مشین لرننگ (ML) تنظیموں کو متعدد کاروباری اکائیوں جیسے مارکیٹنگ، مینوفیکچرنگ، آپریشنز، سیلز، فنانس، اور کسٹمر سروس میں بنیادی کاروباری افعال کو بہتر بنا کر آمدنی پیدا کرنے، اخراجات کو کم کرنے، خطرے کو کم کرنے، ڈرائیونگ کی کارکردگی اور معیار کو بہتر بنانے میں مدد کرتی ہے۔ AWS ML کے ساتھ، تنظیمیں مہینوں سے دنوں تک قدر کی تخلیق کو تیز کر سکتی ہیں۔ ایمیزون سیج میکر کینوس ایک بصری، پوائنٹ اور کلک سروس ہے جو کاروباری تجزیہ کاروں کو کوڈ کی ایک لائن لکھے بغیر یا ML مہارت کی ضرورت کے بغیر درست ML پیشین گوئیاں پیدا کرنے کی اجازت دیتی ہے۔ آپ ماڈلز کو انٹرایکٹو انداز میں پیشین گوئیاں کرنے اور بلک ڈیٹا سیٹس پر بیچ اسکورنگ کے لیے استعمال کر سکتے ہیں۔
اس پوسٹ میں، ہم تعمیراتی نمونوں کی نمائش کرتے ہیں کہ کس طرح کاروباری ٹیمیں کینوس میں پیشین گوئیاں پیدا کرکے اور موثر کاروباری نتائج حاصل کرکے کہیں بھی بنائے گئے ML ماڈلز کا استعمال کرسکتی ہیں۔
ماڈل ڈیولپمنٹ اور شیئرنگ کا یہ انضمام کاروبار اور ڈیٹا سائنس ٹیموں کے درمیان ایک مضبوط تعاون پیدا کرتا ہے اور وقت کی قدر کو کم کرتا ہے۔ کاروباری ٹیمیں باہر کے ماحول میں نئے ماڈلز کو دوبارہ بنانے کے بجائے کسی کاروباری مسئلے کو حل کرنے کے لیے اپنے ڈیٹا سائنسدانوں یا دیگر محکموں کے بنائے ہوئے موجودہ ماڈلز کا استعمال کر سکتی ہیں۔
آخر میں، کاروباری تجزیہ کار مشترکہ ماڈلز کینوس میں درآمد کر سکتے ہیں اور صرف چند کلکس کے ساتھ پروڈکشن میں تعینات کرنے سے پہلے پیشین گوئیاں تیار کر سکتے ہیں۔
حل جائزہ
مندرجہ ذیل اعداد و شمار تین مختلف فن تعمیر کے نمونوں کی وضاحت کرتا ہے تاکہ یہ ظاہر کیا جا سکے کہ ڈیٹا سائنسدان کاروباری تجزیہ کاروں کے ساتھ کس طرح ماڈلز کا اشتراک کر سکتے ہیں، جو کینوس کے بصری انٹرفیس میں ان ماڈلز سے براہ راست پیشین گوئیاں کر سکتے ہیں۔
شرائط
SageMaker کا استعمال کرتے ہوئے اپنے ماڈل کو تربیت دینے اور بنانے کے لیے اور اپنے ماڈل کو کینوس میں لانے کے لیے، درج ذیل شرائط کو پورا کریں:
- اگر آپ کے پاس پہلے سے سیج میکر ڈومین اور اسٹوڈیو صارف نہیں ہے، SageMaker ڈومین پر سٹوڈیو صارف کو سیٹ اپ اور آن بورڈ کریں۔.
- کینوس کو فعال اور ترتیب دیں۔ آپ کے صارفین کے لیے بنیادی اجازتیں اور صارفین کو اسٹوڈیو کے ساتھ تعاون کرنے کی اجازت دیں۔.
- آپ کے پاس آٹو پائلٹ، جمپ اسٹارٹ، یا ماڈل رجسٹری سے تربیت یافتہ ماڈل ہونا ضروری ہے۔ کسی بھی ماڈل کے لیے جسے آپ نے SageMaker سے باہر بنایا ہے، آپ کو اپنے ماڈل کو کینوس میں درآمد کرنے سے پہلے ماڈل رجسٹری میں رجسٹر کرنا ہوگا۔
اب آئیے ایک ڈیٹا سائنسدان کے کردار کو فرض کریں جو ان تینوں آرکیٹیکچرل پیٹرن میں سے ہر ایک کے لیے کاروباری تجزیہ کار کے ساتھ ایم ایل ماڈلز کو تربیت، تعمیر، تعینات، اور ان کا اشتراک کرنا چاہتا ہے۔
آٹو پائلٹ اور کینوس استعمال کریں۔
آٹو پائلٹ خودکار ML (AutoML) عمل کے اہم کاموں کو خودکار کرتا ہے جیسے ڈیٹا کو تلاش کرنا، مسئلے کی قسم کے لیے متعلقہ الگورتھم کا انتخاب، اور پھر اس کی تربیت اور ٹیوننگ۔ یہ سب آپ کو ڈیٹا سیٹ پر مکمل کنٹرول اور مرئیت برقرار رکھنے کی اجازت دیتے ہوئے حاصل کیا جا سکتا ہے۔ آٹو پائلٹ بہترین ماڈل تلاش کرنے کے لیے خود بخود مختلف حل تلاش کرتا ہے، اور صارف یا تو ML ماڈل پر اعادہ کر سکتے ہیں یا ایک کلک کے ساتھ ماڈل کو براہ راست پروڈکشن میں تعینات کر سکتے ہیں۔
اس مثال میں، ہم ایک گاہک چرن مصنوعی استعمال کرتے ہیں۔ ڈیٹاسیٹ ٹیلی کام ڈومین سے ہے اور انہیں ایسے صارفین کی شناخت کرنے کا کام سونپا گیا ہے جو ممکنہ طور پر منتھنی کے خطرے میں ہیں۔ کاروباری تجزیہ کار کے ساتھ ایم ایل ماڈل کی تعمیر، تربیت، تعیناتی، اور اشتراک کے لیے آٹو پائلٹ آٹو ایم ایل استعمال کرنے کے لیے درج ذیل اقدامات مکمل کریں:
- ڈاؤن لوڈ، اتارنا ڈیٹاسیٹ، اسے ایمیزون S3 پر اپ لوڈ کریں (ایمیزون سادہ اسٹوریج سروس) بالٹی، اور S3 URI کا ایک نوٹ بنائیں۔
- اسٹوڈیو کنسول پر، منتخب کریں۔ آٹو ایم ایل نیوی گیشن پین میں.
- میں سے انتخاب کریں AutoML تجربہ بنائیں.
- تجربے کا نام بتائیں (اس پوسٹ کے لیے،
Telecom-Customer-Churn-AutoPilot
)، S3 ڈیٹا ان پٹ، اور آؤٹ پٹ لوکیشن۔ - ہدف کے کالم کو چرن کے طور پر سیٹ کریں۔
- تعیناتی کی ترتیبات میں، آپ ایک اینڈ پوائنٹ بنانے کے لیے آٹو ڈیپلائی آپشن کو فعال کر سکتے ہیں جو آپ کے بہترین ماڈل کو تعینات کرتا ہے اور اختتامی نقطہ پر اندازہ چلاتا ہے۔
مزید معلومات کے لئے ملاحظہ کریں ایمیزون سیج میکر آٹو پائلٹ تجربہ بنائیں.
- اپنا تجربہ منتخب کریں، پھر اپنا بہترین ماڈل منتخب کریں اور منتخب کریں۔ ماڈل شیئر کریں۔.
- کینوس صارف شامل کریں اور منتخب کریں۔ سیکنڈ اور ماڈل کا اشتراک کرنے کے لئے.
(نوٹ: آپ اسی کینوس صارف کے ساتھ ماڈل کا اشتراک نہیں کر سکتے جیسا کہ اسٹوڈیو لاگ ان کے لیے استعمال کیا جاتا ہے۔ مثال کے طور پر، Studio user-A ماڈل Canvas User-A کے ساتھ شیئر نہیں کر سکتا۔ لیکن صارف-A صارف-B کے ساتھ ماڈل کا اشتراک کر سکتا ہے، اس لیے ماڈل کے اشتراک کے لیے مختلف استعمالات کا انتخاب کریں)
مزید معلومات کے لئے ملاحظہ کریں اسٹوڈیو صارفین: SageMaker Canvas پر ایک ماڈل کا اشتراک کریں۔.
جمپ اسٹارٹ اور کینوس استعمال کریں۔
جمپ سٹارٹ ایک ایم ایل ہب ہے جو ایم ایل کے استعمال کے کیسوں کی وسیع رینج کے لیے پہلے سے تربیت یافتہ، اوپن سورس ماڈل فراہم کرتا ہے جیسے فراڈ کا پتہ لگانے، کریڈٹ رسک کی پیشن گوئی، اور پروڈکٹ کی خرابی کا پتہ لگانا۔ آپ ٹیبلر، ویژن، ٹیکسٹ اور آڈیو ڈیٹا کے لیے 300 سے زیادہ پہلے سے تربیت یافتہ ماڈلز تعینات کر سکتے ہیں۔
اس پوسٹ کے لیے، ہم جمپ اسٹارٹ سے لائٹ جی بی ایم ریگریشن پری ٹرینڈ ماڈل استعمال کرتے ہیں۔ ہم ماڈل کو کسٹم ڈیٹاسیٹ پر تربیت دیتے ہیں اور کینوس صارف (کاروباری تجزیہ کار) کے ساتھ ماڈل کا اشتراک کرتے ہیں۔ پہلے سے تربیت یافتہ ماڈل کو اندازہ لگانے کے لیے اختتامی نقطہ پر تعینات کیا جا سکتا ہے۔ JumpStart ایک مثالی نوٹ بک فراہم کرتا ہے تاکہ ماڈل کو تعینات کرنے کے بعد اس تک رسائی حاصل کی جا سکے۔
اس مثال میں ، ہم استعمال کرتے ہیں ابالون ڈیٹاسیٹ. ڈیٹاسیٹ میں آٹھ جسمانی پیمائشوں کی مثالیں شامل ہیں جیسے کہ لمبائی، قطر، اور اونچائی ابالون کی عمر (رجعت کا مسئلہ) کی پیش گوئی کرنے کے لیے۔
- ڈاؤن لوڈ، اتارنا ابالون ڈیٹاسیٹ Kaggle سے.
- ایک S3 بالٹی بنائیں اور ٹرین، توثیق، اور حسب ضرورت ہیڈر ڈیٹا سیٹس اپ لوڈ کریں۔
- اسٹوڈیو کنسول پر، نیچے سیج میکر جمپ اسٹارٹ نیویگیشن پین میں، منتخب کریں۔ ماڈل، نوٹ بک، حل.
- کے تحت ٹیبلر ماڈلزمنتخب کریں لائٹ جی بی ایم ریگریشن.
- کے تحت ٹرین کا ماڈل، تربیت، توثیق، اور کالم ہیڈر ڈیٹاسیٹس کے لیے S3 URIs کی وضاحت کریں۔
- میں سے انتخاب کریں ٹرین.
- نیویگیشن پین میں، منتخب کریں۔ جمپ سٹارٹ اثاثوں کا آغاز کیا۔.
- پر تربیتی نوکریاں ٹیب، اپنی تربیتی ملازمت کا انتخاب کریں۔
- پر سیکنڈ اور مینو، منتخب کریں کینوس پر شیئر کریں۔.
- کینوس صارفین کو منتخب کریں جن کے ساتھ اشتراک کرنا ہے، ماڈل کی تفصیلات بیان کریں، اور منتخب کریں۔ سیکنڈ اور.
مزید معلومات کے لئے ملاحظہ کریں اسٹوڈیو صارفین: SageMaker Canvas پر ایک ماڈل کا اشتراک کریں۔.
سیج میکر ماڈل رجسٹری اور کینوس استعمال کریں۔
SageMaker ماڈل رجسٹری کے ساتھ، آپ پروڈکشن کے لیے ماڈلز کی فہرست بنا سکتے ہیں، ماڈل ورژنز کا نظم کر سکتے ہیں، میٹا ڈیٹا کو ایسوسی ایٹ کر سکتے ہیں، ماڈل کی منظوری کی حیثیت کا انتظام کر سکتے ہیں، ماڈلز کو پروڈکشن میں تعینات کر سکتے ہیں، اور CI/CD کے ساتھ ماڈل کی تعیناتی کو خودکار کر سکتے ہیں۔
آئیے ڈیٹا سائنسدان کا کردار فرض کرتے ہیں۔ اس مثال کے لیے، آپ ایک اینڈ ٹو اینڈ ایم ایل پروجیکٹ بنا رہے ہیں جس میں ڈیٹا کی تیاری، ماڈل ٹریننگ، ماڈل ہوسٹنگ، ماڈل رجسٹری، اور کاروباری تجزیہ کار کے ساتھ ماڈل شیئرنگ شامل ہے۔ اختیاری طور پر، ڈیٹا کی تیاری اور پری پروسیسنگ یا پوسٹ پروسیسنگ کے مراحل کے لیے، آپ استعمال کر سکتے ہیں۔ ایمیزون سیج میکر ڈیٹا رینگلر اور ایک ایمیزون سیج میکر پروسیسنگ کا کام. اس مثال میں، ہم LIBSVM سے ڈاؤن لوڈ کردہ ابالون ڈیٹاسیٹ استعمال کرتے ہیں۔ ہدف متغیر ابالون کی عمر ہے۔
- سٹوڈیو میں، کلون GitHub repo.
- README فائل میں درج مراحل کو مکمل کریں۔
- اسٹوڈیو کنسول پر، نیچے ماڈل نیویگیشن پین میں، منتخب کریں۔ ماڈل رجسٹری.
- ماڈل کا انتخاب کریں۔
sklearn-reg-ablone
. - ماڈل رجسٹری سے کینوس میں ماڈل ورژن 1 کا اشتراک کریں۔
- کینوس صارفین کو منتخب کریں جن کے ساتھ اشتراک کرنا ہے، ماڈل کی تفصیلات بیان کریں، اور منتخب کریں۔ سیکنڈ اور.
ہدایات کے لیے، سے رجوع کریں۔ ماڈل رجسٹری سیکشن میں اسٹوڈیو صارفین: SageMaker Canvas پر ایک ماڈل کا اشتراک کریں۔.
مشترکہ ماڈلز کا نظم کریں۔
پچھلے طریقوں میں سے کسی کا استعمال کرتے ہوئے ماڈل کو شیئر کرنے کے بعد، آپ پر جا سکتے ہیں۔ ماڈل اسٹوڈیو میں سیکشن اور تمام مشترکہ ماڈلز کا جائزہ لیں۔ مندرجہ ذیل اسکرین شاٹ میں، ہم 3 مختلف ماڈلز دیکھتے ہیں جو ایک اسٹوڈیو صارف (ڈیٹا سائنسدان) نے مختلف کینوس صارفین (کاروباری ٹیموں) کے ساتھ شیئر کیے ہیں۔
ایک مشترکہ ماڈل درآمد کریں اور کینوس کے ساتھ پیشین گوئیاں کریں۔
آئیے کاروباری تجزیہ کار کا کردار سنبھالیں اور اپنے کینوس صارف کے ساتھ کینوس میں لاگ ان کریں۔
جب ڈیٹا سائنٹسٹ یا اسٹوڈیو صارف کینوس صارف کے ساتھ ماڈل کا اشتراک کرتا ہے، تو آپ کو کینوس ایپلیکیشن کے اندر ایک اطلاع موصول ہوتی ہے کہ اسٹوڈیو صارف نے آپ کے ساتھ ماڈل کا اشتراک کیا ہے۔ کینوس ایپلیکیشن میں نوٹیفکیشن درج ذیل اسکرین شاٹ کی طرح ہے۔
اپ انتخاب کرسکتے ہو اپ ڈیٹ دیکھیں مشترکہ ماڈل دیکھنے کے لیے، یا آپ پر جا سکتے ہیں۔ ماڈل کینوس ایپلیکیشن کا صفحہ ان تمام ماڈلز کو دریافت کرنے کے لیے جو آپ کے ساتھ شیئر کیے گئے ہیں۔ اسٹوڈیو سے ماڈل کی درآمد میں 20 منٹ لگ سکتے ہیں۔
ماڈل درآمد کرنے کے بعد، آپ اس کے میٹرکس دیکھ سکتے ہیں اور پیدا کر سکتے ہیں۔ ریئل ٹائم پیشین گوئیاں جس کے ساتھ کیا-اگر تجزیہ یا بیچ کی پیشن گوئیاں.
خیال
کینوس کے ساتھ ماڈلز کا اشتراک کرتے وقت درج ذیل کو ذہن میں رکھیں:
- آپ Amazon S3 میں تربیت اور توثیق کے ڈیٹاسیٹس کو اسٹور کرتے ہیں، اور S3 URIs کو کینوس میں اس کے ساتھ منتقل کیا جاتا ہے۔ AWS شناخت اور رسائی کا انتظام (IAM) کی اجازت۔
- کینوس کو ٹارگٹ کالم فراہم کریں یا پہلے کالم کو بطور ڈیفالٹ استعمال کریں۔
- کسی کینوس کنٹینر کے لیے قیاس ڈیٹا کو پارس کرنے کے لیے، کینوس اینڈ پوائنٹ یا تو ٹیکسٹ (CSV) یا ایپلیکیشن (JSON) کو قبول کرتا ہے۔
- کینوس متعدد کنٹینر یا انفرنس پائپ لائنز کو سپورٹ نہیں کرتا ہے۔
- اگر تربیت اور توثیق کے ڈیٹا سیٹس میں کوئی ہیڈرز فراہم نہیں کیے جاتے ہیں تو کینوس کو ڈیٹا سکیما فراہم کیا جاتا ہے۔ پہلے سے طے شدہ طور پر، جمپ سٹارٹ پلیٹ فارم تربیت اور توثیق کے ڈیٹا سیٹس میں ہیڈرز فراہم نہیں کرتا ہے۔
- جمپ سٹارٹ کے ساتھ، تربیتی کام مکمل ہونے کی ضرورت ہے اس سے پہلے کہ آپ اسے کینوس کے ساتھ شیئر کر سکیں۔
کا حوالہ دیتے ہیں حدود اور خرابیوں کا سراغ لگانا ماڈلز کا اشتراک کرتے وقت آپ کو درپیش کسی بھی مسئلے کو حل کرنے میں مدد کرنے کے لیے۔
صاف کرو
مستقبل کے چارجز سے بچنے کے لیے، اس پوسٹ کو فالو کرتے ہوئے اپنے بنائے گئے وسائل کو حذف یا بند کریں۔ کا حوالہ دیتے ہیں Amazon SageMaker Canvas سے لاگ آؤٹ ہو رہا ہے۔ مزید تفصیلات کے لیے. انفرادی وسائل کو بند کریں، بشمول نوٹ بک، ٹرمینل، دانا، ایپس اور مثالیں۔ مزید معلومات کے لیے رجوع کریں۔ وسائل کو بند کریں۔. حذف کریں ماڈل ورژن, سیج میکر اینڈ پوائنٹ اور وسائل, آٹو پائلٹ تجرباتی وسائل، اور S3 بالٹی.
نتیجہ
اسٹوڈیو ڈیٹا سائنسدانوں کو چند آسان مراحل میں کاروباری تجزیہ کاروں کے ساتھ ایم ایل ماڈلز کا اشتراک کرنے کی اجازت دیتا ہے۔ کاروباری تجزیہ کار کینوس میں نیا ماڈل بنانے کے بجائے کاروباری مسائل کو حل کرنے کے لیے ڈیٹا سائنسدانوں کے پہلے سے بنائے گئے ایم ایل ماڈلز سے فائدہ اٹھا سکتے ہیں۔ تاہم، ان ماڈلز کو ان ماحول سے باہر استعمال کرنا مشکل ہو سکتا ہے جس میں وہ تکنیکی تقاضوں اور ماڈلز کو درآمد کرنے کے لیے دستی عمل کی وجہ سے بنائے گئے ہیں۔ یہ اکثر صارفین کو ایم ایل ماڈلز کو دوبارہ بنانے پر مجبور کرتا ہے، جس کے نتیجے میں کوشش اور اضافی وقت اور وسائل کی نقل ہوتی ہے۔ کینوس ان حدود کو ہٹاتا ہے تاکہ آپ کینوس میں ان ماڈلز کے ساتھ پیشین گوئیاں پیدا کر سکیں جنہیں آپ نے کہیں بھی تربیت دی ہے۔ اس پوسٹ میں بیان کردہ تین نمونوں کو استعمال کرکے، آپ ML ماڈلز کو SageMaker ماڈل رجسٹری میں رجسٹر کر سکتے ہیں، جو کہ ML ماڈلز کے لیے ایک میٹا ڈیٹا اسٹور ہے، اور انہیں کینوس میں درآمد کر سکتے ہیں۔ کاروباری تجزیہ کار اس کے بعد کینوس میں کسی بھی ماڈل سے تجزیہ اور پیشین گوئیاں تیار کر سکتے ہیں۔
SageMaker سروسز کے استعمال کے بارے میں مزید جاننے کے لیے، درج ذیل وسائل کو دیکھیں:
اگر آپ کے سوالات یا مشورے ہیں تو ایک تبصرہ چھوڑیں۔
مصنفین کے بارے میں
امان شرما AWS کے ساتھ ایک سینئر حل آرکیٹیکٹ ہے۔ وہ APJ خطے میں اسٹارٹ اپس، چھوٹے اور درمیانے کاروبار اور انٹرپرائز صارفین کے ساتھ کام کرتا ہے، مشاورت، آرکیٹیکٹنگ، اور حل میں 19 سال سے زیادہ کا تجربہ ہے۔ وہ AI اور ML کو جمہوری بنانے اور ان کے ڈیٹا اور ML کی حکمت عملیوں کو ڈیزائن کرنے میں صارفین کی مدد کرنے کے بارے میں پرجوش ہے۔ کام سے باہر، وہ فطرت اور جنگلی حیات کو تلاش کرنا پسند کرتا ہے۔
زیچن نی AWS SageMaker میں سینئر سافٹ ویئر انجینئر ہے جو پچھلے سال Bring Your Own Model to SageMaker Canvas کی قیادت کر رہا ہے۔ وہ 7 سال سے زیادہ عرصے سے ایمیزون میں کام کر رہی ہیں اور انہیں ایمیزون سپلائی چین آپٹیمائزیشن اور AWS AI سروسز دونوں میں تجربہ ہے۔ وہ کام کے بعد بیری ورزش اور موسیقی سے لطف اندوز ہوتی ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ایڈریین ایشلے کے ساتھ مستقبل کا نقشہ بنانا۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- : ہے
- : ہے
- $UP
- 1
- 100
- 20
- 7
- a
- ہمارے بارے میں
- رفتار کو تیز تر
- قبول کرتا ہے
- تک رسائی حاصل
- درست
- حاصل
- حاصل کیا
- کے پار
- ایڈیشنل
- کے بعد
- AI
- AI خدمات
- یلگورتم
- تمام
- اجازت دے رہا ہے
- کی اجازت دیتا ہے
- پہلے ہی
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون سیج میکر آٹو پائلٹ
- ایمیزون سیج میکر کینوس
- an
- تجزیہ
- تجزیہ کار
- تجزیہ کار کہتے ہیں
- تجزیے
- اور
- کوئی بھی
- کہیں
- درخواست
- منظوری
- ایپس
- ارکیٹیکچرل
- فن تعمیر
- کیا
- AS
- ایسوسی ایٹ
- At
- آڈیو
- آٹو
- خود کار طریقے سے
- خودکار
- خودکار
- خود کار طریقے سے
- آٹو ایم ایل
- سے اجتناب
- AWS
- بیس
- BE
- رہا
- اس سے پہلے
- فائدہ
- BEST
- کے درمیان
- دونوں
- لانے
- تعمیر
- عمارت
- تعمیر
- کاروبار
- کاروباری افعال
- کاروبار
- لیکن
- by
- کر سکتے ہیں
- کینوس
- مقدمات
- کیٹلوگ
- چین
- بوجھ
- چیک کریں
- میں سے انتخاب کریں
- کلک کریں
- کوڈ
- تعاون
- تعاون
- کالم
- تبصرہ
- مکمل
- کنسول
- مشاورت
- کنٹینر
- پر مشتمل ہے
- کنٹرول
- کور
- اخراجات
- تخلیق
- بنائی
- پیدا
- تخلیق
- مخلوق
- کریڈٹ
- اپنی مرضی کے
- گاہک
- کسٹمر سروس
- گاہکوں
- اعداد و شمار
- ڈیٹا کی تیاری
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- ڈیٹاسیٹس
- دن
- پہلے سے طے شدہ
- جمہوری بنانا
- مظاہرہ
- محکموں
- تعیناتی
- تعینات
- تعینات
- تعیناتی
- تعینات کرتا ہے
- ڈیزائننگ
- تفصیلات
- کھوج
- ترقی
- مختلف
- مشکل
- براہ راست
- دریافت
- نہیں کرتا
- ڈومین
- نہیں
- نیچے
- ڈرائیو
- دو
- ہر ایک
- موثر
- استعداد کار
- کوشش
- یا تو
- کو چالو کرنے کے
- آخر سے آخر تک
- اختتام پوائنٹ
- انجینئر
- انٹرپرائز
- ماحول
- مثال کے طور پر
- مثال کے طور پر
- موجودہ
- تجربہ
- تجربہ
- مہارت
- تلاش
- دریافت کرتا ہے
- ایکسپلور
- چند
- اعداد و شمار
- فائل
- کی مالی اعانت
- مل
- پہلا
- کے بعد
- کے لئے
- افواج
- دھوکہ دہی
- فراڈ کا پتہ لگانے
- سے
- مکمل
- افعال
- مستقبل
- پیدا
- پیدا کرنے والے
- Go
- ہے
- he
- ہیڈر
- اونچائی
- مدد
- مدد
- مدد کرتا ہے
- لہذا
- ہوسٹنگ
- کس طرح
- تاہم
- HTML
- HTTP
- HTTPS
- حب
- کی نشاندہی
- شناختی
- if
- درآمد
- درآمد
- کو بہتر بنانے کے
- in
- شامل ہیں
- سمیت
- انفرادی
- معلومات
- ان پٹ
- کے بجائے
- ہدایات
- انضمام
- انٹرفیس
- میں
- مسائل
- IT
- میں
- ایوب
- فوٹو
- JSON
- صرف
- کلیدی
- آخری
- آخری سال
- معروف
- جانیں
- سیکھنے
- چھوڑ دو
- لمبائی
- کی طرح
- پسند
- حدود
- لائن
- فہرست
- محل وقوع
- لاگ ان کریں
- لاگ ان
- تلاش
- برقرار رکھنے کے
- بنا
- انتظام
- دستی
- مینوفیکچرنگ
- مارکیٹنگ
- پیمائش
- درمیانہ
- میٹا ڈیٹا
- طریقوں
- پیمائش کا معیار
- شاید
- برا
- منٹ
- تخفیف کریں
- ML
- ماڈل
- ماڈل
- ماہ
- زیادہ
- ایک سے زیادہ
- موسیقی
- ضروری
- نام
- فطرت، قدرت
- سمت شناسی
- ضروریات
- نئی
- نہیں
- نوٹ بک
- نوٹیفیکیشن
- of
- اکثر
- on
- جہاز
- ایک
- اوپن سورس
- آپریشنز
- اصلاح کے
- اصلاح
- اختیار
- or
- تنظیمیں
- دیگر
- باہر
- نتائج
- پیداوار
- باہر
- خود
- صفحہ
- پین
- منظور
- جذباتی
- پیٹرن
- اجازتیں
- جسمانی
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پوسٹ
- ممکنہ طور پر
- پیشن گوئی
- کی پیشن گوئی
- پیشن گوئی
- ضروریات
- مسئلہ
- مسائل
- عمل
- عمل
- پروسیسنگ
- مصنوعات
- پیداوار
- منصوبے
- فراہم
- فراہم
- فراہم کرتا ہے
- معیار
- سوالات
- رینج
- وصول
- کو کم
- خطے
- رجسٹر
- رجسٹری
- متعلقہ
- ضروریات
- وسائل
- نتیجے
- آمدنی
- کا جائزہ لینے کے
- رسک
- کردار
- sagemaker
- فروخت
- اسی
- سائنس
- سائنسدان
- سائنسدانوں
- اسکورنگ
- سیکشن
- دیکھنا
- منتخب
- سینئر
- سروس
- سروسز
- مقرر
- ترتیبات
- سیکنڈ اور
- مشترکہ
- حصص
- اشتراک
- وہ
- نمائش
- بند کرو
- اسی طرح
- سادہ
- ایک
- چھوٹے
- So
- سافٹ ویئر کی
- سافٹ ویئر انجنیئر
- حل
- حل
- شروع اپ
- درجہ
- مراحل
- ذخیرہ
- ذخیرہ
- حکمت عملیوں
- سٹوڈیو
- اس طرح
- فراہمی
- فراہمی کا سلسلہ
- سپلائی چین آپٹیمائزیشن
- حمایت
- مصنوعی
- لے لو
- ہدف
- کاموں
- ٹیموں
- ٹیکنیکل
- ٹیلی کام
- ٹرمنل
- سے
- کہ
- ۔
- ان
- ان
- تو
- یہ
- وہ
- اس
- ان
- تین
- سخت
- وقت
- کرنے کے لئے
- ٹرین
- تربیت یافتہ
- ٹریننگ
- قسم
- کے تحت
- یونٹس
- استعمال کی شرائط
- استعمال کیا جاتا ہے
- رکن کا
- صارفین
- کا استعمال کرتے ہوئے
- توثیق
- قیمت
- قدر تخلیق
- ورژن
- لنک
- کی نمائش
- نقطہ نظر
- we
- جب
- جس
- جبکہ
- ڈبلیو
- وسیع
- وسیع رینج
- ساتھ
- کے اندر
- بغیر
- کام
- کام کر
- کام کرتا ہے
- تحریری طور پر
- سال
- سال
- تم
- اور
- زیفیرنیٹ