मशीन लर्निंग (एमएल) संगठनों को राजस्व उत्पन्न करने, लागत कम करने, जोखिम कम करने, दक्षता बढ़ाने और विपणन, निर्माण, संचालन, बिक्री, वित्त और ग्राहक सेवा जैसी कई व्यावसायिक इकाइयों में मुख्य व्यवसाय कार्यों का अनुकूलन करके गुणवत्ता में सुधार करने में मदद करता है। एडब्ल्यूएस एमएल के साथ, संगठन महीनों से दिनों तक मूल्य निर्माण में तेजी ला सकते हैं। अमेज़ॅन सेजमेकर कैनवास एक दृश्य, पॉइंट-एंड-क्लिक सेवा है जो व्यापार विश्लेषकों को कोड की एक भी पंक्ति लिखे बिना या एमएल विशेषज्ञता की आवश्यकता के बिना सटीक एमएल पूर्वानुमान उत्पन्न करने की अनुमति देती है। आप भविष्यवाणियों को अंतःक्रियात्मक रूप से और बल्क डेटासेट पर बैच स्कोरिंग के लिए मॉडल का उपयोग कर सकते हैं।
इस पोस्ट में, हम आर्किटेक्चरल पैटर्न दिखाते हैं कि कैसे व्यावसायिक टीमें कैनवस में भविष्यवाणियां उत्पन्न करके कहीं भी निर्मित एमएल मॉडल का उपयोग कर सकती हैं और प्रभावी व्यावसायिक परिणाम प्राप्त कर सकती हैं।
मॉडल विकास और साझाकरण का यह एकीकरण व्यवसाय और डेटा विज्ञान टीमों के बीच एक सख्त सहयोग बनाता है और मूल्य के समय को कम करता है। व्यावसायिक टीमें अपने डेटा वैज्ञानिकों या अन्य विभागों द्वारा बनाए गए मौजूदा मॉडलों का उपयोग बाहरी वातावरण में नए मॉडल के पुनर्निर्माण के बजाय व्यावसायिक समस्या को हल करने के लिए कर सकती हैं।
अंत में, व्यापार विश्लेषक साझा मॉडल को कैनवस में आयात कर सकते हैं और कुछ ही क्लिक के साथ उत्पादन में तैनात करने से पहले पूर्वानुमान उत्पन्न कर सकते हैं।
समाधान अवलोकन
निम्नलिखित आंकड़ा तीन अलग-अलग आर्किटेक्चर पैटर्न का वर्णन करता है, यह प्रदर्शित करने के लिए कि कैसे डेटा वैज्ञानिक व्यवसाय विश्लेषकों के साथ मॉडल साझा कर सकते हैं, जो तब कैनवस के विज़ुअल इंटरफ़ेस में सीधे उन मॉडलों से भविष्यवाणियां उत्पन्न कर सकते हैं:
.. पूर्वापेक्षाएँ
SageMaker का उपयोग करके अपने मॉडल को प्रशिक्षित करने और बनाने के लिए और अपने मॉडल को कैनवस में लाने के लिए, निम्नलिखित पूर्वापेक्षाएँ पूरी करें:
- यदि आपके पास पहले से SageMaker डोमेन और स्टूडियो उपयोगकर्ता नहीं है, SageMaker डोमेन के लिए एक स्टूडियो उपयोगकर्ता को सेट अप और ऑनबोर्ड करें.
- कैनवस को सक्षम और सेट करें अपने उपयोगकर्ताओं के लिए आधार अनुमतियाँ और स्टूडियो के साथ सहयोग करने के लिए उपयोगकर्ताओं को अनुमति दें.
- आपके पास ऑटोपायलट, जम्पस्टार्ट, या मॉडल रजिस्ट्री से प्रशिक्षित मॉडल होना चाहिए। किसी भी मॉडल के लिए जिसे आपने SageMaker के बाहर बनाया है, आपको अपने मॉडल को कैनवास में आयात करने से पहले मॉडल रजिस्ट्री में पंजीकृत करना होगा।
अब आइए एक डेटा वैज्ञानिक की भूमिका मान लें जो इन तीन वास्तुशिल्प पैटर्नों में से प्रत्येक के लिए एक व्यापार विश्लेषक के साथ एमएल मॉडल को प्रशिक्षित करना, बनाना, तैनात करना और साझा करना चाहता है।
ऑटोपायलट और कैनवास का प्रयोग करें
ऑटोपायलट एक स्वचालित एमएल (ऑटोएमएल) प्रक्रिया के प्रमुख कार्यों को स्वचालित करता है जैसे डेटा की खोज करना, समस्या प्रकार के लिए प्रासंगिक एल्गोरिदम का चयन करना और फिर उसे प्रशिक्षण और ट्यूनिंग करना। यह सब आपको डेटासेट पर पूर्ण नियंत्रण और दृश्यता बनाए रखने की अनुमति देकर प्राप्त किया जा सकता है। ऑटोपायलट स्वचालित रूप से सर्वश्रेष्ठ मॉडल खोजने के लिए विभिन्न समाधानों की खोज करता है, और उपयोगकर्ता या तो एमएल मॉडल पर पुनरावृति कर सकते हैं या एक क्लिक के साथ मॉडल को सीधे उत्पादन में तैनात कर सकते हैं।
इस उदाहरण में, हम ग्राहक मंथन सिंथेटिक का उपयोग करते हैं डाटासेट टेलीकॉम डोमेन से और उन ग्राहकों की पहचान करने का काम सौंपा जाता है जो संभावित रूप से मंथन के जोखिम में हैं। व्यापार विश्लेषक के साथ एक एमएल मॉडल बनाने, प्रशिक्षित करने, तैनात करने और साझा करने के लिए ऑटोपायलट ऑटोएमएल का उपयोग करने के लिए निम्नलिखित चरणों को पूरा करें:
- डाउनलोड डाटासेट, इसे Amazon S3 पर अपलोड करें (अमेज़न सरल भंडारण सेवा) बकेट, और S3 URI को नोट करें।
- स्टूडियो कंसोल पर, चुनें ऑटो एम.एम.एल. नेविगेशन फलक में
- चुनें AutoML प्रयोग बनाएँ.
- प्रयोग का नाम निर्दिष्ट करें (इस पोस्ट के लिए,
Telecom-Customer-Churn-AutoPilot
), S3 डेटा इनपुट और आउटपुट स्थान। - मंथन के रूप में लक्ष्य स्तंभ सेट करें।
- परिनियोजन सेटिंग्स में, आप एक समापन बिंदु बनाने के लिए ऑटो परिनियोजन विकल्प को सक्षम कर सकते हैं जो आपके सर्वोत्तम मॉडल को परिनियोजित करता है और समापन बिंदु पर निष्कर्ष चलाता है।
अधिक जानकारी के लिए, देखें Amazon SageMaker Autopilot प्रयोग बनाएं.
- अपना प्रयोग चुनें, फिर अपना सर्वश्रेष्ठ मॉडल चुनें और चुनें शेयर मॉडल.
- कैनवास उपयोगकर्ता जोड़ें और चुनें Share मॉडल साझा करने के लिए।
(नोट: आप उसी कैनवास उपयोगकर्ता के साथ मॉडल साझा नहीं कर सकते जिसका उपयोग स्टूडियो लॉगिन के लिए किया जाता है। उदाहरण के लिए, स्टूडियो उपयोगकर्ता-ए कैनवास उपयोगकर्ता-ए के साथ मॉडल साझा नहीं कर सकता। लेकिन उपयोगकर्ता-ए उपयोगकर्ता-बी के साथ मॉडल साझा कर सकता है, इसलिए मॉडल-साझाकरण के लिए अलग-अलग उपयोग चुनें)
अधिक जानकारी के लिए, देखें स्टूडियो उपयोगकर्ता: SageMaker कैनवास पर एक मॉडल साझा करें.
जम्पस्टार्ट और कैनवस का प्रयोग करें
जम्पस्टार्ट एक एमएल हब है जो धोखाधड़ी का पता लगाने, क्रेडिट जोखिम भविष्यवाणी और उत्पाद दोष का पता लगाने जैसे एमएल उपयोग मामलों की एक विस्तृत श्रृंखला के लिए पूर्व-प्रशिक्षित, ओपन-सोर्स मॉडल प्रदान करता है। आप सारणीबद्ध, दृष्टि, पाठ और ऑडियो डेटा के लिए 300 से अधिक पूर्व-प्रशिक्षित मॉडल तैनात कर सकते हैं।
इस पोस्ट के लिए, हम जम्पस्टार्ट से एक LightGBM प्रतिगमन पूर्व-प्रशिक्षित मॉडल का उपयोग करते हैं। हम कस्टम डेटासेट पर मॉडल को प्रशिक्षित करते हैं और मॉडल को कैनवस उपयोगकर्ता (बिजनेस एनालिस्ट) के साथ साझा करते हैं। पूर्व-प्रशिक्षित मॉडल को निष्कर्ष के लिए समापन बिंदु पर तैनात किया जा सकता है। जम्पस्टार्ट मॉडल के परिनियोजित होने के बाद उसे एक्सेस करने के लिए एक उदाहरण नोटबुक प्रदान करता है।
इस उदाहरण में, हम उपयोग करते हैं अबालोन डेटासेट. डेटासेट में आठ भौतिक मापों के उदाहरण हैं जैसे कि लंबाई, व्यास और ऊंचाई, एबालोन की उम्र (एक प्रतिगमन समस्या) की भविष्यवाणी करने के लिए।
- डाउनलोड अबालोन डेटासेट कागले से।
- एक S3 बकेट बनाएं और ट्रेन, सत्यापन और कस्टम हेडर डेटासेट अपलोड करें।
- स्टूडियो कंसोल पर, के अंतर्गत सेजमेकर जम्पस्टार्ट नेविगेशन फलक में, चुनें मॉडल, नोटबुक, समाधान.
- के अंतर्गत सारणीबद्ध मॉडल, चुनें लाइट जीबीएम रिग्रेशन.
- के अंतर्गत ट्रेन का मॉडल, प्रशिक्षण, सत्यापन और कॉलम हेडर डेटासेट के लिए S3 URI निर्दिष्ट करें।
- चुनें रेलगाड़ी.
- नेविगेशन फलक में, चुनें जम्पस्टार्ट संपत्तियों को लॉन्च किया.
- पर प्रशिक्षण कार्य टैब, अपना प्रशिक्षण कार्य चुनें।
- पर Share मेनू, चुनें कैनवास पर साझा करें.
- साझा करने के लिए कैनवास उपयोगकर्ता चुनें, मॉडल विवरण निर्दिष्ट करें और चुनें Share.
अधिक जानकारी के लिए, देखें स्टूडियो उपयोगकर्ता: SageMaker कैनवास पर एक मॉडल साझा करें.
SageMaker मॉडल रजिस्ट्री और कैनवास का उपयोग करें
SageMaker मॉडल रजिस्ट्री के साथ, आप उत्पादन के लिए मॉडल सूचीबद्ध कर सकते हैं, मॉडल संस्करण प्रबंधित कर सकते हैं, मेटाडेटा संबद्ध कर सकते हैं, मॉडल की स्वीकृति स्थिति प्रबंधित कर सकते हैं, उत्पादन के लिए मॉडल परिनियोजित कर सकते हैं, और CI/CD के साथ मॉडल परिनियोजन स्वचालित कर सकते हैं।
आइए एक डेटा वैज्ञानिक की भूमिका मान लें। इस उदाहरण के लिए, आप एक एंड-टू-एंड एमएल प्रोजेक्ट बना रहे हैं जिसमें डेटा तैयार करना, मॉडल प्रशिक्षण, मॉडल होस्टिंग, मॉडल रजिस्ट्री और व्यापार विश्लेषक के साथ मॉडल साझा करना शामिल है। वैकल्पिक रूप से, डेटा तैयार करने और प्रीप्रोसेसिंग या पोस्टप्रोसेसिंग चरणों के लिए, आप उपयोग कर सकते हैं अमेज़न SageMaker डेटा रैंगलर और एक अमेज़न SageMaker प्रसंस्करण नौकरी. इस उदाहरण में, हम LIBSVM से डाउनलोड किए गए अबालोन डेटासेट का उपयोग करते हैं। लक्ष्य चर अबालोन की आयु है।
- स्टूडियो में, क्लोन करें गीथहब रेपो.
- रीडमे फ़ाइल में सूचीबद्ध चरणों को पूरा करें।
- स्टूडियो कंसोल पर, के अंतर्गत मॉडल नेविगेशन फलक में, चुनें मॉडल रजिस्ट्री.
- मॉडल चुनें
sklearn-reg-ablone
. - मॉडल संस्करण 1 को मॉडल रजिस्ट्री से कैनवास पर साझा करें।
- साझा करने के लिए कैनवास उपयोगकर्ता चुनें, मॉडल विवरण निर्दिष्ट करें और चुनें Share.
निर्देशों के लिए, देखें मॉडल रजिस्ट्री अनुभाग में स्टूडियो उपयोगकर्ता: SageMaker कैनवास पर एक मॉडल साझा करें.
साझा मॉडल प्रबंधित करें
किसी भी पूर्ववर्ती विधियों का उपयोग करके मॉडल को साझा करने के बाद, आप पर जा सकते हैं मॉडल स्टूडियो में अनुभाग और सभी साझा मॉडल की समीक्षा करें। निम्नलिखित स्क्रीनशॉट में, हम एक स्टूडियो उपयोगकर्ता (डेटा वैज्ञानिक) द्वारा विभिन्न कैनवस उपयोगकर्ताओं (व्यावसायिक टीमों) के साथ साझा किए गए 3 अलग-अलग मॉडल देखते हैं।
एक साझा मॉडल आयात करें और कैनवास के साथ भविष्यवाणियां करें
आइए व्यापार विश्लेषक की भूमिका ग्रहण करें और अपने कैनवास उपयोगकर्ता के साथ कैनवास में लॉग इन करें।
जब कोई डेटा वैज्ञानिक या स्टूडियो उपयोगकर्ता कैनवास उपयोगकर्ता के साथ मॉडल साझा करता है, तो आपको कैनवास एप्लिकेशन के भीतर एक सूचना प्राप्त होती है कि स्टूडियो उपयोगकर्ता ने आपके साथ मॉडल साझा किया है। कैनवस एप्लिकेशन में, सूचना निम्न स्क्रीनशॉट के समान है।
आप चुन सकते हैं अपडेट देखें साझा किए गए मॉडल को देखने के लिए, या आप जा सकते हैं मॉडल आपके साथ साझा किए गए सभी मॉडलों को खोजने के लिए कैनवास एप्लिकेशन में पृष्ठ। स्टूडियो से मॉडल आयात करने में 20 मिनट तक लग सकते हैं।
मॉडल आयात करने के बाद, आप इसकी मेट्रिक्स देख सकते हैं और उत्पन्न कर सकते हैं व्हाट-इफ विश्लेषण या बैच भविष्यवाणियों के साथ वास्तविक समय की भविष्यवाणियां.
विचार
कैनवस के साथ मॉडल साझा करते समय निम्नलिखित बातों का ध्यान रखें:
- आप Amazon S3 में प्रशिक्षण और सत्यापन डेटासेट संग्रहीत करते हैं, और S3 URI को कैनवास के साथ पास किया जाता है AWS पहचान और अभिगम प्रबंधन (आईएएम) अनुमतियां।
- कैनवास को लक्ष्य कॉलम प्रदान करें या पहले कॉलम को डिफ़ॉल्ट के रूप में उपयोग करें।
- अनुमान डेटा को पार्स करने के लिए कैनवस कंटेनर के लिए, कैनवस एंडपॉइंट या तो टेक्स्ट (CSV) या एप्लिकेशन (JSON) स्वीकार करता है।
- कैनवास एकाधिक कंटेनर या अनुमान पाइपलाइनों का समर्थन नहीं करता है।
- यदि प्रशिक्षण और सत्यापन डेटासेट में कोई हेडर प्रदान नहीं किया जाता है, तो कैनवस को एक डेटा स्कीमा प्रदान किया जाता है। डिफ़ॉल्ट रूप से, जम्पस्टार्ट प्लेटफॉर्म प्रशिक्षण और सत्यापन डेटासेट में शीर्षलेख प्रदान नहीं करता है।
- जम्पस्टार्ट के साथ, प्रशिक्षण कार्य को कैनवास के साथ साझा करने से पहले इसे पूरा करने की आवश्यकता है।
का संदर्भ लें सीमाएं और समस्या निवारण मॉडल साझा करते समय आपके सामने आने वाली किसी भी समस्या का निवारण करने में आपकी मदद करने के लिए।
क्लीन अप
भविष्य में शुल्क लेने से बचने के लिए, इस पोस्ट का अनुसरण करते समय आपके द्वारा बनाए गए संसाधनों को हटा दें या बंद कर दें। को देखें Amazon SageMaker कैनवास से लॉग आउट करना अधिक जानकारी के लिए। नोटबुक्स, टर्मिनल, कर्नेल, ऐप्स और इंस्टेंस सहित अलग-अलग संसाधनों को बंद करें। अधिक जानकारी के लिए, देखें संसाधन बंद करें। हटाएं मॉडल संस्करण, सेजमेकर समापन बिंदु और संसाधन, ऑटोपायलट प्रयोग संसाधन, तथा S3 बाल्टी.
निष्कर्ष
स्टूडियो डेटा वैज्ञानिकों को कुछ सरल चरणों में एमएल मॉडल को व्यापार विश्लेषकों के साथ साझा करने की अनुमति देता है। व्यापार विश्लेषक कैनवस में एक नया मॉडल बनाने के बजाय व्यावसायिक समस्याओं को हल करने के लिए पहले से ही डेटा वैज्ञानिकों द्वारा बनाए गए एमएल मॉडल से लाभ उठा सकते हैं। हालांकि, इन मॉडलों को उन वातावरणों के बाहर उपयोग करना मुश्किल हो सकता है जिनमें वे तकनीकी आवश्यकताओं और मॉडलों को आयात करने के लिए मैन्युअल प्रक्रियाओं के कारण बनाए गए हैं। यह अक्सर उपयोगकर्ताओं को एमएल मॉडल के पुनर्निर्माण के लिए मजबूर करता है, जिसके परिणामस्वरूप प्रयास और अतिरिक्त समय और संसाधनों का दोहराव होता है। कैनवस इन सीमाओं को हटा देता है ताकि आप कैनवस में उन मॉडलों के साथ भविष्यवाणियां कर सकें जिन्हें आपने कहीं भी प्रशिक्षित किया है। इस पोस्ट में दिखाए गए तीन पैटर्न का उपयोग करके, आप एमएल मॉडल को सैजमेकर मॉडल रजिस्ट्री में पंजीकृत कर सकते हैं, जो एमएल मॉडल के लिए मेटाडेटा स्टोर है, और उन्हें कैनवस में आयात कर सकते हैं। व्यापार विश्लेषक कैनवस में किसी भी मॉडल से भविष्यवाणियों का विश्लेषण और निर्माण कर सकते हैं।
SageMaker सेवाओं का उपयोग करने के बारे में अधिक जानने के लिए, निम्नलिखित संसाधन देखें:
यदि आपके कोई प्रश्न या सुझाव हैं, तो एक टिप्पणी छोड़ दें।
लेखक के बारे में
अमन शर्मा AWS के साथ एक वरिष्ठ समाधान वास्तुकार हैं। वह एपीजे क्षेत्र में स्टार्ट-अप, छोटे और मध्यम व्यवसायों और उद्यम ग्राहकों के साथ काम करता है, परामर्श, वास्तुकला और समाधान में 19 से अधिक वर्षों का अनुभव है। उन्हें एआई और एमएल का लोकतंत्रीकरण करने और ग्राहकों को उनके डेटा और एमएल रणनीतियों को डिजाइन करने में मदद करने का शौक है। काम के बाहर, वह प्रकृति और वन्य जीवन का पता लगाना पसंद करते हैं।
ज़िचेन नी AWS SageMaker में वरिष्ठ सॉफ़्टवेयर इंजीनियर हैं, जो पिछले साल SageMaker Canvas में ब्रिंग योर ओन मॉडल प्रोजेक्ट का नेतृत्व कर रहे हैं। वह 7 साल से अधिक समय से अमेज़न में काम कर रही हैं और उनके पास अमेज़न सप्लाई चेन ऑप्टिमाइजेशन और AWS AI सेवाओं दोनों का अनुभव है। वह काम के बाद बर्रे वर्कआउट और संगीत का लुत्फ उठाती हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोआईस्ट्रीम। Web3 डेटा इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- मिंटिंग द फ्यूचर डब्ल्यू एड्रिएन एशले। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :हैस
- :है
- $यूपी
- 1
- 100
- 20
- 7
- a
- About
- में तेजी लाने के
- स्वीकार करता है
- पहुँच
- सही
- पाना
- हासिल
- के पार
- अतिरिक्त
- बाद
- AI
- ऐ सेवा
- कलन विधि
- सब
- की अनुमति दे
- की अनुमति देता है
- पहले ही
- वीरांगना
- अमेज़न SageMaker
- अमेज़ॅन सैजमेकर ऑटोपायलट
- अमेज़ॅन सेजमेकर कैनवास
- an
- विश्लेषण
- विश्लेषक
- विश्लेषकों
- विश्लेषण करें
- और
- कोई
- कहीं भी
- आवेदन
- अनुमोदन
- क्षुधा
- वास्तु
- स्थापत्य
- हैं
- AS
- सहयोगी
- At
- ऑडियो
- स्वत:
- को स्वचालित रूप से
- ऑटोमेटा
- स्वचालित
- स्वतः
- ऑटो एम.एम.एल.
- से बचने
- एडब्ल्यूएस
- आधार
- BE
- किया गया
- से पहले
- लाभ
- BEST
- के बीच
- के छात्रों
- लाना
- निर्माण
- इमारत
- बनाया गया
- व्यापार
- व्यावसायिक कार्य
- व्यवसायों
- लेकिन
- by
- कर सकते हैं
- कैनवास
- मामलों
- सूची
- श्रृंखला
- प्रभार
- चेक
- चुनें
- क्लिक करें
- कोड
- सहयोग
- सहयोग
- स्तंभ
- टिप्पणी
- पूरा
- कंसोल
- परामर्श
- कंटेनर
- शामिल हैं
- नियंत्रण
- मूल
- लागत
- बनाना
- बनाया
- बनाता है
- बनाना
- निर्माण
- श्रेय
- रिवाज
- ग्राहक
- ग्राहक सेवा
- ग्राहक
- तिथि
- डेटा तैयारी
- डेटा विज्ञान
- आँकड़े वाला वैज्ञानिक
- डेटासेट
- दिन
- चूक
- लोकतंत्रीकरण
- दिखाना
- विभागों
- तैनात
- तैनात
- तैनाती
- तैनाती
- तैनात
- डिज़ाइन बनाना
- विवरण
- खोज
- विकास
- विभिन्न
- मुश्किल
- सीधे
- अन्य वायरल पोस्ट से
- नहीं करता है
- डोमेन
- dont
- नीचे
- ड्राइव
- दो
- से प्रत्येक
- प्रभावी
- क्षमता
- प्रयास
- भी
- सक्षम
- शुरू से अंत तक
- endpoint
- इंजीनियर
- उद्यम
- वातावरण
- उदाहरण
- उदाहरण
- मौजूदा
- अनुभव
- प्रयोग
- विशेषज्ञता
- का पता लगाने
- पड़ताल
- तलाश
- कुछ
- आकृति
- पट्टिका
- वित्त
- खोज
- प्रथम
- निम्नलिखित
- के लिए
- ताकतों
- धोखा
- धोखाधड़ी का पता लगाना
- से
- पूर्ण
- कार्यों
- भविष्य
- उत्पन्न
- सृजन
- Go
- है
- he
- हेडर
- ऊंचाई
- मदद
- मदद
- मदद करता है
- इसलिये
- होस्टिंग
- कैसे
- तथापि
- एचटीएमएल
- http
- HTTPS
- हब
- पहचान
- पहचान
- if
- आयात
- का आयात
- में सुधार
- in
- शामिल
- सहित
- व्यक्ति
- करें-
- निवेश
- बजाय
- निर्देश
- एकीकरण
- इंटरफेस
- में
- मुद्दों
- IT
- आईटी इस
- काम
- जेपीजी
- JSON
- केवल
- कुंजी
- पिछली बार
- पिछले साल
- प्रमुख
- जानें
- सीख रहा हूँ
- छोड़ना
- लंबाई
- पसंद
- को यह पसंद है
- सीमाओं
- लाइन
- सूचीबद्ध
- स्थान
- लॉग इन
- लॉग इन
- देख
- बनाए रखना
- बनाना
- प्रबंधन
- गाइड
- विनिर्माण
- विपणन (मार्केटिंग)
- माप
- मध्यम
- मेटाडाटा
- तरीकों
- मेट्रिक्स
- हो सकता है
- मन
- मिनटों
- कम करना
- ML
- आदर्श
- मॉडल
- महीने
- अधिक
- विभिन्न
- संगीत
- चाहिए
- नाम
- प्रकृति
- पथ प्रदर्शन
- की जरूरत है
- नया
- नहीं
- नोटबुक
- अधिसूचना
- of
- अक्सर
- on
- जहाज
- ONE
- खुला स्रोत
- संचालन
- इष्टतमीकरण
- के अनुकूलन के
- विकल्प
- or
- संगठनों
- अन्य
- आउट
- परिणामों
- उत्पादन
- बाहर
- अपना
- पृष्ठ
- फलक
- पारित कर दिया
- आवेशपूर्ण
- पैटर्न उपयोग करें
- अनुमतियाँ
- भौतिक
- मंच
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- पद
- संभावित
- भविष्यवाणी करना
- भविष्यवाणी
- भविष्यवाणियों
- आवश्यक शर्तें
- मुसीबत
- समस्याओं
- प्रक्रिया
- प्रक्रियाओं
- प्रसंस्करण
- एस्ट्रो मॉल
- उत्पादन
- परियोजना
- प्रदान करना
- बशर्ते
- प्रदान करता है
- गुणवत्ता
- प्रशन
- रेंज
- प्राप्त करना
- को कम करने
- क्षेत्र
- रजिस्टर
- रजिस्ट्री
- प्रासंगिक
- आवश्यकताएँ
- उपयुक्त संसाधन चुनें
- जिसके परिणामस्वरूप
- राजस्व
- की समीक्षा
- जोखिम
- भूमिका
- sagemaker
- विक्रय
- वही
- विज्ञान
- वैज्ञानिक
- वैज्ञानिकों
- स्कोरिंग
- अनुभाग
- देखना
- का चयन
- वरिष्ठ
- सेवा
- सेवाएँ
- सेट
- सेटिंग्स
- Share
- साझा
- शेयरों
- बांटने
- वह
- प्रदर्शन
- शट डाउन
- समान
- सरल
- एक
- छोटा
- So
- सॉफ्टवेयर
- सॉफ्टवेयर इंजीनियर
- समाधान ढूंढे
- हल
- स्टार्ट-अप
- स्थिति
- कदम
- भंडारण
- की दुकान
- रणनीतियों
- स्टूडियो
- ऐसा
- आपूर्ति
- आपूर्ति श्रृंखला
- आपूर्ति श्रृंखला अनुकूलन
- समर्थन
- कृत्रिम
- लेना
- लक्ष्य
- कार्य
- टीमों
- तकनीकी
- दूरसंचार
- अंतिम
- से
- कि
- RSI
- लेकिन हाल ही
- उन
- फिर
- इन
- वे
- इसका
- उन
- तीन
- तंग
- पहर
- सेवा मेरे
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- टाइप
- के अंतर्गत
- इकाइयों
- उपयोग
- प्रयुक्त
- उपयोगकर्ता
- उपयोगकर्ताओं
- का उपयोग
- सत्यापन
- मूल्य
- मूल्य सृजन
- संस्करण
- देखें
- दृश्यता
- दृष्टि
- we
- कब
- कौन कौन से
- जब
- कौन
- चौड़ा
- विस्तृत श्रृंखला
- साथ में
- अंदर
- बिना
- काम
- काम कर रहे
- कार्य
- लिख रहे हैं
- वर्ष
- साल
- आप
- आपका
- जेफिरनेट