অনুসন্ধানমূলক ডেটা বিশ্লেষণ (EDA) হল একটি সাধারণ কাজ যা ব্যবসায়িক বিশ্লেষকদের দ্বারা নিদর্শনগুলি আবিষ্কার করতে, সম্পর্কগুলি বুঝতে, অনুমানগুলিকে যাচাই করতে এবং তাদের ডেটাতে অসামঞ্জস্যগুলি সনাক্ত করতে সম্পাদিত হয়। মেশিন লার্নিং (ML) এ, মডেল বিল্ডিংয়ে যাওয়ার আগে প্রথমে ডেটা এবং এর সম্পর্কগুলি বোঝা গুরুত্বপূর্ণ। প্রথাগত ML বিকাশ চক্র কখনও কখনও কয়েক মাস সময় নিতে পারে এবং উন্নত ডেটা সায়েন্স এবং ML ইঞ্জিনিয়ারিং দক্ষতার প্রয়োজন হয়, যেখানে নো-কোড এমএল সমাধানগুলি কোম্পানিগুলিকে কয়েকদিন বা এমনকি ঘন্টার মধ্যে এমএল সমাধান সরবরাহকে ত্বরান্বিত করতে সহায়তা করতে পারে।
আমাজন সেজমেকার ক্যানভাস একটি নো-কোড এমএল টুল যা ব্যবসায় বিশ্লেষকদের কোড না লিখে বা কোনো এমএল অভিজ্ঞতার প্রয়োজন ছাড়াই সঠিক ML ভবিষ্যদ্বাণী তৈরি করতে সাহায্য করে। ক্যানভাস ডেটাসেটগুলিকে লোড, পরিষ্কার এবং রূপান্তর করার জন্য একটি সহজে ব্যবহারযোগ্য ভিজ্যুয়াল ইন্টারফেস প্রদান করে, এর পরে ML মডেল তৈরি করে এবং সঠিক ভবিষ্যদ্বাণী তৈরি করে৷
এই পোস্টে, আমরা ক্যানভাসের অন্তর্নির্মিত উন্নত ভিজ্যুয়ালাইজেশনের জন্য ধন্যবাদ, আপনার ML মডেল তৈরি করার আগে আপনার ডেটা সম্পর্কে আরও ভাল বোঝার জন্য কীভাবে EDA সম্পাদন করতে হয় তার মধ্য দিয়ে চলেছি। এই ভিজ্যুয়ালাইজেশনগুলি আপনাকে আপনার ডেটাসেটের বৈশিষ্ট্যগুলির মধ্যে সম্পর্ক বিশ্লেষণ করতে এবং আপনার ডেটা আরও ভালভাবে বুঝতে সাহায্য করে৷ এটি স্বজ্ঞাতভাবে করা হয়, ডেটার সাথে ইন্টারঅ্যাক্ট করার এবং অন্তর্দৃষ্টিগুলি আবিষ্কার করার ক্ষমতা সহ যা অ্যাডহক অনুসন্ধানের সাথে অলক্ষিত হতে পারে। এমএল মডেল তৈরি এবং প্রশিক্ষণের আগে ক্যানভাসের মধ্যে 'ডেটা ভিজ্যুয়ালাইজার'-এর মাধ্যমে এগুলি দ্রুত তৈরি করা যেতে পারে।
সমাধান ওভারভিউ
এই ভিজ্যুয়ালাইজেশনগুলি ইতিমধ্যেই ক্যানভাস দ্বারা অফার করা ডেটা প্রস্তুতি এবং অন্বেষণের ক্ষমতার পরিসরে যোগ করে, যার মধ্যে অনুপস্থিত মানগুলিকে সংশোধন করার এবং বহিরাগতদের প্রতিস্থাপন করার ক্ষমতা সহ; ফিল্টার, যোগদান, এবং ডেটাসেট পরিবর্তন; এবং টাইমস্ট্যাম্প থেকে নির্দিষ্ট সময়ের মান বের করুন। ক্যানভাস কীভাবে আপনার ডেটাসেট পরিষ্কার, রূপান্তর এবং প্রস্তুত করতে সাহায্য করতে পারে সে সম্পর্কে আরও জানতে, দেখুন উন্নত রূপান্তর সহ ডেটা প্রস্তুত করুন.
আমাদের ব্যবহারের ক্ষেত্রে, আমরা কেন গ্রাহকরা যেকোন ব্যবসায় মন্থন করি এবং কীভাবে EDA একজন বিশ্লেষকের দৃষ্টিকোণ থেকে সাহায্য করতে পারে তা ব্যাখ্যা করি। এই পোস্টে আমরা যে ডেটাসেটটি ব্যবহার করি তা হল একটি টেলিকমিউনিকেশন মোবাইল ফোন ক্যারিয়ার থেকে গ্রাহক মন্থন পূর্বাভাসের জন্য একটি সিন্থেটিক ডেটাসেট যা আপনি ডাউনলোড করতে পারেন (churn.csv), অথবা আপনি পরীক্ষা করার জন্য আপনার নিজস্ব ডেটাসেট নিয়ে আসেন। আপনার নিজস্ব ডেটাসেট আমদানির নির্দেশাবলীর জন্য, পড়ুন Amazon SageMaker ক্যানভাসে ডেটা আমদানি করা হচ্ছে.
পূর্বশর্ত
নির্দেশাবলী অনুসরণ করুন Amazon SageMaker ক্যানভাস সেট আপ করার জন্য পূর্বশর্ত আপনি আরও এগিয়ে যাওয়ার আগে।
ক্যানভাসে আপনার ডেটাসেট আমদানি করুন
ক্যানভাসে নমুনা ডেটাসেট আমদানি করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- একজন ব্যবসায়িক ব্যবহারকারী হিসেবে ক্যানভাসে লগ ইন করুন.প্রথম, আমরা আমাদের স্থানীয় কম্পিউটার থেকে ক্যানভাসে পূর্বে উল্লেখিত ডেটাসেট আপলোড করি। আপনি যদি অন্যান্য উত্স ব্যবহার করতে চান, যেমন আমাজন রেডশিফ্ট, নির্দেশ করে একটি বাহ্যিক ডেটা উৎসের সাথে সংযোগ করুন.
- বেছে নিন আমদানি.
- বেছে নিন আপলোড, তাহলে বেছে নাও আপনার কম্পিউটার থেকে ফাইল নির্বাচন করুন.
- আপনার ডেটাসেট (churn.csv) নির্বাচন করুন এবং নির্বাচন করুন তথ্য আমদানি.
- ডেটাসেট নির্বাচন করুন এবং নির্বাচন করুন মডেল তৈরি করুন.
- জন্য ণশড, একটি নাম লিখুন (এই পোস্টের জন্য, আমরা নাম মন্থন পূর্বাভাস দিয়েছি)।
- বেছে নিন সৃষ্টি.
আপনি আপনার ডেটাসেট নির্বাচন করার সাথে সাথে আপনাকে একটি ওভারভিউ উপস্থাপন করা হবে যা ডেটা প্রকার, অনুপস্থিত মান, অমিল মান, অনন্য মান এবং সংশ্লিষ্ট কলামগুলির গড় বা মোড মানগুলির রূপরেখা দেয়৷
একটি EDA দৃষ্টিকোণ থেকে, আপনি পর্যবেক্ষণ করতে পারেন যে ডেটাসেটে কোনো অনুপস্থিত বা অমিল মান নেই। একজন ব্যবসায়িক বিশ্লেষক হিসেবে, মডেলটি কীভাবে পারফর্ম করবে এবং মডেলটির কার্যকারিতায় কোন উপাদানগুলি অবদান রাখছে তা শনাক্ত করতে ডেটা অন্বেষণ শুরু করার আগেও আপনি মডেল বিল্ডের একটি প্রাথমিক অন্তর্দৃষ্টি পেতে চাইতে পারেন। ক্যানভাস আপনাকে মডেলটির পূর্বরূপ দেখে একটি মডেল তৈরি করার আগে আপনার ডেটা থেকে অন্তর্দৃষ্টি পাওয়ার ক্ষমতা দেয়৷ - আপনি কোনো তথ্য অনুসন্ধান করার আগে, চয়ন করুন প্রিভিউ মডেল.
- ভবিষ্যদ্বাণী করার জন্য কলাম নির্বাচন করুন (মন্থন)। ক্যানভাস স্বয়ংক্রিয়ভাবে সনাক্ত করে যে এটি দ্বি-শ্রেণীর পূর্বাভাস।
- বেছে নিন প্রিভিউ মডেল. SageMaker ক্যানভাস আপনার ডেটা একটি সঠিক ভবিষ্যদ্বাণী তৈরি করার জন্য প্রস্তুত কিনা তা পরীক্ষা করতে দ্রুত একটি মডেল তৈরি করতে আপনার ডেটার একটি উপসেট ব্যবহার করে৷ এই নমুনা মডেল ব্যবহার করে, আপনি বর্তমান মডেলের সঠিকতা এবং ভবিষ্যদ্বাণীতে প্রতিটি কলামের আপেক্ষিক প্রভাব বুঝতে পারবেন।
নিম্নলিখিত স্ক্রিনশট আমাদের পূর্বরূপ দেখায়.
মডেল প্রিভিউ নির্দেশ করে যে মডেল সঠিক লক্ষ্য (মন্থন?) 95.6% সময়ের পূর্বাভাস দেয়। আপনি প্রাথমিক কলামের প্রভাবও দেখতে পারেন (প্রতিটি কলাম লক্ষ্য কলামের উপর প্রভাব ফেলে)। আসুন কিছু ডেটা অন্বেষণ, ভিজ্যুয়ালাইজেশন এবং রূপান্তর করি এবং তারপরে একটি মডেল তৈরি করতে এগিয়ে যাই।
ডেটা অন্বেষণ
ক্যানভাস ইতিমধ্যে কিছু সাধারণ মৌলিক ভিজ্যুয়ালাইজেশন প্রদান করে, যেমন একটি গ্রিড ভিউতে ডেটা বিতরণ নির্মাণ করা ট্যাব এগুলি ডেটার একটি উচ্চ-স্তরের ওভারভিউ পাওয়ার জন্য, ডেটা কীভাবে বিতরণ করা হয় তা বোঝার জন্য এবং ডেটাসেটের একটি সারাংশ ওভারভিউ পাওয়ার জন্য দুর্দান্ত।
একজন ব্যবসায়িক বিশ্লেষক হিসাবে, মডেল তৈরি করার আগে ডেটা সম্পর্ক সহজে বোঝার জন্য আপনাকে কীভাবে ডেটা বিতরণ করা হয় এবং কীভাবে বিতরণ লক্ষ্য কলামের (মন্থন) বিপরীতে প্রতিফলিত হয় সে সম্পর্কে উচ্চ-স্তরের অন্তর্দৃষ্টি পেতে হবে। আপনি এখন চয়ন করতে পারেন গ্রিড দর্শন তথ্য বিতরণের একটি ওভারভিউ পেতে।
নিম্নলিখিত স্ক্রিনশটটি ডেটাসেটের বিতরণের ওভারভিউ দেখায়।
আমরা নিম্নলিখিত পর্যবেক্ষণ করতে পারি:
- কোনো ব্যবহারিক ব্যবহারের জন্য ফোন অনেকগুলি অনন্য মান গ্রহণ করে। আমরা জানি যে ফোন একটি গ্রাহক আইডি এবং আমরা এমন একটি মডেল তৈরি করতে চাই না যা নির্দিষ্ট গ্রাহকদের বিবেচনা করতে পারে, বরং আরও সাধারণ অর্থে শিখুন যে কী মন্থন হতে পারে। আপনি এই পরিবর্তনশীল অপসারণ করতে পারেন.
- সংখ্যাগত বৈশিষ্ট্যগুলির বেশিরভাগই একটি অনুসরণ করে সুন্দরভাবে বিতরণ করা হয়েছে গসিয়ান ঘণ্টা বক্ররেখা ML-এ, আপনি ডেটাকে স্বাভাবিকভাবে বিতরণ করতে চান কারণ যে কোনও পরিবর্তনশীল যা স্বাভাবিক বিতরণ প্রদর্শন করে উচ্চ নির্ভুলতার সাথে পূর্বাভাস দিতে সক্ষম।
আসুন আরও গভীরে যান এবং ক্যানভাসে উপলব্ধ উন্নত ভিজ্যুয়ালাইজেশনগুলি দেখুন।
তথ্য ভিজ্যুয়ালাইজেশন
ব্যবসায়িক বিশ্লেষক হিসাবে, আপনি দেখতে চান যে ডেটা উপাদানগুলির মধ্যে সম্পর্ক আছে কিনা এবং সেগুলি কীভাবে মন্থনের সাথে সম্পর্কিত। ক্যানভাসের সাহায্যে, আপনি আপনার ডেটা অন্বেষণ এবং কল্পনা করতে পারেন, যা আপনাকে আপনার এমএল মডেলগুলি তৈরি করার আগে আপনার ডেটাতে উন্নত অন্তর্দৃষ্টি পেতে সহায়তা করে৷ আপনি স্ক্যাটার প্লট, বার চার্ট এবং বক্স প্লট ব্যবহার করে কল্পনা করতে পারেন, যা আপনাকে আপনার ডেটা বুঝতে এবং মডেলের নির্ভুলতাকে প্রভাবিত করতে পারে এমন বৈশিষ্ট্যগুলির মধ্যে সম্পর্ক আবিষ্কার করতে সহায়তা করতে পারে।
আপনার ভিজ্যুয়ালাইজেশন তৈরি করা শুরু করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- উপরে নির্মাণ করা ক্যানভাস অ্যাপের ট্যাব, বেছে নিন ডেটা ভিজ্যুয়ালাইজার.
ক্যানভাসে ভিজ্যুয়ালাইজেশনের একটি মূল ত্বরণক হল ডেটা ভিজ্যুয়ালাইজার. একটি ভাল দৃষ্টিকোণ পেতে নমুনার আকার পরিবর্তন করা যাক।
- পাশের সারির সংখ্যা বেছে নিন ভিজ্যুয়ালাইজেশন নমুনা.
- আপনার পছন্দসই নমুনা আকার নির্বাচন করতে স্লাইডার ব্যবহার করুন.
- বেছে নিন আপডেট আপনার নমুনা আকার পরিবর্তন নিশ্চিত করতে.
আপনি আপনার ডেটাসেটের উপর ভিত্তি করে নমুনার আকার পরিবর্তন করতে চাইতে পারেন। কিছু ক্ষেত্রে, আপনার কয়েকশ থেকে কয়েক হাজার সারি থাকতে পারে যেখানে আপনি সম্পূর্ণ ডেটাসেট নির্বাচন করতে পারেন। কিছু ক্ষেত্রে, আপনার কয়েক হাজার সারি থাকতে পারে, সেক্ষেত্রে আপনি আপনার ব্যবহারের ক্ষেত্রের উপর ভিত্তি করে কয়েকশ বা কয়েক হাজার সারি নির্বাচন করতে পারেন।
একটি স্ক্যাটার প্লট একই ব্যক্তির জন্য পরিমাপ করা দুটি পরিমাণগত ভেরিয়েবলের মধ্যে সম্পর্ক দেখায়। আমাদের ক্ষেত্রে, পারস্পরিক সম্পর্ক পরীক্ষা করার জন্য মানগুলির মধ্যে সম্পর্ক বোঝা গুরুত্বপূর্ণ।
যেহেতু আমাদের কল, মিনিট এবং চার্জ আছে, তাই আমরা দিন, সন্ধ্যা এবং রাতের জন্য তাদের মধ্যে পারস্পরিক সম্পর্ক প্লট করব।
প্রথমে একটি তৈরি করা যাক বিক্ষিপ্ত চক্রান্ত ডে চার্জ বনাম দিন মিনিটের মধ্যে।
আমরা লক্ষ্য করতে পারি যে ডে মিন যত বাড়বে, ডে চার্জও তত বাড়বে।
একই সান্ধ্য কল জন্য প্রযোজ্য.
রাতের কলগুলিরও একই প্যাটার্ন রয়েছে।
যেহেতু মিনিট এবং চার্জ রৈখিকভাবে বৃদ্ধি পাচ্ছে বলে মনে হচ্ছে, আপনি লক্ষ্য করতে পারেন যে তাদের একে অপরের সাথে উচ্চ সম্পর্ক রয়েছে। কিছু ML অ্যালগরিদমে এই বৈশিষ্ট্য জোড়াগুলি অন্তর্ভুক্ত করা অতিরিক্ত সঞ্চয়স্থান নিতে পারে এবং প্রশিক্ষণের গতি হ্রাস করতে পারে এবং একাধিক কলামে অনুরূপ তথ্য থাকার ফলে মডেলটি প্রভাবের উপর বেশি জোর দিতে পারে এবং মডেলটিতে অনাকাঙ্ক্ষিত পক্ষপাতের দিকে পরিচালিত করতে পারে। চলুন অত্যন্ত পারস্পরিক সম্পর্কযুক্ত জোড়াগুলির প্রত্যেকটি থেকে একটি বৈশিষ্ট্য সরিয়ে ফেলি: দিন মিনিটের সাথে জোড়া থেকে দিনের চার্জ, নাইট মিনিটের সাথে জোড়া থেকে নাইট চার্জ এবং Intl মিনিটের সাথে জোড়া থেকে Intl চার্জ৷
ডেটা ভারসাম্য এবং তারতম্য
একটি বার চার্ট হল উভয় ভেরিয়েবলের মধ্যে সম্পর্ক অন্বেষণ করার জন্য x-অক্ষের একটি শ্রেণীগত পরিবর্তনশীল এবং y-অক্ষের সংখ্যাসূচক চলকের মধ্যে একটি প্লট। আমাদের টার্গেট কলাম জুড়ে কলগুলি কীভাবে বিতরণ করা হয় তা দেখতে একটি বার চার্ট তৈরি করা যাক সত্য এবং মিথ্যার জন্য চুর্ণ। পছন্দ করা বার চার্ট এবং ড্র্যাগ এবং ড্রপ ডে কল এবং যথাক্রমে y-অক্ষ এবং x-অক্ষে মন্থন করুন।
এখন, সন্ধ্যার কল বনাম মন্থনের জন্য একই বার চার্ট তৈরি করা যাক।
এর পরে, আসুন নাইট কল বনাম মন্থনের জন্য একটি বার চার্ট তৈরি করি।
দেখে মনে হচ্ছে যে গ্রাহকরা মন্থন করেছেন এবং যারা করেননি তাদের মধ্যে আচরণের মধ্যে পার্থক্য রয়েছে৷
বক্স প্লটগুলি দরকারী কারণ তারা শ্রেণী অনুসারে ডেটার আচরণে পার্থক্য দেখায় (মন্থন বা না)। যেহেতু আমরা মন্থন (টার্গেট কলাম) ভবিষ্যদ্বাণী করতে যাচ্ছি, আসুন আমাদের টার্গেট কলামের বিপরীতে কিছু বৈশিষ্ট্যের একটি বক্স প্লট তৈরি করি যাতে ডেটাসেটের বর্ণনামূলক পরিসংখ্যান যেমন গড়, সর্বোচ্চ, মিন, মধ্যমা এবং আউটলায়ার।
বেছে নিন বক্স চক্রান্ত এবং যথাক্রমে y-অক্ষ এবং x-অক্ষে দিন মিনিট এবং মন্থন টেনে আনুন।
আপনি আমাদের টার্গেট কলাম (মন্থন) এর বিপরীতে অন্যান্য কলামগুলিতেও একই পদ্ধতির চেষ্টা করতে পারেন।
এখন গ্রাহক পরিষেবা কলের বিপরীতে দিনের মিনিটের একটি বক্স প্লট তৈরি করি যাতে গ্রাহক পরিষেবা কলগুলি দিনের মিনিটের মান জুড়ে কীভাবে বিস্তৃত হয় তা বোঝার জন্য। আপনি দেখতে পাচ্ছেন যে গ্রাহক পরিষেবা কলগুলির দিনের মিনিটের মূল্যের উপর নির্ভরশীলতা বা পারস্পরিক সম্পর্ক নেই৷
আমাদের পর্যবেক্ষণ থেকে, আমরা নির্ধারণ করতে পারি যে ডেটাসেটটি মোটামুটি ভারসাম্যপূর্ণ। আমরা চাই যে ডেটা সত্য এবং মিথ্যা মানগুলির মধ্যে সমানভাবে বিতরণ করা হোক যাতে মডেলটি একটি মানের দিকে পক্ষপাতিত্ব না করে।
রূপান্তরের
আমাদের পর্যবেক্ষণের উপর ভিত্তি করে, আমরা ফোন কলাম বাদ দিই কারণ এটি শুধুমাত্র একটি অ্যাকাউন্ট নম্বর এবং ডে চার্জ, ইভ চার্জ, নাইট চার্জ কলাম কারণ এতে মিনিট কলামের মতো ওভারল্যাপিং তথ্য রয়েছে, কিন্তু আমরা নিশ্চিত করতে আবার একটি পূর্বরূপ চালাতে পারি।
ডেটা বিশ্লেষণ এবং রূপান্তরের পরে, আসুন আবার মডেলটির পূর্বরূপ দেখি।
আপনি লক্ষ্য করতে পারেন যে মডেলের আনুমানিক নির্ভুলতা 95.6% থেকে 93.6% এ পরিবর্তিত হয়েছে (এটি পরিবর্তিত হতে পারে), তবে নির্দিষ্ট কলামগুলির জন্য কলামের প্রভাব (বৈশিষ্ট্যের গুরুত্ব) যথেষ্ট পরিবর্তিত হয়েছে, যা প্রশিক্ষণের গতির পাশাপাশি কলামগুলির প্রভাবকে উন্নত করে ভবিষ্যদ্বাণী আমরা মডেল বিল্ডিং পরবর্তী ধাপে যেতে. আমাদের ডেটাসেটের অতিরিক্ত রূপান্তরের প্রয়োজন নেই, তবে আপনার প্রয়োজন হলে আপনি সুবিধা নিতে পারেন এমএল ডেটা রূপান্তরিত হয় মডেল বিল্ডিংয়ের জন্য আপনার ডেটা পরিষ্কার, রূপান্তর এবং প্রস্তুত করতে।
মডেল তৈরি করুন
আপনি এখন একটি মডেল তৈরি করতে এবং ফলাফল বিশ্লেষণ করতে এগিয়ে যেতে পারেন। আরো তথ্যের জন্য, পড়ুন Amazon SageMaker ক্যানভাস ব্যবহার করে নো-কোড মেশিন লার্নিং সহ গ্রাহক মন্থনের পূর্বাভাস দিন.
পরিষ্কার কর
যাতে ভবিষ্যতে ক্ষতি না হয় সেশন চার্জ, প্রস্থান ক্যানভাসের।
উপসংহার
এই পোস্টে, আমরা দেখিয়েছি কিভাবে আপনি মডেল তৈরির আগে আপনার ডেটা আরও ভালভাবে বুঝতে, সঠিক ML মডেল তৈরি করতে এবং নো-কোড, ভিজ্যুয়াল, পয়েন্ট-এন্ড-ক্লিক ইন্টারফেস ব্যবহার করে ভবিষ্যদ্বাণী তৈরি করতে EDA-এর জন্য ক্যানভাস ভিজ্যুয়ালাইজেশন ক্ষমতা ব্যবহার করতে পারেন।
লেখক সম্পর্কে
রাজকুমার সম্পতকুমার তিনি AWS-এর একজন প্রধান টেকনিক্যাল অ্যাকাউন্ট ম্যানেজার, গ্রাহকদের ব্যবসা-প্রযুক্তি সারিবদ্ধকরণের বিষয়ে নির্দেশনা প্রদান করে এবং তাদের ক্লাউড অপারেশন মডেল ও প্রক্রিয়ার পুনর্বিবেচনাকে সমর্থন করে। তিনি ক্লাউড এবং মেশিন লার্নিং সম্পর্কে উত্সাহী। রাজ একজন মেশিন লার্নিং বিশেষজ্ঞ এবং AWS গ্রাহকদের সাথে তাদের AWS ওয়ার্কলোড এবং আর্কিটেকচার ডিজাইন, স্থাপন এবং পরিচালনা করতে কাজ করে।
রাহুল নবেরা AWS প্রফেশনাল সার্ভিসে একজন ডেটা অ্যানালিটিক্স কনসালটেন্ট। তার বর্তমান কাজ গ্রাহকদের AWS-এ তাদের ডেটা এবং মেশিন লার্নিং ওয়ার্কলোড তৈরি করতে সক্ষম করার উপর দৃষ্টি নিবদ্ধ করে। অবসর সময়ে তিনি ক্রিকেট ও ভলিবল খেলা উপভোগ করেন।
রবিতেজা ইয়েলামঞ্চিলি নিউ ইয়র্ক ভিত্তিক অ্যামাজন ওয়েব পরিষেবাগুলির সাথে একজন এন্টারপ্রাইজ সলিউশন আর্কিটেক্ট৷ তিনি ক্লাউডে অত্যন্ত সুরক্ষিত, পরিমাপযোগ্য, নির্ভরযোগ্য এবং ব্যয়-কার্যকর অ্যাপ্লিকেশনগুলি ডিজাইন এবং স্থাপন করতে বড় আর্থিক পরিষেবা এন্টারপ্রাইজ গ্রাহকদের সাথে কাজ করেন। তিনি 11+ বছরের বেশি ঝুঁকি ব্যবস্থাপনা, প্রযুক্তি পরামর্শ, ডেটা বিশ্লেষণ এবং মেশিন লার্নিং অভিজ্ঞতা নিয়ে আসেন। যখন তিনি গ্রাহকদের সাহায্য করেন না, তখন তিনি ভ্রমণ এবং PS5 খেলা উপভোগ করেন।
- উন্নত (300)
- AI
- ai শিল্প
- এআই আর্ট জেনারেটর
- আইআই রোবট
- আমাজন সেজমেকার
- আমাজন সেজমেকার ক্যানভাস
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম বুদ্ধিমত্তা সার্টিফিকেশন
- ব্যাংকিং এ কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম বুদ্ধিমত্তার রোবট
- কৃত্রিম বুদ্ধিমত্তার রোবট
- কৃত্রিম বুদ্ধিমত্তা সফ্টওয়্যার
- এডাব্লুএস মেশিন লার্নিং
- blockchain
- ব্লকচেইন সম্মেলন এআই
- coingenius
- কথোপকথন কৃত্রিম বুদ্ধিমত্তা
- ক্রিপ্টো সম্মেলন এআই
- ডাল-ই
- গভীর জ্ঞানার্জন
- গুগল আই
- মেশিন লার্নিং
- Plato
- প্লেটো এআই
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটো গেম
- প্লেটোডাটা
- প্লেটোগেমিং
- স্কেল ai
- বাক্য গঠন
- টেকনিক্যাল হাউ-টু
- zephyrnet
