آٹوموٹو صنعتوں میں پیشین گوئی کی دیکھ بھال بہت اہم ہے کیونکہ یہ نیلے رنگ کی میکانکی ناکامیوں اور رد عمل کی بحالی کی سرگرمیوں سے بچ سکتی ہے جو آپریشن میں خلل ڈالتی ہیں۔ گاڑیوں کی ناکامیوں کی پیش گوئی کرنے اور دیکھ بھال اور مرمت کا وقت طے کرنے سے، آپ ڈاؤن ٹائم کو کم کریں گے، حفاظت کو بہتر بنائیں گے، اور پیداواری سطح کو بڑھا دیں گے۔
کیا ہوگا اگر ہم عام علاقوں میں گہری سیکھنے کی تکنیکوں کو لاگو کر سکیں جو گاڑیوں کی ناکامی، غیر منصوبہ بند ٹائم ٹائم، اور مرمت کے اخراجات کو چلاتے ہیں؟
اس پوسٹ میں، ہم آپ کو دکھاتے ہیں کہ کس طرح ایک ماڈل کو ٹریننگ اور تعینات کرنا ہے تاکہ گاڑیوں کے بیڑے میں ناکامی کے امکان کا اندازہ لگایا جا سکے۔ ایمیزون سیج میکر جمپ اسٹارٹ. سیج میکر جمپ سٹارٹ مشین لرننگ (ML) کا مرکز ہے۔ ایمیزون سیج میکرML کے ساتھ شروع کرنے میں آپ کی مدد کرنے کے لیے پہلے سے تربیت یافتہ، عوامی طور پر دستیاب ماڈل فراہم کرنا مسائل کی وسیع اقسام کے لیے۔ پوسٹ میں بیان کردہ حل پر دستیاب ہے۔ GitHub کے.
سیج میکر جمپ اسٹارٹ حل ٹیمپلیٹس
SageMaker JumpStart بہت سے عام ML استعمال کے معاملات کے لیے ایک کلک، اینڈ ٹو اینڈ حل فراہم کرتا ہے۔ دستیاب حل ٹیمپلیٹس کے بارے میں مزید معلومات کے لیے درج ذیل استعمال کے معاملات کو دریافت کریں:
سیج میکر جمپ سٹارٹ سلوشن ٹیمپلیٹس مختلف قسم کے استعمال کے معاملات کا احاطہ کرتے ہیں، جن میں سے ہر ایک کے تحت کئی مختلف حل ٹیمپلیٹس پیش کیے جاتے ہیں (اس پوسٹ میں حل، گاڑیوں کے بیڑے کے لیے پیش گوئی کی دیکھ بھالمیں ہے حل سیکشن)۔ سیج میکر جمپ سٹارٹ لینڈنگ پیج سے حل ٹیمپلیٹ کا انتخاب کریں جو آپ کے استعمال کے معاملے میں بہترین فٹ بیٹھتا ہے۔ استعمال کے ہر کیس کے تحت مخصوص حل کے بارے میں مزید معلومات کے لیے اور SageMaker JumpStart سلوشن کو کیسے لانچ کیا جائے، دیکھیں حل کے سانچے.
حل جائزہ
آٹوموٹیو فلیٹس کے لیے AWS کی پیشن گوئی کی دیکھ بھال کا حل عام علاقوں میں گہری سیکھنے کی تکنیکوں کا اطلاق کرتا ہے جو گاڑیوں کی ناکامی، غیر منصوبہ بند ٹائم ٹائم، اور مرمت کے اخراجات کو چلاتے ہیں۔ یہ آپ کے لیے مختصر وقت میں تصور کا ثبوت حاصل کرنے کے لیے ایک ابتدائی عمارت کا کام کرتا ہے۔ یہ حل SageMaker کے اندر ڈیٹا کی تیاری اور تصور کی فعالیت پر مشتمل ہے اور آپ کو اپنے ڈیٹاسیٹ کے لیے ڈیپ لرننگ ماڈلز کے ہائپر پیرامیٹر کو تربیت دینے اور بہتر بنانے کی اجازت دیتا ہے۔ آپ اپنا ڈیٹا استعمال کر سکتے ہیں یا اس حل کے حصے کے طور پر مصنوعی ڈیٹا سیٹ کے ساتھ حل آزما سکتے ہیں۔ یہ ورژن وقت کے ساتھ گاڑی کے سینسر ڈیٹا پر کارروائی کرتا ہے۔ اس کے بعد کا ورژن مینٹیننس ریکارڈ ڈیٹا پر کارروائی کرے گا۔
درج ذیل خاکہ یہ ظاہر کرتا ہے کہ آپ اس حل کو SageMaker اجزاء کے ساتھ کیسے استعمال کر سکتے ہیں۔ حل کے حصے کے طور پر، درج ذیل خدمات استعمال کی جاتی ہیں:
- ایمیزون S3 - ہم استعمال کرتے ہیں ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) ڈیٹاسیٹس کو ذخیرہ کرنے کے لیے
- سیج میکر نوٹ بک - ہم ڈیٹا کو پری پروسیس کرنے اور اسے دیکھنے کے لیے، اور گہری سیکھنے کے ماڈل کو تربیت دینے کے لیے ایک نوٹ بک کا استعمال کرتے ہیں۔
- سیج میکر اینڈ پوائنٹ - ہم تربیت یافتہ ماڈل کو تعینات کرنے کے لیے اینڈ پوائنٹ کا استعمال کرتے ہیں۔
ورک فلو میں درج ذیل مراحل شامل ہیں:
- فلیٹ مینجمنٹ سسٹم سے تاریخی ڈیٹا کا ایک اقتباس تیار کیا جاتا ہے جس میں گاڑیوں کے ڈیٹا اور سینسر لاگز ہوتے ہیں۔
- ایم ایل ماڈل کی تربیت کے بعد، سیج میکر ماڈل آرٹفیکٹ کو تعینات کیا جاتا ہے۔
- منسلک گاڑی سینسر لاگ بھیجتی ہے۔ AWS IoT کور (متبادل طور پر، HTTP انٹرفیس کے ذریعے)۔
- سینسر لاگز کے ذریعے برقرار ہیں۔ ایمیزون کائنیسس ڈیٹا فائر ہوز.
- سینسر لاگ بھیجے جاتے ہیں۔ او ڈبلیو ایس لامبڈا۔ پیشین گوئیاں کرنے کے لیے ماڈل کے خلاف استفسار کرنے کے لیے۔
- لیمبڈا پیشین گوئیوں کے لیے سیج میکر ماڈل انفرنس کو سینسر لاگ بھیجتا ہے۔
- پیشین گوئیاں برقرار ہیں۔ ایمیزون ارورہ.
- مجموعی نتائج ایک پر دکھائے جاتے ہیں۔ ایمیزون کوئیک سائٹ ڈیش بورڈ.
- ناکامی کے متوقع امکان کے بارے میں ریئل ٹائم اطلاعات بھیجی جاتی ہیں۔ ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون ایس این ایس)۔
- Amazon SNS منسلک گاڑی کو اطلاعات واپس بھیجتا ہے۔
حل چھ نوٹ بک پر مشتمل ہے:
- 0_demo.ipynb - ہمارے حل کا ایک فوری جائزہ
- 1_introduction.ipynb - تعارف اور حل کا جائزہ
- 2_data_preparation.ipynb - ایک نمونہ ڈیٹاسیٹ تیار کریں۔
- 3_data_visualization.ipynb - ہمارے نمونہ ڈیٹاسیٹ کا تصور کریں۔
- 4_model_training.ipynb - ناکامیوں کا پتہ لگانے کے لیے ہمارے نمونہ ڈیٹاسیٹ پر ایک ماڈل کو تربیت دیں۔
- 5_results_analysis.ipynb - جس ماڈل کو ہم نے تربیت دی اس کے نتائج کا تجزیہ کریں۔
شرائط
ایمیزون سیج میکر اسٹوڈیو SageMaker کے اندر ایک مربوط ترقیاتی ماحول (IDE) ہے جو ہمیں وہ تمام ML خصوصیات فراہم کرتا ہے جن کی ہمیں شیشے کے ایک پین میں ضرورت ہے۔ اس سے پہلے کہ ہم سیج میکر جمپ اسٹارٹ چلا سکیں، ہمیں سیج میکر اسٹوڈیو قائم کرنے کی ضرورت ہے۔ اگر آپ کے پاس پہلے سے ہی SageMaker اسٹوڈیو کا اپنا ورژن چل رہا ہے تو آپ اس قدم کو چھوڑ سکتے ہیں۔
کسی بھی AWS خدمات کو استعمال کرنے سے پہلے ہمیں سب سے پہلے کرنے کی ضرورت ہے یہ یقینی بنانا ہے کہ ہم نے AWS اکاؤنٹ کے لیے سائن اپ کیا ہے اور بنایا ہے۔ پھر ہم ایک انتظامی صارف اور ایک گروپ بناتے ہیں۔ دونوں مراحل سے متعلق ہدایات کے لیے، رجوع کریں۔ ایمیزون سیج میکر کی شرطیں مرتب کریں۔.
اگلا مرحلہ سیج میکر ڈومین بنانا ہے۔ ایک ڈومین تمام اسٹوریج کو ترتیب دیتا ہے اور آپ کو سیج میکر تک رسائی کے لیے صارفین کو شامل کرنے کی اجازت دیتا ہے۔ مزید معلومات کے لیے رجوع کریں۔ ایمیزون سیج میکر ڈومین پر آن بورڈ. یہ ڈیمو AWS ریجن us-east-1 میں بنایا گیا ہے۔
آخر میں، آپ سیج میکر اسٹوڈیو لانچ کرتے ہیں۔ اس پوسٹ کے لیے، ہم ایک صارف پروفائل ایپ لانچ کرنے کی تجویز کرتے ہیں۔ ہدایات کے لیے، رجوع کریں۔ ایمیزون سیج میکر اسٹوڈیو لانچ کریں۔.
اس SageMaker JumpStart حل کو چلانے اور اپنے AWS اکاؤنٹ میں انفراسٹرکچر لگانے کے لیے، آپ کو ایک فعال SageMaker اسٹوڈیو مثال بنانے کی ضرورت ہے (دیکھیں ایمیزون سیج میکر اسٹوڈیو پر آن بورڈ)۔ جب آپ کی مثال تیار ہو جائے تو اس میں دی گئی ہدایات کا استعمال کریں۔ سیج میکر جمپ اسٹارٹ حل شروع کرنے کے لئے. حل کے نمونے اس میں شامل ہیں۔ GitHub ذخیرہ حوالہ کے لئے.
سیج میکر جمپ سٹارٹ حل شروع کریں۔
حل کے ساتھ شروع کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:
- سیج میکر اسٹوڈیو کنسول پر، منتخب کریں۔ جمپ اسٹارٹ.
- پر حل ٹیب، منتخب کریں گاڑیوں کے بیڑے کے لیے پیش گوئی کی دیکھ بھال.
- میں سے انتخاب کریں شروع.
حل کو تعینات کرنے میں چند منٹ لگتے ہیں۔ - حل کے تعینات ہونے کے بعد، اوپن نوٹ بک کا انتخاب کریں۔
اگر آپ کو دانا منتخب کرنے کا اشارہ کیا جاتا ہے، تو اس حل میں تمام نوٹ بک کے لیے PyTorch 1.8 Python 3.6 کا انتخاب کریں۔
حل کا پیش نظارہ
ہم سب سے پہلے اس پر کام کرتے ہیں۔ 0_demo.ipynb
کاپی. اس نوٹ بک میں، آپ اس بات کا فوری جائزہ لے سکتے ہیں کہ جب آپ اس حل کے لیے مکمل نوٹ بک مکمل کریں گے تو نتیجہ کیسا نظر آئے گا۔
میں سے انتخاب کریں رن اور تمام سیل چلائیں۔ سیج میکر اسٹوڈیو میں تمام سیل چلانے کے لیے (یا سیل اور سب چلائیں۔ سیج میکر نوٹ بک مثال میں)۔ آپ ہر نوٹ بک میں ایک کے بعد ایک تمام سیل چلا سکتے ہیں۔ اس بات کو یقینی بنائیں کہ اگلی نوٹ بک پر جانے سے پہلے تمام سیلز پروسیسنگ مکمل کر لیں۔
یہ حل فراہم کردہ AWS وسائل کو چلانے کے لیے کنفگ فائل پر انحصار کرتا ہے۔ ہم مندرجہ ذیل فائل تیار کرتے ہیں:
ہمارے پاس کچھ نمونہ ٹائم سیریز ان پٹ ڈیٹا ہے جس میں گاڑی کی بیٹری وولٹیج اور وقت کے ساتھ بیٹری کرنٹ ہوتا ہے۔ اگلا، ہم نمونے کے ڈیٹا کو لوڈ اور ویژولائز کرتے ہیں۔ جیسا کہ درج ذیل اسکرین شاٹس میں دکھایا گیا ہے، وولٹیج اور کرنٹ ویلیوز Y محور پر ہیں اور ریڈنگز (19 ریڈنگز ریکارڈ کی گئی ہیں) X محور پر ہیں۔
ہم نے پہلے اس وولٹیج اور موجودہ ڈیٹا پر ایک ماڈل کو تربیت دی ہے جو گاڑی کی ناکامی کے امکان کی پیش گوئی کرتا ہے اور اس ماڈل کو SageMaker میں ایک اختتامی نقطہ کے طور پر تعینات کیا ہے۔ ہم اس اختتامی نقطہ کو کچھ نمونے کے اعداد و شمار کے ساتھ کال کریں گے تاکہ اگلی مدت میں ناکامی کے امکان کا تعین کیا جا سکے۔
نمونے کے ان پٹ ڈیٹا کو دیکھتے ہوئے، ناکامی کا پیش قیاسی امکان ہے۔ 45.73٪
اگلے مرحلے پر جانے کے لیے، منتخب کریں۔ جاری رکھنے کے لئے یہاں کلک کریں.
تعارف اور حل کا جائزہ
۔ 1_introduction.ipynb
نوٹ بک حل اور مراحل کا ایک جائزہ فراہم کرتی ہے، اور کنفیگریشن فائل پر ایک نظر جس میں مواد کی تعریف، ڈیٹا کے نمونے لینے کی مدت، ٹرین اور ٹیسٹ کے نمونے کی گنتی، پیرامیٹرز، مقام، اور تخلیق کردہ مواد کے کالم کے نام شامل ہیں۔
اس نوٹ بک کا جائزہ لینے کے بعد، آپ اگلے مرحلے پر جا سکتے ہیں۔
نمونہ ڈیٹاسیٹ تیار کریں۔
ہم میں ایک نمونہ ڈیٹاسیٹ تیار کرتے ہیں۔ 2_data_preparation.ipynb
کاپی.
ہم پہلے اس حل کے لیے کنفیگریشن فائل تیار کرتے ہیں:
تشکیل کی خصوصیات مندرجہ ذیل ہیں:
آپ اپنے ڈیٹا سیٹ کی وضاحت کر سکتے ہیں یا نمونہ ڈیٹاسیٹ بنانے کے لیے ہماری اسکرپٹس کا استعمال کر سکتے ہیں:
آپ سینسر ڈیٹا اور فلیٹ گاڑی کے ڈیٹا کو ایک ساتھ ملا سکتے ہیں:
اب ہم ڈیٹا ویژولائزیشن کی طرف جا سکتے ہیں۔
ہمارے نمونہ ڈیٹاسیٹ کا تصور کریں۔
ہم اپنے نمونے کے ڈیٹاسیٹ کو اس میں دیکھتے ہیں۔ 3_data_vizualization.ipynb
. یہ حل فراہم کردہ AWS وسائل کو چلانے کے لیے کنفگ فائل پر انحصار کرتا ہے۔ آئیے پچھلی نوٹ بک کی طرح فائل بنائیں۔
درج ذیل اسکرین شاٹ ہمارے ڈیٹاسیٹ کو دکھاتا ہے۔
اگلا، آئیے ڈیٹاسیٹ بنائیں:
اب جبکہ ڈیٹاسیٹ تیار ہے، آئیے ڈیٹا کے اعدادوشمار کو دیکھتے ہیں۔ مندرجہ ذیل اسکرین شاٹ گاڑی کی ساخت، انجن کی قسم، گاڑی کی کلاس اور ماڈل کی بنیاد پر ڈیٹا کی تقسیم کو ظاہر کرتا ہے۔
لاگ ڈیٹا کا موازنہ کرتے ہوئے، آئیے Make E اور C (رینڈم) کے لیے مختلف سالوں میں اوسط وولٹیج کی ایک مثال دیکھیں۔
وولٹیج اور کرنٹ کا وسط Y محور پر ہے اور ریڈنگز کی تعداد X محور پر ہے۔
- log_target کے لیے ممکنہ قدریں: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- کے لیے تصادفی طور پر تفویض کردہ قدر
log_target: make
- کے لیے تصادفی طور پر تفویض کردہ قدر
- log_target_value1 کے لیے ممکنہ قدریں: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- کے لیے تصادفی طور پر تفویض کردہ قدر
log_target_value1: Make B
- کے لیے تصادفی طور پر تفویض کردہ قدر
- log_target_value2 کے لیے ممکنہ قدریں: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- کے لیے تصادفی طور پر تفویض کردہ قدر
log_target_value2: Make D
- کے لیے تصادفی طور پر تفویض کردہ قدر
اوپر کی بنیاد پر، ہم فرض کرتے ہیں log_target: make
, log_target_value1: Make B
اور log_target_value2: Make D
درج ذیل گراف لاگ ڈیٹا کے وسط کو توڑ دیتے ہیں۔
مندرجہ ذیل گراف وولٹیج اور کرنٹ کے خلاف مختلف سینسر لاگ ویلیوز کی ایک مثال کو تصور کرتے ہیں۔
ناکامیوں کا پتہ لگانے کے لیے ہمارے نمونہ ڈیٹاسیٹ پر ایک ماڈل کو تربیت دیں۔
میں 4_model_training.ipynb
نوٹ بک، ہم ناکامیوں کا پتہ لگانے کے لیے اپنے نمونہ ڈیٹاسیٹ پر ایک ماڈل کو تربیت دیتے ہیں۔
آئیے پچھلی نوٹ بک کی طرح کنفیگریشن فائل بنائیں، اور پھر ٹریننگ کنفیگریشن کے ساتھ آگے بڑھیں:
ہم نے جس ماڈل کو تربیت دی اس کے نتائج کا تجزیہ کریں۔
میں 5_results_analysis.ipynb
نوٹ بک، ہم اپنے ہائپر پیرامیٹر ٹیوننگ جاب سے ڈیٹا حاصل کرتے ہیں، بہترین جاب کی نشاندہی کرنے کے لیے تمام جابز کے میٹرکس کا تصور کرتے ہیں، اور بہترین تربیتی جاب کے لیے ایک اینڈ پوائنٹ بناتے ہیں۔
آئیے پچھلی نوٹ بک کی طرح کنفیگریشن فائل بنائیں اور تمام ملازمتوں کے میٹرکس کو دیکھیں۔ درج ذیل پلاٹ ٹیسٹ کی درستگی بمقابلہ عہد کا تصور کرتا ہے۔
مندرجہ ذیل اسکرین شاٹ ہائپر پیرامیٹر ٹیوننگ جابز کو دکھاتا ہے جو ہم نے چلائے تھے۔
اب آپ ٹیسٹ کی درستگی (سرخ) کی بنیاد پر بہترین تربیتی جاب (چار تربیتی جاب میں سے) سے ڈیٹا کو دیکھ سکتے ہیں۔
جیسا کہ ہم مندرجہ ذیل اسکرین شاٹس میں دیکھ سکتے ہیں، ٹیسٹ کے نقصان میں کمی آتی ہے اور AUC اور درستگی میں اضافہ ہوتا ہے۔
تصورات کی بنیاد پر، اب ہم بہترین تربیتی کام کے لیے ایک اختتامی نقطہ بنا سکتے ہیں:
اختتامی نقطہ بنانے کے بعد، ہم پیشین گوئی کرنے والے کو نمونہ سینسر لاگز پاس کر کے جانچ سکتے ہیں:
نمونے کے ان پٹ ڈیٹا کو دیکھتے ہوئے، ناکامی کا پیش قیاسی امکان ہے۔ 34.60٪.
صاف کرو
جب آپ اس حل کو ختم کر لیں، تو یقینی بنائیں کہ آپ نے تمام ناپسندیدہ AWS وسائل کو حذف کر دیا ہے۔ پر گاڑیوں کے بیڑے کے لیے پیش گوئی کی دیکھ بھال صفحہ، نیچے حل کو حذف کریں۔منتخب کریں تمام وسائل کو حذف کریں۔ حل سے وابستہ تمام وسائل کو حذف کرنے کے لیے۔
آپ کو کسی بھی اضافی وسائل کو دستی طور پر حذف کرنے کی ضرورت ہے جو آپ نے اس نوٹ بک میں بنائے ہیں۔ کچھ مثالوں میں اضافی S3 بالٹیاں (حل کی ڈیفالٹ بالٹی تک) اور اضافی سیج میکر اینڈ پوائنٹس (اپنی مرضی کے مطابق نام کا استعمال کرتے ہوئے) شامل ہیں۔
حل کو اپنی مرضی کے مطابق بنائیں
ہمارا حل اپنی مرضی کے مطابق کرنا آسان ہے۔ ان پٹ ڈیٹا کے تصورات میں ترمیم کرنے کے لیے، رجوع کریں۔ sagemaker/3_data_visualization.ipynb. مشین لرننگ کو اپنی مرضی کے مطابق بنانے کے لیے رجوع کریں۔ sagemaker/source/train.py اور sagemaker/source/dl_utils/network.py. ڈیٹاسیٹ پروسیسنگ کو حسب ضرورت بنانے کے لیے، رجوع کریں۔ sagemaker/1_introduction.ipynb کنفگ فائل کی وضاحت کرنے کا طریقہ۔
مزید برآں، آپ کنفیگریشن فائل میں کنفیگریشن کو تبدیل کر سکتے ہیں۔ پہلے سے طے شدہ ترتیب مندرجہ ذیل ہے:
تشکیل فائل میں درج ذیل پیرامیٹرز ہیں:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
، اورtest_dataset_fn
ڈیٹا سیٹ فائلوں کے مقام کی وضاحت کریں۔vehicle_id_column
,timestamp_column
,target_column
، اورperiod_column
کالم کے لیے ہیڈرز کی وضاحت کریں۔dataset_size
,chunksize
,processing_chunksize
,period_ms
، اورwindow_length
ڈیٹاسیٹ کی خصوصیات کی وضاحت کریں۔
نتیجہ
اس پوسٹ میں، ہم نے آپ کو دکھایا کہ سیج میکر جمپ سٹارٹ کا استعمال کرتے ہوئے گاڑیوں کے فلیٹ کی ناکامی کے امکان کا اندازہ لگانے کے لیے ماڈل کو کیسے تربیت اور تعینات کیا جائے۔ حل ایم ایل اور ڈیپ لرننگ ماڈلز پر مبنی ہے اور مختلف قسم کے ان پٹ ڈیٹا کی اجازت دیتا ہے جس میں کسی بھی وقت کے مختلف سینسر ڈیٹا شامل ہیں۔ چونکہ ہر گاڑی پر مختلف ٹیلی میٹری ہوتی ہے، اس لیے آپ فراہم کردہ ماڈل کو اپنے پاس موجود ڈیٹا کی فریکوئنسی اور قسم کے مطابق ٹھیک کر سکتے ہیں۔
اس بارے میں مزید جاننے کے لیے کہ آپ SageMaker JumpStart کے ساتھ کیا کر سکتے ہیں، درج ذیل کو دیکھیں:
وسائل
مصنفین کے بارے میں
راجکمار سمپت کمار AWS میں ایک پرنسپل ٹیکنیکل اکاؤنٹ مینیجر ہے، جو صارفین کو کاروباری ٹیکنالوجی کی صف بندی کے بارے میں رہنمائی فراہم کرتا ہے اور ان کے کلاؤڈ آپریشن ماڈلز اور پراسیسز کو دوبارہ ایجاد کرنے میں معاونت کرتا ہے۔ وہ کلاؤڈ اور مشین لرننگ کے بارے میں پرجوش ہے۔ راج مشین لرننگ کا ماہر بھی ہے اور AWS صارفین کے ساتھ کام کرتا ہے تاکہ وہ اپنے AWS کام کے بوجھ اور فن تعمیر کو ڈیزائن، تعینات اور ان کا نظم کرے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ آٹوموٹو / ای وی، کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- بلاک آفسیٹس۔ ماحولیاتی آفسیٹ ملکیت کو جدید بنانا۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- : ہے
- : ہے
- ][p
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15٪
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- ہمارے بارے میں
- اوپر
- تک رسائی حاصل
- کے مطابق
- اکاؤنٹ
- درستگی
- کے پار
- فعال
- سرگرمیوں
- شامل کریں
- انتظامی
- کے بعد
- کے خلاف
- صف بندی
- تمام
- کی اجازت دیتا ہے
- پہلے ہی
- بھی
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون سیج میکر جمپ اسٹارٹ
- ایمیزون ویب سروسز
- an
- تجزیے
- اور
- کوئی بھی
- اپلی کیشن
- کا اطلاق کریں
- کیا
- علاقوں
- AS
- تفویض
- منسلک
- فرض کرو
- At
- آٹوموٹو
- دستیاب
- سے اجتناب
- AWS
- محور
- واپس
- کی بنیاد پر
- بیٹری
- کیونکہ
- اس سے پہلے
- BEST
- بلاک
- جسم
- بڑھانے کے
- دونوں
- توڑ
- تعمیر
- عمارت
- by
- فون
- کر سکتے ہیں
- حاصل کر سکتے ہیں
- کیس
- مقدمات
- خلیات
- تبدیل
- میں سے انتخاب کریں
- طبقے
- کلائنٹ
- بادل
- کالم
- کامن
- مکمل
- اجزاء
- تصور
- ترتیب
- منسلک
- پر مشتمل ہے
- مشتمل
- کنسول
- پر مشتمل ہے
- مواد
- اخراجات
- سکتا ہے
- احاطہ
- تخلیق
- بنائی
- اہم
- موجودہ
- اپنی مرضی کے
- گاہکوں
- اپنی مرضی کے مطابق
- ڈیش بورڈ
- اعداد و شمار
- ڈیٹا کی تیاری
- اعداد و شمار کی تصور
- کمی
- گہری
- گہری سیکھنے
- پہلے سے طے شدہ
- تعریف
- ڈیمو
- ثبوت
- تعیناتی
- تعینات
- ڈیزائن
- اس بات کا تعین
- ترقی
- مختلف
- ظاہر
- خلل ڈالنا
- تقسیم
- do
- ڈومین
- نیچے
- ٹائم ٹائم
- ڈرائیو
- e
- ہر ایک
- اور
- آخر سے آخر تک
- اختتام پوائنٹ
- انجن
- کو یقینی بنانے کے
- ماحولیات
- عہد
- زمانے
- ہر کوئی
- مثال کے طور پر
- مثال کے طور پر
- تلاش
- اضافی
- نکالنے
- ناکامی
- جھوٹی
- خصوصیات
- چند
- فائل
- ختم
- پہلا
- فلیٹ
- کے بعد
- مندرجہ ذیل ہے
- کے لئے
- چار
- فرکوےنسی
- سے
- مکمل
- فعالیت
- پیدا
- پیدا
- جنریٹر
- حاصل
- دی
- گلاس
- GPU
- گرافکس
- گروپ
- رہنمائی
- ہے
- he
- ہیڈر
- مدد
- یہاں
- تاریخی
- کس طرح
- کیسے
- HTML
- HTTP
- HTTPS
- حب
- ہائپر پیرامیٹر کی اصلاح
- ہائپر پیرامیٹر ٹیوننگ
- i
- شناخت
- if
- درآمد
- کو بہتر بنانے کے
- in
- شامل
- شامل
- شامل ہیں
- سمیت
- اضافہ
- صنعتوں
- معلومات
- انفراسٹرکچر
- ابتدائی
- شروع
- ان پٹ
- مثال کے طور پر
- ہدایات
- ضم
- انٹرفیس
- میں
- تعارف
- IOT
- IT
- ایوب
- نوکریاں
- فوٹو
- JSON
- چابیاں
- لینڈنگ
- شروع
- شروع
- جانیں
- سیکھنے
- سطح
- کی طرح
- لوڈ
- مقامی
- محل وقوع
- لاگ ان کریں
- دیکھو
- کی طرح دیکھو
- بند
- مشین
- مشین لرننگ
- دیکھ بھال
- بنا
- انتظام
- انتظام
- مینیجر
- دستی طور پر
- بہت سے
- زیادہ سے زیادہ
- مئی..
- مطلب
- میکانی
- ضم کریں
- پیمائش کا معیار
- منٹ
- ML
- ماڈل
- ماڈل
- نظر ثانی کرنے
- زیادہ
- منتقل
- منتقل
- نام
- نام
- ضرورت ہے
- اگلے
- نوٹ بک
- نوٹیفیکیشن
- اطلاعات
- اب
- تعداد
- of
- کی پیشکش کی
- on
- ایک
- صرف
- کھول
- آپریشن
- آپریشنز
- اصلاح کے
- کی اصلاح کریں
- or
- OS
- دیگر
- ہمارے
- باہر
- نتائج
- بیان کیا
- پر
- مجموعی جائزہ
- خود
- صفحہ
- پین
- پیرامیٹرز
- حصہ
- پاسنگ
- جذباتی
- راستہ
- مدت
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- مہربانی کرکے
- پوسٹ
- پیشن گوئی
- پیش گوئی
- پیش گوئی
- پیشن گوئی
- پیش گو
- پیش گوئیاں
- تیاری
- تیار
- پیش نظارہ
- پچھلا
- پہلے
- پرنسپل
- مسئلہ
- عمل
- عمل
- پروسیسنگ
- پیداوری
- پروفائل
- ثبوت
- تصور کا ثبوت
- خصوصیات
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- عوامی طور پر
- ازگر
- pytorch
- فوری
- بے ترتیب
- رینج
- تیار
- سفارش
- ریکارڈ
- درج
- ریڈ
- کو کم
- خطے
- مرمت
- وسائل
- جواب
- نتائج کی نمائش
- واپسی
- کا جائزہ لینے کے
- کردار
- رن
- چل رہا ہے
- سیفٹی
- sagemaker
- نمونہ ڈیٹاسیٹ
- شیڈولنگ
- اسکرین شاٹس
- سکرپٹ
- سیکشن
- دیکھنا
- بھیجتا ہے
- بھیجا
- سیریز
- کام کرتا ہے
- سروسز
- اجلاس
- مقرر
- سیٹ
- کئی
- مختصر
- دکھائیں
- سے ظاہر ہوا
- دکھایا گیا
- شوز
- دستخط
- اسی طرح
- سادہ
- ایک
- چھ
- حل
- حل
- کچھ
- ماخذ
- ماہر
- مخصوص
- اسٹیج
- مراحل
- شروع
- کے اعداد و شمار
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- سٹوڈیو
- بعد میں
- امدادی
- اس بات کا یقین
- مصنوعی
- کے نظام
- لیتا ہے
- ٹیکنیکل
- تکنیک
- سانچے
- سانچے
- ٹیسٹ
- کہ
- ۔
- ان
- تو
- بات
- اس
- وقت
- وقت کا سلسلہ
- ٹائمسٹیمپ
- کرنے کے لئے
- مل کر
- ٹرین
- تربیت یافتہ
- ٹریننگ
- کوشش
- قسم
- اقسام
- کے تحت
- ناپسندیدہ
- us
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- رکن کا
- صارفین
- کا استعمال کرتے ہوئے
- قیمت
- اقدار
- مختلف اقسام کے
- گاڑی
- ورژن
- کی طرف سے
- تصور
- وولٹ
- وولٹیج
- vs
- W
- we
- ویب
- ویب خدمات
- کیا
- جب
- جس
- وسیع
- وسیع رینج
- گے
- ساتھ
- کے اندر
- کام
- کام کا بہاؤ
- کام کرتا ہے
- X
- یامل
- سال
- تم
- اور
- زیفیرنیٹ