজমেকার অটোপাইলট বিল্ডিং ML মডেলের ভারী উত্তোলন দূর করে। ডেটাসেট প্রদান করার পর, SageMaker Autopilot স্বয়ংক্রিয়ভাবে সেরা মডেল খুঁজে পেতে বিভিন্ন সমাধান অন্বেষণ করে। কিন্তু আপনি যদি একটি অটোএমএল ওয়ার্কফ্লো এর আপনার উপযোগী সংস্করণ স্থাপন করতে চান?
এই পোস্টটি দেখায় কিভাবে একটি কাস্টম-মেড অটোএমএল ওয়ার্কফ্লো তৈরি করতে হয় আমাজন সেজমেকার ব্যবহার অ্যামাজন সেজমেকার স্বয়ংক্রিয় মডেল টিউনিং একটি নমুনা কোড উপলব্ধ সঙ্গে GitHub রেপো।
সমাধান ওভারভিউ
এই ব্যবহারের ক্ষেত্রে, ধরুন আপনি একটি ডেটা সায়েন্স টিমের অংশ যা একটি বিশেষ ডোমেনে মডেল তৈরি করে। আপনি কাস্টম প্রিপ্রসেসিং কৌশলগুলির একটি সেট তৈরি করেছেন এবং বেশ কয়েকটি অ্যালগরিদম নির্বাচন করেছেন যা আপনি সাধারণত আপনার ML সমস্যার সাথে ভালভাবে কাজ করার আশা করেন। নতুন এমএল ব্যবহারের ক্ষেত্রে কাজ করার সময়, আপনি সম্ভাব্য সমাধানের সুযোগকে সংকুচিত করতে আপনার প্রিপ্রসেসিং কৌশল এবং অ্যালগরিদম ব্যবহার করে প্রথমে একটি অটোএমএল রান সঞ্চালন করতে চান।
এই উদাহরণের জন্য, আপনি একটি বিশেষ ডেটাসেট ব্যবহার করবেন না; পরিবর্তে, আপনি ক্যালিফোর্নিয়া হাউজিং ডেটাসেটের সাথে কাজ করেন যা থেকে আপনি আমদানি করবেন আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)। ফোকাস হল সেজমেকার এইচপিও ব্যবহার করে সমাধানটির প্রযুক্তিগত বাস্তবায়ন প্রদর্শন করা, যা পরে যেকোনো ডেটাসেট এবং ডোমেনে প্রয়োগ করা যেতে পারে।
নিম্নলিখিত চিত্রটি সামগ্রিক সমাধান কর্মপ্রবাহ উপস্থাপন করে।
পূর্বশর্ত
এই পোস্টে ওয়াকথ্রু সম্পূর্ণ করার জন্য নিম্নলিখিত পূর্বশর্ত রয়েছে:
সমাধান বাস্তবায়ন করুন
সম্পূর্ণ কোড পাওয়া যায় গিটহুব রেপো.
সমাধানটি বাস্তবায়নের পদক্ষেপগুলি (ওয়ার্কফ্লো ডায়াগ্রামে উল্লিখিত) নিম্নরূপ:
- একটি নোটবুক উদাহরণ তৈরি করুন এবং নিম্নলিখিত উল্লেখ করুন:
- জন্য নোটবুক উদাহরণ টাইপনির্বাচন ml.t3.medium.
- জন্য ইলাস্টিক ইনফারেন্সনির্বাচন না.
- জন্য প্ল্যাটফর্ম শনাক্তকারীনির্বাচন অ্যামাজন লিনাক্স 2, জুপিটার ল্যাব 3.
- জন্য আইএএম ভূমিকা, ডিফল্ট নির্বাচন করুন
AmazonSageMaker-ExecutionRole
. এটি বিদ্যমান না থাকলে, একটি নতুন তৈরি করুন এডাব্লুএস আইডেন্টিটি এবং অ্যাক্সেস ম্যানেজমেন্ট (IAM) ভূমিকা এবং সংযুক্ত করুন AmazonSageMakerFullAccess IAM নীতি.
মনে রাখবেন যে আপনি উৎপাদনে একটি ন্যূনতম স্কোপ এক্সিকিউশন ভূমিকা এবং নীতি তৈরি করুন।
- আপনার নোটবুকের উদাহরণের জন্য JupyterLab ইন্টারফেসটি খুলুন এবং GitHub রেপো ক্লোন করুন।
আপনি একটি নতুন টার্মিনাল অধিবেশন শুরু করে এবং চালানোর মাধ্যমে এটি করতে পারেন git clone <REPO>
কমান্ড বা UI কার্যকারিতা ব্যবহার করে, যেমনটি নিম্নলিখিত স্ক্রিনশটে দেখানো হয়েছে।
- খোলা
automl.ipynb
নোটবুক ফাইল, নির্বাচন করুনconda_python3
kernel, এবং a ট্রিগার করার জন্য নির্দেশাবলী অনুসরণ করুন HPO কাজের সেট.
কোনো পরিবর্তন ছাড়াই কোড চালানোর জন্য, আপনাকে পরিষেবার কোটা বাড়াতে হবে প্রশিক্ষণ কাজের ব্যবহারের জন্য ml.m5.large এবং সমস্ত প্রশিক্ষণের কাজ জুড়ে উদাহরণের সংখ্যা. AWS ডিফল্টরূপে উভয় কোটার জন্য শুধুমাত্র 20টি সমান্তরাল SageMaker প্রশিক্ষণের চাকরির অনুমতি দেয়। আপনাকে উভয়ের জন্য কোটা 30-এ বৃদ্ধির অনুরোধ করতে হবে। উভয় কোটা পরিবর্তন সাধারণত কয়েক মিনিটের মধ্যে অনুমোদিত হওয়া উচিত। নির্দেশ করে কোটা বাড়ানোর অনুরোধ করছি আরও তথ্যের জন্য.
আপনি যদি কোটা পরিবর্তন করতে না চান তবে আপনি কেবলমাত্র এর মান পরিবর্তন করতে পারেন MAX_PARALLEL_JOBS
স্ক্রিপ্টে পরিবর্তনশীল (উদাহরণস্বরূপ, থেকে 5)।
- প্রতিটি HPO কাজ একটি সেট সম্পূর্ণ হবে প্রশিক্ষণের কাজ ট্রায়াল এবং সর্বোত্তম হাইপারপ্যারামিটার সহ মডেল নির্দেশ করে।
- ফলাফল বিশ্লেষণ এবং সর্বোত্তম-পারফর্মিং মডেল স্থাপন করুন.
এই সমাধান আপনার AWS অ্যাকাউন্টে খরচ বহন করবে। এই সমাধানের খরচ HPO প্রশিক্ষণের চাকরির সংখ্যা এবং সময়কালের উপর নির্ভর করবে। এগুলো বাড়ার সাথে সাথে খরচও বাড়বে। আপনি প্রশিক্ষণের সময় সীমিত করে এবং কনফিগার করে খরচ কমাতে পারেন TuningJobCompletionCriteriaConfig
এই পোস্টে পরে আলোচনা করা নির্দেশাবলী অনুযায়ী. মূল্য তথ্যের জন্য, পড়ুন অ্যামাজন সেজমেকার প্রাইসিং.
নিম্নলিখিত বিভাগে, আমরা কোড উদাহরণ এবং ফলাফল বিশ্লেষণ এবং সেরা মডেল নির্বাচন করার পদক্ষেপগুলি সহ নোটবুকটি আরও বিশদে আলোচনা করি৷
প্রাথমিক সেটআপ
চলুন শুরু করা যাক আমদানি ও সেটআপ বিভাগে custom-automl.ipynb
নোটবই. এটি সমস্ত প্রয়োজনীয় নির্ভরতা ইনস্টল এবং আমদানি করে, একটি সেজমেকার সেশন এবং ক্লায়েন্টকে ইনস্ট্যান্ট করে এবং ডেটা সংরক্ষণের জন্য ডিফল্ট অঞ্চল এবং S3 বাকেট সেট করে।
ডেটা প্রস্তুতি
ক্যালিফোর্নিয়া হাউজিং ডেটাসেট ডাউনলোড করুন এবং এটি চালানোর মাধ্যমে প্রস্তুত করুন ডাউনলোড ডেটা নোটবুকের বিভাগ। ডেটাসেটটি প্রশিক্ষণ এবং পরীক্ষার ডেটা ফ্রেমে বিভক্ত এবং সেজমেকার সেশন ডিফল্ট S3 বালতিতে আপলোড করা হয়েছে।
সমগ্র ডেটাসেটে লক্ষ্যমাত্রা সহ মোট 20,640টি রেকর্ড এবং 9টি কলাম রয়েছে। লক্ষ্য হল একটি বাড়ির গড় মান ভবিষ্যদ্বাণী করা (medianHouseValue
কলাম)। নিম্নলিখিত স্ক্রিনশট ডেটাসেটের উপরের সারিগুলি দেখায়।
প্রশিক্ষণ স্ক্রিপ্ট টেমপ্লেট
এই পোস্টে AutoML ওয়ার্কফ্লো উপর ভিত্তি করে scikit-শিখতে প্রিপ্রসেসিং পাইপলাইন এবং অ্যালগরিদম। লক্ষ্য হল সেরা-পারফর্মিং সেটআপ খুঁজে পেতে বিভিন্ন প্রিপ্রসেসিং পাইপলাইন এবং অ্যালগরিদমের একটি বড় সমন্বয় তৈরি করা। আসুন একটি জেনেরিক প্রশিক্ষণ স্ক্রিপ্ট তৈরি করে শুরু করি, যা নোটবুকের উদাহরণে স্থানীয়ভাবে স্থায়ী হয়। এই স্ক্রিপ্টে, দুটি খালি মন্তব্য ব্লক রয়েছে: একটি হাইপারপ্যারামিটার ইনজেকশনের জন্য এবং অন্যটি প্রিপ্রসেসিং-মডেল পাইপলাইন অবজেক্টের জন্য। প্রতিটি প্রিপ্রসেসিং মডেল প্রার্থীর জন্য তাদের গতিশীলভাবে ইনজেকশন দেওয়া হবে। একটি জেনেরিক স্ক্রিপ্ট থাকার উদ্দেশ্য হল বাস্তবায়ন DRY রাখা (নিজেকে পুনরাবৃত্তি করবেন না)।
প্রিপ্রসেসিং এবং মডেল কম্বিনেশন তৈরি করুন
সার্জারির preprocessors
অভিধানে মডেলের সমস্ত ইনপুট বৈশিষ্ট্যগুলিতে প্রয়োগ করা প্রিপ্রসেসিং কৌশলগুলির একটি স্পেসিফিকেশন রয়েছে। প্রতিটি রেসিপি একটি ব্যবহার করে সংজ্ঞায়িত করা হয় Pipeline
বা একটি FeatureUnion
স্কিকিট-লার্ন থেকে অবজেক্ট, যা পৃথক ডেটা ট্রান্সফরমেশনকে একত্রিত করে এবং সেগুলিকে একত্রে স্ট্যাক করে। উদাহরণ স্বরূপ, mean-imp-scale
একটি সাধারণ রেসিপি যা নিশ্চিত করে যে অনুপস্থিত মানগুলি সংশ্লিষ্ট কলামগুলির গড় মান ব্যবহার করে অভিযুক্ত করা হয়েছে এবং সমস্ত বৈশিষ্ট্য ব্যবহার করে স্কেল করা হয়েছে স্ট্যান্ডার্ডস্কেলার। বিপরীতে, mean-imp-scale-pca
আরও কয়েকটি অপারেশন একসাথে রেসিপি চেইন:
- কলামে অনুপস্থিত মানগুলিকে এর গড় সহ চাপিয়ে দিন।
- গড় এবং মানক বিচ্যুতি ব্যবহার করে বৈশিষ্ট্য স্কেলিং প্রয়োগ করুন।
- একটি নির্দিষ্ট ভ্যারিয়েন্স থ্রেশহোল্ড মানের ইনপুট ডেটার উপরে PCA গণনা করুন এবং এটিকে অভিযুক্ত এবং স্কেল করা ইনপুট বৈশিষ্ট্যগুলির সাথে একত্রিত করুন।
এই পোস্টে, সমস্ত ইনপুট বৈশিষ্ট্য সংখ্যাসূচক। আপনার ইনপুট ডেটাসেটে আরও ডেটা টাইপ থাকলে, আপনাকে আরও জটিল পাইপলাইন নির্দিষ্ট করতে হবে যেখানে বিভিন্ন প্রিপ্রসেসিং শাখাগুলি বিভিন্ন বৈশিষ্ট্যের ধরন সেটগুলিতে প্রয়োগ করা হয়।
সার্জারির models
অভিধানে বিভিন্ন অ্যালগরিদমের স্পেসিফিকেশন রয়েছে যা আপনি ডেটাসেটের সাথে মানানসই। প্রতিটি মডেলের ধরন অভিধানে নিম্নলিখিত স্পেসিফিকেশন সহ আসে:
- স্ক্রিপ্ট_আউটপুট - অনুমানকারী দ্বারা ব্যবহৃত প্রশিক্ষণ স্ক্রিপ্টের অবস্থান নির্দেশ করে। এই ক্ষেত্রটি গতিশীলভাবে পূর্ণ হয় যখন
models
অভিধানের সাথে মিলিত হয়preprocessors
অভিধান। - সন্নিবেশ - কোড সংজ্ঞায়িত করে যা ঢোকানো হবে
script_draft.py
এবং পরবর্তীকালে অধীনে সংরক্ষিতscript_output
। চাবি“preprocessor”
ইচ্ছাকৃতভাবে ফাঁকা রাখা হয়েছে কারণ একাধিক মডেল-প্রিপ্রসেসর সমন্বয় তৈরি করার জন্য এই অবস্থানটি একটি প্রিপ্রসেসর দিয়ে পূর্ণ। - হাইপারপ্যারামিটার - হাইপারপ্যারামিটারের একটি সেট যা HPO কাজের দ্বারা অপ্টিমাইজ করা হয়।
- অন্তর্ভুক্ত_cls_metadata - SageMaker দ্বারা প্রয়োজনীয় আরও কনফিগারেশন বিশদ
Tuner
বর্গ.
একটি সম্পূর্ণ উদাহরণ models
অভিধানটি GitHub সংগ্রহস্থলে উপলব্ধ।
এর পরে, এর মাধ্যমে পুনরাবৃত্তি করা যাক preprocessors
এবং models
অভিধান এবং সমস্ত সম্ভাব্য সমন্বয় তৈরি করুন। উদাহরণস্বরূপ, যদি আপনার preprocessors
অভিধানে 10টি রেসিপি রয়েছে এবং আপনার কাছে 5টি মডেল সংজ্ঞা রয়েছে models
অভিধান, নতুন তৈরি পাইপলাইন অভিধানে 50টি প্রিপ্রসেসর-মডেল পাইপলাইন রয়েছে যা HPO চলাকালীন মূল্যায়ন করা হয়। মনে রাখবেন যে পৃথক পাইপলাইন স্ক্রিপ্টগুলি এই সময়ে তৈরি করা হয়নি। জুপিটার নোটবুকের পরবর্তী কোড ব্লক (সেল 9) সমস্ত প্রিপ্রসেসর-মডেল বস্তুর মাধ্যমে পুনরাবৃত্তি করে pipelines
অভিধান, সমস্ত প্রাসঙ্গিক কোড টুকরা সন্নিবেশ করায়, এবং নোটবুকে স্থানীয়ভাবে স্ক্রিপ্টের একটি পাইপলাইন-নির্দিষ্ট সংস্করণ বজায় রাখে। এই স্ক্রিপ্টগুলি পরবর্তী ধাপে ব্যবহার করা হয় যখন আপনি HPO চাকরিতে প্লাগ করে এমন পৃথক অনুমানকারী তৈরি করেন।
অনুমানকারীদের সংজ্ঞায়িত করুন
আপনি এখন SageMaker এস্টিমেটর সংজ্ঞায়িত করার জন্য কাজ করতে পারেন যা HPO কাজ স্ক্রিপ্ট প্রস্তুত হওয়ার পরে ব্যবহার করে। আসুন একটি র্যাপার ক্লাস তৈরি করে শুরু করি যা সমস্ত অনুমানকারীদের জন্য কিছু সাধারণ বৈশিষ্ট্য সংজ্ঞায়িত করে। এটি থেকে উত্তরাধিকারসূত্রে পাওয়া যায় SKLearn
ক্লাস এবং ভূমিকা, উদাহরণ গণনা এবং প্রকার উল্লেখ করে, সেইসাথে স্ক্রিপ্ট দ্বারা বৈশিষ্ট্য এবং লক্ষ্য হিসাবে কোন কলাম ব্যবহার করা হয়।
এর নির্মাণ করা যাক estimators
এর আগে উত্পন্ন এবং অবস্থিত সমস্ত স্ক্রিপ্টের মাধ্যমে পুনরাবৃত্তি করে অভিধান scripts
ডিরেক্টরি আপনি ব্যবহার করে একটি নতুন অনুমানকারী তাত্ক্ষণিক SKLearnBase
ক্লাস, একটি অনন্য অনুমানকারী নাম এবং একটি স্ক্রিপ্ট সহ। উল্লেখ্য যে estimators
অভিধানের দুটি স্তর রয়েছে: শীর্ষ স্তরটি সংজ্ঞায়িত করে a pipeline_family
. এটি একটি যৌক্তিক গ্রুপিং যা মূল্যায়ন করার জন্য মডেলের প্রকারের উপর ভিত্তি করে এবং এর দৈর্ঘ্যের সমান models
অভিধান দ্বিতীয় স্তরে প্রদত্তের সাথে মিলিত পৃথক প্রিপ্রসেসরের ধরন রয়েছে pipeline_family
. HPO কাজ তৈরি করার সময় এই লজিক্যাল গ্রুপিং প্রয়োজন।
HPO টিউনার আর্গুমেন্ট সংজ্ঞায়িত করুন
HPO মধ্যে পাসিং আর্গুমেন্ট অপ্টিমাইজ করতে Tuner
শ্রেণী, HyperparameterTunerArgs
ডেটা ক্লাস এইচপিও ক্লাসের প্রয়োজনীয় আর্গুমেন্ট দিয়ে শুরু করা হয়। এটি ফাংশনের একটি সেটের সাথে আসে, যা নিশ্চিত করে যে HPO আর্গুমেন্টগুলি একবারে একাধিক মডেল সংজ্ঞা স্থাপন করার সময় প্রত্যাশিত ফর্ম্যাটে ফেরত দেওয়া হয়।
পরবর্তী কোড ব্লক পূর্বে চালু ব্যবহার করে HyperparameterTunerArgs
ডেটা ক্লাস। আপনি নামক আরেকটি অভিধান তৈরি করুন hp_args
এবং প্রতিটির জন্য নির্দিষ্ট ইনপুট প্যারামিটারের একটি সেট তৈরি করুন estimator_family
থেকে estimators
অভিধান প্রতিটি মডেল পরিবারের জন্য HPO চাকরি শুরু করার সময় এই যুক্তিগুলি পরবর্তী ধাপে ব্যবহার করা হয়।
HPO টিউনার অবজেক্ট তৈরি করুন
এই ধাপে, আপনি প্রত্যেকের জন্য পৃথক টিউনার তৈরি করুন estimator_family
. কেন আপনি সমস্ত অনুমানকারী জুড়ে শুধুমাত্র একটি চালু করার পরিবর্তে তিনটি পৃথক HPO চাকরি তৈরি করবেন? দ্য HyperparameterTuner
ক্লাস এটি সংযুক্ত 10 মডেল সংজ্ঞা সীমাবদ্ধ. অতএব, প্রতিটি HPO একটি প্রদত্ত মডেল পরিবারের জন্য সেরা-পারফর্মিং প্রিপ্রসেসর খুঁজে বের করার জন্য এবং সেই মডেল পরিবারের হাইপারপ্যারামিটারগুলিকে টিউন করার জন্য দায়ী।
নীচে সেটআপ সম্পর্কিত আরও কয়েকটি পয়েন্ট রয়েছে:
- অপ্টিমাইজেশান কৌশল হল Bayesian, যার মানে হল যে HPO সক্রিয়ভাবে সমস্ত ট্রায়ালের কর্মক্ষমতা নিরীক্ষণ করে এবং অপ্টিমাইজেশানটিকে আরও প্রতিশ্রুতিবদ্ধ হাইপারপ্যারামিটার সমন্বয়ের দিকে নেভিগেট করে৷ প্রারম্ভিক স্টপিং সেট করা উচিত বন্ধ or অটো একটি Bayesian কৌশল নিয়ে কাজ করার সময়, যা সেই যুক্তি নিজেই পরিচালনা করে।
- প্রতিটি HPO চাকরি সর্বোচ্চ 100টি কাজের জন্য চলে এবং সমান্তরালভাবে 10টি কাজ চালায়। আপনি যদি বৃহত্তর ডেটাসেট নিয়ে কাজ করেন, তাহলে আপনি চাকরির মোট সংখ্যা বাড়াতে চাইতে পারেন।
- উপরন্তু, আপনি সেটিংস ব্যবহার করতে চাইতে পারেন যা নিয়ন্ত্রণ করে যে একটি কাজ কতক্ষণ চলবে এবং আপনার HPO কতগুলি কাজ ট্রিগার করছে। এটি করার একটি উপায় হল সেকেন্ডে সর্বাধিক রানটাইম সেট করা (এই পোস্টের জন্য, আমরা এটি 1 ঘন্টা সেট করেছি)। আরেকটি হল সম্প্রতি মুক্তিপ্রাপ্ত ব্যবহার করা
TuningJobCompletionCriteriaConfig
. এটি সেটিংসের একটি সেট অফার করে যা আপনার কাজের অগ্রগতি নিরীক্ষণ করে এবং সিদ্ধান্ত নেয় যে আরও চাকরি ফলাফলের উন্নতি করবে কিনা। এই পোস্টে, আমরা সর্বোচ্চ সংখ্যক প্রশিক্ষণের চাকরির সংখ্যা 20 তে সেট করেছি। এইভাবে, যদি স্কোর উন্নতি না হয় (উদাহরণস্বরূপ, চল্লিশতম ট্রায়াল থেকে), আপনাকে বাকি ট্রায়ালের জন্য অর্থ প্রদান করতে হবে নাmax_jobs
উপনিত.
এখন এর মাধ্যমে পুনরাবৃত্তি করা যাক tuners
এবং hp_args
অভিধান এবং সেজমেকারে সমস্ত এইচপিও কাজ ট্রিগার করে। সেট করা অপেক্ষা আর্গুমেন্টের ব্যবহার নোট করুন False
, যার মানে হল যে ফলাফল সম্পূর্ণ না হওয়া পর্যন্ত কার্নেল অপেক্ষা করবে না এবং আপনি একবারে সমস্ত কাজ ট্রিগার করতে পারবেন।
এটা সম্ভবত যে সমস্ত প্রশিক্ষণের কাজ সম্পূর্ণ হবে না এবং তাদের মধ্যে কিছু HPO চাকরির দ্বারা বন্ধ হয়ে যেতে পারে। এর কারণ হল TuningJobCompletionCriteriaConfig
—অপ্টিমাইজেশান শেষ হয় যদি নির্দিষ্ট মানদণ্ডের কোনোটি পূরণ করা হয়। এই ক্ষেত্রে, যখন অপ্টিমাইজেশানের মানদণ্ড পরপর 20টি কাজের জন্য উন্নত হয় না।
ফলাফল বিশ্লেষণ করুন
নোটবুকের 15 সেল চেক করে যে সমস্ত HPO কাজ সম্পূর্ণ হয়েছে কিনা এবং আরও বিশ্লেষণের জন্য একটি পান্ডাস ডেটা ফ্রেমের আকারে সমস্ত ফলাফলকে একত্রিত করে। ফলাফলগুলি বিশদভাবে বিশ্লেষণ করার আগে, আসুন সেজমেকার কনসোলের একটি উচ্চ-স্তরের নজর দেওয়া যাক।
শীর্ষে হাইপারপ্যারামিটার টিউনিং কাজ পৃষ্ঠায়, আপনি আপনার তিনটি চালু করা HPO চাকরি দেখতে পারেন। তাদের সকলেই তাড়াতাড়ি শেষ করেছে এবং সমস্ত 100টি প্রশিক্ষণের কাজ সম্পাদন করেনি। নিম্নলিখিত স্ক্রিনশটটিতে, আপনি দেখতে পাচ্ছেন যে ইলাস্টিক-নেট মডেল পরিবার সর্বোচ্চ সংখ্যক ট্রায়াল সম্পন্ন করেছে, যেখানে অন্যদের সর্বোত্তম ফলাফলের জন্য এত বেশি প্রশিক্ষণের চাকরির প্রয়োজন নেই।
আপনি আরও বিশদ অ্যাক্সেস করতে HPO জব খুলতে পারেন, যেমন স্বতন্ত্র প্রশিক্ষণের কাজ, কাজের কনফিগারেশন এবং সেরা প্রশিক্ষণ কাজের তথ্য এবং কর্মক্ষমতা।
সমস্ত মডেল পরিবারে অটোএমএল ওয়ার্কফ্লো পারফরম্যান্সের আরও অন্তর্দৃষ্টি পেতে ফলাফলের উপর ভিত্তি করে একটি ভিজ্যুয়ালাইজেশন তৈরি করি।
নিম্নলিখিত গ্রাফ থেকে, আপনি উপসংহার করতে পারেন যে Elastic-Net
মডেলের কর্মক্ষমতা 70,000 এবং 80,000 RMSE-এর মধ্যে দোদুল্যমান ছিল এবং অবশেষে স্থবির হয়ে পড়ে, কারণ অ্যালগরিদম বিভিন্ন প্রিপ্রসেসিং কৌশল এবং হাইপারপ্যারামিটার মান চেষ্টা করেও তার কর্মক্ষমতা উন্নত করতে পারেনি। এটাও মনে হয় RandomForest
HPO দ্বারা অন্বেষণ করা হাইপারপ্যারামিটার সেটের উপর নির্ভর করে কর্মক্ষমতা অনেক পরিবর্তিত হয়, কিন্তু অনেক ট্রায়াল সত্ত্বেও এটি 50,000 RMSE ত্রুটির নিচে যেতে পারেনি। GradientBoosting
50,000 RMSE-এর নিচে যাওয়ার শুরু থেকেই সেরা পারফরম্যান্স অর্জন করেছে। এইচপিও সেই ফলাফলটিকে আরও উন্নত করার চেষ্টা করেছিল কিন্তু অন্যান্য হাইপারপ্যারামিটার সংমিশ্রণে আরও ভাল পারফরম্যান্স অর্জন করতে সক্ষম হয়নি। সমস্ত এইচপিও চাকরির জন্য একটি সাধারণ উপসংহার হল যে প্রতিটি অ্যালগরিদমের জন্য সেরা পারফরম্যান্সের হাইপারপ্যারামিটার সেট খুঁজে পেতে এত বেশি চাকরির প্রয়োজন ছিল না। ফলাফল আরও উন্নত করতে, আপনাকে আরও বৈশিষ্ট্য তৈরি এবং অতিরিক্ত বৈশিষ্ট্য প্রকৌশল সম্পাদনের সাথে পরীক্ষা করতে হবে।
আপনি সবচেয়ে প্রতিশ্রুতিশীল সংমিশ্রণ সম্পর্কে সিদ্ধান্ত নিতে মডেল-প্রিপ্রসেসর সংমিশ্রণের আরও বিশদ দৃষ্টিভঙ্গি পরীক্ষা করতে পারেন।
সেরা মডেল নির্বাচন করুন এবং এটি স্থাপন করুন
নিম্নোক্ত কোড স্নিপেট সর্বনিম্ন অর্জিত উদ্দেশ্য মানের উপর ভিত্তি করে সেরা মডেল নির্বাচন করে। তারপরে আপনি মডেলটিকে সেজমেকার এন্ডপয়েন্ট হিসাবে স্থাপন করতে পারেন।
পরিষ্কার কর
আপনার AWS অ্যাকাউন্টে অবাঞ্ছিত চার্জ প্রতিরোধ করতে, আমরা এই পোস্টে আপনি যে AWS সংস্থানগুলি ব্যবহার করেছেন তা মুছে ফেলার সুপারিশ করছি:
- Amazon S3 কনসোলে, S3 বালতি থেকে ডেটা খালি করুন যেখানে প্রশিক্ষণ ডেটা সংরক্ষণ করা হয়েছিল৷
- SageMaker কনসোলে, নোটবুক উদাহরণ বন্ধ করুন।
- মডেল এন্ডপয়েন্ট মুছুন যদি আপনি এটি স্থাপন করেন। যখন আর ব্যবহার করা হয় না তখন এন্ডপয়েন্টগুলি মুছে ফেলা উচিত, কারণ সেগুলি স্থাপনের সময় অনুসারে বিল করা হয়।
উপসংহার
এই পোস্টে, আমরা অ্যালগরিদম এবং প্রিপ্রসেসিং কৌশলগুলির একটি কাস্টম নির্বাচন ব্যবহার করে সেজমেকারে কীভাবে একটি কাস্টম HPO কাজ তৈরি করতে হয় তা প্রদর্শন করেছি। বিশেষ করে, এই উদাহরণটি দেখায় যে কীভাবে অনেকগুলি প্রশিক্ষণ স্ক্রিপ্ট তৈরি করার প্রক্রিয়াটিকে স্বয়ংক্রিয় করতে হয় এবং একাধিক সমান্তরাল অপ্টিমাইজেশন কাজের দক্ষ স্থাপনার জন্য পাইথন প্রোগ্রামিং কাঠামো কীভাবে ব্যবহার করতে হয়। আমরা আশা করি যে এই সমাধানটি যে কোনো কাস্টম মডেল টিউনিং কাজের ভারা গঠন করবে যা আপনি SageMaker ব্যবহার করে উচ্চতর কর্মক্ষমতা অর্জন করতে এবং আপনার ML কর্মপ্রবাহের গতি বাড়ানোর জন্য স্থাপন করবেন।
SageMaker HPO কীভাবে ব্যবহার করবেন সে সম্পর্কে আপনার জ্ঞানকে আরও গভীর করতে নিম্নলিখিত সংস্থানগুলি দেখুন:
লেখক সম্পর্কে
কনরাড সেমস অ্যামাজন ওয়েব সার্ভিসেস ডেটা ল্যাব টিমের একজন সিনিয়র এমএল সলিউশন আর্কিটেক্ট। তিনি গ্রাহকদের AWS এর সাথে তাদের ব্যবসায়িক চ্যালেঞ্জগুলি সমাধান করতে মেশিন লার্নিং ব্যবহার করতে সহায়তা করেন। তিনি গ্রাহকদের তাদের AI/ML প্রকল্পগুলির জন্য সহজ এবং বাস্তবসম্মত সমাধানগুলিকে সক্ষম করার জন্য উদ্ভাবন এবং সরলীকরণ উপভোগ করেন। তিনি MlOps এবং ঐতিহ্যগত তথ্য বিজ্ঞান সম্পর্কে সবচেয়ে উত্সাহী। কাজের বাইরে, তিনি উইন্ডসার্ফিং এবং কাইটসার্ফিংয়ের একটি বড় ভক্ত।
টুনা এরসয় AWS-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট। তার প্রাথমিক ফোকাস হচ্ছে পাবলিক সেক্টরের গ্রাহকদের তাদের কাজের চাপের জন্য ক্লাউড প্রযুক্তি গ্রহণ করতে সাহায্য করা। অ্যাপ্লিকেশন বিকাশ, এন্টারপ্রাইজ আর্কিটেকচার এবং যোগাযোগ কেন্দ্র প্রযুক্তিতে তার একটি পটভূমি রয়েছে। তার আগ্রহের মধ্যে রয়েছে সার্ভারহীন আর্কিটেকচার এবং এআই/এমএল।
- 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/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- 15%
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- সক্ষম
- সম্পর্কে
- প্রবেশ
- অনুযায়ী
- হিসাব
- অর্জন করা
- অর্জন
- দিয়ে
- সক্রিয়ভাবে
- অতিরিক্ত
- উপরন্তু
- পোষ্যপুত্র গ্রহণ করা
- পর
- এআই / এমএল
- লক্ষ্য
- অ্যালগরিদম
- আলগোরিদিম
- সব
- অনুমতি
- অনুমতি
- ইতিমধ্যে
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষণ
- বিশ্লেষণ করা
- বিশ্লেষণ
- এবং
- অন্য
- কোন
- আবেদন
- অ্যাপ্লিকেশন ডেভেলপমেন্ট
- ফলিত
- প্রযোজ্য
- প্রয়োগ করা
- অনুমোদিত
- স্থাপত্য
- রয়েছি
- যুক্তি
- আর্গুমেন্ট
- AS
- অনুমান
- At
- সংযুক্ত
- গাড়ী
- স্বয়ংক্রিয় পদ্ধতি প্রয়োগ করা
- স্বয়ংক্রিয়
- স্বয়ংক্রিয়ভাবে
- অটোমেল
- সহজলভ্য
- ডেস্কটপ AWS
- পটভূমি
- ভিত্তি
- ভিত্তি
- বেসলাইন
- বায়েসিয়ান
- BE
- কারণ
- আগে
- শুরু
- নিচে
- সর্বোত্তম
- উত্তম
- মধ্যে
- বিশাল
- বাধা
- ব্লক
- উভয়
- শাখা
- নির্মাণ করা
- ভবন
- ব্যবসায়
- কিন্তু
- বোতাম
- by
- ক্যালিফোর্নিয়া
- কল
- নামক
- CAN
- প্রার্থী
- কেস
- মামলা
- কেন্দ্র
- চেইন
- চ্যালেঞ্জ
- পরিবর্তন
- পরিবর্তন
- চার্জ
- চেক
- বেছে নিন
- শ্রেণী
- CLF
- মক্কেল
- মেঘ
- গুচ্ছ
- থলোথলো
- কোড
- স্তম্ভ
- কলাম
- সমাহার
- সমন্বয়
- মিলিত
- সম্মিলন
- আসে
- মন্তব্য
- সাধারণ
- সম্পূর্ণ
- সম্পন্ন হয়েছে
- পরিপূরক
- জটিল
- শেষ করা
- উপসংহার
- আচার
- কনফিগারেশন
- পরপর
- কনসোল
- যোগাযোগ
- যোগাযোগ কেন্দ্র
- ধারণ
- বিপরীত হত্তয়া
- নিয়ন্ত্রণ
- মূল্য
- খরচ
- পারা
- সৃষ্টি
- নির্মিত
- তৈরি করা হচ্ছে
- নির্ণায়ক
- কঠোর
- এখন
- প্রথা
- গ্রাহকদের
- উপাত্ত
- তথ্য বিজ্ঞান
- ডেটাসেট
- ডিলিং
- সিদ্ধান্ত নেন
- গভীর করা
- ডিফল্ট
- সংজ্ঞায়িত
- সংজ্ঞায়িত
- সংজ্ঞা
- সংজ্ঞা
- প্রদর্শন
- প্রমান
- নির্ভর
- নির্ভরতা
- নির্ভর করে
- স্থাপন
- মোতায়েন
- মোতায়েন
- বিস্তৃতি
- প্রবাহ
- সত্ত্বেও
- বিস্তারিত
- বিশদ
- বিস্তারিত
- বিকাশ
- উন্নত
- উন্নয়ন
- বিকাশ
- চ্যুতি
- অভি
- বিভিন্ন
- ডিরেক্টরি
- আলোচনা করা
- আলোচনা
- do
- না
- ডোমেইন
- Dont
- নিচে
- আঁকা
- শুষ্ক
- স্থিতিকাল
- সময়
- পরিবর্তনশীল
- প্রতি
- গোড়ার দিকে
- দক্ষ
- ঘটিয়েছে
- সক্ষম করা
- শেষপ্রান্ত
- প্রকৌশল
- নিশ্চিত করা
- নিশ্চিত
- উদ্যোগ
- সমগ্র
- সম্পূর্ণরূপে
- সমান
- ভুল
- মূল্যায়ন
- মূল্যায়ন
- অবশেষে
- প্রতি
- পরীক্ষক
- উদাহরণ
- উদাহরণ
- ফাঁসি
- থাকা
- আশা করা
- প্রত্যাশিত
- পরীক্ষা
- ব্যাখ্যা
- অন্বেষণ করা
- অন্বেষণ
- মিথ্যা
- পরিবারের
- পরিবার
- ফ্যান
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- কয়েক
- ক্ষেত্র
- ফাইল
- ভরা
- আবিষ্কার
- আবিষ্কার
- প্রথম
- ফিট
- পাঁচ
- কেন্দ্রবিন্দু
- অনুসরণ করা
- অনুসরণ
- অনুসরণ
- জন্য
- বন. জংগল
- ফর্ম
- বিন্যাস
- ফ্রেম
- থেকে
- সদর
- সম্পূর্ণ
- ক্রিয়া
- কার্যকারিতা
- ক্রিয়াকলাপ
- অধিকতর
- সাধারণ
- উত্পাদন করা
- উত্পন্ন
- উৎপাদিত
- পাওয়া
- git
- GitHub
- প্রদত্ত
- Go
- লক্ষ্য
- চালু
- চিত্রলেখ
- হাত
- হ্যান্ডলগুলি
- আছে
- জমিদারি
- he
- ভারী
- ভারী উত্তোলন
- সাহায্য
- সাহায্য
- তার
- উচ্চস্তর
- ঊর্ধ্বতন
- সর্বোচ্চ
- আশা
- ঘন্টা
- ঘর
- পরিবারের
- হাউজিং
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- হাইপারপ্যারামিটার অপ্টিমাইজেশান
- হাইপারপ্যারামিটার টিউনিং
- পরিচয়
- if
- বাস্তবায়ন
- বাস্তবায়ন
- আমদানি
- আমদানি
- উন্নত করা
- উন্নতি
- in
- অন্তর্ভুক্ত করা
- সুদ্ধ
- বৃদ্ধি
- ইঙ্গিত
- স্বতন্ত্র
- স্বতন্ত্রভাবে
- তথ্য
- ইনপুট
- ইনপুট
- সন্নিবেশ
- অর্ন্তদৃষ্টি
- উদাহরণ
- পরিবর্তে
- নির্দেশাবলী
- ইন্টিগ্রেশন
- ইচ্ছাকৃতভাবে
- মধ্যে রয়েছে
- ইন্টারফেস
- মধ্যে
- উপস্থাপিত
- IT
- এর
- নিজেই
- কাজ
- জবস
- JPG
- মাত্র
- শুধু একটি
- রাখা
- চাবি
- জ্ঞান
- গবেষণাগার
- বড়
- বৃহত্তর
- পরে
- চালু
- চালু করা
- শিক্ষা
- বাম
- লম্বা
- উচ্চতা
- মাত্রা
- জীবনচক্র
- উদ্ধরণ
- মত
- সম্ভবত
- সীমিত
- লিনাক্স
- বোঝা
- স্থানীয়ভাবে
- অবস্থিত
- অবস্থান
- যুক্তিবিদ্যা
- যৌক্তিক
- দীর্ঘ
- আর
- দেখুন
- অনেক
- অধম
- মেশিন
- মেশিন লার্নিং
- অনেক
- সর্বাধিক
- মে..
- গড়
- মানে
- মার্জ
- মিলিত
- ছন্দোবিজ্ঞান
- হতে পারে
- মিনিট
- অনুপস্থিত
- ML
- এমএলওএস
- মডেল
- মডেল
- পরিবর্তন
- মনিটর
- মনিটর
- অধিক
- সেতু
- বহু
- নাম
- সংকীর্ণ
- নেভিগেট
- প্রয়োজন
- নতুন
- সদ্য
- পরবর্তী
- না।
- না
- নোটবই
- সুপরিচিত
- এখন
- সংখ্যা
- অসাড়
- লক্ষ্য
- উদ্দেশ্য
- বস্তু
- of
- বন্ধ
- অফার
- on
- একদা
- ONE
- কেবল
- খোলা
- অপারেশনস
- অনুকূল
- অপ্টিমাইজেশান
- অপ্টিমিজ
- অপ্টিমাইজ
- or
- ক্রম
- OS
- অন্যান্য
- অন্যরা
- বাইরে
- আউটপুট
- বাহিরে
- শেষ
- সামগ্রিক
- পৃষ্ঠা
- পান্ডাস
- সমান্তরাল
- পরামিতি
- অংশ
- বিশেষ
- পাসিং
- কামুক
- পথ
- বেতন
- সম্পাদন করা
- কর্মক্ষমতা
- করণ
- জেদ
- টুকরা
- পাইপলাইন
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- নাটক
- প্লাগ
- বিন্দু
- পয়েন্ট
- নীতি
- জনসংখ্যা
- সম্ভব
- পোস্ট
- সম্ভাব্য
- রাষ্ট্রীয়
- ভবিষ্যদ্বাণী করা
- Predictor
- প্রস্তুত করা
- পূর্বশর্ত
- উপস্থাপন
- প্রতিরোধ
- পূর্বে
- মূল্য
- প্রাথমিক
- প্রিন্ট
- সমস্যা
- প্রক্রিয়া
- উৎপাদন করা
- উত্পাদনের
- প্রোগ্রামিং
- উন্নতি
- প্রকল্প
- প্রকল্প
- আশাপ্রদ
- বৈশিষ্ট্য
- প্রদান
- উপলব্ধ
- প্রদানের
- প্রকাশ্য
- উদ্দেশ্য
- পাইথন
- এলোমেলো
- দ্রুত
- পৌঁছেছে
- প্রস্তুত
- কারণ
- সম্প্রতি
- প্রণালী
- সুপারিশ করা
- রেকর্ড
- হ্রাস করা
- হ্রাস
- পড়ুন
- উল্লেখ
- সংক্রান্ত
- regex
- এলাকা
- মুক্ত
- প্রাসঙ্গিক
- অবশিষ্ট
- অপসারণ
- পুনরাবৃত্তি
- সংগ্রহস্থলের
- অনুরোধ
- প্রয়োজন
- প্রয়োজনীয়
- Resources
- নিজ নিজ
- দায়ী
- সীমাবদ্ধ
- ফল
- ফলাফল
- প্রত্যাবর্তন
- অধিকার
- ভূমিকা
- চালান
- দৌড়
- রান
- রানটাইম
- ঋষি নির্মাতা
- সেজমেকার স্বয়ংক্রিয় মডেল টিউনিং
- সংরক্ষিত
- স্কেল
- আরোহী
- বিজ্ঞান
- বিজ্ঞানীরা
- scikit-শিখতে
- সুযোগ
- স্কোর
- লিপি
- স্ক্রিপ্ট
- দ্বিতীয়
- সেকেন্ড
- অধ্যায়
- বিভাগে
- সেক্টর
- দেখ
- মনে হয়
- নির্বাচিত
- নির্বাচন
- আত্ম
- জ্যেষ্ঠ
- আলাদা
- পরিবেশন করা
- Serverless
- সেবা
- সেবা
- সেশন
- সেট
- সেট
- সেটিংস
- সেটআপ
- সে
- উচিত
- শোকেস
- প্রদর্শিত
- শো
- সহজ
- সরলীকরণ
- কেবল
- টুকিটাকি
- So
- সমাধান
- সলিউশন
- সমাধান
- কিছু
- বিশেষজ্ঞ
- নির্দিষ্ট
- সবিস্তার বিবরণী
- স্পেসিফিকেশনের
- নিদিষ্ট
- স্পীড
- বিভক্ত করা
- গাদা
- মান
- শুরু
- শুরু হচ্ছে
- অবস্থা
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- থামুন
- বন্ধ
- বাঁধন
- স্টোরেজ
- সঞ্চিত
- সংরক্ষণ
- কৌশল
- গঠন
- কাঠামো
- পরবর্তীকালে
- এমন
- সমর্থিত
- টেবিল
- উপযোগী
- গ্রহণ করা
- লক্ষ্য
- টীম
- কারিগরী
- প্রযুক্তি
- প্রযুক্তি
- প্রান্তিক
- পরীক্ষা
- পরীক্ষামূলক
- যে
- সার্জারির
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- অতএব
- এইগুলো
- তারা
- এই
- সেগুলো
- তিন
- গোবরাট
- দ্বারা
- সময়
- থেকে
- একসঙ্গে
- টুল
- শীর্ষ
- মোট
- প্রতি
- ঐতিহ্যগত
- রেলগাড়ি
- প্রশিক্ষণ
- রূপান্তরের
- পরীক্ষা
- বিচারের
- চেষ্টা
- ট্রিগার
- আলোড়ন সৃষ্টি
- ট্রিগারিং
- চেষ্টা
- সুরকরণ
- দুই
- আদর্শ
- ধরনের
- সাধারণত
- ui
- অধীনে
- বোধশক্তি
- অনন্য
- পর্যন্ত
- অনাবশ্যক
- আপলোড করা
- ব্যবহার
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারসমূহ
- ব্যবহার
- যাচাই করুন
- মূল্য
- মানগুলি
- পরিবর্তনশীল
- বিভিন্ন
- বিভিন্ন
- সংস্করণ
- সংস্করণ
- চেক
- কল্পনা
- W
- অপেক্ষা করুন
- , walkthrough
- প্রয়োজন
- ছিল
- উপায়..
- we
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- ছিল
- কি
- কখন
- যেহেতু
- কিনা
- যে
- কেন
- ইচ্ছা
- সঙ্গে
- মধ্যে
- ছাড়া
- হয়া যাই ?
- কর্মপ্রবাহ
- কর্মপ্রবাহ
- কাজ
- would
- লেখা
- এখনো
- আপনি
- আপনার
- নিজেকে
- zephyrnet