ایمیزون سیج میکر فیچر اسٹور مشین لرننگ (ML) کے لیے فیچر انجینئرنگ کو خودکار کرنے کے لیے اینڈ ٹو اینڈ حل فراہم کرتا ہے۔ بہت سے ML استعمال کے کیسز کے لیے، خام ڈیٹا جیسے لاگ فائلز، سینسر ریڈنگز، یا لین دین کے ریکارڈز کو بامعنی خصوصیات میں تبدیل کرنے کی ضرورت ہے جو ماڈل ٹریننگ کے لیے موزوں ہیں۔
انتہائی درست ML ماڈل کو یقینی بنانے کے لیے خصوصیت کا معیار اہم ہے۔ جمع، انکوڈنگ، نارملائزیشن، اور دیگر آپریشنز کا استعمال کرتے ہوئے خام ڈیٹا کو فیچرز میں تبدیل کرنے کی اکثر ضرورت ہوتی ہے اور اس کے لیے کافی محنت درکار ہوتی ہے۔ انجینئرز کو ہر استعمال کے کیس کے لیے ازگر یا اسپارک میں اپنی مرضی کے مطابق ڈیٹا پری پروسیسنگ اور ایگریگیشن منطق کو دستی طور پر لکھنا چاہیے۔
یہ غیر امتیازی بھاری لفٹنگ بوجھل، بار بار اور غلطی کا شکار ہے۔ دی سیج میکر فیچر اسٹور فیچر پروسیسر بیچ ٹریننگ ایم ایل ماڈلز کے لیے موزوں مجموعی خصوصیات میں خام ڈیٹا کو خود بخود تبدیل کر کے اس بوجھ کو کم کرتا ہے۔ یہ انجینئرز کو ڈیٹا ٹرانسفارمیشن کے آسان فنکشنز فراہم کرنے دیتا ہے، پھر انہیں Spark پر پیمانے پر چلانے اور بنیادی ڈھانچے کا انتظام کرنے دیتا ہے۔ یہ ڈیٹا سائنسدانوں اور ڈیٹا انجینئرز کو عمل درآمد کی تفصیلات کے بجائے فیچر انجینئرنگ منطق پر توجہ مرکوز کرنے کے قابل بناتا ہے۔
اس پوسٹ میں، ہم یہ ظاہر کرتے ہیں کہ کس طرح کار سیلز کمپنی فیچر پروسیسر کا استعمال کر کے خام سیلز ٹرانزیکشن ڈیٹا کو تین مراحل میں فیچرز میں تبدیل کر سکتی ہے:
- ڈیٹا کی تبدیلیوں کے مقامی رنز۔
- ریموٹ اسپارک کا استعمال کرتے ہوئے پیمانے پر چلتا ہے۔
- پائپ لائنوں کے ذریعے آپریشنلائزیشن۔
ہم دکھاتے ہیں کہ سیج میکر فیچر اسٹور کس طرح خام ڈیٹا کو ہضم کرتا ہے، اسپارک کا استعمال کرتے ہوئے فیچر ٹرانسفارمیشنز کو دور سے چلاتا ہے، اور نتیجے میں مجموعی خصوصیات کو ایک میں لوڈ کرتا ہے۔ خصوصیت گروپ. ان انجینئرڈ خصوصیات کو پھر ایم ایل ماڈلز کو تربیت دینے کے لیے استعمال کیا جا سکتا ہے۔
اس استعمال کے معاملے کے لیے، ہم دیکھتے ہیں کہ کس طرح سیج میکر فیچر اسٹور خام کاروں کی فروخت کے ڈیٹا کو ساختی خصوصیات میں تبدیل کرنے میں مدد کرتا ہے۔ ان خصوصیات کو بعد میں بصیرت حاصل کرنے کے لیے استعمال کیا جاتا ہے جیسے:
- 2010 سے ریڈ کنورٹیبلز کی اوسط اور زیادہ سے زیادہ قیمت
- بہترین مائلیج بمقابلہ قیمت والے ماڈل
- سالوں میں نئی بمقابلہ استعمال شدہ کاروں کی فروخت کے رجحانات
- تمام مقامات پر اوسط MSRP میں فرق
ہم یہ بھی دیکھتے ہیں کہ کس طرح سیج میکر فیچر اسٹور کی پائپ لائنیں نئے ڈیٹا کے آنے کے ساتھ ہی فیچرز کو اپ ڈیٹ رکھتی ہیں، جس سے کمپنی کو وقت کے ساتھ ساتھ مسلسل بصیرت حاصل کرنے کے قابل بناتی ہے۔
حل جائزہ
ہم ڈیٹاسیٹ کے ساتھ کام کرتے ہیں۔ car_data.csv
جس میں کمپنی کی طرف سے فروخت کی جانے والی استعمال شدہ اور نئی کاروں کے لیے ماڈل، سال، حیثیت، مائلیج، قیمت، اور MSRP جیسی وضاحتیں شامل ہیں۔ مندرجہ ذیل اسکرین شاٹ ڈیٹاسیٹ کی ایک مثال دکھاتا ہے۔
حل نوٹ بک feature_processor.ipynb
مندرجہ ذیل اہم اقدامات پر مشتمل ہے، جس کی ہم اس پوسٹ میں وضاحت کرتے ہیں:
- دو فیچر گروپس بنائیں: ایک کہا جاتا ہے۔
car-data
خام کاروں کی فروخت کے ریکارڈ اور ایک اور کال کے لیےcar-data-aggregated
کاروں کی فروخت کے مجموعی ریکارڈ کے لیے۔ - استعمال کریں
@feature_processor
کار ڈیٹا فیچر گروپ میں ڈیٹا لوڈ کرنے کے لیے ڈیکوریٹر ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)۔ - چلائیں
@feature_processor code
ڈیٹا کو جمع کرنے کے لیے دور سے ایک سپارک ایپلی کیشن کے طور پر۔ - کے ذریعے فیچر پروسیسر کو فعال کریں۔ سیج میکر پائپ لائنز اور شیڈول چلتا ہے.
- فیچر پروسیسنگ پائپ لائنز کو دریافت کریں اور نسب in ایمیزون سیج میکر اسٹوڈیو.
- ایم ایل ماڈل کو تربیت دینے کے لیے مجموعی خصوصیات کا استعمال کریں۔
شرائط
اس ٹیوٹوریل پر عمل کرنے کے لیے، آپ کو درج ذیل کی ضرورت ہے:
اس پوسٹ کے لیے ہم درج ذیل کا حوالہ دیتے ہیں۔ نوٹ بک، جو ظاہر کرتا ہے کہ SageMaker Python SDK کا استعمال کرتے ہوئے فیچر پروسیسر کے ساتھ کیسے آغاز کیا جائے۔
فیچر گروپس بنائیں
فیچر گروپس بنانے کے لیے، درج ذیل مراحل کو مکمل کریں:
- کے لیے فیچر گروپ ڈیفینیشن بنائیں
car-data
مندرجہ ذیل ہے:
خصوصیات میں ہر کالم کے مساوی ہیں۔ car_data.csv
ڈیٹاسیٹ (Model
, Year
, Status
, Mileage
, Price
، اور MSRP
).
- ریکارڈ شناخت کنندہ شامل کریں۔
id
اور تقریب کا وقتingest_time
فیچر گروپ کو:
- کے لیے فیچر گروپ ڈیفینیشن بنائیں
car-data-aggregated
مندرجہ ذیل ہے:
مجموعی فیچر گروپ کے لیے، خصوصیات ماڈل سال کی حیثیت، اوسط مائلیج، زیادہ سے زیادہ مائلیج، اوسط قیمت، زیادہ سے زیادہ قیمت، اوسط MSRP، زیادہ سے زیادہ MSRP، اور انجیسٹ ٹائم ہیں۔ ہم ریکارڈ شناخت کنندہ شامل کرتے ہیں۔ model_year_status
اور تقریب کا وقت ingest_time
اس فیچر گروپ میں۔
- اب، بنائیں
car-data
فیچر گروپ:
- بنائیں
car-data-aggregated
فیچر گروپ:
آپ سیج میکر فیچر اسٹور آپشن کے تحت نیویگیٹ کر سکتے ہیں۔ ڈیٹا سیج میکر اسٹوڈیو پر ہوم پیج (-) فیچر گروپس دیکھنے کے لیے مینو۔
ڈیٹا لوڈ کرنے کے لیے @feature_processor ڈیکوریٹر کا استعمال کریں۔
اس سیکشن میں، ہم مقامی طور پر خام ان پٹ ڈیٹا کو تبدیل کرتے ہیں (car_data.csv
) ایمیزون S3 سے میں car-data
فیچر اسٹور فیچر پروسیسر کا استعمال کرتے ہوئے فیچر گروپ۔ یہ ابتدائی لوکل رن ہمیں دور سے چلنے سے پہلے ترقی اور تکرار کرنے کی اجازت دیتا ہے، اور اگر تیز تر تکرار کے لیے چاہیں تو ڈیٹا کے نمونے پر کیا جا سکتا ہے۔
کے ساتہ @feature_processor
ڈیکوریٹر، آپ کا ٹرانسفارمیشن فنکشن اسپارک رن ٹائم ماحول میں چلتا ہے جہاں آپ کے فنکشن کو فراہم کردہ ان پٹ آرگیومنٹ اور اس کی ریٹرن ویلیو Spark DataFrames ہیں۔
- انسٹال کریں فیچر پروسیسر SDK سے SageMaker Python SDK اور مندرجہ ذیل کمانڈ کا استعمال کرتے ہوئے اس کے اضافی:
آپ کے ٹرانسفارمیشن فنکشن میں ان پٹ پیرامیٹرز کی تعداد کو کنفیگر کردہ ان پٹ کی تعداد سے مماثل ہونا چاہیے @feature_processor
ڈیکوریٹر اس صورت میں، the @feature_processor
ڈیکوریٹر کے پاس ہے۔ car-data.csv
بطور ان پٹ اور car-data
فیچر گروپ آؤٹ پٹ کے طور پر، اس بات کی نشاندہی کرتا ہے کہ یہ بیچ آپریشن ہے۔ target_store
as OfflineStore
:
- کی وضاحت
transform()
ڈیٹا کو تبدیل کرنے کا فنکشن۔ یہ فنکشن درج ذیل اعمال انجام دیتا ہے:- کالم کے نام کو چھوٹے حروف میں تبدیل کریں۔
- ایونٹ کا وقت میں شامل کریں۔
ingest_time
کالم. - اوقاف کو ہٹا دیں اور گم شدہ اقدار کو NA سے بدل دیں۔
- کال کریں
transform()
میں ڈیٹا کو ذخیرہ کرنے کا فنکشنcar-data
فیچر گروپ:
آؤٹ پٹ سے پتہ چلتا ہے کہ ڈیٹا کار ڈیٹا فیچر گروپ میں کامیابی کے ساتھ داخل ہو گیا ہے۔
کی پیداوار transform_df.show()
فنکشن مندرجہ ذیل ہے:
ہم نے کامیابی کے ساتھ ان پٹ ڈیٹا کو تبدیل کر دیا ہے اور اسے میں داخل کر لیا ہے۔ car-data
خصوصیت گروپ.
@feature_processor کوڈ کو دور سے چلائیں۔
اس سیکشن میں، ہم فیچر پروسیسنگ کوڈ کو بطور اسپارک ایپلیکیشن کے استعمال کرتے ہوئے دور سے چلانے کا مظاہرہ کرتے ہیں۔ @remote
ڈیکوریٹر نے پہلے بیان کیا ہے۔ ہم اسپارک کا استعمال کرتے ہوئے فیچر پروسیسنگ کو دور سے چلاتے ہیں تاکہ بڑے ڈیٹا سیٹس تک پہنچ سکیں۔ اسپارک ڈیٹا کو ہینڈل کرنے کے لیے کلسٹرز پر تقسیم شدہ پروسیسنگ فراہم کرتا ہے جو ایک مشین کے لیے بہت بڑا ہے۔ دی @remote
ڈیکوریٹر مقامی Python کوڈ کو سنگل یا ملٹی نوڈ SageMaker ٹریننگ جاب کے طور پر چلاتا ہے۔
- استعمال کریں
@remote
ڈیکوریٹر کے ساتھ ساتھ@feature_processor
ڈیکوریٹر مندرجہ ذیل ہے:
۔ spark_config
پیرامیٹر اشارہ کرتا ہے کہ یہ بطور چلایا جاتا ہے۔ Spark application
. SparkConfig مثال اسپارک کنفیگریشن اور انحصار کو ترتیب دیتی ہے۔
- کی وضاحت
aggregate()
PySpark SQL اور یوزر ڈیفائنڈ فنکشنز (UDFs) کا استعمال کرتے ہوئے ڈیٹا کو جمع کرنے کے لیے فنکشن۔ یہ فنکشن درج ذیل اعمال انجام دیتا ہے:- مقابلہ کرنا
model
,year
، اورstatus
پیدا کرنے کے لئےmodel_year_status
. - کی اوسط لیں۔
price
پیدا کرنے کے لئےavg_price
. - کی زیادہ سے زیادہ قیمت لیں۔
price
پیدا کرنے کے لئےmax_price
. - کی اوسط لیں۔
mileage
پیدا کرنے کے لئےavg_mileage
. - کی زیادہ سے زیادہ قیمت لیں۔
mileage
پیدا کرنے کے لئےmax_mileage
. - کی اوسط لیں۔
msrp
پیدا کرنے کے لئےavg_msrp
. - کی زیادہ سے زیادہ قیمت لیں۔
msrp
پیدا کرنے کے لئےmax_msrp
. - گروپ بذریعہ
model_year_status
.
- مقابلہ کرنا
- چلائیں
aggregate()
فنکشن، جو Spark ایپلی کیشن کو چلانے کے لیے SageMaker ٹریننگ جاب بناتا ہے:
نتیجے کے طور پر، SageMaker اسپارک ایپلیکیشن کے لیے ایک تربیتی کام تخلیق کرتا ہے جس کی پہلے وضاحت کی گئی تھی۔ یہ استعمال کرتے ہوئے اسپارک رن ٹائم ماحول بنائے گا۔ sagemaker-spark-processing image
.
ہم اپنی اسپارک فیچر پروسیسنگ ایپلیکیشن کو چلانے کے لیے یہاں سیج میکر ٹریننگ جابز استعمال کرتے ہیں۔ سیج میکر ٹریننگ کے ساتھ، آپ گرم پولنگ کا استعمال کرکے اسٹارٹ اپ کے اوقات کو 1 منٹ یا اس سے کم کر سکتے ہیں، جو سیج میکر پروسیسنگ میں دستیاب نہیں ہے۔ یہ سیج میکر ٹریننگ کو مختصر بیچ کی ملازمتوں جیسے فیچر پروسیسنگ کے لیے بہتر بناتا ہے جہاں آغاز کا وقت اہم ہوتا ہے۔
- تفصیلات دیکھنے کے لیے، سیج میکر کنسول پر، منتخب کریں۔ تربیتی نوکریاں کے تحت ٹریننگ نیویگیشن پین میں، پھر نام کے ساتھ کام کا انتخاب کریں۔
aggregate-<timestamp>
.
کی پیداوار مجموعی () فنکشن ٹیلی میٹری کوڈ تیار کرتا ہے۔ آؤٹ پٹ کے اندر، آپ کو مجموعی ڈیٹا اس طرح نظر آئے گا:
تربیت کا کام مکمل ہونے پر، آپ کو درج ذیل آؤٹ پٹ دیکھنا چاہیے:
SageMaker پائپ لائنز کے ذریعے فیچر پروسیسر کو فعال کریں۔
اس سیکشن میں، ہم یہ ظاہر کرتے ہیں کہ فیچر پروسیسر کو SageMaker پائپ لائن میں ترقی دے کر اور شیڈولنگ رن کو کیسے چلایا جائے۔
- سب سے پہلے، اپ لوڈ کریں transformation_code.py ایمیزون S3 میں فیچر پروسیسنگ منطق پر مشتمل فائل:
- اگلا، فیچر پروسیسر پائپ لائن بنائیں کار_ڈیٹا_پائپ لائن کا استعمال کرتے ہوئے .to_pipeline() فنکشن:
- پائپ لائن چلانے کے لیے درج ذیل کوڈ کا استعمال کریں:
- اسی طرح، آپ مجموعی خصوصیات کے لیے ایک پائپ لائن بنا سکتے ہیں جسے کہتے ہیں۔
car_data_aggregated_pipeline
اور ایک دوڑ شروع کریں. - شیڈول
car_data_aggregated_pipeline
ہر 24 گھنٹے چلانے کے لیے:
آؤٹ پٹ سیکشن میں، آپ پائپ لائن کا ARN اور پائپ لائن پر عمل درآمد کا کردار، اور شیڈول کی تفصیلات دیکھیں گے:
- اس اکاؤنٹ میں تمام فیچر پروسیسر پائپ لائنز حاصل کرنے کے لیے، استعمال کریں۔
list_pipelines()
فیچر پروسیسر پر فنکشن:
آؤٹ پٹ اس طرح ہو گا:
ہم نے کامیابی کے ساتھ سیج میکر فیچر پروسیسر پائپ لائنیں بنائی ہیں۔
فیچر پروسیسنگ پائپ لائنز اور ML نسب کو دریافت کریں۔
سیج میکر اسٹوڈیو میں، درج ذیل مراحل کو مکمل کریں:
- سیج میکر اسٹوڈیو کنسول پر، پر ہوم پیج (-) مینو، منتخب کریں پائپ لائنز.
آپ کو دو پائپ لائنیں بنی ہوئی دیکھیں: car-data-ingestion-pipeline
اور car-data-aggregated-ingestion-pipeline
.
- منتخب کیجئیے
car-data-ingestion-pipeline
.
یہ پر رن کی تفصیلات دکھاتا ہے۔ پھانسیاں۔ ٹیب.
- پائپ لائن کے ذریعے آباد فیچر گروپ کو دیکھنے کے لیے، منتخب کریں۔ فیچر اسٹور کے تحت ڈیٹا اور منتخب کریں
car-data
.
آپ کو وہ دو فیچر گروپ نظر آئیں گے جو ہم نے پچھلے مراحل میں بنائے ہیں۔
- منتخب کیجئیے
car-data
خصوصیت گروپ.
آپ پر خصوصیات کی تفصیلات دیکھیں گے۔ خصوصیات ٹیب.
دیکھیں پائپ لائن چلتی ہے۔
پائپ لائن کو دیکھنے کے لیے، درج ذیل مراحل کو مکمل کریں:
- پر پائپ لائن پر عملدرآمدs ٹیب، منتخب کریں۔
car-data-ingestion-pipeline
.
یہ تمام رنز دکھائے گا۔
- رن کی تفصیلات دیکھنے کے لیے کسی ایک لنک کا انتخاب کریں۔
- نسب دیکھنے کے لیے، نسب کا انتخاب کریں۔
کے لیے مکمل نسب car-data
ان پٹ ڈیٹا کا ذریعہ دکھاتا ہے۔ car_data.csv
اور اپ اسٹریم ادارے۔ کے لیے نسب car-data-aggregated
ان پٹ دکھاتا ہے۔ car-data
خصوصیت گروپ.
- میں سے انتخاب کریں خصوصیات لوڈ کریں۔ اور پھر منتخب کریں اپ اسٹریم نسب سے استفسار کریں۔ on
car-data
اورcar-data-ingestion-pipeline
تمام اپ اسٹریم اداروں کو دیکھنے کے لیے۔
کے لیے مکمل نسب car-data
فیچر گروپ کو درج ذیل اسکرین شاٹ کی طرح نظر آنا چاہیے۔
اسی طرح، کے لئے نسب car-aggregated-data
فیچر گروپ کو درج ذیل اسکرین شاٹ کی طرح نظر آنا چاہیے۔
سیج میکر اسٹوڈیو طے شدہ پائپ لائنوں کو ٹریک کرنے، رنز دیکھنے، نسب کو دریافت کرنے، اور فیچر پروسیسنگ کوڈ کو دیکھنے کے لیے ایک واحد ماحول فراہم کرتا ہے۔
مجموعی خصوصیات جیسے کہ اوسط قیمت، زیادہ سے زیادہ قیمت، اوسط مائلیج، اور مزید car-data-aggregated
فیچر گروپ ڈیٹا کی نوعیت کے بارے میں بصیرت فراہم کرتا ہے۔ آپ ان خصوصیات کو ڈیٹاسیٹ کے طور پر بھی استعمال کر سکتے ہیں تاکہ کسی ماڈل کو گاڑی کی قیمتوں کا اندازہ لگانے کے لیے، یا دوسرے کاموں کے لیے تربیت دی جا سکے۔ تاہم، ماڈل کی تربیت اس پوسٹ کے لیے گنجائش سے باہر ہے، جو فیچر انجینئرنگ کے لیے SageMaker فیچر اسٹور کی صلاحیتوں کو ظاہر کرنے پر مرکوز ہے۔
صاف کرو
جاری چارجز سے بچنے کے لیے اس پوسٹ کے حصے کے طور پر بنائے گئے وسائل کو صاف کرنا نہ بھولیں۔
- کے ذریعے طے شدہ پائپ لائن کو غیر فعال کریں۔
fp.schedule()
ریاستی پیرامیٹر کے ساتھ طریقہDisabled
:
- دونوں فیچر گروپس کو حذف کریں:
S3 بالٹی اور آف لائن فیچر اسٹور میں موجود ڈیٹا پر لاگت آ سکتی ہے، لہذا آپ کو کسی بھی چارجز سے بچنے کے لیے انہیں حذف کرنا چاہیے۔
- S3 اشیاء کو حذف کریں۔.
- ریکارڈز کو حذف کریں۔ فیچر اسٹور سے۔
نتیجہ
اس پوسٹ میں، ہم نے دکھایا کہ کس طرح کار فروخت کرنے والی کمپنی نے SageMaker فیچر اسٹور فیچر پروسیسر کو اپنے خام فروخت کے ڈیٹا سے قیمتی بصیرت حاصل کرنے کے لیے استعمال کیا:
- اسپارک کا استعمال کرتے ہوئے بیچ کے ڈیٹا کو پیمانے پر داخل کرنا اور تبدیل کرنا
- سیج میکر پائپ لائنز کے ذریعے فیچر انجینئرنگ ورک فلو کو فعال کرنا
- پائپ لائنوں کی نگرانی اور خصوصیات کو دریافت کرنے کے لیے نسب سے باخبر رہنے اور واحد ماحول فراہم کرنا
- ایم ایل ماڈلز کی تربیت کے لیے بہتر کردہ مجموعی خصوصیات کی تیاری
ان اقدامات پر عمل کرتے ہوئے، کمپنی پہلے سے ناقابل استعمال ڈیٹا کو ساختی خصوصیات میں تبدیل کرنے میں کامیاب رہی جسے بعد میں کار کی قیمتوں کا اندازہ لگانے کے لیے ماڈل کو تربیت دینے کے لیے استعمال کیا جا سکتا تھا۔ سیج میکر فیچر اسٹور نے انہیں بنیادی ڈھانچے کی بجائے فیچر انجینئرنگ پر توجہ مرکوز کرنے کے قابل بنایا۔
ہمیں امید ہے کہ یہ پوسٹ سیج میکر فیچر اسٹور فیچر پروسیسر کا استعمال کرتے ہوئے آپ کے اپنے ڈیٹا سے قیمتی ML بصیرت کو غیر مقفل کرنے میں آپ کی مدد کرے گی!
اس بارے میں مزید معلومات کے لیے رجوع کریں۔ فیچر پروسیسنگ اور سیج میکر مثال پر ایمیزون سیج میکر فیچر اسٹور: فیچر پروسیسر کا تعارف.
مصنفین کے بارے میں
دھول شاہ AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے، جو مشین لرننگ میں مہارت رکھتا ہے۔ ڈیجیٹل مقامی کاروبار پر مضبوط توجہ کے ساتھ، وہ صارفین کو AWS سے فائدہ اٹھانے اور اپنے کاروبار کی ترقی کو آگے بڑھانے کا اختیار دیتا ہے۔ ایک ایم ایل پرجوش کے طور پر، دھول مثبت تبدیلی لانے والے مؤثر حل تخلیق کرنے کے اپنے جذبے سے متاثر ہیں۔ اپنے فارغ وقت میں، وہ سفر کے لیے اپنی محبت میں مبتلا رہتا ہے اور اپنے خاندان کے ساتھ معیاری لمحات کو پسند کرتا ہے۔
نند جوشی AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے، جو AWS کے عالمی صارفین کو اپنے پیچیدہ حقیقی دنیا کے کاروباری چیلنجوں کو حل کرنے کے لیے کلاؤڈ میں محفوظ، قابل توسیع، اور لاگت سے موثر حل ڈیزائن کرنے میں مدد کرتا ہے۔ مشین لرننگ (ML) میں ان کا کام AI/ML استعمال کے کیسز کی ایک وسیع رینج کا احاطہ کرتا ہے، جس میں بنیادی توجہ اینڈ ٹو اینڈ ایم ایل، نیچرل لینگویج پروسیسنگ، اور کمپیوٹر ویژن پر ہے۔ AWS میں شامل ہونے سے پہلے، نند نے 12+ سال تک سافٹ ویئر ڈویلپر کے طور پر کام کیا۔ اپنی پیشہ ورانہ کوششوں کے علاوہ، نند کو شطرنج کھیلنا اور مختلف گیمبیٹس کو تلاش کرنا بہت پسند ہے۔
- 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۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/unlock-ml-insights-using-the-amazon-sagemaker-feature-store-feature-processor/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 1
- 10
- 100
- 11
- 116
- 12
- 13
- 14
- 15٪
- 16
- 20
- 24
- 26٪
- 40
- 7
- 8
- 9
- a
- قابلیت
- اکاؤنٹ
- درست
- کے پار
- اعمال
- شامل کریں
- مجموعی
- مجموعی
- AI / ML
- تمام
- کی اجازت دیتا ہے
- ساتھ
- بھی
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- an
- اور
- ایک اور
- کوئی بھی
- درخواست
- کیا
- دلائل
- AS
- At
- خود کار طریقے سے
- خود کار طریقے سے
- دستیاب
- اوسط
- سے اجتناب
- AWS
- بنیادی
- BE
- اس سے پہلے
- BEST
- بہتر
- بگ
- دونوں
- لانے
- بوجھ
- کاروبار
- کاروبار
- by
- کہا جاتا ہے
- کر سکتے ہیں
- صلاحیتوں
- کار کے
- کاریں
- کیس
- مقدمات
- چیلنجوں
- تبدیل
- بوجھ
- شطرنج
- میں سے انتخاب کریں
- بادل
- کوڈ
- کالم
- کالم
- آتا ہے
- کمپنی کے
- مکمل
- پیچیدہ
- کمپیوٹر
- کمپیوٹر ویژن
- ترتیب
- تشکیل شدہ
- کنسول
- پر مشتمل ہے
- مسلسل
- تبدیل
- قیمت
- اخراجات
- سکتا ہے
- کا احاطہ کرتا ہے
- تخلیق
- بنائی
- پیدا
- تخلیق
- اہم
- بوجھل
- اپنی مرضی کے
- گاہکوں
- اعداد و شمار
- ڈیٹاسیٹس
- کی وضاحت
- تعریف
- مظاہرہ
- demonstrated,en
- ثبوت
- مظاہرین
- انحصار
- بیان کیا
- تفصیل
- ڈیزائن
- مطلوبہ
- تفصیلات
- ترقی
- ڈیولپر
- مختلف
- ڈیجیٹل
- غیر فعال کر دیا
- دکھانا
- تقسیم کئے
- کیا
- ڈرائیو
- کارفرما
- ہر ایک
- اس سے قبل
- موثر
- کوشش
- بااختیار بنانا
- چالو حالت میں
- کے قابل بناتا ہے
- کو فعال کرنا
- آخر سے آخر تک
- کوششیں
- انجنیئرنگ
- انجینئرز
- کو یقینی بنانے کے
- حوصلہ افزائی
- اداروں
- ماحولیات
- واقعہ
- ہر کوئی
- مثال کے طور پر
- عملدرآمد
- پھانسی
- باہر نکلنا
- وضاحت
- تلاش
- ایکسپلور
- خاندان
- تیز تر
- نمایاں کریں
- خصوصیات
- فائل
- فائلوں
- توجہ مرکوز
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- مندرجہ ذیل ہے
- کے لئے
- جزوی
- سے
- مکمل
- تقریب
- افعال
- حاصل کرنا
- پیدا ہوتا ہے
- حاصل
- گلوبل
- گروپ
- گروپ کا
- ترقی
- ہینڈل
- ہینڈل
- ہے
- he
- ہیڈر
- بھاری
- بھاری وزن اٹھانا
- مدد
- مدد کرتا ہے
- یہاں
- اجاگر کرنا۔
- انتہائی
- ان
- ہوم پیج (-)
- امید ہے کہ
- HOURS
- کس طرح
- کیسے
- تاہم
- HTML
- HTTPS
- ID
- شناخت
- if
- تصویر
- مؤثر
- نفاذ
- درآمد
- اہم
- in
- سمیت
- اشارہ کرتا ہے
- معلومات
- معلومات
- انفراسٹرکچر
- ابتدائی
- ان پٹ
- آدانوں
- کے اندر
- بصیرت
- بصیرت
- انسٹال
- مثال کے طور پر
- میں
- IT
- تکرار
- میں
- ایوب
- نوکریاں
- شمولیت
- فوٹو
- رکھیں
- زبان
- بڑے
- سیکھنے
- کم
- آو ہم
- لیوریج
- اٹھانے
- کی طرح
- نسب
- لنکس
- لسٹ
- لوڈ
- بوجھ
- مقامی
- مقامی طور پر
- لاگ ان کریں
- منطق
- دیکھو
- کی طرح دیکھو
- محبت
- مشین
- مشین لرننگ
- مین
- بناتا ہے
- مینیجنگ
- دستی طور پر
- بہت سے
- میچ
- میکس
- زیادہ سے زیادہ
- mdx
- بامعنی
- مینو
- طریقہ
- منٹ
- لاپتہ
- ML
- ماڈل
- ماڈل
- لمحات
- کی نگرانی
- زیادہ
- ضروری
- نام
- نام
- مقامی
- قدرتی
- قدرتی زبان عملیات
- فطرت، قدرت
- تشریف لے جائیں
- سمت شناسی
- ضرورت ہے
- ضرورت
- نئی
- نوڈ
- نوٹ بک
- تعداد
- of
- آف لائن
- اکثر
- on
- ایک
- جاری
- صرف
- آپریشن
- آپریشنز
- اصلاح
- اختیار
- or
- دیگر
- ہمارے
- باہر
- پیداوار
- باہر
- پر
- خود
- پین
- پیرامیٹر
- پیرامیٹرز
- حصہ
- جذبہ
- انجام دیں
- کارکردگی کا مظاہرہ
- پائپ لائن
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- آباد ہے
- مثبت
- پوسٹ
- pr
- پیشن گوئی
- پچھلا
- پہلے
- قیمت
- قیمتیں
- پرائمری
- پہلے
- پروسیسنگ
- پروسیسر
- پیشہ ورانہ
- کو فروغ دینے
- فراہم
- فراہم
- فراہم کرتا ہے
- ازگر
- معیار
- رینج
- بلکہ
- خام
- حقیقی دنیا
- ریکارڈ
- ریکارڈ
- ریڈ
- کو کم
- کم
- کا حوالہ دیتے ہیں
- ہٹا
- بار بار
- کی جگہ
- کی ضرورت
- وسائل
- نتیجہ
- نتیجے
- واپسی
- کردار
- رن
- چل رہا ہے
- چلتا ہے
- s
- sagemaker
- فروخت
- فروخت
- توسیع پذیر
- پیمانے
- شیڈول
- شیڈول کے مطابق
- شیڈولنگ
- سائنسدانوں
- گنجائش
- sdk
- sdn
- سیکنڈ
- سیکشن
- محفوظ بنانے
- دیکھنا
- سینئر
- سروسز
- مختصر
- ہونا چاہئے
- دکھائیں
- شوز
- اہم
- سادہ
- ایک
- واحد ماحول
- So
- سافٹ ویئر کی
- فروخت
- حل
- حل
- حل
- ماخذ
- چنگاری
- مہارت
- وضاحتیں
- مخصوص
- کھیل
- شروع کریں
- شروع
- شروع
- حالت
- درجہ
- مراحل
- ذخیرہ
- ذخیرہ
- ڈیٹا اسٹور کریں۔
- سلک
- مضبوط
- منظم
- سٹوڈیو
- جمع
- بعد میں
- کامیاب
- کامیابی کے ساتھ
- اس طرح
- موزوں
- ٹیبل
- سے
- کہ
- ۔
- ریاست
- ان
- ان
- تو
- یہ
- اس
- تین
- وقت
- اوقات
- کرنے کے لئے
- بھی
- سب سے اوپر
- ٹریک
- ٹریکنگ
- ٹرین
- ٹریننگ
- ٹرانزیکشن
- تبدیل
- تبدیلی
- تبدیلی
- تبدیل
- تبدیل
- سفر
- رجحانات
- سبق
- دو
- قسم
- اقسام
- ui
- کے تحت
- بنیادی
- انلاک
- اپ ڈیٹ
- us
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- کا استعمال کرتے ہوئے
- قیمتی
- قیمت
- اقدار
- مختلف
- گاڑیاں
- کی طرف سے
- لنک
- نقطہ نظر
- vs
- گرم
- تھا
- we
- ویب
- ویب خدمات
- جس
- وسیع
- وسیع رینج
- گے
- ساتھ
- کام
- کام کیا
- کام کے بہاؤ
- لکھنا
- سال
- سال
- تم
- اور
- زیفیرنیٹ