कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) को उद्यम और सरकारी संगठनों में व्यापक रूप से अपनाया गया है। प्राकृतिक भाषा प्रसंस्करण (एनएलपी) और उपयोगकर्ता के अनुकूल एआई/एमएल सेवाओं में प्रगति के साथ असंरचित डेटा को संसाधित करना आसान हो गया है अमेज़न टेक्सट्रेक, Amazon Transcribe, तथा Amazon Comprehend. संगठनों ने गहरी अंतर्दृष्टि प्राप्त करने के लिए अपने असंरचित डेटा के साथ वर्गीकरण मॉडल बनाने के लिए अमेज़ॅन कॉम्प्रिहेंड जैसी एआई/एमएल सेवाओं का उपयोग करना शुरू कर दिया है जो उनके पास पहले नहीं थी। यद्यपि आप न्यूनतम प्रयास के साथ पूर्व-प्रशिक्षित मॉडल का उपयोग कर सकते हैं, उचित डेटा क्यूरेशन और मॉडल ट्यूनिंग के बिना, आप एआई/एमएल मॉडल के पूर्ण लाभ का एहसास नहीं कर सकते हैं।
इस पोस्ट में, हम बताते हैं कि Amazon Comprehend का उपयोग करके एक कस्टम वर्गीकरण मॉडल कैसे बनाया और अनुकूलित किया जाए। हम मल्टी-लेबल कस्टम वर्गीकरण मॉडल बनाने के लिए अमेज़ॅन कॉम्प्रिहेंशन कस्टम वर्गीकरण का उपयोग करके इसे प्रदर्शित करते हैं, और प्रशिक्षण डेटासेट कैसे तैयार करें और सटीकता, परिशुद्धता, रिकॉल और एफ 1 स्कोर जैसे प्रदर्शन मेट्रिक्स को पूरा करने के लिए मॉडल को ट्यून करने के बारे में दिशानिर्देश प्रदान करते हैं। हम मॉडल प्रदर्शन को ट्यून करने और आपके प्रशिक्षण डेटा को बेहतर बनाने में आपका मार्गदर्शन करने के लिए कन्फ्यूजन मैट्रिक्स की तरह अमेज़ॅन कॉम्प्रिहेंशन मॉडल प्रशिक्षण आउटपुट कलाकृतियों का उपयोग करते हैं।
समाधान अवलोकन
यह समाधान Amazon Comprehend का उपयोग करके एक अनुकूलित कस्टम वर्गीकरण मॉडल बनाने के लिए एक दृष्टिकोण प्रस्तुत करता है। हम कई चरणों से गुजरते हैं, जिनमें डेटा तैयार करना, मॉडल निर्माण, मॉडल प्रदर्शन मीट्रिक विश्लेषण और हमारे विश्लेषण के आधार पर अनुमान को अनुकूलित करना शामिल है। हम एक का उपयोग करते हैं अमेज़न SageMaker नोटबुक और एडब्ल्यूएस प्रबंधन कंसोल इनमें से कुछ चरणों को पूरा करने के लिए.
हम डेटा तैयारी, मॉडल निर्माण और मॉडल ट्यूनिंग के दौरान सर्वोत्तम प्रथाओं और अनुकूलन तकनीकों से भी गुजरते हैं।
.. पूर्वापेक्षाएँ
यदि आपके पास सेजमेकर नोटबुक इंस्टेंस नहीं है, तो आप एक बना सकते हैं। निर्देशों के लिए, देखें एक अमेज़न SageMaker नोटबुक इंस्टेंस बनाएँ.
डेटा तैयार करें
इस विश्लेषण के लिए, हम विषाक्त टिप्पणी वर्गीकरण डेटासेट का उपयोग करते हैं Kaggle. इस डेटासेट में 6 डेटा बिंदुओं के साथ 158,571 लेबल हैं। हालाँकि, प्रत्येक लेबल में सकारात्मक उदाहरण के रूप में कुल डेटा का केवल 10% से कम है, दो लेबल में 1% से कम है।
हम मौजूदा कागल डेटासेट को इसमें परिवर्तित करते हैं अमेज़ॅन दो-स्तंभ सीएसवी प्रारूप को समझें एक पाइप (|) डिलीमीटर का उपयोग करके लेबल को विभाजित किया गया। अमेज़ॅन कॉम्प्रिहेंड प्रत्येक डेटा बिंदु के लिए कम से कम एक लेबल की अपेक्षा करता है। इस डेटासेट में, हमें कई डेटा बिंदु मिलते हैं जो दिए गए किसी भी लेबल के अंतर्गत नहीं आते हैं। हम क्लीन नाम से एक नया लेबल बनाते हैं और ऐसे किसी भी डेटा बिंदु को इस लेबल के साथ सकारात्मक होने के लिए निर्दिष्ट करते हैं जो विषाक्त नहीं है। अंत में, हमने प्रति लेबल 80/20 अनुपात विभाजन का उपयोग करके क्यूरेटेड डेटासेट को प्रशिक्षण और परीक्षण डेटासेट में विभाजित किया है।
हम डेटा-तैयारी नोटबुक का उपयोग करेंगे। निम्नलिखित चरण कागल डेटासेट का उपयोग करते हैं और हमारे मॉडल के लिए डेटा तैयार करते हैं।
- SageMaker कंसोल पर, चुनें नोटबंदी के उदाहरण नेविगेशन फलक में
- आपके द्वारा कॉन्फ़िगर किया गया नोटबुक इंस्टेंस चुनें और चुनें ज्यूपिटर खोलें.
- पर नया मेनू, चुनें अंतिम.
- इस पोस्ट के लिए आवश्यक कलाकृतियों को डाउनलोड करने के लिए टर्मिनल में निम्नलिखित कमांड चलाएँ:
- टर्मिनल विंडो बंद करें।
आपको तीन नोटबुक देखनी चाहिए और ट्रेन.सीएसवी फाइलें.
- नोटबुक चुनें डेटा-तैयारी.ipynb.
- सभी चरणों को नोटबुक में चलाएँ.
ये चरण क्यूरेटेड प्रशिक्षण और परीक्षण डेटासेट के रूप में काम करने के लिए कच्चे कागल डेटासेट को तैयार करते हैं। क्यूरेटेड डेटासेट नोटबुक में संग्रहीत किए जाएंगे और अमेज़न सरल भंडारण सेवा (अमेज़न S3)।
बड़े पैमाने पर मल्टी-लेबल डेटासेट के साथ काम करते समय निम्नलिखित डेटा तैयारी दिशानिर्देशों पर विचार करें:
- डेटासेट में प्रति लेबल कम से कम 10 नमूने होने चाहिए।
- Amazon Comprehend अधिकतम 100 लेबल स्वीकार करता है। यह एक नरम सीमा है जिसे बढ़ाया जा सकता है।
- सुनिश्चित करें कि डेटासेट फ़ाइल है सही ढंग से स्वरूपित उचित सीमांकक के साथ. गलत सीमांकक रिक्त लेबल प्रस्तुत कर सकते हैं।
- सभी डेटा बिंदुओं पर लेबल होने चाहिए.
- प्रशिक्षण और परीक्षण डेटासेट में प्रति लेबल संतुलित डेटा वितरण होना चाहिए। यादृच्छिक वितरण का उपयोग न करें क्योंकि यह प्रशिक्षण और परीक्षण डेटासेट में पूर्वाग्रह पैदा कर सकता है।
एक कस्टम वर्गीकरण मॉडल बनाएं
हम अपने मॉडल के निर्माण के लिए डेटा तैयारी चरण के दौरान बनाए गए क्यूरेटेड प्रशिक्षण और परीक्षण डेटासेट का उपयोग करते हैं। निम्नलिखित चरण एक Amazon Comprehend मल्टी-लेबल कस्टम वर्गीकरण मॉडल बनाते हैं:
- Amazon Comprehend कंसोल पर, चुनें कस्टम वर्गीकरण नेविगेशन फलक में
- चुनें नया मॉडल बनाएं.
- के लिए मॉडल का नाम, विषाक्त-वर्गीकरण-मॉडल दर्ज करें।
- के लिए संस्करण का नाम, 1 दर्ज करें।
- के लिए एनोटेशन और डेटा प्रारूप, चुनें बहु-लेबल मोड का उपयोग करना.
- के लिए प्रशिक्षण डेटासेट, Amazon S3 पर क्यूरेटेड प्रशिक्षण डेटासेट का स्थान दर्ज करें।
- चुनें ग्राहक ने परीक्षण डेटासेट प्रदान किया और Amazon S3 पर क्यूरेटेड परीक्षण डेटा का स्थान दर्ज करें।
- के लिए उत्पादित आंकड़े, अमेज़न S3 स्थान दर्ज करें।
- के लिए IAM भूमिका, चुनते हैं एक IAM भूमिका बनाएँ, नाम प्रत्यय को "समझ-ब्लॉग" के रूप में निर्दिष्ट करें।
- चुनें बनाएं कस्टम वर्गीकरण मॉडल प्रशिक्षण और मॉडल निर्माण शुरू करने के लिए।
निम्नलिखित स्क्रीनशॉट अमेज़ॅन कॉम्प्रिहेंन्ड कंसोल पर कस्टम वर्गीकरण मॉडल विवरण दिखाता है।
मॉडल प्रदर्शन के लिए ट्यून करें
निम्नलिखित स्क्रीनशॉट मॉडल प्रदर्शन मेट्रिक्स दिखाता है। इसमें सटीकता, रिकॉल, एफ1 स्कोर, सटीकता और बहुत कुछ जैसे प्रमुख मेट्रिक्स शामिल हैं।
मॉडल को प्रशिक्षित और निर्मित करने के बाद, यह आउटपुट.tar.gz फ़ाइल उत्पन्न करेगा, जिसमें डेटासेट से लेबल के साथ-साथ प्रत्येक लेबल के लिए भ्रम मैट्रिक्स भी शामिल है। मॉडल के पूर्वानुमान प्रदर्शन को और बेहतर बनाने के लिए, आपको प्रत्येक वर्ग के लिए पूर्वानुमान संभावनाओं के साथ अपने मॉडल को समझना होगा। ऐसा करने के लिए, आपको प्रत्येक डेटा बिंदु को दिए गए अमेज़ॅन कॉम्प्रिहेंड स्कोर की पहचान करने के लिए एक विश्लेषण कार्य बनाना होगा।
विश्लेषण कार्य बनाने के लिए निम्नलिखित चरणों को पूरा करें:
- Amazon Comprehend कंसोल पर, चुनें विश्लेषण नौकरियों नेविगेशन फलक में
- चुनें नौकरी पैदा करो.
- के लिए नाम, दर्ज
toxic_train_data_analysis_job
. - के लिए विश्लेषण प्रकार, चुनें कस्टम वर्गीकरण.
- के लिए वर्गीकरण मॉडल और चक्का, उल्लिखित करना
toxic-classification-model
. - के लिए संस्करण, निर्दिष्ट करें 1.
- के लिए इनपुट डेटा S3 स्थान, क्यूरेटेड प्रशिक्षण डेटा फ़ाइल का स्थान दर्ज करें।
- के लिए इनपुट प्रारूप, चुनें प्रति पंक्ति एक दस्तावेज़.
- के लिए आउटपुट डेटा S3 स्थान, स्थान दर्ज करें.
- के लिए पहुँच अनुमतियाँ, चुनते हैं मौजूदा IAM भूमिका का उपयोग करें और पहले बनाई गई भूमिका चुनें.
- चुनें नौकरी पैदा करो विश्लेषण कार्य प्रारंभ करने के लिए.
- चयन विश्लेषण नौकरियों नौकरी का विवरण देखने के लिए. कृपया कार्य विवरण के अंतर्गत कार्य आईडी नोट कर लें। हम अपने अगले चरण में जॉब आईडी का उपयोग करेंगे।
क्यूरेटेड परीक्षण डेटा के लिए विश्लेषण कार्य प्रारंभ करने के चरणों को दोहराएं। हम अपने मॉडल की भविष्यवाणी संभावनाओं के बारे में जानने के लिए अपने विश्लेषण कार्यों से भविष्यवाणी आउटपुट का उपयोग करते हैं। कृपया प्रशिक्षण और परीक्षण विश्लेषण नौकरियों की जॉब आईडी नोट करें।
हम उपयोग मॉडल-थ्रेशोल्ड-विश्लेषण.ipynb सभी संभावित सीमाओं पर आउटपुट का परीक्षण करने और स्किकिट-लर्न का उपयोग करके भविष्यवाणी संभावना के आधार पर आउटपुट स्कोर करने के लिए नोटबुक precision_recall_curve
समारोह। इसके अतिरिक्त, हम प्रत्येक सीमा पर F1 स्कोर की गणना कर सकते हैं।
हमें इनपुट के रूप में अमेज़ॅन कॉम्प्रिहेंशन विश्लेषण जॉब आईडी की आवश्यकता होगी मॉडल-सीमा-विश्लेषण स्मरण पुस्तक। आप Amazon Comprehend कंसोल से जॉब आईडी प्राप्त कर सकते हैं। सभी चरणों को निष्पादित करें मॉडल-सीमा-विश्लेषण सभी वर्गों के लिए सीमा का निरीक्षण करने के लिए नोटबुक।
ध्यान दें कि जैसे-जैसे सीमा बढ़ती है परिशुद्धता कैसे बढ़ती है, जबकि रिकॉल के साथ इसका उलटा होता है। दोनों के बीच संतुलन खोजने के लिए, हम F1 स्कोर का उपयोग करते हैं जहां उनके वक्र में दृश्य शिखर होते हैं। F1 स्कोर में शिखर एक विशेष सीमा के अनुरूप हैं जो मॉडल के प्रदर्शन में सुधार कर सकते हैं। ध्यान दें कि खतरे के लेबल को छोड़कर अधिकांश लेबल सीमा के लिए 0.5 अंक के आसपास आते हैं, जिसकी सीमा 0.04 के आसपास है।
फिर हम इस सीमा का उपयोग उन विशिष्ट लेबलों के लिए कर सकते हैं जो केवल डिफ़ॉल्ट 0.5 सीमा के साथ खराब प्रदर्शन कर रहे हैं। अनुकूलित थ्रेशोल्ड का उपयोग करके, परीक्षण डेटा पर मॉडल के परिणाम लेबल खतरे के लिए 0.00 से 0.24 तक बेहतर हो जाते हैं। हम सभी लेबलों के लिए एक सामान्य बेंचमार्क (मानक मान जैसे> 1) के बजाय उस लेबल के लिए सकारात्मक बनाम नकारात्मक निर्धारित करने के लिए एक बेंचमार्क के रूप में सीमा पर अधिकतम एफ0.7 स्कोर का उपयोग कर रहे हैं।
कम प्रतिनिधित्व वाली कक्षाओं को संभालना
एक अन्य दृष्टिकोण जो असंतुलित डेटासेट के लिए प्रभावी है वह है oversampling. कम प्रतिनिधित्व वाले वर्ग का निरीक्षण करके, मॉडल कम प्रतिनिधित्व वाले वर्ग को अधिक बार देखता है और उन नमूनों के महत्व पर जोर देता है। हम उपयोग करते हैं ओवरसैंपलिंग-अंडररिप्रेजेंटेड.ipynb डेटासेट को अनुकूलित करने के लिए नोटबुक।
इस डेटासेट के लिए, हमने परीक्षण किया कि जैसे-जैसे हम अधिक नमूने प्रदान करते हैं, मूल्यांकन डेटासेट पर मॉडल का प्रदर्शन कैसे बदलता है। हम प्रदर्शन को बेहतर बनाने के लिए कम प्रतिनिधित्व वाले वर्गों की घटना को बढ़ाने के लिए ओवरसैंपलिंग तकनीक का उपयोग करते हैं।
इस विशेष मामले में, हमने 10, 25, 50, 100, 200 और 500 सकारात्मक उदाहरणों पर परीक्षण किया। ध्यान दें कि यद्यपि हम डेटा बिंदुओं को दोहरा रहे हैं, हम स्वाभाविक रूप से कम प्रतिनिधित्व वाले वर्ग के महत्व पर जोर देकर मॉडल के प्रदर्शन में सुधार कर रहे हैं।
लागत
अमेज़ॅन कॉम्प्रिहेंड के साथ, आप संसाधित टेक्स्ट वर्णों की संख्या के आधार पर भुगतान करते हैं। को देखें अमेज़न समझ मूल्य निर्धारण वास्तविक लागतों के लिए।
क्लीन अप
जब आप इस समाधान के साथ प्रयोग करना समाप्त कर लें, तो इस उदाहरण में तैनात सभी संसाधनों को हटाने के लिए अपने संसाधनों को साफ़ करें। इससे आपको अपने खाते में निरंतर लागतों से बचने में मदद मिलती है।
निष्कर्ष
इस पोस्ट में, हमने डेटा तैयारी, पूर्वानुमान संभावनाओं का उपयोग करके मॉडल ट्यूनिंग और कम प्रतिनिधित्व वाले डेटा वर्गों को संभालने के लिए तकनीकों पर सर्वोत्तम अभ्यास और मार्गदर्शन प्रदान किया है। आप अपने Amazon Comprehend कस्टम वर्गीकरण मॉडल के प्रदर्शन मेट्रिक्स को बेहतर बनाने के लिए इन सर्वोत्तम प्रथाओं और तकनीकों का उपयोग कर सकते हैं।
Amazon Comprehend के बारे में अधिक जानकारी के लिए, यहां जाएं Amazon Comprehend डेवलपर संसाधन वीडियो संसाधन और ब्लॉग पोस्ट खोजने के लिए, और देखें एडब्ल्यूएस समझ अक्सर पूछे जाने वाले प्रश्न.
लेखक के बारे में
सत्य बालकृष्णन डेटा और एमएल समाधान में विशेषज्ञता, एडब्ल्यूएस में पेशेवर सेवा टीम में एक वरिष्ठ ग्राहक वितरण वास्तुकार है। वह अमेरिकी संघीय वित्तीय ग्राहकों के साथ काम करता है। उन्हें ग्राहकों की व्यावसायिक समस्याओं को हल करने के लिए व्यावहारिक समाधान तैयार करने का शौक है। अपने खाली समय में, वह अपने परिवार के साथ फिल्में देखना और लंबी पैदल यात्रा करना पसंद करते हैं।
राजकुमार मल्लारी सार्वजनिक क्षेत्र के ग्राहकों के लिए एनएलपी के अनुप्रयोगों में विशेषज्ञता, एडब्ल्यूएस में पेशेवर सेवा टीम में एक एनएलपी डेटा वैज्ञानिक है। वह ग्राहकों को अधिक उत्पादक बनाने की अनुमति देने के लिए एमएल को एक उपकरण के रूप में उपयोग करने के बारे में भावुक है। अपने खाली समय में, उन्हें वीडियो गेम खेलना और अपने दोस्तों के साथ गेम विकसित करना अच्छा लगता है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/improve-prediction-quality-in-custom-classification-models-with-amazon-comprehend/
- :हैस
- :है
- :कहाँ
- $यूपी
- 1
- 10
- 100
- 200
- 24
- 25
- 50
- 500
- 7
- 9
- a
- About
- स्वीकार करता है
- लेखा
- शुद्धता
- के पार
- वास्तविक
- इसके अतिरिक्त
- दत्तक ग्रहण
- प्रगति
- AI
- ऐ / एमएल
- सब
- अनुमति देना
- भी
- हालांकि
- वीरांगना
- Amazon Comprehend
- अमेज़न SageMaker
- अमेज़ॅन वेब सेवा
- an
- विश्लेषण
- और
- कोई
- अनुप्रयोगों
- एनएलपी . के अनुप्रयोग
- दृष्टिकोण
- हैं
- चारों ओर
- AS
- संपत्ति
- सौंपा
- At
- से बचने
- एडब्ल्यूएस
- शेष
- आधारित
- BE
- क्योंकि
- बन
- से पहले
- बेंचमार्क
- लाभ
- BEST
- सर्वोत्तम प्रथाओं
- के बीच
- पूर्वाग्रह
- ब्लॉग
- वेबदैनिकी डाक
- निर्माण
- इमारत
- व्यापार
- by
- बुलाया
- कर सकते हैं
- पा सकते हैं
- मामला
- परिवर्तन
- अक्षर
- चुनें
- कक्षा
- कक्षाएं
- वर्गीकरण
- ग्राहकों
- टिप्पणी
- सामान्य
- पूरा
- समझना
- गणना करना
- कॉन्फ़िगर किया गया
- भ्रम
- कंसोल
- शामिल हैं
- जारी रखने के लिए
- बदलना
- लागत
- बनाना
- बनाया
- निर्माण
- क्यूरेट
- क्यूरेशन
- वक्र
- रिवाज
- ग्राहक
- ग्राहक
- तिथि
- डेटा अंक
- डेटा तैयारी
- आँकड़े वाला वैज्ञानिक
- डेटासेट
- व्यवहार
- गहरा
- चूक
- प्रसव
- दिखाना
- तैनात
- विवरण
- निर्धारित करना
- डेवलपर
- विकासशील
- वितरण
- do
- दस्तावेज़
- dont
- डाउनलोड
- दौरान
- से प्रत्येक
- आसान
- प्रभावी
- प्रयास
- पर जोर देती है
- पर बल
- दर्ज
- उद्यम
- मूल्यांकन
- उदाहरण
- उदाहरण
- सिवाय
- निष्पादित
- मौजूदा
- उम्मीद
- समझाना
- f1
- गिरना
- परिवार
- संघीय
- पट्टिका
- फ़ाइलें
- अंत में
- वित्तीय
- खोज
- निम्नलिखित
- के लिए
- मित्रों
- से
- पूर्ण
- समारोह
- आगे
- Games
- उत्पन्न
- मिल
- Go
- चला जाता है
- सरकार
- मार्गदर्शन
- गाइड
- दिशा निर्देशों
- संभालना
- है
- होने
- he
- मदद करता है
- उसके
- कैसे
- How To
- तथापि
- एचटीएमएल
- http
- HTTPS
- ID
- पहचान करना
- आईडी
- महत्व
- में सुधार
- में सुधार लाने
- in
- शामिल
- सहित
- बढ़ना
- वृद्धि हुई
- करें-
- स्वाभाविक
- निवेश
- अंतर्दृष्टि
- उदाहरण
- बजाय
- निर्देश
- बुद्धि
- में
- परिचय कराना
- IT
- काम
- नौकरियां
- केवल
- कुंजी
- लेबल
- लेबल
- भाषा
- बड़े पैमाने पर
- जानें
- सीख रहा हूँ
- कम से कम
- कम
- पसंद
- सीमा
- स्थान
- मशीन
- यंत्र अधिगम
- बनाना
- प्रबंध
- निशान
- मैट्रिक्स
- मैक्स
- अधिकतम
- मिलना
- मेन्यू
- मीट्रिक
- मेट्रिक्स
- हो सकता है
- कम से कम
- न्यूनतम
- ML
- आदर्श
- मॉडल
- अधिक
- अधिकांश
- चलचित्र
- चाहिए
- नाम
- प्राकृतिक
- प्राकृतिक भाषा संसाधन
- पथ प्रदर्शन
- आवश्यकता
- नकारात्मक
- नया
- अगला
- NLP
- नोटबुक
- सूचना..
- संख्या
- निरीक्षण
- घटना
- of
- अक्सर
- on
- ONE
- केवल
- इष्टतमीकरण
- ऑप्टिमाइज़ करें
- अनुकूलित
- के अनुकूलन के
- संगठनों
- हमारी
- उत्पादन
- फलक
- विशेष
- आवेशपूर्ण
- वेतन
- प्रति
- प्रदर्शन
- चुनना
- पाइप
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- खेल
- कृप्या अ
- बिन्दु
- अंक
- सकारात्मक
- संभव
- पद
- पोस्ट
- प्रथाओं
- धृष्ट
- शुद्धता
- भविष्यवाणी
- तैयारी
- तैयार करना
- प्रस्तुत
- पहले से
- समस्याओं
- प्रसंस्कृत
- प्रसंस्करण
- उत्पादक
- पेशेवर
- उचित
- प्रदान करना
- बशर्ते
- सार्वजनिक
- गुणवत्ता
- बिना सोचे समझे
- अनुपात
- कच्चा
- महसूस करना
- उल्लेख
- अपेक्षित
- उपयुक्त संसाधन चुनें
- परिणाम
- भूमिका
- sagemaker
- वैज्ञानिक
- स्कोर
- सेक्टर
- देखना
- देखा
- देखता है
- सेवा
- सेवाएँ
- कई
- चाहिए
- दिखाता है
- सरल
- नरम
- समाधान
- समाधान ढूंढे
- हल
- कुछ
- विशेषज्ञता
- विशिष्ट
- विभाजित
- मानक
- प्रारंभ
- शुरू
- कदम
- कदम
- भंडारण
- संग्रहित
- ऐसा
- लेना
- टीम
- तकनीक
- तकनीक
- अंतिम
- परीक्षण
- परीक्षण किया
- टेक्स्ट
- से
- कि
- RSI
- लेकिन हाल ही
- फिर
- इन
- वे
- इसका
- उन
- धमकी
- तीन
- द्वार
- यहाँ
- पहर
- सेवा मेरे
- साधन
- कुल
- प्रशिक्षित
- प्रशिक्षण
- दो
- के अंतर्गत
- प्रस्तुत किया हुआ
- समझना
- us
- यूएस फ़ेडरल
- उपयोग
- उपयोगकर्ता के अनुकूल
- का उपयोग
- मूल्य
- वीडियो
- वीडियो गेम
- देखें
- दिखाई
- भेंट
- vs
- देख
- we
- वेब
- वेब सेवाओं
- कुंआ
- कब
- कौन कौन से
- जब
- बड़े पैमाने पर
- मर्जी
- खिड़की
- साथ में
- बिना
- कार्य
- आप
- आपका
- जेफिरनेट
- ज़िप