مصنوعی ذہانت (AI) اور مشین لرننگ (ML) کو انٹرپرائز اور سرکاری اداروں میں بڑے پیمانے پر اپنایا گیا ہے۔ قدرتی لینگویج پروسیسنگ (NLP) اور صارف دوست AI/ML خدمات میں ترقی کے ساتھ غیر ساختہ ڈیٹا پر کارروائی آسان ہو گئی ہے۔ ایمیزون ٹیکسٹ, ایمیزون نقل، اور ایمیزون کی تعریف. تنظیموں نے AI/ML سروسز جیسے Amazon Comprehend کو استعمال کرنا شروع کر دیا ہے تاکہ وہ اپنے غیر ساختہ ڈیٹا کے ساتھ درجہ بندی کے ماڈلز تیار کر سکیں تاکہ وہ گہری بصیرت حاصل کر سکیں جو ان کے پاس پہلے نہیں تھیں۔ اگرچہ آپ پہلے سے تربیت یافتہ ماڈلز کو کم سے کم کوشش کے ساتھ استعمال کر سکتے ہیں، مناسب ڈیٹا کیوریشن اور ماڈل ٹیوننگ کے بغیر، آپ AI/ML ماڈلز کے مکمل فوائد کا ادراک نہیں کر سکتے۔
اس پوسٹ میں، ہم Amazon Comprehend کا استعمال کرتے ہوئے اپنی مرضی کے مطابق درجہ بندی کے ماڈل کو بنانے اور بہتر بنانے کا طریقہ بتاتے ہیں۔ ہم ایک ملٹی لیبل کسٹم کلاسیفیکیشن ماڈل بنانے کے لیے Amazon Comprehend کسٹم درجہ بندی کا استعمال کرتے ہوئے اس کا مظاہرہ کرتے ہیں، اور تربیتی ڈیٹاسیٹ کو کیسے تیار کیا جائے اور ماڈل کو درستگی، درستگی، یاد کرنے، اور F1 سکور جیسے کارکردگی کے میٹرکس کو پورا کرنے کے لیے رہنما اصول فراہم کرتے ہیں۔ ہم Amazon Comprehend ماڈل ٹریننگ آؤٹ پٹ نمونے استعمال کرتے ہیں جیسے کنفیوژن میٹرکس ماڈل کی کارکردگی کو ٹیون کرنے اور آپ کے تربیتی ڈیٹا کو بہتر بنانے کے لیے آپ کی رہنمائی کرتے ہیں۔
حل جائزہ
یہ حل Amazon Comprehend کا استعمال کرتے ہوئے ایک بہترین کسٹم کلاسیفیکیشن ماڈل بنانے کے لیے ایک نقطہ نظر پیش کرتا ہے۔ ہم کئی مراحل سے گزرتے ہیں، بشمول ڈیٹا کی تیاری، ماڈل کی تخلیق، ماڈل کی کارکردگی میٹرک تجزیہ، اور اپنے تجزیے کی بنیاد پر تخمینہ کو بہتر بنانا۔ ہم ایک استعمال کرتے ہیں ایمیزون سیج میکر نوٹ بک اور AWS مینجمنٹ کنسول ان مراحل میں سے کچھ کو مکمل کرنے کے لیے۔
ہم ڈیٹا کی تیاری، ماڈل کی تعمیر، اور ماڈل ٹیوننگ کے دوران بہترین طریقوں اور اصلاح کی تکنیکوں سے بھی گزرتے ہیں۔
شرائط
اگر آپ کے پاس سیج میکر نوٹ بک مثال نہیں ہے تو آپ اسے بنا سکتے ہیں۔ ہدایات کے لیے، رجوع کریں۔ ایمیزون سیج میکر نوٹ بک مثال بنائیں.
ڈیٹا تیار کریں۔
اس تجزیہ کے لیے، ہم Toxic Comment Classification ڈیٹاسیٹ سے استعمال کرتے ہیں۔ کاگل. اس ڈیٹاسیٹ میں 6 ڈیٹا پوائنٹس کے ساتھ 158,571 لیبل ہیں۔ تاہم، ہر لیبل میں مثبت مثال کے طور پر کل ڈیٹا کا صرف 10% سے کم ہوتا ہے، دو لیبلز میں 1% سے کم ہوتے ہیں۔
ہم موجودہ Kaggle ڈیٹاسیٹ کو میں تبدیل کرتے ہیں۔ Amazon دو کالم CSV فارمیٹ کو سمجھیں۔ پائپ (|) ڈیلیمیٹر کا استعمال کرتے ہوئے لیبلز کو تقسیم کرنے کے ساتھ۔ Amazon Comprehend ہر ڈیٹا پوائنٹ کے لیے کم از کم ایک لیبل کی توقع کرتا ہے۔ اس ڈیٹاسیٹ میں، ہمیں کئی ڈیٹا پوائنٹس کا سامنا کرنا پڑتا ہے جو فراہم کردہ کسی بھی لیبل کے تحت نہیں آتے ہیں۔ ہم صاف نام کا ایک نیا لیبل بناتے ہیں اور اس لیبل کے ساتھ مثبت ہونے کے لیے کوئی بھی ڈیٹا پوائنٹ تفویض کرتے ہیں جو زہریلے نہیں ہوتے۔ آخر میں، ہم نے تیار کردہ ڈیٹاسیٹس کو 80/20 ریشو اسپلٹ فی لیبل کا استعمال کرتے ہوئے ٹریننگ اور ٹیسٹ ڈیٹا سیٹس میں تقسیم کیا۔
ہم ڈیٹا کی تیاری کی نوٹ بک استعمال کریں گے۔ درج ذیل اقدامات Kaggle ڈیٹاسیٹ کا استعمال کرتے ہیں اور ہمارے ماڈل کے لیے ڈیٹا تیار کرتے ہیں۔
- سیج میکر کنسول پر، منتخب کریں۔ نوٹ بک کی مثالیں۔ نیوی گیشن پین میں.
- آپ نے جو نوٹ بک مثال ترتیب دی ہے اسے منتخب کریں اور منتخب کریں۔ Jupyter کھولیں۔.
- پر نئی مینو، منتخب کریں ٹرمنل.
- اس پوسٹ کے لیے مطلوبہ نمونے ڈاؤن لوڈ کرنے کے لیے ٹرمینل میں درج ذیل کمانڈز چلائیں۔
- ٹرمینل ونڈو کو بند کریں۔
آپ کو تین نوٹ بک دیکھنا چاہئے اور train.csv فائلوں.
- نوٹ بک کا انتخاب کریں۔ Data-Preparation.ipynb.
- نوٹ بک میں تمام مراحل چلائیں۔
یہ اقدامات کیوریٹڈ ٹریننگ اور ٹیسٹ ڈیٹاسیٹ کے طور پر کام کرنے کے لیے خام Kaggle ڈیٹاسیٹ تیار کرتے ہیں۔ کیوریٹ شدہ ڈیٹاسیٹس کو نوٹ بک میں محفوظ کیا جائے گا اور ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)۔
بڑے پیمانے پر ملٹی لیبل ڈیٹاسیٹس سے نمٹنے کے دوران درج ذیل ڈیٹا کی تیاری کے رہنما خطوط پر غور کریں:
- ڈیٹا سیٹس میں فی لیبل کم از کم 10 نمونے ہونے چاہئیں۔
- Amazon Comprehend زیادہ سے زیادہ 100 لیبل قبول کرتا ہے۔ یہ ایک نرم حد ہے جسے بڑھایا جا سکتا ہے۔
- یقینی بنائیں کہ ڈیٹاسیٹ فائل ہے۔ درست طریقے سے فارمیٹ کیا مناسب حد بندی کے ساتھ۔ غلط حد بندی خالی لیبل متعارف کروا سکتے ہیں۔
- تمام ڈیٹا پوائنٹس پر لیبل ہونا ضروری ہے۔
- ٹریننگ اور ٹیسٹ ڈیٹا سیٹس میں فی لیبل ڈیٹا کی متوازن تقسیم ہونی چاہیے۔ بے ترتیب تقسیم کا استعمال نہ کریں کیونکہ اس سے ٹریننگ اور ٹیسٹ ڈیٹا سیٹس میں تعصب پیدا ہو سکتا ہے۔
اپنی مرضی کے مطابق درجہ بندی کا ماڈل بنائیں
ہم اپنے ماڈل کو بنانے کے لیے ڈیٹا کی تیاری کے مرحلے کے دوران بنائے گئے کیوریٹڈ ٹریننگ اور ٹیسٹ ڈیٹا سیٹس کا استعمال کرتے ہیں۔ درج ذیل اقدامات ایک Amazon Comprehend ملٹی لیبل کسٹم درجہ بندی ماڈل بناتے ہیں:
- Amazon Comprehend کنسول پر، منتخب کریں۔ حسب ضرورت درجہ بندی نیوی گیشن پین میں.
- میں سے انتخاب کریں نیا ماڈل بنائیں.
- کے لئے ماڈل کا نام، زہریلے درجہ بندی ماڈل درج کریں۔
- کے لئے ورژن کا نام، 1 درج کریں۔
- کے لئے تشریح اور ڈیٹا فارمیٹمنتخب کریں ملٹی لیبل موڈ کا استعمال.
- کے لئے ٹریننگ ڈیٹاسیٹ، Amazon S3 پر کیوریٹڈ ٹریننگ ڈیٹاسیٹ کا مقام درج کریں۔
- میں سے انتخاب کریں کسٹمر نے ٹیسٹ ڈیٹاسیٹ فراہم کیا۔ اور Amazon S3 پر کیوریٹڈ ٹیسٹ ڈیٹا کا مقام درج کریں۔
- کے لئے آؤٹ پٹ ڈیٹا، Amazon S3 مقام درج کریں۔
- کے لئے IAM کا کردارمنتخب ایک IAM کردار بنائیں، نام کا لاحقہ بطور "comprehend-blog" کی وضاحت کریں۔
- میں سے انتخاب کریں تخلیق کریں اپنی مرضی کے مطابق درجہ بندی ماڈل کی تربیت اور ماڈل تخلیق شروع کرنے کے لیے۔
مندرجہ ذیل اسکرین شاٹ Amazon Comprehend کنسول پر حسب ضرورت درجہ بندی ماڈل کی تفصیلات دکھاتا ہے۔
ماڈل کی کارکردگی کے لیے ٹیون
مندرجہ ذیل اسکرین شاٹ ماڈل کی کارکردگی کی پیمائش کو ظاہر کرتا ہے۔ اس میں کلیدی میٹرکس جیسے درستگی، یاد کرنا، F1 سکور، درستگی، اور بہت کچھ شامل ہے۔
ماڈل کے تربیت یافتہ اور تخلیق ہونے کے بعد، یہ output.tar.gz فائل تیار کرے گا، جس میں ڈیٹاسیٹ کے لیبلز کے ساتھ ساتھ ہر ایک لیبل کے لیے کنفیوژن میٹرکس بھی شامل ہوگا۔ ماڈل کی پیشین گوئی کی کارکردگی کو مزید ٹیون کرنے کے لیے، آپ کو ہر کلاس کے لیے پیشین گوئی کے امکانات کے ساتھ اپنے ماڈل کو سمجھنا ہوگا۔ ایسا کرنے کے لیے، آپ کو Amazon Comprehend کی جانب سے ڈیٹا پوائنٹس میں سے ہر ایک کو تفویض کیے گئے اسکورز کی شناخت کے لیے ایک تجزیہ جاب بنانے کی ضرورت ہے۔
تجزیہ کا کام بنانے کے لیے درج ذیل مراحل کو مکمل کریں:
- Amazon Comprehend کنسول پر، منتخب کریں۔ تجزیہ کی نوکریاں نیوی گیشن پین میں.
- میں سے انتخاب کریں نوکری پیدا کریں۔.
- کے لئے نام، داخل کریں
toxic_train_data_analysis_job
. - کے لئے تجزیہ کی قسممنتخب کریں حسب ضرورت درجہ بندی.
- کے لئے درجہ بندی کے ماڈل اور فلائی وہیل، کی وضاحت
toxic-classification-model
. - کے لئے ورژن، 1 کی وضاحت کریں۔
- کے لئے ان پٹ ڈیٹا S3 مقامکیوریٹڈ ٹریننگ ڈیٹا فائل کا مقام درج کریں۔
- کے لئے ان پٹ کی شکلمنتخب کریں فی لائن ایک دستاویز.
- کے لئے آؤٹ پٹ ڈیٹا S3 مقام، مقام درج کریں۔
- کے لئے رسائی کی اجازتمنتخب موجودہ IAM رول استعمال کریں۔ اور پہلے بنائے گئے کردار کو منتخب کریں۔
- میں سے انتخاب کریں نوکری پیدا کریں۔ تجزیہ کا کام شروع کرنے کے لیے۔
- منتخب کریں تجزیہ کی نوکریاں ملازمت کی تفصیلات دیکھنے کے لیے۔ براہ کرم جاب کی تفصیلات کے تحت جاب آئی ڈی کو نوٹ کریں۔ ہم اپنے اگلے مرحلے میں جاب آئی ڈی استعمال کریں گے۔
کیوریٹڈ ٹیسٹ ڈیٹا کے لیے تجزیہ جاب شروع کرنے کے لیے اقدامات کو دہرائیں۔ ہم اپنے ماڈل کی پیشین گوئی کے امکانات کے بارے میں جاننے کے لیے اپنے تجزیہ جاب سے پیشین گوئی کے نتائج کا استعمال کرتے ہیں۔ براہ کرم تربیت اور جانچ کے تجزیہ کی ملازمتوں کی جاب آئی ڈی کو نوٹ کریں۔
ہم استعمال کرتے ہیں ماڈل-تھریشولڈ-Analysis.ipynb تمام ممکنہ حدوں پر آؤٹ پٹ کو جانچنے کے لیے نوٹ بک اور scikit-learn's کا استعمال کرتے ہوئے پیشین گوئی کے امکان کی بنیاد پر آؤٹ پٹ اسکور کرنے کے لیے precision_recall_curve
فنکشن مزید برآں، ہم ہر دہلیز پر F1 سکور کا حساب لگا سکتے ہیں۔
ہمیں Amazon Comprehend analysis جاب id کی ان پٹ کے طور پر ضرورت ہوگی۔ ماڈل-تھریشولڈ-تجزیہ کاپی. آپ Amazon Comprehend کنسول سے جاب آئی ڈی حاصل کر سکتے ہیں۔ تمام مراحل پر عمل کریں۔ ماڈل-تھریشولڈ-تجزیہ تمام کلاسوں کی دہلیز کا مشاہدہ کرنے کے لیے نوٹ بک۔
نوٹ کریں کہ حد کے اوپر جانے کے ساتھ ہی درستگی کیسے اوپر جاتی ہے، جب کہ الٹا یاد کے ساتھ ہوتا ہے۔ دونوں کے درمیان توازن تلاش کرنے کے لیے، ہم F1 سکور کا استعمال کرتے ہیں جہاں اس کے منحنی خطوط میں دکھائی دینے والی چوٹیاں ہیں۔ F1 سکور میں چوٹیاں ایک خاص حد سے مساوی ہیں جو ماڈل کی کارکردگی کو بہتر بنا سکتی ہیں۔ نوٹس کریں کہ کس طرح زیادہ تر لیبل تھریشولڈ کے لیے 0.5 کے نشان کے آس پاس آتے ہیں سوائے تھریٹ لیبل کے، جس کی حد 0.04 کے آس پاس ہوتی ہے۔
اس کے بعد ہم اس حد کو مخصوص لیبلز کے لیے استعمال کر سکتے ہیں جو صرف ڈیفالٹ 0.5 تھریشولڈ کے ساتھ کم کارکردگی دکھا رہے ہیں۔ آپٹمائزڈ تھریشولڈز کو استعمال کرنے سے، ٹیسٹ ڈیٹا پر ماڈل کے نتائج 0.00 سے 0.24 تک لیبل کے خطرے کے لیے بہتر ہوتے ہیں۔ ہم تمام لیبلز کے لیے ایک عام بینچ مارک (ایک معیاری قدر جیسا کہ> 1) کے بجائے اس لیبل کے لیے مثبت بمقابلہ منفی کا تعین کرنے کے لیے حد پر زیادہ سے زیادہ F0.7 سکور کو بینچ مارک کے طور پر استعمال کر رہے ہیں۔
زیر نمائندگی کلاسوں کو ہینڈل کرنا
ایک اور نقطہ نظر جو ایک غیر متوازن ڈیٹاسیٹ کے لیے موثر ہے۔ oversampling. کم نمائندہ طبقے کو زیادہ نمونہ بنا کر، ماڈل کم نمائندگی شدہ طبقے کو زیادہ کثرت سے دیکھتا ہے اور ان نمونوں کی اہمیت پر زور دیتا ہے۔ ہم استعمال کرتے ہیں Oversampling-underrepresented.ipynb ڈیٹاسیٹس کو بہتر بنانے کے لیے نوٹ بک۔
اس ڈیٹاسیٹ کے لیے، ہم نے جانچا کہ تشخیصی ڈیٹاسیٹ پر ماڈل کی کارکردگی کیسے بدلتی ہے کیونکہ ہم مزید نمونے فراہم کرتے ہیں۔ ہم کارکردگی کو بہتر بنانے کے لیے اوور سیمپلنگ تکنیک استعمال کرتے ہیں تاکہ کم نمائندگی شدہ کلاسوں کی موجودگی کو بڑھایا جا سکے۔
اس خاص معاملے میں، ہم نے 10، 25، 50، 100، 200، اور 500 مثبت مثالوں پر تجربہ کیا۔ غور کریں کہ اگرچہ ہم ڈیٹا پوائنٹس کو دہرا رہے ہیں، لیکن ہم فطری طور پر کم نمائندگی والے طبقے کی اہمیت پر زور دے کر ماڈل کی کارکردگی کو بہتر بنا رہے ہیں۔
قیمت
Amazon Comprehend کے ساتھ، آپ پروسیس شدہ ٹیکسٹ حروف کی تعداد کی بنیاد پر ادائیگی کرتے ہیں۔ کا حوالہ دیتے ہیں ایمیزون پرائسنگ کو سمجھنا اصل اخراجات کے لیے۔
صاف کرو
جب آپ اس حل کے ساتھ تجربہ مکمل کر لیں تو، اس مثال میں تعینات تمام وسائل کو حذف کرنے کے لیے اپنے وسائل کو صاف کریں۔ اس سے آپ کو اپنے اکاؤنٹ میں لاگت جاری رکھنے سے بچنے میں مدد ملتی ہے۔
نتیجہ
اس پوسٹ میں، ہم نے اعداد و شمار کی تیاری، پیشین گوئی کے امکانات اور تکنیکوں کو استعمال کرتے ہوئے ماڈل ٹیوننگ کے بارے میں بہترین طریقے اور رہنمائی فراہم کی ہے۔ آپ اپنے Amazon Comprehend حسب ضرورت درجہ بندی ماڈل کی کارکردگی کے میٹرکس کو بہتر بنانے کے لیے ان بہترین طریقوں اور تکنیکوں کو استعمال کر سکتے ہیں۔
Amazon Comprehend کے بارے میں مزید معلومات کے لیے ملاحظہ کریں۔ ایمیزون ڈویلپر کے وسائل کو سمجھیں۔ ویڈیو وسائل اور بلاگ پوسٹس تلاش کرنے کے لیے، اور رجوع کریں۔ AWS سمجھنا اکثر پوچھے گئے سوالات.
مصنفین کے بارے میں
ستھیا بالکرشنن AWS میں پروفیشنل سروسز ٹیم میں ایک سینئر کسٹمر ڈیلیوری آرکیٹیکٹ ہے، جو ڈیٹا اور ML سلوشنز میں مہارت رکھتا ہے۔ وہ امریکی وفاقی مالیاتی گاہکوں کے ساتھ کام کرتا ہے۔ وہ صارفین کے کاروباری مسائل کو حل کرنے کے لیے عملی حل تیار کرنے کا پرجوش ہے۔ اپنے فارغ وقت میں، وہ اپنے خاندان کے ساتھ فلمیں دیکھنے اور پیدل سفر کرنے سے لطف اندوز ہوتے ہیں۔
پرنس ملاری AWS میں پروفیشنل سروسز ٹیم میں NLP ڈیٹا سائنٹسٹ ہے، جو پبلک سیکٹر کے صارفین کے لیے NLP کی درخواستوں میں مہارت رکھتا ہے۔ وہ ML کو ایک ٹول کے طور پر استعمال کرنے کے بارے میں پرجوش ہے تاکہ صارفین کو زیادہ پیداواری ہو سکے۔ اپنے فارغ وقت میں، وہ اپنے دوستوں کے ساتھ ویڈیو گیمز کھیلنے اور ایک تیار کرنے سے لطف اندوز ہوتا 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/improve-prediction-quality-in-custom-classification-models-with-amazon-comprehend/
- : ہے
- : ہے
- :کہاں
- $UP
- 1
- 10
- 100
- 200
- 24
- 25
- 50
- 500
- 7
- 9
- a
- ہمارے بارے میں
- قبول کرتا ہے
- اکاؤنٹ
- درستگی
- کے پار
- اصل
- اس کے علاوہ
- منہ بولابیٹا بنانے
- ترقی
- AI
- AI / ML
- تمام
- کی اجازت
- بھی
- اگرچہ
- ایمیزون
- ایمیزون کی تعریف
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- an
- تجزیہ
- اور
- کوئی بھی
- ایپلی کیشنز
- NLP کی درخواستیں۔
- نقطہ نظر
- کیا
- ارد گرد
- AS
- اثاثے
- تفویض
- At
- سے اجتناب
- AWS
- متوازن
- کی بنیاد پر
- BE
- کیونکہ
- بن
- اس سے پہلے
- معیار
- فوائد
- BEST
- بہترین طریقوں
- کے درمیان
- تعصب
- بلاگ
- بلاگ مراسلات
- تعمیر
- عمارت
- کاروبار
- by
- کہا جاتا ہے
- کر سکتے ہیں
- حاصل کر سکتے ہیں
- کیس
- تبدیلیاں
- حروف
- میں سے انتخاب کریں
- طبقے
- کلاس
- درجہ بندی
- کلائنٹس
- تبصرہ
- کامن
- مکمل
- سمجھو
- کمپیوٹنگ
- تشکیل شدہ
- الجھن
- کنسول
- پر مشتمل ہے
- جاری
- تبدیل
- اخراجات
- تخلیق
- بنائی
- مخلوق
- cured
- کیپشن
- وکر
- اپنی مرضی کے
- گاہک
- گاہکوں
- اعداد و شمار
- ڈیٹا پوائنٹس
- ڈیٹا کی تیاری
- ڈیٹا سائنسدان
- ڈیٹاسیٹس
- معاملہ
- گہری
- پہلے سے طے شدہ
- ترسیل
- مظاہرہ
- تعینات
- تفصیلات
- اس بات کا تعین
- ڈیولپر
- ترقی
- تقسیم
- do
- دستاویز
- نہیں
- ڈاؤن لوڈ، اتارنا
- کے دوران
- ہر ایک
- آسان
- موثر
- کوشش
- پر زور دیتا ہے
- پر زور
- درج
- انٹرپرائز
- تشخیص
- مثال کے طور پر
- مثال کے طور پر
- اس کے علاوہ
- عملدرآمد
- موجودہ
- امید ہے
- وضاحت
- f1
- گر
- خاندان
- وفاقی
- فائل
- فائلوں
- آخر
- مالی
- مل
- کے بعد
- کے لئے
- دوست
- سے
- مکمل
- تقریب
- مزید
- کھیل
- پیدا
- حاصل
- Go
- جاتا ہے
- حکومت
- رہنمائی
- رہنمائی
- ہدایات
- ہینڈل
- ہے
- ہونے
- he
- مدد کرتا ہے
- ان
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- ID
- شناخت
- شناخت
- اہمیت
- کو بہتر بنانے کے
- کو بہتر بنانے کے
- in
- شامل ہیں
- سمیت
- اضافہ
- اضافہ
- معلومات
- موروثی طور پر
- ان پٹ
- بصیرت
- مثال کے طور پر
- کے بجائے
- ہدایات
- انٹیلی جنس
- میں
- متعارف کرانے
- IT
- ایوب
- نوکریاں
- صرف
- کلیدی
- لیبل
- لیبل
- زبان
- بڑے پیمانے پر
- جانیں
- سیکھنے
- کم سے کم
- کم
- کی طرح
- LIMIT
- محل وقوع
- مشین
- مشین لرننگ
- بنا
- انتظام
- نشان
- میٹرکس
- میکس
- زیادہ سے زیادہ
- سے ملو
- مینو
- میٹرک۔
- پیمائش کا معیار
- شاید
- کم سے کم
- کم سے کم
- ML
- ماڈل
- ماڈل
- زیادہ
- سب سے زیادہ
- فلم
- ضروری
- نام
- قدرتی
- قدرتی زبان عملیات
- سمت شناسی
- ضرورت ہے
- منفی
- نئی
- اگلے
- ویزا
- نوٹ بک
- نوٹس..
- تعداد
- مشاہدہ
- واقعہ
- of
- اکثر
- on
- ایک
- صرف
- اصلاح کے
- کی اصلاح کریں
- اصلاح
- اصلاح
- تنظیمیں
- ہمارے
- پیداوار
- پین
- خاص طور پر
- جذباتی
- ادا
- فی
- کارکردگی
- لینے
- پائپ
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- مہربانی کرکے
- پوائنٹ
- پوائنٹس
- مثبت
- ممکن
- پوسٹ
- مراسلات
- طریقوں
- حقیقت پسندانہ
- صحت سے متعلق
- کی پیشن گوئی
- تیاری
- تیار
- تحفہ
- پہلے
- مسائل
- عملدرآمد
- پروسیسنگ
- پیداواری
- پیشہ ورانہ
- مناسب
- فراہم
- فراہم
- عوامی
- معیار
- بے ترتیب
- تناسب
- خام
- احساس
- کا حوالہ دیتے ہیں
- ضرورت
- وسائل
- نتائج کی نمائش
- کردار
- sagemaker
- سائنسدان
- سکور
- شعبے
- دیکھنا
- دیکھا
- دیکھتا
- خدمت
- سروسز
- کئی
- ہونا چاہئے
- شوز
- سادہ
- سافٹ
- حل
- حل
- حل
- کچھ
- مہارت
- مخصوص
- تقسیم
- معیار
- شروع کریں
- شروع
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- اس طرح
- لے لو
- ٹیم
- تکنیک
- تکنیک
- ٹرمنل
- ٹیسٹ
- تجربہ
- متن
- سے
- کہ
- ۔
- ان
- تو
- یہ
- وہ
- اس
- ان
- خطرہ
- تین
- حد
- کے ذریعے
- وقت
- کرنے کے لئے
- کے آلے
- کل
- تربیت یافتہ
- ٹریننگ
- دو
- کے تحت
- زیربحث
- سمجھ
- us
- امریکی وفاقی
- استعمال کی شرائط
- صارف دوست
- کا استعمال کرتے ہوئے
- قیمت
- ویڈیو
- ویڈیو گیمز
- لنک
- نظر
- دورہ
- vs
- دیکھ
- we
- ویب
- ویب خدمات
- اچھا ہے
- جب
- جس
- جبکہ
- وسیع پیمانے پر
- گے
- ونڈو
- ساتھ
- بغیر
- کام کرتا ہے
- تم
- اور
- زیفیرنیٹ
- زپ