ऑटोमोटिव उद्योगों में पूर्वानुमानित रखरखाव महत्वपूर्ण है क्योंकि यह अप्रत्याशित यांत्रिक विफलताओं और संचालन को बाधित करने वाली प्रतिक्रियाशील रखरखाव गतिविधियों से बच सकता है। वाहन की विफलताओं की भविष्यवाणी करके और रखरखाव और मरम्मत का समय निर्धारित करके, आप डाउनटाइम को कम करेंगे, सुरक्षा में सुधार करेंगे और उत्पादकता के स्तर को बढ़ावा देंगे।
क्या होगा यदि हम वाहन विफलताओं, अनियोजित डाउनटाइम और मरम्मत लागत को बढ़ाने वाले सामान्य क्षेत्रों में गहन शिक्षण तकनीकों को लागू कर सकें?
इस पोस्ट में, हम आपको दिखाते हैं कि वाहन बेड़े की विफलता की संभावना का अनुमान लगाने के लिए एक मॉडल को कैसे प्रशिक्षित और तैनात किया जाए अमेज़न SageMaker जम्पस्टार्ट. सेजमेकर जम्पस्टार्ट मशीन लर्निंग (एमएल) हब है अमेज़न SageMaker, आपको एमएल के साथ शुरुआत करने में मदद करने के लिए विभिन्न प्रकार की समस्या के लिए पूर्व-प्रशिक्षित, सार्वजनिक रूप से उपलब्ध मॉडल प्रदान करना। पोस्ट में उल्लिखित समाधान यहां उपलब्ध है GitHub.
सेजमेकर जम्पस्टार्ट समाधान टेम्पलेट
सेजमेकर जम्पस्टार्ट कई सामान्य एमएल उपयोग मामलों के लिए एक-क्लिक, एंड-टू-एंड समाधान प्रदान करता है। उपलब्ध समाधान टेम्पलेट्स पर अधिक जानकारी के लिए निम्नलिखित उपयोग मामलों का अन्वेषण करें:
सेजमेकर जंपस्टार्ट सॉल्यूशन टेम्प्लेट विभिन्न प्रकार के उपयोग के मामलों को कवर करते हैं, जिनमें से प्रत्येक के तहत कई अलग-अलग सॉल्यूशन टेम्प्लेट पेश किए जाते हैं (इस पोस्ट में समाधान, वाहन बेड़े के लिए पूर्वानुमानित रखरखाव, में हे समाधान ढूंढे अनुभाग)। सेजमेकर जंपस्टार्ट लैंडिंग पृष्ठ से वह समाधान टेम्पलेट चुनें जो आपके उपयोग के मामले में सबसे उपयुक्त हो। प्रत्येक उपयोग मामले के तहत विशिष्ट समाधानों पर अधिक जानकारी के लिए और सेजमेकर जम्पस्टार्ट समाधान कैसे लॉन्च करें, देखें समाधान टेम्पलेट्स.
समाधान अवलोकन
ऑटोमोटिव बेड़े के लिए AWS पूर्वानुमानित रखरखाव समाधान उन सामान्य क्षेत्रों में गहन शिक्षण तकनीकों को लागू करता है जो वाहन विफलताओं, अनियोजित डाउनटाइम और मरम्मत लागत को बढ़ाते हैं। यह आपके लिए कम समय में अवधारणा का प्रमाण प्राप्त करने के लिए प्रारंभिक बिल्डिंग ब्लॉक के रूप में कार्य करता है। इस समाधान में सेजमेकर के भीतर डेटा तैयारी और विज़ुअलाइज़ेशन कार्यक्षमता शामिल है और यह आपको अपने डेटासेट के लिए गहन शिक्षण मॉडल के हाइपरपैरामीटर को प्रशिक्षित और अनुकूलित करने की अनुमति देता है। आप इस समाधान के भाग के रूप में अपने स्वयं के डेटा का उपयोग कर सकते हैं या सिंथेटिक डेटासेट के साथ समाधान का प्रयास कर सकते हैं। यह संस्करण समय के साथ वाहन सेंसर डेटा को संसाधित करता है। अगला संस्करण रखरखाव रिकॉर्ड डेटा संसाधित करेगा।
निम्नलिखित चित्र दर्शाता है कि आप सेजमेकर घटकों के साथ इस समाधान का उपयोग कैसे कर सकते हैं। समाधान के भाग के रूप में, निम्नलिखित सेवाओं का उपयोग किया जाता है:
- अमेज़न S3 - हम प्रयोग करते हैं अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) डेटासेट संग्रहीत करने के लिए
- सेजमेकर नोटबुक - हम डेटा को प्रीप्रोसेस और विज़ुअलाइज़ करने और गहन शिक्षण मॉडल को प्रशिक्षित करने के लिए एक नोटबुक का उपयोग करते हैं
- SageMaker समापन बिंदु - हम प्रशिक्षित मॉडल को तैनात करने के लिए एंडपॉइंट का उपयोग करते हैं
वर्कफ़्लो में निम्न चरण शामिल हैं:
- वाहन डेटा और सेंसर लॉग वाले फ्लीट मैनेजमेंट सिस्टम से ऐतिहासिक डेटा का एक उद्धरण तैयार किया जाता है।
- एमएल मॉडल प्रशिक्षित होने के बाद, सेजमेकर मॉडल आर्टिफैक्ट तैनात किया गया है।
- कनेक्टेड वाहन सेंसर लॉग भेजता है AWS IoT कोर (वैकल्पिक रूप से, HTTP इंटरफ़ेस के माध्यम से)।
- सेंसर लॉग के माध्यम से कायम हैं अमेज़न Kinesis डेटा Firehose.
- सेंसर लॉग भेजे जाते हैं AWS लाम्बा पूर्वानुमान लगाने के लिए मॉडल के विरुद्ध पूछताछ के लिए।
- लैम्ब्डा भविष्यवाणियों के लिए सेजमेकर मॉडल अनुमान के लिए सेंसर लॉग भेजता है।
- भविष्यवाणियाँ कायम रहती हैं अमेज़न अरोड़ा.
- समग्र परिणाम एक पर प्रदर्शित होते हैं अमेज़न क्विकसाइट डैशबोर्ड।
- विफलता की अनुमानित संभावना पर वास्तविक समय की सूचनाएं भेजी जाती हैं अमेज़न सरल अधिसूचना सेवा (अमेज़ॅन एसएनएस)।
- अमेज़ॅन एसएनएस कनेक्टेड वाहन पर वापस सूचनाएं भेजता है।
समाधान में छह नोटबुक शामिल हैं:
- 0_डेमो.आईपीएनबी - हमारे समाधान का त्वरित पूर्वावलोकन
- 1_परिचय.ipynb - परिचय और समाधान सिंहावलोकन
- 2_डेटा_तैयारी.ipynb – एक नमूना डेटासेट तैयार करें
- 3_डेटा_विज़ुअलाइज़ेशन.ipynb - हमारे नमूना डेटासेट की कल्पना करें
- 4_model_training.ipynb - विफलताओं का पता लगाने के लिए हमारे नमूना डेटासेट पर एक मॉडल को प्रशिक्षित करें
- 5_परिणाम_विश्लेषण.ipynb - हमारे द्वारा प्रशिक्षित मॉडल से परिणामों का विश्लेषण करें
.. पूर्वापेक्षाएँ
अमेज़ॅन सैजमेकर स्टूडियो सेजमेकर के भीतर एकीकृत विकास वातावरण (आईडीई) है जो हमें सभी एमएल सुविधाएँ प्रदान करता है जिनकी हमें ग्लास के एक ही फलक में आवश्यकता होती है। इससे पहले कि हम सेजमेकर जम्पस्टार्ट चला सकें, हमें सेजमेकर स्टूडियो स्थापित करना होगा। यदि आपके पास पहले से ही सेजमेकर स्टूडियो का अपना संस्करण चल रहा है तो आप इस चरण को छोड़ सकते हैं।
किसी भी AWS सेवा का उपयोग करने से पहले हमें सबसे पहले यह सुनिश्चित करना होगा कि हमने AWS खाता बनाया है और उसके लिए साइन अप किया है। फिर हम एक प्रशासनिक उपयोगकर्ता और एक समूह बनाते हैं। दोनों चरणों के निर्देशों के लिए, देखें अमेज़ॅन सेजमेकर पूर्वापेक्षाएँ सेट करें.
अगला कदम एक SageMaker डोमेन बनाना है। एक डोमेन सभी स्टोरेज को सेट करता है और आपको SageMaker तक पहुँचने के लिए उपयोगकर्ताओं को जोड़ने की अनुमति देता है। अधिक जानकारी के लिए, देखें अमेज़न सेजमेकर डोमेन पर ऑनबोर्ड. यह डेमो AWS क्षेत्र us-east-1 में बनाया गया है।
अंत में, आप सेजमेकर स्टूडियो लॉन्च करें। इस पोस्ट के लिए, हम एक उपयोगकर्ता प्रोफ़ाइल ऐप लॉन्च करने की अनुशंसा करते हैं। निर्देशों के लिए, देखें अमेज़न सैजमेकर स्टूडियो लॉन्च करें.
इस सेजमेकर जम्पस्टार्ट समाधान को चलाने और अपने एडब्ल्यूएस खाते में बुनियादी ढांचे को तैनात करने के लिए, आपको एक सक्रिय सेजमेकर स्टूडियो इंस्टेंस बनाना होगा (देखें) अमेज़ॅन सेजमेकर स्टूडियो में ऑनबोर्ड). जब आपका इंस्टेंस तैयार हो जाए, तो इसमें दिए गए निर्देशों का उपयोग करें सेजमेकर जम्पस्टार्ट समाधान लॉन्च करने के लिए. इसमें समाधान कलाकृतियाँ शामिल हैं गिटहब भंडार सन्दर्भ के लिए।
सेजमेकर जम्पस्टार्ट समाधान लॉन्च करें
समाधान के साथ आरंभ करने के लिए, निम्नलिखित चरणों को पूरा करें:
- सेजमेकर स्टूडियो कंसोल पर, चुनें कूदना शुरू करो.
- पर समाधान ढूंढे टैब चुनें वाहन बेड़े के लिए पूर्वानुमानित रखरखाव.
- चुनें लांच.
समाधान को तैनात करने में कुछ मिनट लगते हैं। - समाधान तैनात होने के बाद, नोटबुक खोलें चुनें।
यदि आपको कर्नेल का चयन करने के लिए कहा जाए, तो इस समाधान में सभी नोटबुक के लिए PyTorch 1.8 Python 3.6 चुनें।
समाधान पूर्वावलोकन
हम सबसे पहले इस पर काम करते हैं 0_demo.ipynb
स्मरण पुस्तक। इस नोटबुक में, आप इसका त्वरित पूर्वावलोकन प्राप्त कर सकते हैं कि जब आप इस समाधान के लिए पूर्ण नोटबुक पूरा करेंगे तो परिणाम कैसा दिखेगा।
चुनें रन और सभी सेल चलाएं सेजमेकर स्टूडियो में सभी सेल चलाने के लिए (या सेल और सभी भागो सेजमेकर नोटबुक उदाहरण में)। आप प्रत्येक नोटबुक में सभी सेल को एक के बाद एक चला सकते हैं। सुनिश्चित करें कि अगली नोटबुक पर जाने से पहले सभी सेल प्रसंस्करण समाप्त कर लें।
यह समाधान प्रावधानित AWS संसाधनों को चलाने के लिए एक कॉन्फ़िग फ़ाइल पर निर्भर करता है। हम फ़ाइल को इस प्रकार बनाते हैं:
हमारे पास कुछ नमूना समय श्रृंखला इनपुट डेटा है जिसमें समय के साथ वाहन की बैटरी वोल्टेज और बैटरी करंट शामिल है। इसके बाद, हम नमूना डेटा लोड और विज़ुअलाइज़ करते हैं। जैसा कि निम्नलिखित स्क्रीनशॉट में दिखाया गया है, वोल्टेज और करंट मान Y अक्ष पर हैं और रीडिंग (19 रीडिंग रिकॉर्ड की गई) X अक्ष पर हैं।
हमने पहले इस वोल्टेज और वर्तमान डेटा पर एक मॉडल को प्रशिक्षित किया है जो वाहन विफलता की संभावना की भविष्यवाणी करता है और मॉडल को सेजमेकर में एक समापन बिंदु के रूप में तैनात किया है। अगली समयावधि में विफलता की संभावना निर्धारित करने के लिए हम कुछ नमूना डेटा के साथ इस समापन बिंदु को कॉल करेंगे।
नमूना इनपुट डेटा को देखते हुए, विफलता की अनुमानित संभावना है 45.73%.
अगले चरण पर जाने के लिए, चुनें आगे बढ़ने के लिए यहाँ दबाइए.
परिचय और समाधान सिंहावलोकन
RSI 1_introduction.ipynb
नोटबुक समाधान और चरणों का एक सिंहावलोकन प्रदान करता है, और कॉन्फ़िगरेशन फ़ाइल पर एक नज़र डालता है जिसमें सामग्री परिभाषा, डेटा नमूना अवधि, ट्रेन और परीक्षण नमूना गणना, पैरामीटर, स्थान और उत्पन्न सामग्री के लिए कॉलम नाम होते हैं।
इस नोटबुक की समीक्षा करने के बाद, आप अगले चरण पर जा सकते हैं।
एक नमूना डेटासेट तैयार करें
हम इसमें एक नमूना डेटासेट तैयार करते हैं 2_data_preparation.ipynb
स्मरण पुस्तक।
हम पहले इस समाधान के लिए कॉन्फ़िगरेशन फ़ाइल तैयार करते हैं:
कॉन्फ़िगरेशन गुण इस प्रकार हैं:
आप अपना स्वयं का डेटासेट परिभाषित कर सकते हैं या नमूना डेटासेट उत्पन्न करने के लिए हमारी स्क्रिप्ट का उपयोग कर सकते हैं:
आप सेंसर डेटा और फ़्लीट वाहन डेटा को एक साथ मर्ज कर सकते हैं:
अब हम डेटा विज़ुअलाइज़ेशन की ओर बढ़ सकते हैं।
हमारे नमूना डेटासेट की कल्पना करें
हम अपने नमूना डेटासेट की कल्पना करते हैं 3_data_vizualization.ipynb
. यह समाधान प्रावधानित AWS संसाधनों को चलाने के लिए एक कॉन्फ़िग फ़ाइल पर निर्भर करता है। आइए पिछली नोटबुक के समान फ़ाइल जनरेट करें।
निम्नलिखित स्क्रीनशॉट हमारा डेटासेट दिखाता है।
आगे, आइए डेटासेट बनाएं:
अब जब डेटासेट तैयार हो गया है, तो आइए डेटा आंकड़ों की कल्पना करें। निम्नलिखित स्क्रीनशॉट वाहन निर्माण, इंजन प्रकार, वाहन वर्ग और मॉडल के आधार पर डेटा वितरण दिखाता है।
लॉग डेटा की तुलना करते हुए, आइए मेक ई और सी (यादृच्छिक) के लिए विभिन्न वर्षों में औसत वोल्टेज का एक उदाहरण देखें।
वोल्टेज और करंट का माध्य Y अक्ष पर है और रीडिंग की संख्या X अक्ष पर है।
- log_target के लिए संभावित मान: ['बनाना', 'मॉडल', 'वर्ष', 'वाहन_वर्ग', 'इंजन_प्रकार']
- के लिए यादृच्छिक रूप से असाइन किया गया मान
log_target: make
- के लिए यादृच्छिक रूप से असाइन किया गया मान
- log_target_value1 के लिए संभावित मान: ['ए बनाओ', 'बी बनाओ', 'ई बनाओ', 'सी बनाओ', 'डी बनाओ']
- के लिए यादृच्छिक रूप से असाइन किया गया मान
log_target_value1: Make B
- के लिए यादृच्छिक रूप से असाइन किया गया मान
- log_target_value2 के लिए संभावित मान: ['ए बनाओ', 'बी बनाओ', 'ई बनाओ', 'सी बनाओ', 'डी बनाओ']
- के लिए यादृच्छिक रूप से असाइन किया गया मान
log_target_value2: Make D
- के लिए यादृच्छिक रूप से असाइन किया गया मान
उपरोक्त के आधार पर, हम मानते हैं log_target: make
, log_target_value1: Make B
और log_target_value2: Make D
निम्नलिखित ग्राफ़ लॉग डेटा के माध्य को तोड़ते हैं।
निम्नलिखित ग्राफ़ वोल्टेज और करंट के विरुद्ध विभिन्न सेंसर लॉग मानों का एक उदाहरण दिखाते हैं।
विफलताओं का पता लगाने के लिए हमारे नमूना डेटासेट पर एक मॉडल को प्रशिक्षित करें
में 4_model_training.ipynb
नोटबुक, हम विफलताओं का पता लगाने के लिए अपने नमूना डेटासेट पर एक मॉडल को प्रशिक्षित करते हैं।
आइए पिछली नोटबुक के समान कॉन्फ़िगरेशन फ़ाइल बनाएं, और फिर प्रशिक्षण कॉन्फ़िगरेशन के साथ आगे बढ़ें:
हमारे द्वारा प्रशिक्षित मॉडल से परिणामों का विश्लेषण करें
में 5_results_analysis.ipynb
नोटबुक, हम अपने हाइपरपैरामीटर ट्यूनिंग कार्य से डेटा प्राप्त करते हैं, सर्वोत्तम कार्य की पहचान करने के लिए सभी कार्यों के मेट्रिक्स की कल्पना करते हैं, और सर्वोत्तम प्रशिक्षण कार्य के लिए एक समापन बिंदु बनाते हैं।
आइए पिछली नोटबुक के समान कॉन्फ़िगरेशन फ़ाइल बनाएं और सभी नौकरियों के मेट्रिक्स की कल्पना करें। निम्नलिखित कथानक परीक्षण सटीकता बनाम युग की कल्पना करता है।
निम्नलिखित स्क्रीनशॉट हमारे द्वारा चलाए गए हाइपरपैरामीटर ट्यूनिंग कार्यों को दिखाता है।
अब आप परीक्षण सटीकता (लाल) के आधार पर सर्वोत्तम प्रशिक्षण कार्य (चार प्रशिक्षण कार्यों में से) से डेटा की कल्पना कर सकते हैं।
जैसा कि हम निम्नलिखित स्क्रीनशॉट में देख सकते हैं, परीक्षण हानि में गिरावट आती है और एयूसी और सटीकता युगों के साथ बढ़ती है।
विज़ुअलाइज़ेशन के आधार पर, अब हम सर्वोत्तम प्रशिक्षण कार्य के लिए एक समापन बिंदु बना सकते हैं:
समापन बिंदु बनाने के बाद, हम नमूना सेंसर लॉग पास करके भविष्यवक्ता का परीक्षण कर सकते हैं:
नमूना इनपुट डेटा को देखते हुए, विफलता की अनुमानित संभावना है 34.60% तक .
क्लीन अप
जब आप इस समाधान को पूरा कर लें, तो सुनिश्चित करें कि आपने सभी अवांछित AWS संसाधनों को हटा दिया है। पर वाहन बेड़े के लिए पूर्वानुमानित रखरखाव पृष्ठ, के तहत समाधान हटाएं, चुनें सभी संसाधन हटाएं समाधान से जुड़े सभी संसाधनों को हटाने के लिए।
आपको इस नोटबुक में बनाए गए किसी भी अतिरिक्त संसाधन को मैन्युअल रूप से हटाना होगा। कुछ उदाहरणों में अतिरिक्त S3 बकेट (समाधान की डिफ़ॉल्ट बकेट में) और अतिरिक्त सेजमेकर एंडपॉइंट (कस्टम नाम का उपयोग करके) शामिल हैं।
समाधान अनुकूलित करें
हमारा समाधान अनुकूलित करना सरल है। इनपुट डेटा विज़ुअलाइज़ेशन को संशोधित करने के लिए, देखें सेजमेकर/3_डेटा_विज़ुअलाइज़ेशन.ipynb. मशीन लर्निंग को अनुकूलित करने के लिए, देखें सेजमेकर/स्रोत/train.py और सेजमेकर/स्रोत/dl_utils/network.py. डेटासेट प्रोसेसिंग को अनुकूलित करने के लिए, देखें सेजमेकर/1_introduction.ipynb कॉन्फ़िगरेशन फ़ाइल को कैसे परिभाषित करें।
इसके अतिरिक्त, आप कॉन्फ़िगरेशन फ़ाइल में कॉन्फ़िगरेशन बदल सकते हैं। डिफ़ॉल्ट कॉन्फ़िगरेशन इस प्रकार है:
कॉन्फ़िग फ़ाइल में निम्नलिखित पैरामीटर हैं:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
, तथाtest_dataset_fn
डेटासेट फ़ाइलों का स्थान परिभाषित करेंvehicle_id_column
,timestamp_column
,target_column
, तथाperiod_column
स्तंभों के लिए शीर्षलेख परिभाषित करेंdataset_size
,chunksize
,processing_chunksize
,period_ms
, तथाwindow_length
डेटासेट के गुणों को परिभाषित करें
निष्कर्ष
इस पोस्ट में, हमने आपको दिखाया कि सेजमेकर जम्पस्टार्ट का उपयोग करके वाहन बेड़े की विफलता की संभावना की भविष्यवाणी करने के लिए एक मॉडल को कैसे प्रशिक्षित और तैनात किया जाए। समाधान एमएल और गहन शिक्षण मॉडल पर आधारित है और किसी भी समय-भिन्न सेंसर डेटा सहित विभिन्न प्रकार के इनपुट डेटा की अनुमति देता है। क्योंकि प्रत्येक वाहन में अलग-अलग टेलीमेट्री होती है, आप दिए गए मॉडल को आपके पास मौजूद डेटा की आवृत्ति और प्रकार के अनुसार ठीक कर सकते हैं।
सेजमेकर जंपस्टार्ट के साथ आप क्या कर सकते हैं, इसके बारे में अधिक जानने के लिए निम्नलिखित देखें:
उपयुक्त संसाधन चुनें
लेखक के बारे में
राजकुमार संपतकुमार AWS में एक प्रधान तकनीकी खाता प्रबंधक है, जो ग्राहकों को व्यवसाय-प्रौद्योगिकी संरेखण पर मार्गदर्शन प्रदान करता है और उनके क्लाउड ऑपरेशन मॉडल और प्रक्रियाओं के पुनर्निवेश का समर्थन करता है। उन्हें क्लाउड और मशीन लर्निंग का शौक है। राज एक मशीन लर्निंग विशेषज्ञ भी है और एडब्ल्यूएस ग्राहकों के साथ उनके एडब्ल्यूएस वर्कलोड और आर्किटेक्चर को डिजाइन, तैनात और प्रबंधित करने के लिए काम करता 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. ऑटोमोटिव/ईवीएस, कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- BlockOffsets. पर्यावरणीय ऑफसेट स्वामित्व का आधुनिकीकरण। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :हैस
- :है
- ][पी
- $यूपी
- 1
- 10
- 100
- 11
- 12
- 13
- 15% तक
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- About
- ऊपर
- पहुँच
- अनुसार
- लेखा
- शुद्धता
- के पार
- सक्रिय
- गतिविधियों
- जोड़ना
- प्रशासनिक
- बाद
- के खिलाफ
- संरेखण
- सब
- की अनुमति देता है
- पहले ही
- भी
- वीरांगना
- अमेज़न SageMaker
- अमेज़न SageMaker जम्पस्टार्ट
- अमेज़ॅन वेब सेवा
- an
- विश्लेषण करें
- और
- कोई
- अनुप्रयोग
- लागू करें
- हैं
- क्षेत्रों के बारे में जानकारी का उपयोग करके ट्रेडिंग कर सकते हैं।
- AS
- सौंपा
- जुड़े
- मान लीजिये
- At
- मोटर वाहन
- उपलब्ध
- से बचने
- एडब्ल्यूएस
- अक्ष
- वापस
- आधारित
- बैटरी
- क्योंकि
- से पहले
- BEST
- खंड
- परिवर्तन
- बढ़ावा
- के छात्रों
- टूटना
- निर्माण
- इमारत
- by
- कॉल
- कर सकते हैं
- पा सकते हैं
- मामला
- मामलों
- कोशिकाओं
- परिवर्तन
- चुनें
- कक्षा
- ग्राहक
- बादल
- स्तंभ
- सामान्य
- पूरा
- घटकों
- संकल्पना
- विन्यास
- जुड़ा हुआ
- मिलकर
- होते हैं
- कंसोल
- शामिल हैं
- सामग्री
- लागत
- सका
- आवरण
- बनाना
- बनाया
- महत्वपूर्ण
- वर्तमान
- रिवाज
- ग्राहक
- अनुकूलित
- डैशबोर्ड
- तिथि
- डेटा तैयारी
- डेटा विज़ुअलाइज़ेशन
- गिरावट
- गहरा
- ध्यान लगा के पढ़ना या सीखना
- चूक
- परिभाषा
- डेमो
- दर्शाता
- तैनात
- तैनात
- डिज़ाइन
- निर्धारित करना
- विकास
- विभिन्न
- दिखाया गया है
- बाधित
- वितरण
- do
- डोमेन
- नीचे
- स्र्कना
- ड्राइव
- e
- से प्रत्येक
- अन्य
- शुरू से अंत तक
- endpoint
- इंजन
- सुनिश्चित
- वातावरण
- युग
- अवधियों को
- प्रत्येक
- उदाहरण
- उदाहरण
- का पता लगाने
- अतिरिक्त
- उद्धरण
- विफलता
- असत्य
- विशेषताएं
- कुछ
- पट्टिका
- खत्म
- प्रथम
- बेड़ा
- निम्नलिखित
- इस प्रकार है
- के लिए
- चार
- आवृत्ति
- से
- पूर्ण
- कार्यक्षमता
- उत्पन्न
- उत्पन्न
- जनक
- मिल
- दी
- कांच
- GPU
- रेखांकन
- समूह
- मार्गदर्शन
- है
- he
- हेडर
- मदद
- यहाँ उत्पन्न करें
- ऐतिहासिक
- कैसे
- How To
- एचटीएमएल
- http
- HTTPS
- हब
- हाइपरपरमेटर अनुकूलन
- हाइपरपरमेटर ट्यूनिंग
- i
- पहचान करना
- if
- आयात
- में सुधार
- in
- शामिल
- शामिल
- शामिल
- सहित
- बढ़ना
- उद्योगों
- करें-
- इंफ्रास्ट्रक्चर
- प्रारंभिक
- आरंभ
- निवेश
- उदाहरण
- निर्देश
- एकीकृत
- इंटरफेस
- में
- परिचय
- IOT
- IT
- काम
- नौकरियां
- जेपीजी
- JSON
- Instagram पर
- अवतरण
- लांच
- शुरू करने
- जानें
- सीख रहा हूँ
- स्तर
- पसंद
- भार
- स्थानीय
- स्थान
- लॉग इन
- देखिए
- हमशक्ल
- बंद
- मशीन
- यंत्र अधिगम
- रखरखाव
- बनाना
- प्रबंधन
- प्रबंध
- प्रबंधक
- मैन्युअल
- बहुत
- अधिकतम करने के लिए
- मई..
- मतलब
- यांत्रिक
- मर्ज
- मेट्रिक्स
- मिनटों
- ML
- आदर्श
- मॉडल
- संशोधित
- अधिक
- चाल
- चलती
- नाम
- नामों
- आवश्यकता
- अगला
- नोटबुक
- अधिसूचना
- सूचनाएं
- अभी
- संख्या
- of
- प्रस्तुत
- on
- ONE
- केवल
- खुला
- आपरेशन
- संचालन
- इष्टतमीकरण
- ऑप्टिमाइज़ करें
- or
- OS
- अन्य
- हमारी
- आउट
- परिणाम
- उल्लिखित
- के ऊपर
- सिंहावलोकन
- अपना
- पृष्ठ
- फलक
- पैरामीटर
- भाग
- पासिंग
- आवेशपूर्ण
- पथ
- अवधि
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- कृप्या अ
- पद
- भविष्यवाणी करना
- भविष्यवाणी
- की भविष्यवाणी
- भविष्यवाणियों
- Predictor
- भविष्यवाणी
- तैयारी
- तैयार करना
- पूर्वावलोकन
- पिछला
- पहले से
- प्रिंसिपल
- मुसीबत
- प्रक्रिया
- प्रक्रियाओं
- प्रसंस्करण
- उत्पादकता
- प्रोफाइल
- प्रमाण
- अवधारणा के सुबूत
- गुण
- बशर्ते
- प्रदान करता है
- प्रदान कर
- सार्वजनिक रूप से
- अजगर
- pytorch
- त्वरित
- बिना सोचे समझे
- रेंज
- तैयार
- की सिफारिश
- रिकॉर्ड
- दर्ज
- लाल
- को कम करने
- क्षेत्र
- मरम्मत
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- परिणाम
- वापसी
- की समीक्षा
- भूमिका
- रन
- दौड़ना
- सुरक्षा
- sagemaker
- नमूना डेटासेट
- समयबद्धन
- स्क्रीनशॉट
- लिपियों
- अनुभाग
- देखना
- भेजता
- भेजा
- कई
- कार्य करता है
- सेवाएँ
- सत्र
- सेट
- सेट
- कई
- कम
- दिखाना
- पता चला
- दिखाया
- दिखाता है
- पर हस्ताक्षर किए
- समान
- सरल
- एक
- छह
- समाधान
- समाधान ढूंढे
- कुछ
- स्रोत
- विशेषज्ञ
- विशिष्ट
- ट्रेनिंग
- चरणों
- शुरू
- आँकड़े
- कदम
- कदम
- भंडारण
- की दुकान
- स्टूडियो
- आगामी
- सहायक
- निश्चित
- कृत्रिम
- प्रणाली
- लेता है
- तकनीकी
- तकनीक
- टेम्पलेट
- टेम्पलेट्स
- परीक्षण
- कि
- RSI
- लेकिन हाल ही
- फिर
- बात
- इसका
- पहर
- समय श्रृंखला
- टाइमस्टैम्प
- सेवा मेरे
- एक साथ
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- कोशिश
- टाइप
- प्रकार
- के अंतर्गत
- अवांछित
- us
- उपयोग
- उदाहरण
- प्रयुक्त
- उपयोगकर्ता
- उपयोगकर्ताओं
- का उपयोग
- मूल्य
- मान
- विविधता
- वाहन
- संस्करण
- के माध्यम से
- दृश्य
- वाल्ट
- वोल्टेज
- vs
- W
- we
- वेब
- वेब सेवाओं
- क्या
- कब
- कौन कौन से
- चौड़ा
- विस्तृत श्रृंखला
- मर्जी
- साथ में
- अंदर
- काम
- वर्कफ़्लो
- कार्य
- X
- यमलो
- साल
- आप
- आपका
- जेफिरनेट