আপনি যদি একজন ব্যবসায়িক বিশ্লেষক হন, গ্রাহকের আচরণ বোঝা সম্ভবত আপনার সবচেয়ে গুরুত্বপূর্ণ বিষয়গুলির মধ্যে একটি। গ্রাহকের ক্রয়ের সিদ্ধান্তের পিছনে কারণ এবং প্রক্রিয়া বোঝা রাজস্ব বৃদ্ধিকে সহজতর করতে পারে। যাইহোক, গ্রাহকদের ক্ষতি (সাধারণত হিসাবে উল্লেখ করা হয় গ্রাহক মন্থন) সবসময় একটি ঝুঁকি তৈরি করে। কেন গ্রাহকরা চলে যায় সে সম্পর্কে অন্তর্দৃষ্টি অর্জন করা লাভ এবং রাজস্ব টিকিয়ে রাখার জন্য ঠিক ততটাই গুরুত্বপূর্ণ হতে পারে।
যদিও মেশিন লার্নিং (ML) মূল্যবান অন্তর্দৃষ্টি প্রদান করতে পারে, এমএল বিশেষজ্ঞদের গ্রাহক মন্থন ভবিষ্যদ্বাণী মডেল তৈরি করার জন্য প্রয়োজন ছিল আমাজন সেজমেকার ক্যানভাস.
সেজমেকার ক্যানভাস হল একটি লো-কোড/নো-কোড পরিচালিত পরিষেবা যা আপনাকে ML মডেল তৈরি করতে দেয় যা কোডের একটি লাইন না লিখে অনেক ব্যবসায়িক সমস্যার সমাধান করতে পারে। এটি আপনাকে উন্নত মেট্রিক্স ব্যবহার করে মডেলগুলিকে মূল্যায়ন করতে সক্ষম করে যেন আপনি একজন ডেটা বিজ্ঞানী ছিলেন৷
এই পোস্টে, আমরা দেখাই যে কীভাবে একজন ব্যবসায়িক বিশ্লেষক সেজমেকার ক্যানভাস ব্যবহার করে তৈরি করা একটি শ্রেণিবিন্যাস মন্থন মডেলকে মূল্যায়ন ও বুঝতে পারেন। উন্নত মেট্রিক্স ট্যাব আমরা মেট্রিক্স ব্যাখ্যা করি এবং আরও ভাল মডেল পারফরম্যান্স পাওয়ার জন্য ডেটা মোকাবেলা করার কৌশলগুলি দেখাই।
পূর্বশর্ত
আপনি যদি এই পোস্টে বর্ণিত সমস্ত বা কিছু কাজ বাস্তবায়ন করতে চান, আপনার সেজমেকার ক্যানভাসে অ্যাক্সেস সহ একটি AWS অ্যাকাউন্ট প্রয়োজন। নির্দেশ করে Amazon SageMaker ক্যানভাস ব্যবহার করে নো-কোড মেশিন লার্নিং সহ গ্রাহক মন্থনের পূর্বাভাস দিন সেজমেকার ক্যানভাস, মন্থন মডেল এবং ডেটাসেটের চারপাশের মৌলিক বিষয়গুলি কভার করতে।
মডেল কর্মক্ষমতা মূল্যায়ন ভূমিকা
একটি সাধারণ নির্দেশিকা হিসাবে, যখন আপনাকে একটি মডেলের কর্মক্ষমতা মূল্যায়ন করার প্রয়োজন হয়, তখন আপনি পরিমাপ করার চেষ্টা করছেন যে মডেলটি যখন নতুন ডেটা দেখে তখন কতটা ভালভাবে ভবিষ্যদ্বাণী করবে৷ এই ভবিষ্যদ্বাণী বলা হয় অনুমান. আপনি বিদ্যমান ডেটা ব্যবহার করে মডেলটিকে প্রশিক্ষণ দিয়ে শুরু করুন এবং তারপরে মডেলটিকে এমন ডেটার ফলাফলের পূর্বাভাস দিতে বলুন যা এটি ইতিমধ্যে দেখেনি। মডেলটি কতটা সঠিকভাবে এই ফলাফলের ভবিষ্যদ্বাণী করে তা হল আপনি মডেলের কার্যকারিতা বোঝার জন্য কী তাকান।
যদি মডেলটি নতুন ডেটা না দেখে থাকে, তাহলে ভবিষ্যদ্বাণীটি ভাল বা খারাপ কিনা কেউ কীভাবে জানবে? ঠিক আছে, ধারণাটি আসলে ঐতিহাসিক ডেটা ব্যবহার করা যেখানে ফলাফলগুলি ইতিমধ্যেই পরিচিত এবং মডেলের পূর্বাভাসিত মানগুলির সাথে এই মানগুলির তুলনা করা। ঐতিহাসিক প্রশিক্ষণ ডেটার একটি অংশ আলাদা করে এটি সক্ষম করা হয়েছে যাতে মডেলটি সেই মানগুলির জন্য যা ভবিষ্যদ্বাণী করে তার সাথে তুলনা করা যেতে পারে।
গ্রাহক মন্থনের উদাহরণে (যা একটি শ্রেণীবদ্ধ শ্রেণিবিন্যাসের সমস্যা), আপনি একটি ঐতিহাসিক ডেটাসেট দিয়ে শুরু করেন যা গ্রাহকদের অনেক বৈশিষ্ট্যের সাথে বর্ণনা করে (প্রতিটি রেকর্ডে একটি)। একটি বৈশিষ্ট্য, যার নাম Churn, সত্য বা মিথ্যা হতে পারে, যা বর্ণনা করে যে গ্রাহক পরিষেবাটি ছেড়েছেন কি না। মডেলের নির্ভুলতা মূল্যায়ন করার জন্য, আমরা এই ডেটাসেটটিকে বিভক্ত করি এবং একটি অংশ (প্রশিক্ষণ ডেটাসেট) ব্যবহার করে মডেলটিকে প্রশিক্ষণ দিই, এবং মডেলটিকে অন্য অংশের (পরীক্ষা ডেটাসেট) সাথে ফলাফলের পূর্বাভাস দিতে বলি (গ্রাহককে চুর্ন হিসাবে শ্রেণীবদ্ধ করুন বা না করুন)। তারপরে আমরা পরীক্ষার ডেটাসেটে থাকা স্থল সত্যের সাথে মডেলের ভবিষ্যদ্বাণীর তুলনা করি।
উন্নত মেট্রিক্স ব্যাখ্যা করা
এই বিভাগে, আমরা সেজমেকার ক্যানভাসের উন্নত মেট্রিক্স নিয়ে আলোচনা করি যা আপনাকে মডেলের কার্যক্ষমতা বুঝতে সাহায্য করতে পারে।
বিভ্রান্তি ম্যাট্রিক্স
SageMaker ক্যানভাস বিভ্রান্তি ম্যাট্রিক্স ব্যবহার করে আপনাকে কল্পনা করতে সাহায্য করে যখন একটি মডেল সঠিকভাবে ভবিষ্যদ্বাণী তৈরি করে। একটি বিভ্রান্তি ম্যাট্রিক্সে, আপনার ফলাফলগুলি প্রকৃত ঐতিহাসিক (জানা) মানের সাথে পূর্বাভাসিত মানগুলির তুলনা করার জন্য সাজানো হয়েছে। নিম্নলিখিত উদাহরণটি ব্যাখ্যা করে যে কীভাবে একটি বিভ্রান্তি ম্যাট্রিক্স একটি দুই-শ্রেণীর ভবিষ্যদ্বাণী মডেলের জন্য কাজ করে যা ইতিবাচক এবং নেতিবাচক লেবেলগুলির পূর্বাভাস দেয়:
- সত্যি ইতিবাচক - মডেলটি সঠিকভাবে ইতিবাচক ভবিষ্যদ্বাণী করেছিল যখন সত্যিকারের লেবেলটি ইতিবাচক ছিল
- সত্য নেতিবাচক - মডেলটি সঠিকভাবে নেতিবাচক ভবিষ্যদ্বাণী করেছিল যখন সত্যিকারের লেবেলটি নেতিবাচক ছিল
- ইতিবাচক মিথ্যা - মডেলটি ভুলভাবে ইতিবাচক ভবিষ্যদ্বাণী করেছিল যখন সত্যিকারের লেবেলটি নেতিবাচক ছিল
- মিথ্যা নেতিবাচক - মডেলটি ভুলভাবে নেতিবাচক ভবিষ্যদ্বাণী করেছিল যখন সত্যিকারের লেবেলটি ইতিবাচক ছিল
নিম্নলিখিত চিত্রটি দুটি বিভাগের জন্য একটি বিভ্রান্তি ম্যাট্রিক্সের একটি উদাহরণ। আমাদের মন্থন মডেলে, প্রকৃত মানগুলি পরীক্ষার ডেটাসেট থেকে আসে এবং ভবিষ্যদ্বাণী করা মানগুলি আমাদের মডেলকে জিজ্ঞাসা করে আসে৷
সঠিকতা
নির্ভুলতা হল পরীক্ষার সেটের সমস্ত সারি বা নমুনার মধ্যে সঠিক ভবিষ্যদ্বাণীর শতাংশ। এটি সত্য নমুনা যা সত্য হিসাবে ভবিষ্যদ্বাণী করা হয়েছিল, এছাড়াও যে মিথ্যা নমুনাগুলি সঠিকভাবে মিথ্যা হিসাবে ভবিষ্যদ্বাণী করা হয়েছিল, ডেটাসেটে নমুনার মোট সংখ্যা দ্বারা ভাগ করা হয়েছে৷
এটি বোঝার জন্য সবচেয়ে গুরুত্বপূর্ণ মেট্রিকগুলির মধ্যে একটি কারণ এটি আপনাকে বলবে যে মডেলটি কত শতাংশ সঠিকভাবে ভবিষ্যদ্বাণী করেছে, তবে এটি কিছু ক্ষেত্রে বিভ্রান্তিকর হতে পারে। উদাহরণ স্বরূপ:
- শ্রেণীর ভারসাম্যহীনতা - যখন আপনার ডেটাসেটের ক্লাসগুলি সমানভাবে বিতরণ করা হয় না (আপনার কাছে একটি ক্লাস থেকে নমুনার সংখ্যা অসম এবং অন্যদের থেকে খুব কম), সঠিকতা বিভ্রান্তিকর হতে পারে। এই ধরনের ক্ষেত্রে, এমনকি একটি মডেল যা কেবলমাত্র প্রতিটি উদাহরণের জন্য সংখ্যাগরিষ্ঠ শ্রেণীর ভবিষ্যদ্বাণী করে একটি উচ্চ নির্ভুলতা অর্জন করতে পারে।
- খরচ-সংবেদনশীল শ্রেণীবিভাগ - কিছু অ্যাপ্লিকেশনে, বিভিন্ন শ্রেণীর জন্য ভুল শ্রেণীবিভাগের খরচ ভিন্ন হতে পারে। উদাহরণস্বরূপ, যদি আমরা ভবিষ্যদ্বাণী করছি যে কোনও ওষুধ কোনও অবস্থাকে আরও বাড়িয়ে তুলতে পারে, তাহলে একটি মিথ্যা নেতিবাচক (উদাহরণস্বরূপ, ওষুধটি আসলে খারাপ হওয়ার পূর্বাভাস নাও হতে পারে) একটি মিথ্যা পজিটিভের চেয়ে বেশি ব্যয়বহুল হতে পারে (উদাহরণস্বরূপ, ওষুধের ভবিষ্যদ্বাণী করা আরও খারাপ হতে পারে যখন এটি আসলে হয় না)।
যথার্থতা, প্রত্যাহার, এবং F1 স্কোর
যথার্থতা হল সমস্ত পূর্বাভাসিত ইতিবাচকের (TP + FP) মধ্যে সত্যিকারের ধনাত্মক (TP) এর ভগ্নাংশ। এটি ইতিবাচক ভবিষ্যদ্বাণীগুলির অনুপাত পরিমাপ করে যা প্রকৃতপক্ষে সঠিক।
সমস্ত প্রকৃত ধনাত্মক (TP + FN) এর মধ্যে প্রকৃত ধনাত্মক (TP) এর ভগ্নাংশ হল রিকল। এটি ইতিবাচক দৃষ্টান্তগুলির অনুপাত পরিমাপ করে যা সঠিকভাবে মডেল দ্বারা ইতিবাচক হিসাবে ভবিষ্যদ্বাণী করা হয়েছিল।
F1 স্কোর নির্ভুলতা এবং প্রত্যাহারকে একত্রিত করে একটি একক স্কোর প্রদান করে যা তাদের মধ্যে ট্রেড-অফের ভারসাম্য বজায় রাখে। এটি নির্ভুলতা এবং স্মরণের সুরেলা গড় হিসাবে সংজ্ঞায়িত করা হয়:
F1 স্কোর = 2 * (নির্ভুলতা * রিকল) / (নির্ভুলতা + প্রত্যাহার)
F1 স্কোরের রেঞ্জ 0-1 থেকে, উচ্চতর স্কোর আরও ভাল পারফরম্যান্স নির্দেশ করে। 1 এর একটি নিখুঁত F1 স্কোর নির্দেশ করে যে মডেলটি নিখুঁত নির্ভুলতা এবং নিখুঁত স্মরণ উভয়ই অর্জন করেছে এবং 0 স্কোর নির্দেশ করে যে মডেলটির ভবিষ্যদ্বাণী সম্পূর্ণ ভুল।
F1 স্কোর মডেলের কর্মক্ষমতার একটি সুষম মূল্যায়ন প্রদান করে। এটি নির্ভুলতা এবং প্রত্যাহার বিবেচনা করে, আরও তথ্যপূর্ণ মূল্যায়ন মেট্রিক প্রদান করে যা ইতিবাচক দৃষ্টান্তগুলিকে সঠিকভাবে শ্রেণীবদ্ধ করার এবং মিথ্যা ইতিবাচক এবং মিথ্যা নেতিবাচক এড়াতে মডেলের ক্ষমতা প্রতিফলিত করে।
উদাহরণস্বরূপ, চিকিৎসা নির্ণয়, জালিয়াতি সনাক্তকরণ, এবং অনুভূতি বিশ্লেষণে, F1 বিশেষভাবে প্রাসঙ্গিক। চিকিৎসা নির্ণয়ের ক্ষেত্রে, একটি নির্দিষ্ট রোগ বা অবস্থার উপস্থিতি সঠিকভাবে সনাক্ত করা অত্যন্ত গুরুত্বপূর্ণ এবং মিথ্যা নেতিবাচক বা মিথ্যা ইতিবাচক উল্লেখযোগ্য পরিণতি হতে পারে। F1 স্কোরটি নির্ভুলতা (সঠিকভাবে ইতিবাচক কেস শনাক্ত করার ক্ষমতা) এবং প্রত্যাহার (সমস্ত ইতিবাচক কেস খুঁজে পাওয়ার ক্ষমতা) উভয়কেই বিবেচনা করে, যা রোগ শনাক্ত করার ক্ষেত্রে মডেলের কর্মক্ষমতার একটি সুষম মূল্যায়ন প্রদান করে। একইভাবে, জালিয়াতি সনাক্তকরণে, যেখানে প্রকৃত জালিয়াতি মামলার সংখ্যা অ-প্রতারণামূলক মামলার (ভারসাম্যহীন শ্রেণী) তুলনায় তুলনামূলকভাবে কম, অনেকগুলি সত্য নেতিবাচকতার কারণে শুধুমাত্র সঠিকতা বিভ্রান্তিকর হতে পারে। F1 স্কোর নির্ভুলতা এবং প্রত্যাহার উভয় বিবেচনা করে জালিয়াতি এবং অ-প্রতারণামূলক উভয় ক্ষেত্রেই সনাক্ত করার মডেলের ক্ষমতার একটি ব্যাপক পরিমাপ প্রদান করে। এবং অনুভূতি বিশ্লেষণে, যদি ডেটাসেটটি ভারসাম্যহীন হয়, সঠিকতা ইতিবাচক অনুভূতি শ্রেণীর শ্রেণীবিভাগের উদাহরণগুলিতে মডেলের কার্যকারিতাকে সঠিকভাবে প্রতিফলিত করতে পারে না।
AUC (বক্ররেখার নিচে এলাকা)
AUC মেট্রিক সমস্ত শ্রেণীবিন্যাস থ্রেশহোল্ডে ইতিবাচক এবং নেতিবাচক শ্রেণীর মধ্যে পার্থক্য করার জন্য একটি বাইনারি শ্রেণীবিভাগ মডেলের ক্ষমতা মূল্যায়ন করে। ক গোবরাট দুটি সম্ভাব্য শ্রেণীর মধ্যে একটি সিদ্ধান্ত নিতে মডেল দ্বারা ব্যবহৃত একটি মান, একটি নমুনা একটি শ্রেণীর অংশ হওয়ার সম্ভাবনাকে একটি বাইনারি সিদ্ধান্তে রূপান্তর করে। AUC গণনা করার জন্য, সত্য পজিটিভ রেট (TPR) এবং মিথ্যা পজিটিভ রেট (FPR) বিভিন্ন থ্রেশহোল্ড সেটিংস জুড়ে প্লট করা হয়েছে। TPR সমস্ত প্রকৃত ইতিবাচকের মধ্যে সত্য ইতিবাচকের অনুপাত পরিমাপ করে, যখন FPR সমস্ত প্রকৃত নেতিবাচকের মধ্যে মিথ্যা ইতিবাচকের অনুপাত পরিমাপ করে। ফলস্বরূপ বক্ররেখা, যাকে বলা হয় রিসিভার অপারেটিং চরিত্রগত (ROC) বক্ররেখা, বিভিন্ন প্রান্তিক সেটিংসে TPR এবং FPR-এর একটি চাক্ষুষ উপস্থাপনা প্রদান করে। AUC মান, যা 0-1 থেকে রেঞ্জ, ROC বক্ররেখার অধীনে এলাকাকে প্রতিনিধিত্ব করে। উচ্চতর AUC মানগুলি আরও ভাল কর্মক্ষমতা নির্দেশ করে, একটি নিখুঁত শ্রেণিবিন্যাসকারী 1 এর AUC অর্জন করে।
নিচের প্লটটি ROC বক্ররেখা দেখায়, যেখানে Y অক্ষ হিসাবে TPR এবং X অক্ষ হিসাবে FPR। বক্ররেখাটি প্লটের উপরের বাম কোণে যত কাছে আসবে, মডেলটি ডেটাকে শ্রেণীবিভাগে শ্রেণীবদ্ধ করার ক্ষেত্রে তত ভাল করবে।
স্পষ্ট করার জন্য, আসুন একটি উদাহরণে যাওয়া যাক। এর একটি জালিয়াতি সনাক্তকরণ মডেল সম্পর্কে চিন্তা করা যাক. সাধারণত, এই মডেলগুলি ভারসাম্যহীন ডেটাসেট থেকে প্রশিক্ষিত হয়। এটি এই কারণে যে, সাধারণত, ডেটাসেটের প্রায় সমস্ত লেনদেন অ-প্রতারণামূলক হয় শুধুমাত্র কয়েকটি জালিয়াতি হিসাবে লেবেলযুক্ত। এই ক্ষেত্রে, শুধুমাত্র নির্ভুলতাই মডেলের কার্যকারিতাকে পর্যাপ্তভাবে ক্যাপচার করতে পারে না কারণ এটি সম্ভবত প্রচুর পরিমাণে অ-প্রতারণামূলক মামলার দ্বারা প্রভাবিত হয়, যার ফলে বিভ্রান্তিকরভাবে উচ্চ নির্ভুলতা স্কোর হয়।
এই ক্ষেত্রে, মডেলের কর্মক্ষমতা মূল্যায়ন করার জন্য AUC একটি ভাল মেট্রিক হবে কারণ এটি জালিয়াতি এবং অ-প্রতারণামূলক লেনদেনের মধ্যে পার্থক্য করার জন্য মডেলের ক্ষমতার একটি ব্যাপক মূল্যায়ন প্রদান করে। বিভিন্ন শ্রেণীবিন্যাস থ্রেশহোল্ডে সত্য ইতিবাচক হার এবং মিথ্যা ইতিবাচক হারের মধ্যে ট্রেড-অফ বিবেচনায় নিয়ে এটি আরও সূক্ষ্ম মূল্যায়নের প্রস্তাব দেয়।
F1 স্কোরের মতো, এটি বিশেষভাবে উপযোগী হয় যখন ডেটাসেট ভারসাম্যহীন হয়। এটি টিপিআর এবং এফপিআর এর মধ্যে ট্রেড-অফ পরিমাপ করে এবং দেখায় যে মডেলটি তাদের বিতরণ নির্বিশেষে দুটি শ্রেণীর মধ্যে কতটা পার্থক্য করতে পারে। এর মানে হল যে একটি শ্রেণী অন্যটির তুলনায় উল্লেখযোগ্যভাবে ছোট হলেও, ROC বক্ররেখা উভয় শ্রেণীকে সমানভাবে বিবেচনা করে একটি ভারসাম্যপূর্ণ পদ্ধতিতে মডেলের কর্মক্ষমতা মূল্যায়ন করে।
অতিরিক্ত মূল বিষয়
এমএল মডেলের কর্মক্ষমতা মূল্যায়ন এবং উন্নত করার জন্য উন্নত মেট্রিক্স আপনার কাছে উপলব্ধ একমাত্র গুরুত্বপূর্ণ টুল নয়। ডেটা প্রিপারেশন, ফিচার ইঞ্জিনিয়ারিং এবং ফিচার ইমপ্যাক্ট অ্যানালাইসিস হল এমন কৌশল যা মডেল বিল্ডিংয়ের জন্য অপরিহার্য। এই ক্রিয়াকলাপগুলি কাঁচা ডেটা থেকে অর্থপূর্ণ অন্তর্দৃষ্টি বের করতে এবং মডেলের কার্যকারিতা উন্নত করতে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে, যা আরও শক্তিশালী এবং অন্তর্দৃষ্টিপূর্ণ ফলাফলের দিকে পরিচালিত করে।
ডেটা প্রস্তুতি এবং বৈশিষ্ট্য প্রকৌশল
ফিচার ইঞ্জিনিয়ারিং হল কাঁচা ডেটা থেকে নতুন ভেরিয়েবল (বৈশিষ্ট্য) নির্বাচন, রূপান্তর এবং তৈরি করার প্রক্রিয়া এবং একটি ML মডেলের কর্মক্ষমতা উন্নত করার ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা পালন করে। উপলভ্য ডেটা থেকে সর্বাধিক প্রাসঙ্গিক ভেরিয়েবল বা বৈশিষ্ট্যগুলি নির্বাচন করার মধ্যে অপ্রাসঙ্গিক বা অপ্রয়োজনীয় বৈশিষ্ট্যগুলি অপসারণ করা জড়িত যা মডেলের ভবিষ্যদ্বাণীমূলক শক্তিতে অবদান রাখে না। ডেটা বৈশিষ্ট্যগুলিকে একটি উপযুক্ত বিন্যাসে রূপান্তরের মধ্যে রয়েছে স্কেলিং, স্বাভাবিককরণ এবং অনুপস্থিত মানগুলি পরিচালনা করা। এবং পরিশেষে, বিদ্যমান ডেটা থেকে নতুন বৈশিষ্ট্য তৈরি করা হয় গাণিতিক রূপান্তরের মাধ্যমে, বিভিন্ন বৈশিষ্ট্যকে একত্রিত করে বা ইন্টারঅ্যাক্ট করে, অথবা ডোমেন-নির্দিষ্ট জ্ঞান থেকে নতুন বৈশিষ্ট্য তৈরি করে।
বৈশিষ্ট্য গুরুত্ব বিশ্লেষণ
সেজমেকার ক্যানভাস একটি বৈশিষ্ট্যের গুরুত্ব বিশ্লেষণ তৈরি করে যা আপনার ডেটাসেটের প্রতিটি কলামের মডেলের উপর কী প্রভাব ফেলে তা ব্যাখ্যা করে। আপনি যখন ভবিষ্যদ্বাণী তৈরি করেন, তখন আপনি কলামের প্রভাব দেখতে পাবেন যা শনাক্ত করে যে কোন কলামগুলি প্রতিটি ভবিষ্যদ্বাণীতে সবচেয়ে বেশি প্রভাব ফেলে। এটি আপনাকে অন্তর্দৃষ্টি দেবে কোন বৈশিষ্ট্যগুলি আপনার চূড়ান্ত মডেলের অংশ হওয়ার যোগ্য এবং কোনটি বাতিল করা উচিত৷ কলামের প্রভাব হল একটি শতাংশ স্কোর যা নির্দেশ করে যে একটি কলামের অন্যান্য কলামের সাথে সম্পর্কিত ভবিষ্যদ্বাণী করার ক্ষেত্রে কতটা ওজন রয়েছে। 25% কলামের প্রভাবের জন্য, ক্যানভাস কলামের জন্য 25% এবং অন্যান্য কলামের জন্য 75% হিসাবে ভবিষ্যদ্বাণীর ওজন করে।
মডেল নির্ভুলতা উন্নত করার পদ্ধতি
যদিও মডেলের নির্ভুলতা উন্নত করার জন্য একাধিক পদ্ধতি রয়েছে, ডেটা বিজ্ঞানী এবং এমএল অনুশীলনকারীরা সাধারণত এই বিভাগে আলোচিত দুটি পদ্ধতির একটি অনুসরণ করে, আগে বর্ণিত টুল এবং মেট্রিক্স ব্যবহার করে।
মডেল-কেন্দ্রিক পদ্ধতির
এই পদ্ধতিতে, ডেটা সর্বদা একই থাকে এবং কাঙ্ক্ষিত ফলাফলগুলি পূরণের জন্য মডেলটিকে পুনরাবৃত্তিমূলকভাবে উন্নত করতে ব্যবহৃত হয়। এই পদ্ধতির সাথে ব্যবহৃত সরঞ্জামগুলির মধ্যে রয়েছে:
- একাধিক প্রাসঙ্গিক ML অ্যালগরিদম চেষ্টা করছে
- অ্যালগরিদম এবং হাইপারপ্যারামিটার টিউনিং এবং অপ্টিমাইজেশান
- বিভিন্ন মডেল ensemble পদ্ধতি
- প্রাক-প্রশিক্ষিত মডেল ব্যবহার করে (সেজমেকার বিভিন্ন প্রদান করে অন্তর্নির্মিত বা প্রাক-প্রশিক্ষিত মডেল এমএল অনুশীলনকারীদের সাহায্য করার জন্য)
- অটোএমএল, যা সেজমেকার ক্যানভাস পর্দার আড়ালে করে (ব্যবহার করে অ্যামাজন সেজমেকার অটোপাইলট), যা উপরের সবগুলোকে অন্তর্ভুক্ত করে
ডেটা কেন্দ্রিক পদ্ধতি
এই পদ্ধতিতে, ফোকাস ডেটা প্রস্তুতি, ডেটার গুণমান উন্নত করা এবং কার্যকারিতা উন্নত করার জন্য পুনরাবৃত্তিমূলকভাবে ডেটা পরিবর্তন করা:
- মডেলটি প্রশিক্ষণের জন্য ব্যবহৃত ডেটাসেটের পরিসংখ্যান অন্বেষণ করা, যা অনুসন্ধানমূলক ডেটা বিশ্লেষণ (EDA) নামেও পরিচিত
- ডেটার গুণমান উন্নত করা (ডেটা পরিষ্কার করা, মান অনুপস্থিত করা, বহিরাগত সনাক্তকরণ এবং ব্যবস্থাপনা)
- বৈশিষ্ট্য নির্বাচন
- ফিচার ইঞ্জিনিয়ারিং
- তথ্য বৃদ্ধি
ক্যানভাসের সাথে মডেলের কর্মক্ষমতা উন্নত করা
আমরা ডেটা-কেন্দ্রিক পদ্ধতির সাথে শুরু করি। আমরা একটি প্রাথমিক EDA সঞ্চালনের জন্য মডেল পূর্বরূপ কার্যকারিতা ব্যবহার করি। এটি আমাদের একটি বেসলাইন সরবরাহ করে যা আমরা ডেটা বৃদ্ধি করতে, একটি নতুন বেসলাইন তৈরি করতে এবং অবশেষে আদর্শ বিল্ড কার্যকারিতা ব্যবহার করে একটি মডেল-কেন্দ্রিক পদ্ধতির সাথে সেরা মডেল পেতে পারি।
আমরা ব্যবহার করি সিন্থেটিক ডেটাসেট একটি টেলিযোগাযোগ মোবাইল ফোন ক্যারিয়ার থেকে। এই নমুনা ডেটাসেটে 5,000টি রেকর্ড রয়েছে, যেখানে প্রতিটি রেকর্ড গ্রাহকের প্রোফাইল বর্ণনা করতে 21টি বৈশিষ্ট্য ব্যবহার করে। নির্দেশ করে Amazon SageMaker ক্যানভাস ব্যবহার করে নো-কোড মেশিন লার্নিং সহ গ্রাহক মন্থনের পূর্বাভাস দিন একটি পূর্ণ বিবরণ জন্য।
ডেটা-কেন্দ্রিক পদ্ধতিতে মডেলের পূর্বরূপ
প্রথম পদক্ষেপ হিসাবে, আমরা ডেটাসেট খুলি, চুর্ন? হিসাবে ভবিষ্যদ্বাণী করার জন্য কলামটি নির্বাচন করি এবং নির্বাচন করে একটি পূর্বরূপ মডেল তৈরি করি প্রিভিউ মডেল.
সার্জারির প্রিভিউ মডেল পূর্বরূপ মডেল প্রস্তুত না হওয়া পর্যন্ত ফলক অগ্রগতি দেখাবে।
মডেলটি প্রস্তুত হলে, সেজমেকার ক্যানভাস একটি বৈশিষ্ট্যের গুরুত্ব বিশ্লেষণ করে।
অবশেষে, এটি সম্পূর্ণ হলে, ফলকটি মডেলের উপর প্রভাব সহ কলামগুলির একটি তালিকা দেখাবে। আমাদের ভবিষ্যদ্বাণীগুলিতে বৈশিষ্ট্যগুলি কতটা প্রাসঙ্গিক তা বোঝার জন্য এগুলি দরকারী৷ কলামের প্রভাব হল একটি শতাংশ স্কোর যা নির্দেশ করে যে একটি কলামের অন্যান্য কলামের সাথে সম্পর্কিত ভবিষ্যদ্বাণী করার ক্ষেত্রে কতটা ওজন রয়েছে। নিম্নলিখিত উদাহরণে, নাইট কল কলামের জন্য, সেজমেকার ক্যানভাস কলামের জন্য 4.04% এবং অন্যান্য কলামগুলির জন্য 95.9% হিসাবে ভবিষ্যদ্বাণীকে ওজন করে৷ মান যত বেশি, প্রভাব তত বেশি।
আমরা দেখতে পাচ্ছি, প্রিভিউ মডেলটির 95.6% নির্ভুলতা রয়েছে। আসুন একটি ডেটা-কেন্দ্রিক পদ্ধতি ব্যবহার করে মডেলের কর্মক্ষমতা উন্নত করার চেষ্টা করি। আমরা ডেটা প্রস্তুত করি এবং কার্যকারিতা উন্নত করতে বৈশিষ্ট্য প্রকৌশল কৌশল ব্যবহার করি।
নিম্নলিখিত স্ক্রিনশটে দেখানো হয়েছে, আমরা লক্ষ্য করতে পারি যে ফোন এবং স্টেট কলাম আমাদের ভবিষ্যদ্বাণীতে অনেক কম প্রভাব ফেলে। অতএব, আমরা আমাদের পরবর্তী পর্যায়ে, ডেটা প্রস্তুতির জন্য ইনপুট হিসাবে এই তথ্যটি ব্যবহার করব।
সেজমেকার ক্যানভাস এমএল ডেটা ট্রান্সফর্ম প্রদান করে যার সাহায্যে আপনি মডেল বিল্ডিংয়ের জন্য আপনার ডেটা পরিষ্কার, রূপান্তর এবং প্রস্তুত করতে পারেন। আপনি এই রূপান্তরগুলি আপনার ডেটাসেটে কোনও কোড ছাড়াই ব্যবহার করতে পারেন এবং সেগুলি মডেল রেসিপিতে যোগ করা হবে, যা মডেল তৈরি করার আগে আপনার ডেটাতে সম্পাদিত ডেটা প্রস্তুতির একটি রেকর্ড।
মনে রাখবেন যে কোনও ডেটা রূপান্তর যা আপনি ব্যবহার করেন শুধুমাত্র একটি মডেল তৈরি করার সময় ইনপুট ডেটা পরিবর্তন করে এবং আপনার ডেটাসেট বা মূল ডেটা উত্স পরিবর্তন করবেন না।
বিল্ডিংয়ের জন্য আপনার ডেটা প্রস্তুত করার জন্য নিম্নলিখিত রূপান্তরগুলি সেজমেকার ক্যানভাসে উপলব্ধ রয়েছে:
- তারিখ সময় নিষ্কাশন
- কলাম বাদ দিন
- ফিল্টার সারি
- ফাংশন এবং অপারেটর
- সারি পরিচালনা করুন
- কলামের নাম পরিবর্তন করুন
- সারি সরান
- মান প্রতিস্থাপন করুন
- নমুনা সময় সিরিজ ডেটা
আসুন আমরা যে কলামগুলি খুঁজে পেয়েছি যেগুলি আমাদের ভবিষ্যদ্বাণীতে সামান্য প্রভাব ফেলে তা বাদ দিয়ে শুরু করা যাক।
উদাহরণস্বরূপ, এই ডেটাসেটে, ফোন নম্বরটি একটি অ্যাকাউন্ট নম্বরের সমতুল্য—এটি অন্য অ্যাকাউন্টের মন্থন হওয়ার সম্ভাবনার পূর্বাভাস দেওয়ার ক্ষেত্রে অকেজো বা এমনকি ক্ষতিকারক। একইভাবে, গ্রাহকের অবস্থা আমাদের মডেলকে বেশি প্রভাবিত করে না। এর অধীনে সেই বৈশিষ্ট্যগুলি অনির্বাচন করে ফোন এবং রাজ্য কলামগুলি সরিয়ে দেওয়া যাক৷ কলামের নাম.
এখন, কিছু অতিরিক্ত ডেটা ট্রান্সফরমেশন এবং ফিচার ইঞ্জিনিয়ারিং করা যাক।
উদাহরণস্বরূপ, আমরা আমাদের পূর্ববর্তী বিশ্লেষণে লক্ষ্য করেছি যে গ্রাহকদের কাছে চার্জ করা পরিমাণ মন্থনের উপর সরাসরি প্রভাব ফেলে। তাই আসুন একটি নতুন কলাম তৈরি করি যা আমাদের গ্রাহকদের জন্য চার্জ, মিনিট, এবং ডে, ইভ, নাইট এবং ইন্টিএলের জন্য কলগুলিকে একত্রিত করে মোট চার্জ গণনা করে৷ এটি করতে, আমরা সেজমেকার ক্যানভাসে কাস্টম সূত্র ব্যবহার করি।
এর নির্বাচন করে শুরু করা যাক কার্যাবলী, তারপর আমরা সূত্র টেক্সটবক্সে নিম্নলিখিত টেক্সট যোগ করি:
(ডে কল*ডে চার্জ*ডে মিনিট)+(ইভ কল*ইভ চার্জ*ইভ মিনিট)+(নাইট কল*নাইট চার্জ*নাইট মিনিট)+(আন্তর্জাতিক কল*আন্তর্জাতিক চার্জ*আন্তর্জাতিক মিনিট)
নতুন কলামের একটি নাম দিন (উদাহরণস্বরূপ, মোট চার্জ), এবং চয়ন করুন বিজ্ঞাপন প্রিভিউ তৈরি হওয়ার পর। মডেল রেসিপি এখন নিম্নলিখিত স্ক্রিনশট দেখানো হিসাবে দেখা উচিত.
এই ডেটা প্রস্তুতি সম্পূর্ণ হলে, মডেলটির উন্নতি হয়েছে কিনা তা দেখার জন্য আমরা একটি নতুন প্রিভিউ মডেলকে প্রশিক্ষণ দিই। পছন্দ করা প্রিভিউ মডেল আবার, এবং নীচের ডান ফলক অগ্রগতি দেখাবে।
প্রশিক্ষণ শেষ হলে, এটি পূর্বাভাসিত নির্ভুলতা পুনরায় গণনা করতে এগিয়ে যাবে এবং একটি নতুন কলাম প্রভাব বিশ্লেষণও তৈরি করবে।
এবং অবশেষে, যখন পুরো প্রক্রিয়াটি সম্পূর্ণ হয়, আমরা একই ফলকটি দেখতে পাব যা আমরা আগে দেখেছিলাম কিন্তু নতুন পূর্বরূপ মডেলের নির্ভুলতার সাথে। আপনি লক্ষ্য করতে পারেন মডেলের নির্ভুলতা 0.4% বৃদ্ধি পেয়েছে (95.6% থেকে 96%)।
পূর্ববর্তী চিত্রগুলির সংখ্যাগুলি আপনার থেকে আলাদা হতে পারে কারণ ML প্রশিক্ষণের মডেলগুলির প্রক্রিয়াতে কিছু স্টোকাস্টিসিটি প্রবর্তন করে, যা বিভিন্ন বিল্ডে বিভিন্ন ফলাফলের দিকে নিয়ে যেতে পারে।
মডেল তৈরি করার জন্য মডেল-কেন্দ্রিক পদ্ধতি
ক্যানভাস আপনার মডেল তৈরি করতে দুটি বিকল্প অফার করে:
- স্ট্যান্ডার্ড বিল্ড - একটি অপ্টিমাইজ করা প্রক্রিয়া থেকে সেরা মডেল তৈরি করে যেখানে গতি ভাল নির্ভুলতার জন্য বিনিময় করা হয়। এটি অটো-এমএল ব্যবহার করে, যা ML-এর বিভিন্ন কাজকে স্বয়ংক্রিয় করে, যার মধ্যে মডেল নির্বাচন, আপনার ML ব্যবহারের ক্ষেত্রে প্রাসঙ্গিক বিভিন্ন অ্যালগরিদম চেষ্টা করা, হাইপারপ্যারামিটার টিউনিং এবং মডেল ব্যাখ্যাযোগ্যতা প্রতিবেদন তৈরি করা।
- দ্রুত বিল্ড - একটি আদর্শ বিল্ডের তুলনায় সময়ের একটি ভগ্নাংশে একটি সাধারণ মডেল তৈরি করে, তবে গতির জন্য সঠিকতা বিনিময় করা হয়। আপনার মডেলের নির্ভুলতায় ডেটা পরিবর্তনের প্রভাব আরও দ্রুত বুঝতে পুনরাবৃত্তি করার সময় দ্রুত মডেলটি কার্যকর।
আসুন একটি স্ট্যান্ডার্ড বিল্ড পদ্ধতি ব্যবহার করা চালিয়ে যান।
স্ট্যান্ডার্ড বিল্ড
যেমনটি আমরা আগে দেখেছি, নির্ভুলতা সর্বাধিক করার জন্য আদর্শ বিল্ড একটি অপ্টিমাইজ করা প্রক্রিয়া থেকে সেরা মডেল তৈরি করে।
আমাদের মন্থন মডেলের জন্য বিল্ড প্রক্রিয়া প্রায় 45 মিনিট সময় নেয়। এই সময়ে, ক্যানভাস শত শত প্রার্থীর পাইপলাইন পরীক্ষা করে, সেরা মডেল নির্বাচন করে। নিম্নলিখিত স্ক্রিনশটটিতে, আমরা প্রত্যাশিত বিল্ড সময় এবং অগ্রগতি দেখতে পাচ্ছি।
স্ট্যান্ডার্ড বিল্ড প্রক্রিয়ার সাথে, আমাদের ML মডেল আমাদের মডেলের নির্ভুলতাকে 96.903% এ উন্নত করেছে, যা একটি উল্লেখযোগ্য উন্নতি।
উন্নত মেট্রিক্স অন্বেষণ করুন
এর ব্যবহার করে মডেল অন্বেষণ করা যাক উন্নত মেট্রিক্স ট্যাব উপরে স্কোরিং ট্যাব, চয়ন করুন উন্নত মেট্রিক্স.
এই পৃষ্ঠাটি উন্নত মেট্রিক্সের সাথে যৌথভাবে নিম্নলিখিত বিভ্রান্তি ম্যাট্রিক্স দেখাবে: F1 স্কোর, নির্ভুলতা, নির্ভুলতা, প্রত্যাহার, F1 স্কোর, এবং AUC।
ভবিষ্যদ্বাণী তৈরি করুন
এখন মেট্রিক্স ভাল দেখায়, আমরা একটি ইন্টারেক্টিভ ভবিষ্যদ্বাণী করতে পারি ভবিষ্যদ্বাণী করা ট্যাব, হয় একটি ব্যাচ বা একক (রিয়েল-টাইম) পূর্বাভাস।
আমাদের দুটি বিকল্প আছে:
- ব্যাচ বা একক ভবিষ্যদ্বাণী চালানোর জন্য এই মডেলটি ব্যবহার করুন
- মডেল পাঠান অ্যামাজন সেজমেকার স্টুডিও তথ্য বিজ্ঞানীদের সাথে শেয়ার করতে
পরিষ্কার কর
যাতে ভবিষ্যতে ক্ষতি না হয় সেশন চার্জ, SageMaker ক্যানভাস থেকে লগ আউট করুন৷
উপসংহার
সেজমেকার ক্যানভাস শক্তিশালী সরঞ্জাম সরবরাহ করে যা আপনাকে মডেলগুলির নির্ভুলতা তৈরি করতে এবং মূল্যায়ন করতে সক্ষম করে, কোডিং বা বিশেষ ডেটা বিজ্ঞান এবং এমএল দক্ষতার প্রয়োজন ছাড়াই তাদের কার্যকারিতা বাড়ায়। আমরা যেমন গ্রাহক মন্থন মডেল তৈরির মাধ্যমে উদাহরণে দেখেছি, উন্নত মেট্রিক্স ব্যবহার করে ডেটা-কেন্দ্রিক এবং মডেল-কেন্দ্রিক পদ্ধতির উভয়ের সাথে এই সরঞ্জামগুলিকে একত্রিত করে, ব্যবসায়িক বিশ্লেষকরা ভবিষ্যদ্বাণী মডেলগুলি তৈরি এবং মূল্যায়ন করতে পারেন। একটি ভিজ্যুয়াল ইন্টারফেসের সাহায্যে, আপনি নিজে থেকে নির্ভুল ML ভবিষ্যদ্বাণী তৈরি করতেও ক্ষমতাপ্রাপ্ত হন। আমরা আপনাকে রেফারেন্সগুলির মাধ্যমে যেতে এবং এই ধারণাগুলির মধ্যে কতগুলি অন্যান্য ধরণের ML সমস্যার ক্ষেত্রে প্রযোজ্য হতে পারে তা দেখতে উত্সাহিত করি।
তথ্যসূত্র
লেখক সম্পর্কে
ছাপ ফ্লোরিডা, মার্কিন যুক্তরাষ্ট্রে অবস্থিত একজন AWS সিনিয়র মেশিন লার্নিং সলিউশন আর্কিটেক্ট। সেই ভূমিকায়, তিনি মার্কিন স্টার্টআপ সংস্থাগুলিকে ক্লাউডের দিকে তাদের কৌশলে নির্দেশনা ও সহায়তা করার জন্য দায়ী, কীভাবে উচ্চ-ঝুঁকির সমস্যাগুলি মোকাবেলা করা যায় এবং তাদের মেশিন লার্নিং ওয়ার্কলোডগুলিকে অপ্টিমাইজ করা যায় সে বিষয়ে নির্দেশিকা প্রদান করে৷ ক্লাউড সলিউশন ডেভেলপমেন্ট, মেশিন লার্নিং, সফটওয়্যার ডেভেলপমেন্ট এবং ডেটা সেন্টার অবকাঠামো সহ প্রযুক্তির সাথে তার 25 বছরেরও বেশি অভিজ্ঞতা রয়েছে।
ইন্দ্রজিৎ একজন AWS এন্টারপ্রাইজ সিনিয়র সলিউশন আর্কিটেক্ট। তার ভূমিকায়, তিনি ক্লাউড গ্রহণের মাধ্যমে গ্রাহকদের তাদের ব্যবসায়িক ফলাফল অর্জনে সহায়তা করেন। তিনি মাইক্রোসার্ভিসেস, সার্ভারহীন, API এবং ইভেন্ট-চালিত প্যাটার্নের উপর ভিত্তি করে আধুনিক অ্যাপ্লিকেশন আর্কিটেকচার ডিজাইন করেন। তিনি DataOps এবং MLOps অনুশীলন এবং সমাধান গ্রহণের মাধ্যমে তাদের ডেটা বিশ্লেষণ এবং মেশিন লার্নিং লক্ষ্যগুলি উপলব্ধি করতে গ্রাহকদের সাথে কাজ করেন। ইন্দ্রজিৎ নিয়মিতভাবে AWS পাবলিক ইভেন্ট যেমন সামিট এবং ASEAN ওয়ার্কশপগুলিতে কথা বলেন, বেশ কয়েকটি AWS ব্লগ পোস্ট প্রকাশ করেছেন এবং AWS-এ ডেটা এবং মেশিন লার্নিং এর উপর দৃষ্টি নিবদ্ধ করে গ্রাহক-মুখী প্রযুক্তিগত কর্মশালা তৈরি করেছেন।
- 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। মোটরগাড়ি / ইভি, কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- ব্লকঅফসেট। পরিবেশগত অফসেট মালিকানার আধুনিকীকরণ। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/is-your-model-good-a-deep-dive-into-amazon-sagemaker-canvas-advanced-metrics/
- : আছে
- : হয়
- :না
- :কোথায়
- 000
- 1
- 100
- 1239
- 25
- 420
- 7
- a
- ক্ষমতা
- সম্পর্কে
- প্রাচুর্য
- প্রবেশ
- হিসাব
- সঠিকতা
- সঠিক
- সঠিক
- অর্জন করা
- অর্জন
- অর্জনের
- দিয়ে
- ক্রিয়াকলাপ
- আসল
- প্রকৃতপক্ষে
- যোগ
- যোগ
- অতিরিক্ত
- ঠিকানা
- পর্যাপ্তরূপে
- গ্রহণ
- অগ্রসর
- পর
- আবার
- বিরুদ্ধে
- আলগোরিদিম
- সব
- অনুমতি
- একা
- ইতিমধ্যে
- এছাড়াও
- সর্বদা
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- আমাজন সেজমেকার ক্যানভাস
- অ্যামাজন ওয়েব সার্ভিসেস
- পরিমাণ
- an
- বিশ্লেষণ
- বিশ্লেষক
- বিশ্লেষকরা
- বৈশ্লেষিক ন্যায়
- এবং
- কোন
- API গুলি
- আবেদন
- অ্যাপ্লিকেশন
- প্রয়োগ করা
- অভিগমন
- পন্থা
- রয়েছি
- এলাকায়
- কাছাকাছি
- আয়োজিত
- AS
- আশিয়ান
- পরিমাপ করা
- মূল্যায়ন
- সহায়তা
- At
- বৈশিষ্ট্যাবলী
- স্বয়ংক্রিয়
- সহজলভ্য
- এড়াতে
- ডেস্কটপ AWS
- অক্ষ
- খারাপ
- ভারসাম্যকে
- ভিত্তি
- বেসলাইন
- মূলতত্ব
- BE
- কারণ
- হয়েছে
- আগে
- শুরু করা
- আচরণ
- পিছনে
- দৃশ্যের অন্তরালে
- হচ্ছে
- সর্বোত্তম
- উত্তম
- মধ্যে
- ব্লগ
- ব্লগ এর লেখাগুলো
- উভয়
- নির্মাণ করা
- ভবন
- তৈরী করে
- ব্যবসায়
- কিন্তু
- by
- গণনা করা
- নামক
- কল
- CAN
- প্রার্থী
- ক্যানভাস
- গ্রেপ্তার
- যত্ন
- কেস
- মামলা
- বিভাগ
- কেন্দ্র
- পরিবর্তন
- চরিত্রগত
- অভিযোগ
- অভিযুক্ত
- চার্জ
- বেছে নিন
- নির্বাচন
- শ্রেণী
- ক্লাস
- শ্রেণীবিন্যাস
- শ্রেণীভুক্ত করা
- পরিস্কার করা
- কাছাকাছি
- মেঘ
- মেঘ গ্রহণ
- কোড
- কোডিং
- স্তম্ভ
- কলাম
- সম্মিলন
- মিশ্রন
- আসা
- সাধারণভাবে
- তুলনা করা
- তুলনা
- সম্পূর্ণ
- সম্পূর্ণরূপে
- ব্যাপক
- ধারণা
- শর্ত
- বিশৃঙ্খলা
- ফল
- বিবেচনা করা
- বিবেচনা করে
- অন্তর্ভুক্ত
- ধারণ
- অবিরত
- অবদান
- রূপান্তর
- কোণ
- ঠিক
- মূল্য
- ব্যয়বহুল
- আবরণ
- সৃষ্টি
- নির্মিত
- তৈরি করা হচ্ছে
- সৃষ্টি
- কঠোর
- বাঁক
- প্রথা
- ক্রেতা
- গ্রাহক আচরণ
- গ্রাহকদের
- উপাত্ত
- তথ্য বিশ্লেষণ
- ডেটা বিশ্লেষণ
- তথ্য কেন্দ্র
- ডেটা প্রস্তুতি
- তথ্য বিজ্ঞান
- তথ্য বিজ্ঞানী
- ডেটাসেট
- দিন
- লেনদেন
- রায়
- সিদ্ধান্ত
- গভীর
- গভীর ডুব
- সংজ্ঞায়িত
- বর্ণনা করা
- বর্ণিত
- বিবরণ
- প্রাপ্য
- ডিজাইন
- আকাঙ্ক্ষিত
- সনাক্ত
- সনাক্তকরণ
- উন্নত
- উন্নয়ন
- ভিন্ন
- বিভিন্ন
- ভেদ করা
- সরাসরি
- আলোচনা করা
- আলোচনা
- রোগ
- প্রভেদ করা
- বণ্টিত
- বিতরণ
- বিভক্ত
- do
- না
- না
- সম্পন্ন
- বাতিল
- ড্রাগ
- কারণে
- সময়
- প্রতি
- পূর্বে
- পারেন
- ক্ষমতাপ্রাপ্ত
- সক্ষম করা
- সক্ষম করা
- সম্ভব
- পরিবেষ্টিত
- উত্সাহিত করা
- প্রকৌশল
- বর্ধনশীল
- উদ্যোগ
- সমানভাবে
- সমতুল্য
- বিশেষত
- অপরিহার্য
- মূল্যায়ন
- মূল্যায়নের
- মূল্যায়ন
- ইভ
- এমন কি
- সমান
- ঘটনাবলী
- প্রতি
- উদাহরণ
- বিনিময়
- বিদ্যমান
- প্রত্যাশিত
- অভিজ্ঞতা
- ল্যাপারোস্কোপিক পদ্ধতি
- বিশেষজ্ঞদের
- ব্যাখ্যা করা
- ব্যাখ্যা
- অনুসন্ধানের ডেটা বিশ্লেষণ
- অন্বেষণ করুণ
- f1
- সহজতর করা
- সত্য
- মিথ্যা
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- কয়েক
- চূড়ান্ত
- পরিশেষে
- আবিষ্কার
- প্রথম
- ফ্লোরিডা
- কেন্দ্রবিন্দু
- দৃষ্টি নিবদ্ধ করা
- অনুসরণ করা
- অনুসরণ
- জন্য
- বিন্যাস
- সূত্র
- পাওয়া
- ভগ্নাংশ
- প্রতারণা
- জালিয়াতি সনাক্তকরণ
- প্রতারণাপূর্ণ
- থেকে
- সম্পূর্ণ
- কার্যকারিতা
- ভবিষ্যৎ
- হত্তন
- সাধারণ
- উত্পাদন করা
- উত্পন্ন
- উত্পন্ন
- উৎপাদিত
- পেয়ে
- দাও
- Go
- গোল
- ভাল
- স্থল
- উন্নতি
- পথপ্রদর্শন
- হ্যান্ডলিং
- আছে
- he
- প্রচন্ডভাবে
- সাহায্য
- সাহায্য
- উচ্চ
- উচ্চ ঝুঁকি
- ঊর্ধ্বতন
- তার
- ঐতিহাসিক
- কিভাবে
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTPS দ্বারা
- শত শত
- হাইপারপ্যারামিটার টিউনিং
- ধারণা
- শনাক্ত
- সনাক্ত করা
- চিহ্নিতকরণের
- if
- ভাবমূর্তি
- চিত্র
- প্রভাব
- বাস্তবায়ন
- গুরুত্ব
- গুরুত্বপূর্ণ
- উন্নত করা
- উন্নত
- উন্নতি
- উন্নতি
- in
- অন্যান্য
- অন্তর্ভুক্ত করা
- অন্তর্ভুক্ত
- সুদ্ধ
- ভুল
- বর্ধিত
- ইঙ্গিত
- ইঙ্গিত
- প্রভাবিত
- তথ্য
- তথ্যপূর্ণ
- পরিকাঠামো
- প্রারম্ভিক
- ইনপুট
- অন্তর্দৃষ্টিপূর্ণ
- অর্ন্তদৃষ্টি
- উদাহরণ
- আলাপচারিতার
- ইন্টারেক্টিভ
- ইন্টারফেস
- মধ্যে
- পরিচয় করিয়ে দেয়
- ভূমিকা
- সমস্যা
- IT
- এর
- JPG
- মাত্র
- চাবি
- জানা
- জ্ঞান
- পরিচিত
- লেবেল
- লেবেলগুলি
- নেতৃত্ব
- নেতৃত্ব
- শিক্ষা
- ত্যাগ
- বাম
- কম
- মত
- সম্ভাবনা
- লাইন
- তালিকা
- সামান্য
- লগ ইন করুন
- দেখুন
- ক্ষতি
- কম
- নিম্ন
- মেশিন
- মেশিন লার্নিং
- সংখ্যাগুরু
- করা
- মেকিং
- পরিচালিত
- ব্যবস্থাপনা
- পদ্ধতি
- অনেক
- গাণিতিক
- জরায়ু
- চরমে তোলা
- মে..
- গড়
- অর্থপূর্ণ
- মানে
- মাপ
- পরিমাপ
- মেকানিজম
- চিকিৎসা
- সম্মেলন
- পদ্ধতি
- ছন্দোময়
- ছন্দোবিজ্ঞান
- microservices
- হতে পারে
- মিনিট
- বিভ্রান্তিকর
- অনুপস্থিত
- ML
- এমএলওএস
- মোবাইল
- মোবাইল ফোন
- মডেল
- মডেল
- আধুনিক
- পরিবর্তন
- অধিক
- সেতু
- অনেক
- বহু
- নাম
- প্রয়োজন
- প্রয়োজন
- নেতিবাচক
- ঋণাত্মক
- নতুন
- নতুন বৈশিষ্ট
- পরবর্তী
- রাত
- লক্ষ্য করুন..
- এখন
- সংখ্যা
- সংখ্যার
- মান্য করা
- প্রাপ্ত
- of
- অফার
- on
- ONE
- ওগুলো
- কেবল
- খোলা
- অপারেটিং
- অপ্টিমিজ
- অপ্টিমাইজ
- অপশন সমূহ
- or
- সংগঠন
- মূল
- অন্যান্য
- অন্যরা
- আমাদের
- বাইরে
- ফলাফল
- ফলাফল
- শেষ
- নিজের
- পৃষ্ঠা
- শার্সি
- অংশ
- বিশেষত
- নিদর্শন
- শতকরা হার
- নির্ভুল
- সম্পাদন করা
- কর্মক্ষমতা
- সম্পাদিত
- ফেজ
- ফোন
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- খেলা
- নাটক
- যোগ
- অংশ
- ভঙ্গি
- ধনাত্মক
- সম্ভব
- পোস্ট
- পোস্ট
- ক্ষমতা
- ক্ষমতাশালী
- চর্চা
- স্পষ্টতা
- ভবিষ্যদ্বাণী করা
- পূর্বাভাস
- পূর্বাভাসের
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- প্রেডিক্টস
- প্রস্তুতি
- প্রস্তুত করা
- উপস্থিতি
- প্রি
- আগে
- সম্ভবত
- সমস্যা
- সমস্যা
- প্রক্রিয়া
- প্রোফাইল
- লাভ
- উন্নতি
- অনুপাত
- প্রদান
- উপলব্ধ
- প্রদানের
- প্রকাশ্য
- প্রকাশিত
- ক্রয়
- গুণ
- দ্রুত
- দ্রুত
- হার
- কাঁচা
- প্রস্তুত
- প্রকৃত সময়
- সাধা
- কারণে
- প্রণালী
- নথি
- রেকর্ড
- রেফারেন্স
- উল্লেখ করা
- প্রতিফলিত করা
- প্রতিফলিত
- তথাপি
- নিয়মিতভাবে
- সম্পর্ক
- অপেক্ষাকৃতভাবে
- প্রাসঙ্গিক
- দেহাবশেষ
- অপসারণ
- সরানোর
- প্রতিবেদন
- প্রতিনিধিত্ব
- প্রতিনিধিত্ব করে
- দায়ী
- ফলে এবং
- ফলাফল
- রাজস্ব
- আয় বৃদ্ধি
- অধিকার
- ঝুঁকি
- শক্তসমর্থ
- ভূমিকা
- চালান
- ঋষি নির্মাতা
- একই
- নমুনা ডেটাসেট
- করাত
- আরোহী
- লোকচক্ষুর
- বিজ্ঞান
- বিজ্ঞানী
- বিজ্ঞানীরা
- স্কোর
- অধ্যায়
- দেখ
- দেখা
- দেখেন
- নির্বাচন
- নির্বাচন
- অনুভূতি
- ক্রম
- Serverless
- সেবা
- সেবা
- সেট
- বিন্যাস
- সেটিংস
- বিভিন্ন
- শেয়ার
- উচিত
- প্রদর্শনী
- প্রদর্শিত
- শো
- গুরুত্বপূর্ণ
- উল্লেখযোগ্যভাবে
- একভাবে
- সহজ
- কেবল
- একক
- ক্ষুদ্রতর
- So
- সফটওয়্যার
- সফটওয়্যার উন্নয়ন
- সমাধান
- সলিউশন
- সমাধান
- কিছু
- কিছু
- উৎস
- স্পিক্স
- বিশেষজ্ঞ
- নির্দিষ্ট
- স্পীড
- বিভক্ত করা
- মান
- শুরু
- প্রারম্ভকালে
- রাষ্ট্র
- পরিসংখ্যান
- ধাপ
- কৌশল
- এমন
- উপযুক্ত
- সামিট
- লাগে
- গ্রহণ
- কাজ
- কারিগরী
- প্রযুক্তি
- প্রযুক্তিঃ
- টেলিযোগাযোগ
- বলা
- পরীক্ষা
- পরীক্ষা
- চেয়ে
- যে
- সার্জারির
- ক্ষেত্র
- অধিকার
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- অতএব
- এইগুলো
- তারা
- কিছু
- মনে
- এই
- সেগুলো
- গোবরাট
- দ্বারা
- সময়
- সময় সিরিজ
- থেকে
- সরঞ্জাম
- শীর্ষ
- মোট
- প্রতি
- tp
- TPR
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- লেনদেন
- রুপান্তর
- রুপান্তর
- রূপান্তরের
- রূপান্তর
- রূপান্তরগুলির
- সত্য
- সত্য
- চেষ্টা
- দুই
- ধরনের
- অধীনে
- বোঝা
- বোধশক্তি
- পর্যন্ত
- us
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারসমূহ
- ব্যবহার
- সাধারণত
- দামি
- মূল্য
- মানগুলি
- বিভিন্ন
- খুব
- ছিল
- we
- ওয়েব
- ওয়েব সার্ভিস
- ওজন
- আমরা একটি
- ছিল
- কি
- কখন
- যে
- যখন
- সমগ্র
- কেন
- ইচ্ছা
- সঙ্গে
- ছাড়া
- কাজ
- কর্মশালা
- would
- লেখা
- ভুল
- X
- বছর
- আপনি
- আপনার
- zephyrnet