आज, एनएफएल द्वारा प्रदान किए गए आँकड़ों की संख्या बढ़ाने के लिए अपनी यात्रा जारी रखे हुए है नेक्स्ट जेन स्टैट्स प्लेटफॉर्म सभी 32 टीमों और प्रशंसकों को समान रूप से। मशीन लर्निंग (एमएल) से प्राप्त उन्नत विश्लेषण के साथ, एनएफएल फ़ुटबॉल की मात्रा निर्धारित करने के लिए नए तरीके बना रहा है, और प्रशंसकों को उनके ज्ञान को बढ़ाने के लिए आवश्यक टूल प्रदान कर रहा है। खेल के भीतर खेल फुटबॉल का। 2022 सीज़न के लिए, एनएफएल का लक्ष्य प्लेयर-ट्रैकिंग डेटा और नई उन्नत एनालिटिक्स तकनीकों का लाभ उठाना है विशेष टीमों को बेहतर ढंग से समझने के लिए.
परियोजना का लक्ष्य यह भविष्यवाणी करना था कि वापसी करने वाले को पंट या किकऑफ़ खेलने पर कितने गज की दूरी हासिल होगी। पंट और किकऑफ़ रिटर्न के लिए भविष्य कहनेवाला मॉडल बनाते समय चुनौतियों में से एक बहुत ही दुर्लभ घटनाओं की उपलब्धता है - जैसे कि टचडाउन - जिनका खेल की गतिशीलता में महत्वपूर्ण महत्व है। वास्तविक दुनिया के अनुप्रयोगों में फैट टेल्स के साथ एक डेटा वितरण आम है, जहां दुर्लभ घटनाओं का मॉडल के समग्र प्रदर्शन पर महत्वपूर्ण प्रभाव पड़ता है। बेहतर समग्र प्रदर्शन के लिए चरम घटनाओं पर वितरण को सटीक रूप से मॉडल करने के लिए एक मजबूत पद्धति का उपयोग करना महत्वपूर्ण है।
इस पोस्ट में, हम प्रदर्शित करते हैं कि ऐसे फैट-टेल्ड डिस्ट्रीब्यूशन को मजबूती से मॉडल करने के लिए ग्लूऑनटीएस में लागू किए गए स्प्लिटेड बिनेड-पारेटो डिस्ट्रीब्यूशन का उपयोग कैसे करें।
हम पहले उपयोग किए गए डेटासेट का वर्णन करते हैं। अगला, हम डेटा प्रीप्रोसेसिंग और डेटासेट पर लागू अन्य परिवर्तन विधियों को प्रस्तुत करते हैं। फिर हम एमएल कार्यप्रणाली और मॉडल प्रशिक्षण प्रक्रियाओं के विवरण की व्याख्या करते हैं। अंत में, हम मॉडल प्रदर्शन परिणाम प्रस्तुत करते हैं।
डेटासेट
इस पोस्ट में, हमने पंट और किकऑफ़ रिटर्न के लिए अलग-अलग मॉडल बनाने के लिए दो डेटासेट का इस्तेमाल किया। प्लेयर ट्रैकिंग डेटा में प्लेयर की स्थिति, दिशा, त्वरण, और अधिक (x, y निर्देशांक में) शामिल हैं। पंट और किकऑफ़ नाटकों के लिए क्रमशः चार एनएफएल सीज़न (3,000-4,000) से लगभग 2018 और 2021 नाटक हैं। इसके अलावा, डेटासेट में बहुत कम पंट और किकऑफ़-संबंधित टचडाउन हैं - क्रमशः केवल 0.23% और 0.8%। पंट और किकऑफ़ के लिए डेटा वितरण अलग-अलग हैं। उदाहरण के लिए, किकऑफ़ और पंट के लिए सही यार्ड वितरण समान है लेकिन स्थानांतरित किया गया है, जैसा कि निम्नलिखित आंकड़े में दिखाया गया है।
डेटा प्रीप्रोसेसिंग और फीचर इंजीनियरिंग
सबसे पहले, ट्रैकिंग डेटा को केवल पंट और किकऑफ़ रिटर्न से संबंधित डेटा के लिए फ़िल्टर किया गया था। मॉडल विकास के लिए सुविधाओं को प्राप्त करने के लिए प्लेयर डेटा का उपयोग किया गया था:
- X - मैदान की लंबी धुरी के साथ खिलाड़ी की स्थिति
- Y - मैदान की छोटी धुरी के साथ खिलाड़ी की स्थिति
- S - गज/सेकेंड में गति; इसे अधिक सटीक बनाने के लिए Dis*10 द्वारा प्रतिस्थापित किया गया (Dis पिछले 0.1 सेकंड में दूरी है)
- डिर - खिलाड़ी की गति का कोण (डिग्री)
पूर्ववर्ती डेटा से, प्रत्येक नाटक को 10 आक्रामक खिलाड़ियों (गेंद वाहक को छोड़कर), 11 रक्षकों और 14 व्युत्पन्न सुविधाओं के साथ डेटा के 10X11X14 में परिवर्तित किया गया था:
- sX - एक खिलाड़ी की एक्स गति
- sY - खिलाड़ी की y गति
- s - एक खिलाड़ी की गति
- aX - एक खिलाड़ी का x त्वरण
- aY - एक खिलाड़ी का y त्वरण
- relX - गेंद वाहक के सापेक्ष खिलाड़ी की x दूरी
- भरोसा करना गेंद वाहक के सापेक्ष खिलाड़ी की y दूरी
- relSx - गेंद वाहक के सापेक्ष खिलाड़ी की x गति
- रिले - गेंद वाहक के सापेक्ष खिलाड़ी की y गति
- relDist – गेंद वाहक के सापेक्ष खिलाड़ी की यूक्लिडियन दूरी
- oppX - रक्षा खिलाड़ी के सापेक्ष अपराध खिलाड़ी की x दूरी
- ओपीवाई - रक्षा खिलाड़ी के सापेक्ष आक्रामक खिलाड़ी की दूरी
- oppSx रक्षा खिलाड़ी के सापेक्ष आक्रामक खिलाड़ी की -x गति
- oppSy - रक्षा खिलाड़ी के सापेक्ष आक्रामक खिलाड़ी की y गति
डेटा को बढ़ाने और दाएं और बाएं पदों के लिए खाते में, एक्स और वाई स्थिति मूल्यों को भी दाएं और बाएं क्षेत्र की स्थिति के लिए प्रतिबिंबित किया गया था। डेटा प्रीप्रोसेसिंग और फीचर इंजीनियरिंग के विजेता से अनुकूलित किया गया था एनएफएल बिग डेटा बाउल कागले पर प्रतियोगिता।
एमएल पद्धति और मॉडल प्रशिक्षण
क्योंकि हम नाटक से सभी संभावित परिणामों में रुचि रखते हैं, जिसमें एक टचडाउन की संभावना भी शामिल है, हम केवल प्रतिगमन समस्या के रूप में प्राप्त औसत गज की भविष्यवाणी नहीं कर सकते। हमें सभी संभावित यार्ड लाभ के पूर्ण संभाव्यता वितरण की भविष्यवाणी करने की आवश्यकता है, इसलिए हमने समस्या को एक संभाव्य भविष्यवाणी के रूप में तैयार किया।
संभाव्य भविष्यवाणियों को लागू करने का एक तरीका कई डिब्बे (जैसे 0 से कम, 0-1 से कम, 1-2 से, ..., 14-15 से, 15 से अधिक) के लिए प्राप्त गज को असाइन करना है और बिन को वर्गीकरण के रूप में भविष्यवाणी करना है। संकट। इस दृष्टिकोण का नकारात्मक पक्ष यह है कि हम चाहते हैं कि छोटे डिब्बे में वितरण की एक उच्च परिभाषा तस्वीर हो, लेकिन छोटे डिब्बे का मतलब है प्रति बिन कम डेटा बिंदु और हमारा वितरण, विशेष रूप से पूंछ, खराब अनुमानित और अनियमित हो सकता है।
संभाव्य भविष्यवाणियों को लागू करने का एक अन्य तरीका आउटपुट को सीमित संख्या में मापदंडों (उदाहरण के लिए, एक गॉसियन या गामा वितरण) के साथ एक सतत संभावना वितरण के रूप में मॉडल करना और मापदंडों की भविष्यवाणी करना है। यह दृष्टिकोण वितरण की एक बहुत ही उच्च परिभाषा और नियमित तस्वीर देता है, लेकिन प्राप्त किए गए गज के वास्तविक वितरण को फिट करने के लिए बहुत कठोर है, जो बहु-मोडल और भारी पूंछ है।
दोनों विधियों में से सर्वोत्तम प्राप्त करने के लिए, हम उपयोग करते हैं स्प्लिट बिनेड-पारेतो वितरण (एसबीपी), जिसमें वितरण के केंद्र के लिए डिब्बे हैं जहां बहुत अधिक डेटा उपलब्ध है, और सामान्यीकृत पारेटो वितरण (जीपीडी) दोनों सिरों पर, जहां दुर्लभ लेकिन महत्वपूर्ण घटनाएं हो सकती हैं, जैसे टचडाउन। जीपीडी के दो पैरामीटर हैं: एक पैमाने के लिए और एक पूंछ के भारीपन के लिए, जैसा कि निम्नलिखित ग्राफ (स्रोत: विकिपीडिया) में देखा गया है।
GPD को बिन्ड डिस्ट्रीब्यूशन (निम्न बाएँ ग्राफ़ देखें) के साथ दोनों पक्षों पर विभाजित करके, हम दाईं ओर निम्नलिखित SBP प्राप्त करते हैं। निचले और ऊपरी थ्रेसहोल्ड जहां स्प्लिसिंग किया जाता है, हाइपरपैरामीटर हैं।
आधार रेखा के रूप में, हमने उस मॉडल का उपयोग किया जिसने हमारा जीता एनएफएल बिग डेटा बाउल कागले पर प्रतियोगिता। यह मॉडल तैयार किए गए डेटा से सुविधाओं को निकालने के लिए CNN परतों का उपयोग करता है, और "1 यार्ड प्रति बिन" वर्गीकरण समस्या के रूप में परिणाम की भविष्यवाणी करता है। हमारे मॉडल के लिए, हमने फीचर एक्सट्रैक्शन लेयर्स को बेसलाइन से रखा और प्रत्येक बिन के लिए संभावनाओं के बजाय एसबीपी पैरामीटर आउटपुट करने के लिए केवल अंतिम लेयर को संशोधित किया, जैसा कि निम्नलिखित चित्र में दिखाया गया है (पोस्ट से संपादित छवि) पहला स्थान समाधान चिड़ियाघर).
हमने द्वारा प्रदान किए गए एसबीपी वितरण का उपयोग किया ग्लूओनटीएस. GluonTS संभाव्य समय श्रृंखला मॉडलिंग के लिए एक पायथन पैकेज है, लेकिन एसबीपी वितरण समय श्रृंखला के लिए विशिष्ट नहीं है, और हम इसे प्रतिगमन के लिए पुन: प्रस्तुत करने में सक्षम थे। GluonTS SBP का उपयोग करने के तरीके के बारे में अधिक जानकारी के लिए, निम्न डेमो देखें नोटबुक.
मॉडल को 2018, 2019 और 2020 सीज़न में प्रशिक्षित और क्रॉस-वैलिडेट किया गया और 2021 सीज़न पर परीक्षण किया गया। क्रॉस-वैलिडेशन के दौरान लीकेज से बचने के लिए, हमने एक ही गेम के सभी प्ले को एक ही फोल्ड में ग्रुप किया।
मूल्यांकन के लिए, हमने कागले प्रतियोगिता में उपयोग की जाने वाली मीट्रिक को रखा सतत रैंक संभाव्यता स्कोर (CRPS), जिसे लॉग-लाइबिलिटी के विकल्प के रूप में देखा जा सकता है जो आउटलेयर के लिए अधिक मजबूत है। हमने भी इस्तेमाल किया पीयरसन सहसंबंध गुणांक और आरएमएसई सामान्य और व्याख्या योग्य सटीकता मेट्रिक्स के रूप में। इसके अलावा, हमने अंशांकन का मूल्यांकन करने के लिए एक टचडाउन और प्रायिकता भूखंडों की संभावना को देखा।
मॉडल को सीआरपीएस नुकसान का उपयोग करके प्रशिक्षित किया गया था स्टोकेस्टिक वजन औसत और जल्दी रुकना।
आउटपुट वितरण के बिन्ड भाग की अनियमितता से निपटने के लिए, हमने दो तकनीकों का उपयोग किया:
- लगातार दो डिब्बे के बीच वर्ग अंतर के अनुपात में एक चिकनाई जुर्माना
- क्रॉस-वैलिडेशन के दौरान प्रशिक्षित मॉडल को असेंबल करना
मॉडल प्रदर्शन के परिणाम
प्रत्येक डेटासेट के लिए, हमने निम्नलिखित विकल्पों पर ग्रिड खोज की:
- संभाव्य मॉडल
- आधार रेखा प्रति गज एक संभावना थी
- एसबीपी केंद्र में प्रति यार्ड एक संभावना थी, पूंछ में सामान्यीकृत एसबीपी
- वितरण चौरसाई
- कोई चिकनाई नहीं (चिकनाई पेनल्टी = 0)
- चिकनाई दंड = 5
- चिकनाई दंड = 10
- प्रशिक्षण और अनुमान प्रक्रिया
- 10 गुना क्रॉस-सत्यापन और पहनावा अनुमान (k10)
- 10 युगों या 20 युगों के लिए ट्रेन और सत्यापन डेटा पर प्रशिक्षण
फिर हमने सीआरपीएस द्वारा क्रमबद्ध शीर्ष पांच मॉडलों के लिए मेट्रिक्स को देखा (निचला बेहतर है)।
किकऑफ़ डेटा के लिए, एसबीपी मॉडल सीआरपीएस के मामले में थोड़ा अधिक प्रदर्शन करता है लेकिन इससे भी महत्वपूर्ण बात यह है कि यह टचडाउन संभावना का बेहतर अनुमान लगाता है (परीक्षण सेट में सही संभावना 0.80% है)। हम देखते हैं कि सबसे अच्छे मॉडल 10 फोल्ड्स एन्सेम्बलिंग (k10) का उपयोग करते हैं और कोई स्मूथनेस पेनल्टी नहीं है, जैसा कि निम्न तालिका में दिखाया गया है।
प्रशिक्षण | आदर्श | चिकनाई | सीआरपीएस | आरएमएसई | CORR% | पी (टचडाउन)% |
k10 | एसबीपी | 0 | 4.071 | 9.641 | 47.15 | 0.78 |
k10 | आधारभूत | 0 | 4.074 | 9.62 | 47.585 | 0.306 |
k10 | आधारभूत | 5 | 4.075 | 9.626 | 47.43 | 0.274 |
k10 | एसबीपी | 5 | 4.079 | 9.656 | 46.977 | 0.682 |
k10 | आधारभूत | 10 | 4.08 | 9.621 | 47.519 | 0.265 |
देखी गई आवृत्तियों और अनुमानित संभावनाओं का निम्नलिखित प्लॉट दो वितरणों के बीच 0.27 के आरएमएसई के साथ हमारे सर्वोत्तम मॉडल का एक अच्छा अंशांकन इंगित करता है। उच्च यार्डेज की घटनाओं पर ध्यान दें (उदाहरण के लिए, 100) जो सच्चे (नीले) अनुभवजन्य वितरण की पूंछ में होती हैं, जिनकी संभावनाएं बेसलाइन विधि की तुलना में एसबीपी द्वारा अधिक आकर्षक होती हैं।
पंट डेटा के लिए, बेसलाइन एसबीपी से बेहतर प्रदर्शन करती है, शायद इसलिए कि अत्यधिक यार्डेज की पूंछों में कम प्राप्ति होती है। इसलिए, 0-10 गज की चोटियों के बीच के तौर-तरीकों पर कब्जा करना एक बेहतर समझौता है; और किकऑफ़ डेटा के विपरीत, सबसे अच्छा मॉडल एक चिकनाई दंड का उपयोग करता है। निम्न तालिका हमारे निष्कर्षों को सारांशित करती है।
प्रशिक्षण | आदर्श | चिकनाई | सीआरपीएस | आरएमएसई | CORR% | पी (टचडाउन)% |
k10 | आधारभूत | 5 | 3.961 | 8.313 | 35.227 | 0.547 |
k10 | आधारभूत | 0 | 3.972 | 8.346 | 34.227 | 0.579 |
k10 | आधारभूत | 10 | 3.978 | 8.351 | 34.079 | 0.555 |
k10 | एसबीपी | 5 | 3.981 | 8.342 | 34.971 | 0.723 |
k10 | एसबीपी | 0 | 3.991 | 8.378 | 33.437 | 0.677 |
प्रेक्षित आवृत्तियों (नीले रंग में) और दो सर्वश्रेष्ठ पंट मॉडल के लिए अनुमानित संभावनाओं का निम्नलिखित प्लॉट इंगित करता है कि गैर-स्मूथ मॉडल (नारंगी में) स्मूथ मॉडल (हरे रंग में) की तुलना में थोड़ा बेहतर कैलिब्रेट किया गया है और समग्र रूप से बेहतर विकल्प हो सकता है।
निष्कर्ष
इस पोस्ट में, हमने दिखाया कि फैट-टेल्ड डेटा डिस्ट्रीब्यूशन के साथ प्रेडिक्टिव मॉडल कैसे बनाएं। हमने ग्लूओनटीएस में लागू किए गए स्प्लिट बिनेड-पारेटो वितरण का उपयोग किया, जो इस तरह के मोटे-पूंछ वाले वितरणों को मजबूती से मॉडल कर सकता है। हमने इस तकनीक का इस्तेमाल पंट और किकऑफ़ रिटर्न के लिए मॉडल बनाने के लिए किया। हम इस समाधान को समान उपयोग के मामलों में लागू कर सकते हैं जहां डेटा में बहुत कम घटनाएं हैं, लेकिन उन घटनाओं का मॉडल के समग्र प्रदर्शन पर महत्वपूर्ण प्रभाव पड़ता है।
यदि आप अपने उत्पादों और सेवाओं में एमएल के उपयोग को तेज करने में मदद करना चाहते हैं, तो कृपया संपर्क करें अमेज़न एमएल सॉल्यूशंस लैब कार्यक्रम.
लेखक के बारे में
तसफगबीर मेहरिजघी में एक डेटा वैज्ञानिक है अमेज़न एमएल सॉल्यूशंस लैब जहां वह विभिन्न उद्योगों जैसे स्वास्थ्य सेवा और जीवन विज्ञान, विनिर्माण, मोटर वाहन, और खेल और मीडिया में AWS ग्राहकों की मदद करते हैं, उनकी व्यावसायिक चुनौतियों को हल करने के लिए मशीन लर्निंग और AWS क्लाउड सेवाओं के उपयोग में तेजी लाते हैं।
मार्क वैन ओउडियसडेन Amazon Web Services में Amazon ML Solutions Lab टीम के वरिष्ठ डेटा वैज्ञानिक हैं। वह आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग के साथ व्यावसायिक समस्याओं को हल करने के लिए AWS ग्राहकों के साथ काम करता है। काम के बाहर आप उसे समुद्र तट पर, अपने बच्चों के साथ खेलते, सर्फिंग या काइटसर्फिंग करते हुए पा सकते हैं।
पनपन जू एडब्ल्यूएस में अमेज़ॅन एमएल सॉल्यूशंस लैब के साथ एक वरिष्ठ एप्लाइड साइंटिस्ट और प्रबंधक हैं। वह अपने एआई और क्लाउड अपनाने में तेजी लाने के लिए विभिन्न प्रकार के औद्योगिक कार्यक्षेत्रों में उच्च प्रभाव वाले ग्राहक अनुप्रयोगों के लिए मशीन लर्निंग एल्गोरिदम के अनुसंधान और विकास पर काम कर रही है। उनकी शोध रुचि में मॉडल की व्याख्या, कारण विश्लेषण, मानव-इन-द-लूप एआई और इंटरैक्टिव डेटा विज़ुअलाइज़ेशन शामिल हैं।
क्योंग हून (जोनाथन) जंग नेशनल फुटबॉल लीग में सीनियर सॉफ्टवेयर इंजीनियर हैं। वह पिछले सात वर्षों से नेक्स्ट जेन स्टैट्स टीम के साथ कच्चे डेटा को स्ट्रीमिंग करने, डेटा को प्रोसेस करने के लिए माइक्रोसर्विसेज बनाने, प्रोसेस्ड डेटा को उजागर करने वाले एपीआई के निर्माण के लिए प्लेटफॉर्म बनाने में मदद कर रहा है। उन्होंने अमेज़ॅन मशीन लर्निंग सॉल्यूशंस लैब के साथ काम करने के लिए स्वच्छ डेटा प्रदान करने के साथ-साथ डेटा के बारे में डोमेन ज्ञान प्रदान करने के लिए सहयोग किया है। काम के बाहर, वह लॉस एंजिल्स में साइकिल चलाना और सिएरास में लंबी पैदल यात्रा करना पसंद करता है।
माइकल ची नेशनल फ़ुटबॉल लीग में अगली पीढ़ी के आँकड़े और डेटा इंजीनियरिंग की देखरेख करने वाले प्रौद्योगिकी के एक वरिष्ठ निदेशक हैं। उन्होंने उरबाना चैंपियन में इलिनोइस विश्वविद्यालय से गणित और कंप्यूटर विज्ञान में डिग्री प्राप्त की है। माइकल पहली बार 2007 में एनएफएल में शामिल हुए थे और उन्होंने मुख्य रूप से फुटबॉल आंकड़ों के लिए प्रौद्योगिकी और प्लेटफार्मों पर ध्यान केंद्रित किया है। अपने खाली समय में, वह अपने परिवार के साथ बाहर समय बिताना पसंद करते हैं।
माइक बैंड नेशनल फुटबॉल लीग में नेक्स्ट जेन स्टैट्स के लिए रिसर्च एंड एनालिटिक्स के सीनियर मैनेजर हैं। 2018 में टीम में शामिल होने के बाद से, वह प्रशंसकों, एनएफएल प्रसारण भागीदारों और 32 क्लबों के लिए प्लेयर-ट्रैकिंग डेटा से प्राप्त प्रमुख आंकड़ों और अंतर्दृष्टि के विचार, विकास और संचार के लिए जिम्मेदार रहे हैं। माइक शिकागो विश्वविद्यालय से एनालिटिक्स में मास्टर डिग्री, फ्लोरिडा विश्वविद्यालय से खेल प्रबंधन में स्नातक की डिग्री, और मिनेसोटा वाइकिंग्स के स्काउटिंग विभाग और भर्ती विभाग दोनों में अनुभव के साथ टीम के लिए ज्ञान और अनुभव का खजाना लाता है। फ्लोरिडा गेटोर फुटबॉल का।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/predict-football-punt-and-kickoff-return-yards-with-fat-tailed-distribution-using-gluonts/
- 000
- 1
- 10
- 100
- 11
- 2018
- 2019
- 2020
- 2021
- 2022
- 7
- a
- योग्य
- About
- में तेजी लाने के
- तेज
- लेखा
- शुद्धता
- सही
- सही रूप में
- के पार
- इसके अलावा
- दत्तक ग्रहण
- उन्नत
- AI
- एल्गोरिदम
- सब
- वैकल्पिक
- वीरांगना
- अमेज़ॅन मशीन लर्निंग
- अमेज़न एमएल सॉल्यूशंस लैब
- अमेज़ॅन वेब सेवा
- विश्लेषण
- विश्लेषिकी
- और
- एंजेल्स
- अनुप्रयोगों
- लागू
- लागू करें
- दृष्टिकोण
- स्थापत्य
- चारों ओर
- कृत्रिम
- कृत्रिम बुद्धिमत्ता
- आर्टिफिशियल इंटेलिजेंस एंड मशीन लर्निंग
- मोटर वाहन
- उपलब्धता
- उपलब्ध
- औसत
- एडब्ल्यूएस
- अक्ष
- गेंद
- आधारभूत
- समुद्र तट
- क्योंकि
- BEST
- बेहतर
- के बीच
- बड़ा
- बड़ा डेटा
- नीला
- दोनों पक्षों
- लाता है
- प्रसारण
- निर्माण
- इमारत
- व्यापार
- कब्जा
- मामलों
- केंद्र
- चुनौतियों
- शिकागो
- बच्चे
- चुनाव
- वर्गीकरण
- बादल
- बादल को गोद लेना
- क्लाउड सेवाएं
- क्लब
- सीएनएन
- सहयोग किया
- सामान्य
- संचार
- प्रतियोगिता
- कंप्यूटर
- कम्प्यूटर साइंस
- लगातार
- संपर्क करें
- शामिल हैं
- जारी रखने के लिए
- निरंतर
- विपरीत
- सह - संबंध
- बनाना
- महत्वपूर्ण
- ग्राहक
- ग्राहक
- तिथि
- डेटा अंक
- आँकड़े वाला वैज्ञानिक
- डेटा विज़ुअलाइज़ेशन
- डेटासेट
- सौदा
- प्रतिरक्षक
- रक्षा
- डिग्री
- दिखाना
- विभाग
- निकाली गई
- वर्णन
- विवरण
- विकास
- अंतर
- विभिन्न
- दिशा
- निदेशक
- दूरी
- वितरण
- वितरण
- डोमेन
- नकारात्मक पक्ष यह है
- दौरान
- गतिकी
- से प्रत्येक
- शीघ्र
- समाप्त होता है
- इंजीनियर
- अभियांत्रिकी
- अवधियों को
- विशेष रूप से
- अनुमानित
- अनुमान
- मूल्यांकन करें
- मूल्यांकन
- घटनाओं
- उदाहरण
- के सिवा
- अनुभव
- समझाना
- उद्धरण
- चरम
- परिवार
- प्रशंसकों
- वसा
- Feature
- विशेषताएं
- कुछ
- खेत
- आकृति
- अंत में
- खोज
- प्रथम
- फिट
- फ्लोरिडा
- ध्यान केंद्रित
- निम्नलिखित
- फ़ुटबॉल सबसे लोकप्रिय एंव
- से
- पूर्ण
- और भी
- लाभ
- लाभ
- खेल
- जनरल
- सामान्य जानकारी
- मिल
- देता है
- लक्ष्य
- अच्छा
- GPD
- ग्राफ
- हरा
- ग्रिड
- होना
- स्वास्थ्य सेवा
- मदद
- मदद
- मदद करता है
- हाई
- कैसे
- How To
- HTTPS
- इलेनॉइस
- की छवि
- प्रभाव
- लागू करने के
- कार्यान्वित
- महत्व
- महत्वपूर्ण
- in
- शामिल
- सहित
- बढ़ना
- इंगित करता है
- औद्योगिक
- उद्योगों
- करें-
- अंतर्दृष्टि
- बजाय
- बुद्धि
- इंटरैक्टिव
- ब्याज
- रुचि
- IT
- खुद
- में शामिल हो गए
- शामिल होने
- यात्रा
- कुंजी
- ज्ञान
- प्रयोगशाला
- पिछली बार
- परत
- परतों
- लीग
- सीख रहा हूँ
- लीवरेज
- जीवन
- जीवन विज्ञान
- सीमित
- लंबा
- देखा
- उन
- लॉस एंजिल्स
- बंद
- लॉट
- मशीन
- यंत्र अधिगम
- बनाना
- प्रबंध
- प्रबंधक
- विनिर्माण
- बहुत
- मास्टर की
- गणित
- मीडिया
- तरीका
- क्रियाविधि
- तरीकों
- मीट्रिक
- मेट्रिक्स
- माइकल
- microservices
- ML
- आदर्श
- मॉडल
- संशोधित
- अधिक
- प्रस्ताव
- राष्ट्रीय
- आवश्यकता
- नया
- अगला
- अगला जीन
- एनएफएल
- संख्या
- प्राप्त
- अपमानजनक
- ONE
- ऑप्शंस
- नारंगी
- अन्य
- परिणाम
- सड़क पर
- Outperforms
- बाहर
- कुल
- पैकेज
- पैरामीटर
- भाग
- भागीदारों
- अतीत
- प्रदर्शन
- शायद
- चित्र
- जगह
- मंच
- प्लेटफार्म
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- प्ले
- खिलाड़ी
- खिलाड़ियों
- खेल
- कृप्या अ
- अंक
- स्थिति
- पदों
- संभव
- पद
- भविष्यवाणी करना
- भविष्यवाणी
- भविष्यवाणी
- भविष्यवाणियों
- भविष्यवाणी
- तैयार
- वर्तमान
- मुख्यत
- मुसीबत
- समस्याओं
- प्रक्रिया
- प्रक्रिया
- प्रसंस्कृत
- उत्पाद
- कार्यक्रम
- परियोजना
- प्रदान करना
- बशर्ते
- प्रदान कर
- अजगर
- वें स्थान पर
- दुर्लभ
- कच्चा
- असली दुनिया
- भर्ती करना
- नियमित
- सम्बंधित
- प्रतिस्थापित
- अनुसंधान
- अनुसंधान और विकास
- जिम्मेदार
- परिणाम
- वापसी
- रिटर्न
- कठोर
- मजबूत
- वही
- स्केल
- विज्ञान
- विज्ञान
- वैज्ञानिक
- Search
- ऋतु
- मौसम
- सेकंड
- वरिष्ठ
- अलग
- कई
- सेवाएँ
- सेट
- सात
- कई
- कम
- दिखाया
- साइड्स
- महत्वपूर्ण
- समान
- केवल
- के बाद से
- छोटा
- So
- सॉफ्टवेयर
- सॉफ्टवेयर इंजीनियर
- समाधान
- समाधान ढूंढे
- हल
- स्रोत
- विशेष
- विशिष्ट
- गति
- खर्च
- खेल
- खेल-कूद
- चौकोर
- आँकड़े
- आँकड़े
- रोक
- स्ट्रीमिंग
- ऐसा
- तालिका
- टीम
- टीमों
- तकनीक
- टेक्नोलॉजी
- शर्तों
- परीक्षण
- RSI
- लेकिन हाल ही
- इसलिये
- पहर
- समय श्रृंखला
- सेवा मेरे
- भी
- उपकरण
- ऊपर का
- ट्रैकिंग
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- परिवर्तन
- तब्दील
- <strong>उद्देश्य</strong>
- समझना
- विश्वविद्यालय
- शिकागो विश्वविद्यालय
- उपयोग
- सत्यापन
- मान
- विविधता
- विभिन्न
- कार्यक्षेत्र
- वाइकिंग्स
- दृश्य
- तरीके
- धन
- वेब
- वेब सेवाओं
- भार
- कौन कौन से
- विकिपीडिया
- अंदर
- जीत लिया
- काम
- काम कर रहे
- कार्य
- होगा
- X
- साल
- आप
- आपका
- जेफिरनेट