چاہے آپ ویب ٹریفک کے لیے زیادہ مؤثر طریقے سے وسائل مختص کر رہے ہوں، عملے کی ضروریات کے لیے مریض کی طلب کی پیشن گوئی کر رہے ہوں، یا کسی کمپنی کی مصنوعات کی فروخت کا اندازہ لگا رہے ہوں، بہت سے کاروباروں میں پیشن گوئی ایک لازمی ذریعہ ہے۔ ایک خاص استعمال کیس، کے طور پر جانا جاتا ہے سرد آغاز کی پیشن گوئی, ایک ایسے ٹائم سیریز کے لیے پیشین گوئیاں تیار کرتا ہے جس میں بہت کم یا کوئی موجودہ تاریخی ڈیٹا نہیں ہے، جیسے کہ کوئی نئی پروڈکٹ جو ابھی خوردہ صنعت میں مارکیٹ میں داخل ہوئی ہے۔ روایتی ٹائم سیریز کی پیشن گوئی کے طریقے جیسے آٹوریگریسو انٹیگریٹڈ موونگ ایوریج (ARIMA) یا ایکسپونینشل اسموتھنگ (ES) ہر انفرادی پروڈکٹ کی تاریخی ٹائم سیریز پر بہت زیادہ انحصار کرتے ہیں، اور اس لیے کولڈ سٹارٹ کی پیشن گوئی کے لیے مؤثر نہیں ہیں۔
اس پوسٹ میں، ہم یہ بتاتے ہیں کہ کس طرح استعمال کرتے ہوئے کولڈ سٹارٹ کی پیشن گوئی کرنے والا انجن بنایا جائے۔ ٹائم سیریز کی پیشن گوئی کے لیے AutoGluon AutoML، تصویر، متن، ٹیبلر، اور ٹائم سیریز ڈیٹا پر مشین لرننگ (ML) کو خودکار کرنے کے لیے ایک اوپن سورس Python پیکیج۔ AutoGluon تجربہ کار ML ڈویلپرز کو ابتدائی افراد کے لیے اینڈ ٹو اینڈ آٹومیٹڈ مشین لرننگ (AutoML) پائپ لائن فراہم کرتا ہے، جو اسے انتہائی درست اور استعمال میں آسان مکمل طور پر خودکار حل بناتا ہے۔ ہم مفت استعمال کرتے ہیں۔ ایمیزون سیج میکر اسٹوڈیو لیب اس مظاہرے کے لیے خدمت۔
آٹو گلوون ٹائم سیریز کا تعارف
آٹوگلون ٹیکسٹ، امیج، اور ٹیبلر ڈیٹا کے لیے آٹو ایم ایل کے لیے ایک سرکردہ اوپن سورس لائبریری ہے، جو آپ کو کوڈ کی صرف ایک لائن کے ساتھ خام ڈیٹا سے انتہائی درست ماڈل تیار کرنے کی اجازت دیتی ہے۔ حال ہی میں، ٹیم ان صلاحیتوں کو ٹائم سیریز ڈیٹا تک بڑھانے کے لیے کام کر رہی ہے، اور اس نے ایک خودکار پیشن گوئی ماڈیول تیار کیا ہے جو عوامی طور پر دستیاب ہے۔ GitHub کے. autogluon.forecasting
ماڈیول خام وقت کی سیریز کے ڈیٹا کو خود بخود مناسب فارمیٹ میں پروسیس کرتا ہے، اور پھر درست پیشین گوئیاں پیدا کرنے کے لیے مختلف جدید ترین ڈیپ لرننگ ماڈلز کو ٹرین اور ٹیون کرتا ہے۔ اس پوسٹ میں، ہم استعمال کرنے کا طریقہ بتاتے ہیں۔ autogluon.forecasting
اور اسے کولڈ اسٹارٹ پیشن گوئی کے کاموں پر لاگو کریں۔
حل جائزہ
چونکہ AutoGluon ایک اوپن سورس Python پیکیج ہے، آپ اس حل کو نافذ کر سکتے ہیں۔ مقامی طور پر اپنے لیپ ٹاپ پر یا ایمیزون سیج میکر اسٹوڈیو لیب پر۔ ہم درج ذیل مراحل سے گزرتے ہیں:
- Amazon SageMaker Studio Lab کے لیے AutoGluon سیٹ اپ کریں۔
- ڈیٹاسیٹ تیار کریں۔
- AutoGluon کا استعمال کرتے ہوئے تربیتی پیرامیٹرز کی وضاحت کریں۔
- ٹائم سیریز کی پیشن گوئی کے لیے کولڈ اسٹارٹ فورکاسٹنگ انجن کو تربیت دیں۔
- کولڈ سٹارٹ کی پیشین گوئیوں کا تصور کریں۔
کولڈ سٹارٹ کی پیشن گوئی کا کلیدی مفروضہ یہ ہے کہ ایک جیسی خصوصیات کے ساتھ آئٹمز میں ٹائم سیریز کی رفتار ایک جیسی ہونی چاہیے، جو کہ کولڈ سٹارٹ کی پیشن گوئی کو تاریخی ڈیٹا کے بغیر آئٹمز پر پیشین گوئیاں کرنے کی اجازت دیتا ہے، جیسا کہ مندرجہ ذیل تصویر میں واضح کیا گیا ہے۔
اپنے واک تھرو میں، ہم بجلی کی کھپت پر مبنی ایک مصنوعی ڈیٹاسیٹ استعمال کرتے ہیں، جو 370 اشیاء کے لیے فی گھنٹہ ٹائم سیریز پر مشتمل ہوتا ہے، ہر ایک کے ساتھ item_id
0-369 سے۔ اس مصنوعی ڈیٹاسیٹ کے اندر، ہر ایک item_id
ایک جامد خصوصیت سے بھی وابستہ ہے (ایک خصوصیت جو وقت کے ساتھ تبدیل نہیں ہوتی ہے)۔ ہم تربیت a ڈیپ اے آر ملتے جلتے آئٹمز کے عام رویے کو جاننے کے لیے آٹوگلون کا استعمال کرتے ہوئے ماڈل، اور نئی آئٹمز پر پیشین گوئیاں کرنے کے لیے اس طرح کے رویے کو منتقل کرنا (item_id
370–373) جس میں تاریخی ٹائم سیریز کا ڈیٹا نہیں ہے۔ اگرچہ ہم صرف ایک جامد خصوصیت کے ساتھ کولڈ سٹارٹ کی پیشن گوئی کے طریقہ کار کا مظاہرہ کر رہے ہیں، عملی طور پر، معلوماتی اور اعلیٰ معیار کی جامد خصوصیات کا ہونا اچھی کولڈ سٹارٹ پیشن گوئی کی کلید ہے۔
درج ذیل خاکہ ہمارے حل کا ایک اعلیٰ سطحی جائزہ فراہم کرتا ہے۔ اوپن سورس کوڈ پر دستیاب ہے۔ GitHub repo.
شرائط
اس واک تھرو کے لیے، آپ کے پاس درج ذیل شرائط ہونی چاہئیں:
- An ایمیزون سیج میکر اسٹوڈیو لیب اکاؤنٹ
- GitHub کے اکاؤنٹ تک رسائی
اپنے ایمیزون سیج میکر اسٹوڈیو لیب اکاؤنٹ میں لاگ ان کریں اور ٹرمینل کا استعمال کرتے ہوئے ماحول کو ترتیب دیں:
یہ ہدایات آپ کے لیپ ٹاپ سے بھی کام کریں اگر آپ کو Amazon SageMaker Studio Lab تک رسائی حاصل نہیں ہے (ہم پہلے اپنے لیپ ٹاپ پر ایناکونڈا انسٹال کرنے کی تجویز کرتے ہیں)۔
جب آپ کے پاس ورچوئل ماحول مکمل طور پر سیٹ ہو جائے تو نوٹ بک لانچ کریں۔ AutoGluon-cold-start-demo.ipynb
اور اپنی مرضی کے مطابق ماحول کو منتخب کریں۔ .conda-autogluon:Python
دانا
ٹارگٹ ٹائم سیریز اور آئٹم میٹا ڈیٹاسیٹ تیار کریں۔
درج ذیل ڈیٹا سیٹس کو اپنی نوٹ بک مثال میں ڈاؤن لوڈ کریں اگر وہ شامل نہیں ہیں، اور انہیں ڈائریکٹری کے نیچے محفوظ کریں۔ data/
. آپ یہ ڈیٹاسیٹس ہماری ویب سائٹ پر تلاش کر سکتے ہیں۔ GitHub repo:
- Test.csv.gz
- coldStartTargetData.csv
- itemMetaData.csv
ٹارگٹ ٹائم سیریز ڈیٹاسیٹ کو کرنل میں لوڈ کرنے کے لیے درج ذیل ٹکڑا چلائیں:
AutoGluon ٹائم سیریز کے لیے جامد خصوصیات کو عددی شکل میں پیش کرنے کی ضرورت ہوتی ہے۔ یہ درخواست دینے کے ذریعے حاصل کیا جا سکتا ہے۔ LabelEncoder()
ہماری جامد خصوصیت پر type
، جہاں ہم A=0, B=1, C=2, D=3 کو انکوڈ کرتے ہیں (مندرجہ ذیل کوڈ دیکھیں)۔ پہلے سے طے شدہ طور پر، AutoGluon جامد خصوصیت کو آرڈینل یا قطعی ہونے کا اندازہ لگاتا ہے۔ آپ سٹیٹک فیچر کالم کو زمرہ کی خصوصیات کے لیے آبجیکٹ/سٹرنگ ڈیٹا ٹائپ، یا آرڈینل فیچرز کے لیے انٹیجر/فلوٹ ڈیٹا ٹائپ میں تبدیل کر کے بھی اسے اوور رائٹ کر سکتے ہیں۔
AutoGluon ماڈل ٹریننگ ترتیب دیں اور شروع کریں۔
ہمیں وضاحت کرنے کی ضرورت ہے۔ save_path = ‘autogluon-coldstart-demo’
ماڈل آرٹفیکٹ فولڈر کے نام کے طور پر (مندرجہ ذیل کوڈ دیکھیں)۔ ہم نے بھی اپنے eval_metric
as مطلب مطلق فیصد کی غلطی، یا ‘MAPE’
مختصراً، جہاں ہم نے وضاحت کی ہے۔ prediction_length
24 گھنٹے کے طور پر. اگر متعین نہیں کیا گیا ہے تو، AutoGluon بذریعہ ڈیفالٹ امکانی پیشین گوئیاں تیار کرتا ہے اور ان کے ذریعے اسکور کرتا ہے۔ وزنی مقدار کا نقصان. ہم صرف دیکھتے ہیں ڈیپ اے آر ماڈل ہمارے ڈیمو میں، کیونکہ ہم جانتے ہیں کہ ڈیپ اے آر الگورتھم ڈیزائن کے لحاظ سے کولڈ اسٹارٹ کی پیشن گوئی کی اجازت دیتا ہے۔ ہم ڈیپ اے آر ہائپر پیرامیٹر میں سے ایک کو من مانی طور پر سیٹ کرتے ہیں اور اس ہائپر پیرامیٹر کو پاس کرتے ہیں۔ ForecastingPredictor().fit()
کال یہ AutoGluon کو صرف مخصوص ماڈل کو دیکھنے کی اجازت دیتا ہے۔ ٹیون ایبل ہائپر پیرامیٹرز کی مکمل فہرست کے لیے، رجوع کریں۔ gluonts.model.deepar پیکیج.
تربیت میں 30-45 منٹ لگتے ہیں۔ آپ مندرجہ ذیل فنکشن کو کال کرکے ماڈل کا خلاصہ حاصل کرسکتے ہیں۔
کولڈ اسٹارٹ آئٹم پر پیشن گوئی
اب ہم کولڈ اسٹارٹ آئٹم کے لیے پیشین گوئیاں تیار کرنے کے لیے تیار ہیں۔ ہم تجویز کرتے ہیں کہ ہر ایک کے لیے کم از کم پانچ قطاریں ہوں۔ item_id
. لہذا، کے لئے item_id
جس میں پانچ سے کم مشاہدات ہیں، ہم NaNs سے بھرتے ہیں۔ ہمارے ڈیمو میں، دونوں item_id
370 اور 372 میں صفر مشاہدہ ہے، ایک خالص کولڈ اسٹارٹ مسئلہ، جب کہ دیگر دو میں پانچ ہدف کی قدریں ہیں۔
درج ذیل کوڈ کے ساتھ کولڈ اسٹارٹ ٹارگٹ ٹائم سیریز ڈیٹاسیٹ میں لوڈ کریں:
ہم کولڈ اسٹارٹ کے لیے آئٹم میٹا ڈیٹاسیٹ کے ساتھ اپنے آٹو گلوون ماڈل میں کولڈ اسٹارٹ ٹارگٹ ٹائم سیریز کو فیڈ کرتے ہیں۔ item_id
:
پیشین گوئیوں کا تصور کریں۔
ہم کولڈ سٹارٹ فورکاسٹنگ پر ایک تصور پیدا کرنے کے لیے ایک پلاٹنگ فنکشن بنا سکتے ہیں، جیسا کہ درج ذیل گراف میں دکھایا گیا ہے۔
صاف کرو
وسائل کے استعمال کو بہتر بنانے کے لیے، نوٹ بک کو مکمل طور پر دریافت کرنے کے بعد Amazon SageMaker Studio Lab پر رن ٹائم روکنے پر غور کریں۔
نتیجہ
اس پوسٹ میں، ہم نے Amazon SageMaker Studio Lab پر ٹائم سیریز کے ڈیٹا کے لیے AutoGluon AutoML کا استعمال کرتے ہوئے کولڈ سٹارٹ کی پیشن گوئی کرنے والا انجن کیسے بنایا ہے۔ آپ میں سے ان لوگوں کے لیے جو کے درمیان فرق کے بارے میں سوچ رہے ہیں۔ ایمیزون کی پیشن گوئی اور AutoGluon (ٹائم سیریز)، Amazon Forecast ایک مکمل طور پر منظم اور تعاون یافتہ سروس ہے جو مشین لرننگ (ML) کا استعمال کرتی ہے تاکہ کسی پیشگی ML تجربے کی ضرورت کے بغیر انتہائی درست پیشن گوئیاں پیدا کی جا سکیں۔ جبکہ AutoGluon ایک اوپن سورس پروجیکٹ ہے جو کہ کمیونٹی کی تازہ ترین تحقیقی شراکت کے ساتھ تعاون یافتہ ہے۔ ہم نے ایک اختتام سے آخر تک مثال کے ذریعے یہ ظاہر کیا کہ ٹائم سیریز کے لیے AutoGluon کیا قابل ہے، اور ڈیٹا سیٹ اور استعمال کا کیس فراہم کیا۔
ٹائم سیریز ڈیٹا کے لیے AutoGluon ایک اوپن سورس Python پیکج ہے، اور ہم امید کرتے ہیں کہ یہ پوسٹ، ہمارے کوڈ کی مثال کے ساتھ، آپ کو کولڈ اسٹارٹ پیشین گوئی کے چیلنجنگ مسائل سے نمٹنے کے لیے ایک سیدھا سیدھا حل فراہم کرے گی۔ آپ ہماری پوری مثال تک رسائی حاصل کر سکتے ہیں۔ GitHub repo. اسے آزمائیں، اور ہمیں بتائیں کہ آپ کیا سوچتے ہیں!
مصنفین کے بارے میں
ایوان کیوئی AWS پروفیشنل سروسز کے ساتھ ڈیٹا سائنٹسٹ ہے، جہاں وہ AWS پر مشین لرننگ کا استعمال کرتے ہوئے حل بنانے اور تعینات کرنے میں صارفین کی مدد کرتا ہے۔ اس نے سافٹ ویئر، فنانس، فارماسیوٹیکل، اور صحت کی دیکھ بھال سمیت متنوع صنعتوں میں صارفین کے ساتھ کام کیا ہے۔ اپنے فارغ وقت میں، وہ پڑھنے، اپنے خاندان کے ساتھ وقت گزارنے، اور اپنے اسٹاک پورٹ فولیو کو زیادہ سے زیادہ کرنے سے لطف اندوز ہوتا ہے۔
جوناس مولر AWS میں AI ریسرچ اینڈ ایجوکیشن گروپ میں ایک سینئر اپلائیڈ سائنٹسٹ ہے، جہاں وہ گہری سیکھنے کو بہتر بنانے اور خودکار مشین لرننگ تیار کرنے کے لیے نئے الگورتھم تیار کرتا ہے۔ ایم ایل کو جمہوری بنانے کے لیے AWS میں شامل ہونے سے پہلے، اس نے MIT کمپیوٹر سائنس اور مصنوعی ذہانت کی لیب میں پی ایچ ڈی مکمل کی۔ اپنے فارغ وقت میں، وہ پہاڑوں اور باہر کی سیر سے لطف اندوز ہوتا ہے۔
وینمنگ یو AWS AI میں ریسرچ پروڈکٹ مینیجر ہے۔ وہ اوپن سورس اور جدید ترین مشین لرننگ ٹکنالوجی کے ذریعے محققین اور انٹرپرائز صارفین کو تیزی سے اپنی اختراعات کی پیمائش کرنے میں مدد کرنے کا پرجوش ہے۔ وینمنگ کو مائیکروسافٹ ریسرچ، ایس کیو ایل انجینئرنگ ٹیم، اور کامیاب اسٹارٹ اپس سے متنوع R&D تجربہ ہے۔
- "
- 100
- 9
- ہمارے بارے میں
- مطلق
- تک رسائی حاصل
- اکاؤنٹ
- درست
- حاصل کیا
- کے پار
- AI
- عی تحقیق
- یلگورتم
- یلگوردمز
- اجازت دے رہا ہے
- اگرچہ
- ایمیزون
- درخواست دینا
- نقطہ نظر
- مصنوعی
- مصنوعی ذہانت
- آٹومیٹڈ
- دستیاب
- اوسط
- AWS
- تعمیر
- بناتا ہے
- کاروبار
- فون
- حاصل کر سکتے ہیں
- صلاحیتوں
- CD
- تبدیل
- اس کو دیکھو
- کوڈ
- کالم
- کمیونٹی
- کمپنی کی
- کمپیوٹر سائنس
- کھپت
- گاہکوں
- اعداد و شمار
- ڈیٹا سائنسدان
- ڈیمانڈ
- تعیناتی
- ڈیزائن
- ترقی
- ترقی یافتہ
- ڈویلپرز
- نہیں کرتا
- تعلیم
- موثر
- بجلی
- انجنیئرنگ
- داخل ہوا
- انٹرپرائز
- ماحولیات
- ضروری
- مثال کے طور پر
- تجربہ
- تجربہ کار
- توسیع
- خاندان
- نمایاں کریں
- خصوصیات
- اعداد و شمار
- کی مالی اعانت
- پہلا
- کے بعد
- فارمیٹ
- مفت
- مکمل
- تقریب
- مستقبل
- پیدا
- جاؤ
- اچھا
- گروپ
- ہونے
- صحت کی دیکھ بھال
- مدد کرتا ہے
- انتہائی
- تاریخی
- کس طرح
- کیسے
- HTTPS
- تصویر
- پر عملدرآمد
- کو بہتر بنانے کے
- شامل
- سمیت
- انفرادی
- صنعتوں
- صنعت
- ضم
- انٹیلی جنس
- IT
- کلیدی
- جانا جاتا ہے
- لیپ ٹاپ
- تازہ ترین
- شروع
- معروف
- جانیں
- سیکھنے
- لائبریری
- لائن
- لسٹ
- تھوڑا
- لوڈ
- مشین
- مشین لرننگ
- بنانا
- مینیجر
- مارکیٹ
- میٹا
- مائیکروسافٹ
- ایم ائی ٹی
- ML
- ماڈل
- ماڈل
- سب سے زیادہ
- منتقل
- نئی مصنوعات
- نوٹ بک
- اوپن سورس کوڈ
- دیگر
- باہر
- فیصد
- دواسازی کی
- پورٹ فولیو
- پیشن گوئی
- مسئلہ
- مسائل
- عمل
- پیدا
- مصنوعات
- حاصل
- پیشہ ورانہ
- منصوبے
- فراہم کرتا ہے
- آر اینڈ ڈی
- خام
- پڑھنا
- سفارش
- تحقیق
- وسائل
- وسائل
- خوردہ
- فروخت
- پیمانے
- سکیلنگ
- سائنس
- سائنسدان
- سیریز
- سروس
- سروسز
- مقرر
- مختصر
- اسی طرح
- سافٹ ویئر کی
- حل
- خرچ کرنا۔
- شروع کریں
- سترٹو
- اسٹاک
- سٹوڈیو
- کامیاب
- تائید
- ہدف
- کاموں
- ٹیم
- ٹیکنالوجی
- ٹرمنل
- کے ذریعے
- وقت
- مل کر
- روایتی
- ٹریفک
- ٹریننگ
- ٹرینوں
- us
- استعمال کی شرائط
- مجازی
- تصور
- ویب
- کیا
- ڈبلیو
- کے اندر
- بغیر
- کام
- کام کیا
- کام کر
- صفر