اگر آپ کاروباری تجزیہ کار ہیں تو، کسٹمر کے رویے کو سمجھنا شاید سب سے اہم چیزوں میں سے ایک ہے جس کا آپ خیال رکھتے ہیں۔ کسٹمر کی خریداری کے فیصلوں کے پیچھے وجوہات اور طریقہ کار کو سمجھنا آمدنی میں اضافے کو آسان بنا سکتا ہے۔ تاہم، گاہکوں کا نقصان (عام طور پر کہا جاتا ہے کسٹمر) ہمیشہ ایک خطرہ لاحق ہوتا ہے۔ گاہک کیوں چھوڑتے ہیں اس بارے میں بصیرت حاصل کرنا منافع اور محصول کو برقرار رکھنے کے لیے اتنا ہی اہم ہو سکتا ہے۔
اگرچہ مشین لرننگ (ML) قیمتی بصیرت فراہم کر سکتی ہے، لیکن ML ماہرین کی ضرورت تھی کہ وہ گاہک کی پیشن گوئی کے ماڈل بنانے کے لیے ایمیزون سیج میکر کینوس.
سیج میکر کینوس ایک کم کوڈ/نو-کوڈ مینیجڈ سروس ہے جو آپ کو ایم ایل ماڈل بنانے کی اجازت دیتی ہے جو کوڈ کی ایک لائن لکھے بغیر بہت سے کاروباری مسائل حل کر سکتے ہیں۔ یہ آپ کو جدید میٹرکس کا استعمال کرتے ہوئے ماڈلز کا جائزہ لینے کے قابل بناتا ہے گویا آپ ڈیٹا سائنسدان ہیں۔
اس پوسٹ میں، ہم دکھاتے ہیں کہ کس طرح ایک کاروباری تجزیہ کار SageMaker Canvas کے ساتھ بنائے گئے درجہ بندی کے چرن ماڈل کا اندازہ اور سمجھ سکتا ہے۔ اعلی درجے کی میٹرکس ٹیب ہم میٹرکس کی وضاحت کرتے ہیں اور ماڈل کی بہتر کارکردگی حاصل کرنے کے لیے ڈیٹا سے نمٹنے کے لیے تکنیک دکھاتے ہیں۔
شرائط
اگر آپ اس پوسٹ میں بیان کردہ تمام یا کچھ کاموں کو نافذ کرنا چاہتے ہیں، تو آپ کو SageMaker Canvas تک رسائی کے ساتھ AWS اکاؤنٹ کی ضرورت ہے۔ کا حوالہ دیتے ہیں Amazon SageMaker Canvas کا استعمال کرتے ہوئے بغیر کوڈ مشین لرننگ کے ساتھ کسٹمر کے منتھن کی پیش گوئی کریں۔ سیج میکر کینوس، چرن ماڈل اور ڈیٹاسیٹ کے ارد گرد بنیادی باتوں کا احاطہ کرنے کے لیے۔
ماڈل کی کارکردگی کی تشخیص کا تعارف
ایک عام رہنما خطوط کے طور پر، جب آپ کو کسی ماڈل کی کارکردگی کا جائزہ لینے کی ضرورت ہوتی ہے، تو آپ یہ پیمائش کرنے کی کوشش کر رہے ہوتے ہیں کہ جب ماڈل کسی چیز کی پیش گوئی کرے گا تو وہ نیا ڈیٹا دیکھے گا۔ اس پیشین گوئی کو کہتے ہیں۔ اندازہ. آپ موجودہ ڈیٹا کا استعمال کرتے ہوئے ماڈل کو تربیت دے کر شروع کرتے ہیں، اور پھر ماڈل سے اس ڈیٹا کے نتائج کی پیشین گوئی کرنے کو کہتے ہیں جو اس نے پہلے سے نہیں دیکھا۔ ماڈل اس نتیجہ کی کتنی درست پیشین گوئی کرتا ہے وہی ہے جسے آپ ماڈل کی کارکردگی کو سمجھنے کے لیے دیکھتے ہیں۔
اگر ماڈل نے نیا ڈیٹا نہیں دیکھا ہے، تو کسی کو کیسے پتہ چلے گا کہ پیشین گوئی اچھی ہے یا بری؟ ٹھیک ہے، خیال دراصل تاریخی اعداد و شمار کا استعمال کرنا ہے جہاں نتائج پہلے سے معلوم ہیں اور ان اقدار کا موازنہ ماڈل کی پیش گوئی شدہ اقدار سے کریں۔ یہ تاریخی تربیتی ڈیٹا کے ایک حصے کو ایک طرف رکھ کر فعال کیا جاتا ہے تاکہ اس کا موازنہ اس قدر سے کیا جا سکے جو ماڈل ان اقدار کے لیے پیش گوئی کرتا ہے۔
کسٹمر چرن کی مثال میں (جو کہ ایک درجہ بندی کا مسئلہ ہے)، آپ ایک تاریخی ڈیٹاسیٹ کے ساتھ شروع کرتے ہیں جو صارفین کو بہت سے صفات (ہر ریکارڈ میں ایک) کے ساتھ بیان کرتا ہے۔ صفات میں سے ایک، جسے Churn کہتے ہیں، صحیح یا غلط ہو سکتا ہے، یہ بتاتا ہے کہ آیا گاہک نے سروس چھوڑ دی ہے یا نہیں۔ ماڈل کی درستگی کا اندازہ لگانے کے لیے، ہم اس ڈیٹاسیٹ کو تقسیم کرتے ہیں اور ماڈل کو ایک حصہ (ٹریننگ ڈیٹاسیٹ) کا استعمال کرتے ہوئے تربیت دیتے ہیں، اور ماڈل سے دوسرے حصے (ٹیسٹ ڈیٹاسیٹ) کے ساتھ نتائج کی پیشین گوئی کرنے کو کہتے ہیں (کسٹمر کو چرن کے طور پر درجہ بندی کریں یا نہیں)۔ پھر ہم ماڈل کی پیشین گوئی کا موازنہ ٹیسٹ ڈیٹاسیٹ میں موجود زمینی سچائی سے کرتے ہیں۔
اعلی درجے کی میٹرکس کی ترجمانی کرنا
اس سیکشن میں، ہم SageMaker Canvas میں جدید میٹرکس پر تبادلہ خیال کرتے ہیں جو ماڈل کی کارکردگی کو سمجھنے میں آپ کی مدد کر سکتے ہیں۔
کنفیوژن میٹرکس
SageMaker Canvas کنفیوژن میٹرکس کا استعمال کرتا ہے تاکہ آپ کو تصور کرنے میں مدد ملے کہ جب کوئی ماڈل صحیح طریقے سے پیشین گوئیاں تیار کرتا ہے۔ کنفیوژن میٹرکس میں، آپ کے نتائج کو اصل تاریخی (معلوم) اقدار کے مقابلے میں پیش گوئی شدہ اقدار کا موازنہ کرنے کے لیے ترتیب دیا جاتا ہے۔ مندرجہ ذیل مثال بتاتی ہے کہ کنفیوژن میٹرکس دو قسم کے پیشین گوئی ماڈل کے لیے کیسے کام کرتا ہے جو مثبت اور منفی لیبلز کی پیش گوئی کرتا ہے:
- سچی مثبت - ماڈل نے صحیح طور پر مثبت پیشین گوئی کی جب حقیقی لیبل مثبت تھا۔
- سچی منفی - ماڈل نے صحیح طور پر منفی پیش گوئی کی جب حقیقی لیبل منفی تھا۔
- غلط مثبت - ماڈل نے غلط طور پر مثبت پیشین گوئی کی جب حقیقی لیبل منفی تھا۔
- جھوٹا منفی - ماڈل نے غلط طور پر منفی پیش گوئی کی جب حقیقی لیبل مثبت تھا۔
مندرجہ ذیل تصویر دو قسموں کے لیے کنفیوژن میٹرکس کی ایک مثال ہے۔ ہمارے چرن ماڈل میں، اصل قدریں ٹیسٹ ڈیٹاسیٹ سے آتی ہیں، اور پیش گوئی کی گئی قدریں ہمارے ماڈل سے پوچھنے سے آتی ہیں۔
درستگی
درستگی ٹیسٹ سیٹ کی تمام قطاروں یا نمونوں میں سے درست پیشین گوئیوں کا فیصد ہے۔ یہ وہ سچے نمونے ہیں جن کی پیشن گوئی سچ کے طور پر کی گئی تھی، نیز وہ غلط نمونے جن کی صحیح طور پر غلط پیش گوئی کی گئی تھی، ڈیٹاسیٹ میں نمونوں کی کل تعداد سے تقسیم۔
یہ سمجھنے کے لیے سب سے اہم میٹرکس میں سے ایک ہے کیونکہ یہ آپ کو بتائے گا کہ ماڈل نے کس فیصد میں درست پیشین گوئی کی ہے، لیکن بعض صورتوں میں یہ گمراہ کن بھی ہو سکتا ہے۔ مثال کے طور پر:
- طبقاتی عدم توازن - جب آپ کے ڈیٹاسیٹ میں کلاسز کو یکساں طور پر تقسیم نہیں کیا جاتا ہے (آپ کے پاس ایک کلاس سے نمونوں کی غیر متناسب تعداد ہے اور دوسروں پر بہت کم ہے)، درستگی گمراہ کن ہوسکتی ہے۔ ایسے معاملات میں، یہاں تک کہ ایک ماڈل جو ہر مثال کے لیے اکثریتی طبقے کی محض پیشین گوئی کرتا ہے ایک اعلیٰ درستگی حاصل کر سکتا ہے۔
- لاگت سے متعلق حساس درجہ بندی - کچھ ایپلی کیشنز میں، مختلف کلاسوں کے لیے غلط درجہ بندی کی قیمت مختلف ہو سکتی ہے۔ مثال کے طور پر، اگر ہم یہ پیشین گوئی کر رہے تھے کہ آیا کوئی دوا کسی حالت کو بڑھا سکتی ہے، تو ایک غلط منفی (مثال کے طور پر، یہ پیش گوئی کرنا کہ دوائی اس وقت بڑھ سکتی ہے جب یہ حقیقت میں بڑھ نہیں سکتی) جھوٹے مثبت سے زیادہ مہنگی ہو سکتی ہے (مثال کے طور پر، یہ پیش گوئی کرنا کہ دوا بڑھ سکتی ہے جب یہ حقیقت میں نہیں ہوتا ہے)۔
درستگی، یاد، اور F1 سکور
درستگی تمام پیش گوئی شدہ مثبتات (TP + FP) میں سے حقیقی مثبتات (TP) کا حصہ ہے۔ یہ مثبت پیشین گوئیوں کے تناسب کی پیمائش کرتا ہے جو حقیقت میں درست ہیں۔
Recall تمام حقیقی مثبتات (TP + FN) میں سے حقیقی مثبتات (TP) کا حصہ ہے۔ یہ ان مثبت مثالوں کے تناسب کی پیمائش کرتا ہے جن کی صحیح پیشین گوئی ماڈل کے ذریعہ مثبت کے طور پر کی گئی تھی۔
F1 سکور ایک واحد سکور فراہم کرنے کے لیے درستگی اور یاد کو یکجا کرتا ہے جو ان کے درمیان تجارت میں توازن رکھتا ہے۔ اسے درستگی اور یاد کے ہارمونک مطلب کے طور پر بیان کیا گیا ہے:
F1 سکور = 2 * (پریسیزن * یاد کرنا) / (پریسیزن + یاد کرنا)
F1 سکور 0-1 تک ہوتا ہے، جس میں اعلیٰ سکور بہتر کارکردگی کی نشاندہی کرتا ہے۔ 1 کا ایک کامل F1 سکور اشارہ کرتا ہے کہ ماڈل نے کامل درستگی اور کامل یاد دونوں حاصل کر لیے ہیں، اور 0 کا سکور اشارہ کرتا ہے کہ ماڈل کی پیشین گوئیاں بالکل غلط ہیں۔
F1 سکور ماڈل کی کارکردگی کا متوازن جائزہ فراہم کرتا ہے۔ یہ درستگی اور یاد کرنے پر غور کرتا ہے، ایک زیادہ معلوماتی تشخیصی میٹرک فراہم کرتا ہے جو ماڈل کی مثبت مثالوں کی صحیح درجہ بندی کرنے اور غلط مثبت اور غلط منفی سے بچنے کی صلاحیت کو ظاہر کرتا ہے۔
مثال کے طور پر، طبی تشخیص، دھوکہ دہی کا پتہ لگانے، اور جذباتی تجزیہ میں، F1 خاص طور پر متعلقہ ہے۔ طبی تشخیص میں، کسی مخصوص بیماری یا حالت کی موجودگی کی درست شناخت کرنا بہت ضروری ہے، اور غلط منفی یا غلط مثبت کے اہم نتائج ہو سکتے ہیں۔ F1 سکور صحت سے متعلق (مثبت کیسز کی صحیح شناخت کرنے کی صلاحیت) اور یاد کرنے (تمام مثبت کیسز کو تلاش کرنے کی صلاحیت) دونوں کو مدنظر رکھتا ہے، جو بیماری کا پتہ لگانے میں ماڈل کی کارکردگی کا متوازن جائزہ فراہم کرتا ہے۔ اسی طرح، دھوکہ دہی کا پتہ لگانے میں، جہاں دھوکہ دہی کے حقیقی کیسز کی تعداد غیر دھوکہ دہی والے کیسز (عدم توازن والی کلاسز) کے مقابلے نسبتاً کم ہوتی ہے، بہت زیادہ حقیقی منفی کی وجہ سے صرف درستگی گمراہ کن ہو سکتی ہے۔ F1 سکور درستگی اور یادداشت دونوں پر غور کرتے ہوئے، دھوکہ دہی اور غیر فراڈ دونوں صورتوں کا پتہ لگانے کی ماڈل کی صلاحیت کا ایک جامع پیمانہ فراہم کرتا ہے۔ اور جذبات کے تجزیے میں، اگر ڈیٹاسیٹ میں عدم توازن ہے، تو درستگی مثبت جذباتی طبقے کی مثالوں کی درجہ بندی میں ماڈل کی کارکردگی کی درست عکاسی نہیں کر سکتی۔
AUC (وکر کے نیچے کا علاقہ)
AUC میٹرک تمام درجہ بندی کی دہلیز پر مثبت اور منفی کلاسوں کے درمیان فرق کرنے کے لیے بائنری درجہ بندی ماڈل کی صلاحیت کا جائزہ لیتا ہے۔ اے حد ایک قدر ہے جو ماڈل کے ذریعہ دو ممکنہ کلاسوں کے درمیان فیصلہ کرنے کے لیے استعمال ہوتی ہے، جس سے نمونے کے کلاس کا حصہ ہونے کے امکان کو بائنری فیصلے میں تبدیل کیا جاتا ہے۔ AUC کا حساب لگانے کے لیے، حقیقی مثبت شرح (TPR) اور جھوٹے مثبت شرح (FPR) کو مختلف حد کی ترتیبات میں پلاٹ کیا گیا ہے۔ TPR تمام حقیقی مثبتات میں سے حقیقی مثبتات کے تناسب کی پیمائش کرتا ہے، جبکہ FPR تمام حقیقی منفیوں میں سے غلط مثبت کے تناسب کی پیمائش کرتا ہے۔ نتیجے میں آنے والا وکر، جسے ریسیور آپریٹنگ خصوصیت (ROC) وکر کہا جاتا ہے، مختلف حد کی ترتیبات پر TPR اور FPR کی بصری نمائندگی فراہم کرتا ہے۔ AUC قدر، جو 0-1 تک ہوتی ہے، ROC منحنی خطہ کی نمائندگی کرتی ہے۔ اعلیٰ AUC قدریں بہتر کارکردگی کی نشاندہی کرتی ہیں، ایک بہترین درجہ بندی کے ساتھ 1 کا AUC حاصل کرتا ہے۔
مندرجہ ذیل پلاٹ ROC وکر کو دکھاتا ہے، TPR کو Y محور کے طور پر اور FPR کو X محور کے طور پر۔ پلاٹ کے اوپری بائیں کونے تک وکر جتنا قریب آتا ہے، ماڈل ڈیٹا کو زمروں میں درجہ بندی کرنے میں اتنا ہی بہتر کرتا ہے۔
واضح کرنے کے لیے، آئیے ایک مثال دیکھتے ہیں۔ آئیے فراڈ کا پتہ لگانے والے ماڈل کے بارے میں سوچتے ہیں۔ عام طور پر، ان ماڈلز کو غیر متوازن ڈیٹا سیٹس سے تربیت دی جاتی ہے۔ یہ اس حقیقت کی وجہ سے ہے کہ، عام طور پر، ڈیٹاسیٹ میں تقریباً تمام لین دین دھوکہ دہی سے پاک ہوتے ہیں اور صرف چند ایک پر دھوکہ دہی کا لیبل لگا ہوتا ہے۔ اس صورت میں، اکیلے درستگی ماڈل کی کارکردگی کو مناسب طور پر حاصل نہیں کر سکتی ہے کیونکہ یہ ممکنہ طور پر غیر فراڈ کیسز کی کثرت سے بہت زیادہ متاثر ہوتا ہے، جس کے نتیجے میں گمراہ کن طور پر اعلی درستگی کے اسکور ہوتے ہیں۔
اس صورت میں، AUC ماڈل کی کارکردگی کا اندازہ لگانے کے لیے ایک بہتر میٹرک ہو گا کیونکہ یہ ایک ماڈل کی دھوکہ دہی اور غیر دھوکہ دہی والے لین دین کے درمیان فرق کرنے کی صلاحیت کا ایک جامع جائزہ فراہم کرتا ہے۔ یہ مختلف درجہ بندی کی حدوں پر حقیقی مثبت شرح اور غلط مثبت شرح کے درمیان تجارت کو مدنظر رکھتے ہوئے، ایک زیادہ نفیس تشخیص پیش کرتا ہے۔
بالکل F1 سکور کی طرح، یہ خاص طور پر مفید ہوتا ہے جب ڈیٹا سیٹ غیر متوازن ہو۔ یہ TPR اور FPR کے درمیان تجارت کی پیمائش کرتا ہے اور دکھاتا ہے کہ ماڈل ان کی تقسیم سے قطع نظر دونوں کلاسوں کے درمیان کتنی اچھی طرح سے فرق کر سکتا ہے۔ اس کا مطلب یہ ہے کہ یہاں تک کہ اگر ایک طبقہ دوسرے سے نمایاں طور پر چھوٹا ہے، ROC وکر ماڈل کی کارکردگی کو متوازن انداز میں دونوں کلاسوں پر یکساں طور پر غور کر کے جانچتا ہے۔
اضافی کلیدی موضوعات
ML ماڈل کی کارکردگی کا جائزہ لینے اور اسے بہتر بنانے کے لیے آپ کے لیے صرف اعلی درجے کی میٹرکس ہی اہم ٹولز دستیاب نہیں ہیں۔ ڈیٹا کی تیاری، فیچر انجینئرنگ، اور فیچر کے اثرات کا تجزیہ وہ تکنیک ہیں جو ماڈل بنانے کے لیے ضروری ہیں۔ یہ سرگرمیاں خام ڈیٹا سے بامعنی بصیرت نکالنے اور ماڈل کی کارکردگی کو بہتر بنانے میں اہم کردار ادا کرتی ہیں، جس سے زیادہ مضبوط اور بصیرت انگیز نتائج برآمد ہوتے ہیں۔
ڈیٹا کی تیاری اور فیچر انجینئرنگ
فیچر انجینئرنگ خام ڈیٹا سے نئے متغیرات (خصوصیات) کو منتخب کرنے، تبدیل کرنے اور تخلیق کرنے کا عمل ہے، اور ML ماڈل کی کارکردگی کو بہتر بنانے میں کلیدی کردار ادا کرتا ہے۔ دستیاب ڈیٹا سے انتہائی متعلقہ متغیرات یا خصوصیات کو منتخب کرنے میں غیر متعلقہ یا بے کار خصوصیات کو ہٹانا شامل ہے جو ماڈل کی پیشین گوئی کی طاقت میں حصہ نہیں ڈالتی ہیں۔ ڈیٹا کی خصوصیات کو ایک مناسب فارمیٹ میں تبدیل کرنے میں اسکیلنگ، نارملائزیشن، اور گمشدہ اقدار کو ہینڈل کرنا شامل ہے۔ اور آخر میں، موجودہ ڈیٹا سے نئی خصوصیات بنانا ریاضیاتی تبدیلیوں کے ذریعے، مختلف خصوصیات کو یکجا یا باہم جوڑ کر، یا ڈومین کے مخصوص علم سے نئی خصوصیات تخلیق کر کے کیا جاتا ہے۔
خصوصیت کی اہمیت کا تجزیہ
SageMaker Canvas ایک خصوصیت کی اہمیت کا تجزیہ تیار کرتا ہے جو آپ کے ڈیٹا سیٹ کے ہر کالم کے ماڈل پر ہونے والے اثرات کی وضاحت کرتا ہے۔ جب آپ پیشین گوئیاں تیار کرتے ہیں، تو آپ کالم کا اثر دیکھ سکتے ہیں جو اس بات کی نشاندہی کرتا ہے کہ کون سے کالم ہر پیشین گوئی پر سب سے زیادہ اثر ڈالتے ہیں۔ اس سے آپ کو بصیرت ملے گی کہ کون سی خصوصیات آپ کے حتمی ماڈل کا حصہ بننے کی مستحق ہیں اور کن کو چھوڑ دینا چاہیے۔ کالم کا اثر ایک فیصد سکور ہے جو اس بات کی نشاندہی کرتا ہے کہ دوسرے کالموں کے سلسلے میں پیشین گوئیاں کرنے میں کالم کا کتنا وزن ہے۔ 25% کے کالم کے اثر کے لیے، کینوس کالم کے لیے 25% اور دوسرے کالموں کے لیے 75% کے طور پر پیشین گوئی کا وزن کرتا ہے۔
ماڈل کی درستگی کو بہتر بنانے کے طریقے
اگرچہ ماڈل کی درستگی کو بہتر بنانے کے متعدد طریقے ہیں، ڈیٹا سائنسدان اور ایم ایل پریکٹیشنرز عام طور پر اس سیکشن میں زیر بحث دو طریقوں میں سے ایک کی پیروی کرتے ہیں، پہلے بیان کردہ ٹولز اور میٹرکس کا استعمال کرتے ہوئے۔
ماڈل پر مبنی نقطہ نظر
اس نقطہ نظر میں، ڈیٹا ہمیشہ ایک جیسا رہتا ہے اور مطلوبہ نتائج کو پورا کرنے کے لیے ماڈل کو بار بار بہتر بنانے کے لیے استعمال کیا جاتا ہے۔ اس نقطہ نظر کے ساتھ استعمال ہونے والے اوزار میں شامل ہیں:
- متعدد متعلقہ ML الگورتھم آزما رہے ہیں۔
- الگورتھم اور ہائپرپیرامیٹر ٹیوننگ اور اصلاح
- مختلف ماڈل جوڑنے کے طریقے
- پہلے سے تربیت یافتہ ماڈلز کا استعمال کرتے ہوئے (SageMaker مختلف فراہم کرتا ہے۔ بلٹ میں یا پہلے سے تربیت یافتہ ماڈل ایم ایل پریکٹیشنرز کی مدد کے لیے)
- آٹو ایم ایل، جو سیج میکر کینوس پردے کے پیچھے کرتا ہے (استعمال کرتے ہوئے ایمیزون سیج میکر آٹو پائلٹ)، جس میں مندرجہ بالا سبھی شامل ہیں۔
ڈیٹا سینٹرک اپروچ
اس نقطہ نظر میں، توجہ ڈیٹا کی تیاری، ڈیٹا کے معیار کو بہتر بنانے، اور کارکردگی کو بہتر بنانے کے لیے ڈیٹا کو بار بار تبدیل کرنے پر ہے:
- ماڈل کی تربیت کے لیے استعمال ہونے والے ڈیٹاسیٹ کے اعدادوشمار کی کھوج کرنا، جسے ایکسپلوریٹری ڈیٹا اینالیسس (EDA) بھی کہا جاتا ہے۔
- ڈیٹا کے معیار کو بہتر بنانا (ڈیٹا کی صفائی، اقدار کی گمشدگی، ظاہری شناخت اور انتظام)
- خصوصیت کا انتخاب
- فیچر انجینئرنگ
- ڈیٹا میں اضافہ
کینوس کے ساتھ ماڈل کی کارکردگی کو بہتر بنانا
ہم ڈیٹا سینٹرک اپروچ کے ساتھ شروع کرتے ہیں۔ ہم ابتدائی EDA انجام دینے کے لیے ماڈل پیش نظارہ کی فعالیت کا استعمال کرتے ہیں۔ یہ ہمیں ایک بنیادی لائن فراہم کرتا ہے جسے ہم ڈیٹا کو بڑھانے کے لیے استعمال کر سکتے ہیں، ایک نئی بیس لائن تیار کر سکتے ہیں، اور آخر کار معیاری تعمیراتی فعالیت کا استعمال کرتے ہوئے ماڈل پر مبنی نقطہ نظر کے ساتھ بہترین ماڈل حاصل کر سکتے ہیں۔
ہم استعمال کرتے ہیں مصنوعی ڈیٹاسیٹ ٹیلی کمیونیکیشن موبائل فون کیریئر سے۔ یہ نمونہ ڈیٹاسیٹ 5,000 ریکارڈز پر مشتمل ہے، جہاں ہر ریکارڈ کسٹمر پروفائل کو بیان کرنے کے لیے 21 صفات کا استعمال کرتا ہے۔ کا حوالہ دیتے ہیں Amazon SageMaker Canvas کا استعمال کرتے ہوئے بغیر کوڈ مشین لرننگ کے ساتھ کسٹمر کے منتھن کی پیش گوئی کریں۔ ایک مکمل وضاحت کے لئے.
ڈیٹا سینٹرک اپروچ میں ماڈل کا پیش نظارہ
پہلے قدم کے طور پر، ہم ڈیٹاسیٹ کو کھولتے ہیں، Churn؟ کے طور پر پیشین گوئی کرنے کے لیے کالم کو منتخب کرتے ہیں، اور منتخب کرکے پیش نظارہ ماڈل تیار کرتے ہیں۔ پیش نظارہ ماڈل.
۔ پیش نظارہ ماڈل پیش نظارہ ماڈل تیار ہونے تک پین پیش رفت دکھائے گا۔
جب ماڈل تیار ہوتا ہے، SageMaker Canvas ایک خصوصیت کی اہمیت کا تجزیہ تیار کرتا ہے۔
آخر میں، جب یہ مکمل ہو جائے گا، پین ماڈل پر اس کے اثرات کے ساتھ کالموں کی فہرست دکھائے گا۔ یہ سمجھنے کے لیے مفید ہیں کہ خصوصیات ہماری پیشین گوئیوں پر کتنی متعلقہ ہیں۔ کالم کا اثر ایک فیصد سکور ہے جو اس بات کی نشاندہی کرتا ہے کہ دوسرے کالموں کے سلسلے میں پیشین گوئیاں کرنے میں کالم کا کتنا وزن ہے۔ مندرجہ ذیل مثال میں، نائٹ کالز کالم کے لیے، SageMaker Canvas کالم کے لیے 4.04% اور دوسرے کالموں کے لیے 95.9% کے طور پر پیشین گوئی کا وزن کرتا ہے۔ قدر جتنی زیادہ ہوگی، اثر اتنا ہی زیادہ ہوگا۔
جیسا کہ ہم دیکھ سکتے ہیں، پیش نظارہ ماڈل میں 95.6% درستگی ہے۔ آئیے ڈیٹا سینٹرک اپروچ کا استعمال کرتے ہوئے ماڈل کی کارکردگی کو بہتر بنانے کی کوشش کرتے ہیں۔ ہم ڈیٹا کی تیاری کرتے ہیں اور کارکردگی کو بہتر بنانے کے لیے فیچر انجینئرنگ تکنیک کا استعمال کرتے ہیں۔
جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے، ہم دیکھ سکتے ہیں کہ فون اور اسٹیٹ کالم ہماری پیشین گوئی پر بہت کم اثر ڈالتے ہیں۔ لہذا، ہم اس معلومات کو اپنے اگلے مرحلے، ڈیٹا کی تیاری کے لیے بطور ان پٹ استعمال کریں گے۔
SageMaker Canvas ML ڈیٹا ٹرانسفارمز فراہم کرتا ہے جس کے ساتھ آپ اپنے ڈیٹا کو صاف، تبدیل اور ماڈل بنانے کے لیے تیار کر سکتے ہیں۔ آپ ان تبدیلیوں کو اپنے ڈیٹا سیٹس پر بغیر کسی کوڈ کے استعمال کر سکتے ہیں، اور انہیں ماڈل کی ترکیب میں شامل کر دیا جائے گا، جو کہ ماڈل بنانے سے پہلے آپ کے ڈیٹا پر کی گئی ڈیٹا کی تیاری کا ریکارڈ ہے۔
نوٹ کریں کہ کوئی بھی ڈیٹا جو آپ استعمال کرتے ہیں صرف ماڈل بناتے وقت ان پٹ ڈیٹا میں ترمیم کرتے ہیں اور اپنے ڈیٹا سیٹ یا اصل ڈیٹا سورس میں ترمیم نہ کریں۔
SageMaker Canvas میں درج ذیل ٹرانسفارمز آپ کے لیے آپ کے ڈیٹا کو عمارت کے لیے تیار کرنے کے لیے دستیاب ہیں:
- ڈیٹ ٹائم نکالنا
- کالم چھوڑیں۔
- قطاروں کو فلٹر کریں۔
- افعال اور آپریٹرز
- قطاروں کا نظم کریں۔
- کالموں کا نام تبدیل کریں۔
- قطاریں ہٹا دیں۔
- اقدار کو تبدیل کریں۔
- ٹائم سیریز ڈیٹا کو دوبارہ نمونہ کریں۔
آئیے ان کالموں کو چھوڑ کر شروع کریں جن کا ہماری پیشین گوئی پر بہت کم اثر پڑتا ہے۔
مثال کے طور پر، اس ڈیٹاسیٹ میں، فون نمبر صرف اکاؤنٹ نمبر کے مساوی ہے — یہ دوسرے اکاؤنٹس کے منحرف ہونے کے امکانات کی پیش گوئی کرنے میں بیکار یا نقصان دہ بھی ہے۔ اسی طرح، گاہک کی حالت ہمارے ماڈل پر زیادہ اثر انداز نہیں ہوتی ہے۔ آئیے ان فیچرز کو غیر منتخب کرکے فون اور اسٹیٹ کالمز کو ہٹا دیں۔ کالم کا نام.
اب، آئیے کچھ اضافی ڈیٹا ٹرانسفارمیشن اور فیچر انجینئرنگ کرتے ہیں۔
مثال کے طور پر، ہم نے اپنے پچھلے تجزیے میں دیکھا کہ صارفین سے وصول کی گئی رقم کا براہ راست اثر منتھن پر پڑتا ہے۔ اس لیے آئیے ایک نیا کالم بنائیں جو چارج، منٹس، اور کالز فار ڈے، ایو، نائٹ، اور انٹیلی جنس کو ملا کر ہمارے صارفین کے کل چارجز کا حساب کرتا ہے۔ ایسا کرنے کے لیے، ہم SageMaker Canvas میں حسب ضرورت فارمولے استعمال کرتے ہیں۔
آئیے انتخاب کرکے شروع کرتے ہیں۔ افعال، پھر ہم مندرجہ ذیل متن کو فارمولا ٹیکسٹ باکس میں شامل کرتے ہیں:
(ڈے کالز*ڈے چارج*ڈے منٹ)+(ایو کالز*ایو چارج*ایو منٹ)+(نائٹ کالز*نائٹ چارج*نائٹ منٹ)+(انٹرل کالز*انٹرل چارج*انٹرل منٹ)
نئے کالم کو ایک نام دیں (مثال کے طور پر، ٹوٹل چارجز)، اور منتخب کریں۔ شامل کریں پیش نظارہ تیار ہونے کے بعد۔ ماڈل کی ترکیب اب نظر آنی چاہئے جیسا کہ مندرجہ ذیل اسکرین شاٹ میں دکھایا گیا ہے۔
جب یہ ڈیٹا کی تیاری مکمل ہو جاتی ہے، ہم ایک نئے پیش نظارہ ماڈل کو تربیت دیتے ہیں تاکہ یہ دیکھیں کہ آیا ماڈل میں بہتری آئی ہے۔ منتخب کریں۔ پیش نظارہ ماڈل دوبارہ، اور نیچے کا دائیں پین پیشرفت دکھائے گا۔
تربیت مکمل ہونے پر، یہ پیشین گوئی کی درستگی کا دوبارہ حساب کرنے کے لیے آگے بڑھے گا، اور ایک نیا کالم اثر تجزیہ بھی بنائے گا۔
اور آخر میں، جب پورا عمل مکمل ہو جائے گا، ہم وہی پین دیکھ سکتے ہیں جو ہم نے پہلے دیکھا تھا لیکن نئے پیش نظارہ ماڈل کی درستگی کے ساتھ۔ آپ دیکھ سکتے ہیں کہ ماڈل کی درستگی میں 0.4% اضافہ ہوا ہے (95.6% سے 96% تک)۔
پچھلی امیجز کے نمبر آپ سے مختلف ہو سکتے ہیں کیونکہ ایم ایل ٹریننگ ماڈلز کے عمل میں کچھ سٹاکسٹیٹی متعارف کرواتا ہے، جو مختلف بلڈز میں مختلف نتائج کا باعث بن سکتا ہے۔
ماڈل بنانے کے لیے ماڈل پر مبنی نقطہ نظر
کینوس آپ کے ماڈل بنانے کے لیے دو اختیارات پیش کرتا ہے:
- معیاری تعمیر - ایک بہترین عمل سے بہترین ماڈل بناتا ہے جہاں بہتر درستگی کے لیے رفتار کا تبادلہ ہوتا ہے۔ یہ آٹو-ایم ایل کا استعمال کرتا ہے، جو ایم ایل کے مختلف کاموں کو خودکار کرتا ہے، بشمول ماڈل کا انتخاب، آپ کے ایم ایل کے استعمال کے کیس سے متعلقہ مختلف الگورتھم آزمانا، ہائپر پیرامیٹر ٹیوننگ، اور ماڈل وضاحتی رپورٹس بنانا۔
- فوری تعمیر - معیاری تعمیر کے مقابلے وقت کے ایک حصے میں ایک سادہ ماڈل بناتا ہے، لیکن درستگی کا تبادلہ رفتار کے ساتھ کیا جاتا ہے۔ جب آپ کے ماڈل کی درستگی پر ڈیٹا کی تبدیلیوں کے اثرات کو زیادہ تیزی سے سمجھنے کے لیے اعادہ کیا جائے تو فوری ماڈل مفید ہے۔
آئیے ایک معیاری تعمیراتی نقطہ نظر کا استعمال جاری رکھیں۔
معیاری تعمیر
جیسا کہ ہم نے پہلے دیکھا، معیاری تعمیر درستگی کو زیادہ سے زیادہ کرنے کے لیے ایک بہترین عمل سے بہترین ماڈل بناتی ہے۔
ہمارے چرن ماڈل کی تعمیر کے عمل میں لگ بھگ 45 منٹ لگتے ہیں۔ اس وقت کے دوران، کینوس بہترین ماڈل کا انتخاب کرتے ہوئے سینکڑوں امیدواروں کی پائپ لائنوں کی جانچ کرتا ہے۔ مندرجہ ذیل اسکرین شاٹ میں، ہم متوقع تعمیراتی وقت اور پیشرفت دیکھ سکتے ہیں۔
معیاری تعمیراتی عمل کے ساتھ، ہمارے ML ماڈل نے ہمارے ماڈل کی درستگی کو 96.903% تک بڑھا دیا ہے، جو کہ ایک نمایاں بہتری ہے۔
اعلی درجے کی پیمائشیں دریافت کریں۔
آئیے کا استعمال کرتے ہوئے ماڈل کو دریافت کریں۔ اعلی درجے کی میٹرکس ٹیب پر اسکور ٹیب، منتخب کریں اعلی درجے کی میٹرکس.
یہ صفحہ درج ذیل کنفیوژن میٹرکس کو جدید میٹرکس کے ساتھ مشترکہ طور پر دکھائے گا: F1 سکور، درستگی، درستگی، یاد کرنا، F1 سکور، اور AUC۔
پیشین گوئیاں بنائیں
اب جبکہ میٹرکس اچھے لگ رہے ہیں، ہم پر ایک انٹرایکٹو پیشین گوئی کر سکتے ہیں۔ پیش گوئ کرنا۔ ٹیب، یا تو بیچ میں یا سنگل (ریئل ٹائم) پیشین گوئی میں۔
ہمارے پاس دو اختیارات ہیں:
- بیچ یا سنگل پیشین گوئیوں کو چلانے کے لیے اس ماڈل کا استعمال کریں۔
- ماڈل کو بھیجیں۔ ایمیزون سیج میکر اسٹوڈیو ڈیٹا سائنسدانوں کے ساتھ اشتراک کرنے کے لئے
صاف کرو
تاکہ مستقبل میں نقصان سے بچا جا سکے۔ سیشن چارجزسیج میکر کینوس سے لاگ آؤٹ کریں۔
نتیجہ
SageMaker Canvas طاقتور ٹولز فراہم کرتا ہے جو آپ کو ماڈلز کی درستگی بنانے اور جانچنے کے قابل بناتے ہیں، بغیر کوڈنگ یا خصوصی ڈیٹا سائنس اور ML مہارت کی ضرورت کے ان کی کارکردگی کو بڑھاتے ہیں۔ جیسا کہ ہم نے مثال میں کسٹمر چرن ماڈل کی تخلیق کے ذریعے دیکھا ہے، ان ٹولز کو ڈیٹا سینٹرک اور ماڈل سینٹرک اپروچ دونوں کے ساتھ جوڑ کر جدید میٹرکس کا استعمال کرتے ہوئے، کاروباری تجزیہ کار پیشین گوئی کے ماڈلز بنا اور ان کا جائزہ لے سکتے ہیں۔ ایک بصری انٹرفیس کے ساتھ، آپ کو خود بھی درست ML پیشین گوئیاں پیدا کرنے کا اختیار حاصل ہے۔ ہم آپ کی حوصلہ افزائی کرتے ہیں کہ حوالہ جات کو دیکھیں اور دیکھیں کہ ان میں سے کتنے تصورات ML مسائل کی دیگر اقسام میں لاگو ہو سکتے ہیں۔
حوالہ جات
مصنفین کے بارے میں
مارکوس فلوریڈا، امریکہ میں مقیم AWS Sr. مشین لرننگ سلوشنز آرکیٹیکٹ ہے۔ اس کردار میں، وہ امریکی سٹارٹ اپ تنظیموں کی کلاؤڈ کے حوالے سے ان کی حکمت عملی میں رہنمائی اور مدد کرنے کے لیے ذمہ دار ہے، اس بارے میں رہنمائی فراہم کرتا ہے کہ کس طرح ہائی رسک مسائل کو حل کیا جائے اور ان کے مشین لرننگ ورک بوجھ کو بہتر بنایا جائے۔ اس کے پاس ٹیکنالوجی کے ساتھ 25 سال سے زیادہ کا تجربہ ہے، بشمول کلاؤڈ سلوشن ڈیولپمنٹ، مشین لرننگ، سافٹ ویئر ڈویلپمنٹ، اور ڈیٹا سینٹر انفراسٹرکچر۔
اندریجیت AWS Enterprise Sr. Solutions آرکیٹیکٹ ہے۔ اپنے کردار میں، وہ گاہکوں کو کلاؤڈ اپنانے کے ذریعے اپنے کاروباری نتائج حاصل کرنے میں مدد کرتا ہے۔ وہ مائیکرو سروسز، سرور لیس، APIs، اور ایونٹ سے چلنے والے نمونوں پر مبنی جدید ایپلیکیشن آرکیٹیکچرز ڈیزائن کرتا ہے۔ وہ DataOps اور MLOps طریقوں اور حلوں کو اپنانے کے ذریعے صارفین کے ڈیٹا کے تجزیات اور مشین لرننگ کے اہداف کو حاصل کرنے کے لیے ان کے ساتھ کام کرتا ہے۔ اندراجیت AWS کے عوامی پروگراموں جیسے سربراہی اجلاسوں اور ASEAN ورکشاپس میں باقاعدگی سے بات کرتا ہے، کئی AWS بلاگ پوسٹس شائع کر چکا ہے، اور AWS پر ڈیٹا اور مشین لرننگ پر توجہ مرکوز کرنے والی گاہک کا سامنا کرنے والی تکنیکی ورکشاپس تیار کی ہیں۔
- 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/is-your-model-good-a-deep-dive-into-amazon-sagemaker-canvas-advanced-metrics/
- : ہے
- : ہے
- : نہیں
- :کہاں
- 000
- 1
- 100
- 1239
- 25
- 420
- 7
- a
- کی صلاحیت
- ہمارے بارے میں
- کثرت
- تک رسائی حاصل
- اکاؤنٹ
- درستگی
- درست
- درست طریقے سے
- حاصل
- حاصل کیا
- حصول
- کے پار
- سرگرمیوں
- اصل
- اصل میں
- شامل کریں
- شامل کیا
- ایڈیشنل
- پتہ
- مناسب
- منہ بولابیٹا بنانے
- اعلی درجے کی
- کے بعد
- پھر
- کے خلاف
- یلگوردمز
- تمام
- کی اجازت دیتا ہے
- اکیلے
- پہلے ہی
- بھی
- ہمیشہ
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون سیج میکر کینوس
- ایمیزون ویب سروسز
- رقم
- an
- تجزیہ
- تجزیہ کار
- تجزیہ کار کہتے ہیں
- تجزیاتی
- اور
- کوئی بھی
- APIs
- درخواست
- ایپلی کیشنز
- کا اطلاق کریں
- نقطہ نظر
- نقطہ نظر
- کیا
- رقبہ
- ارد گرد
- اہتمام
- AS
- اسین
- تشخیص کریں
- تشخیص
- مدد
- At
- اوصاف
- خودکار
- دستیاب
- سے اجتناب
- AWS
- محور
- برا
- توازن
- کی بنیاد پر
- بیس لائن
- مبادیات
- BE
- کیونکہ
- رہا
- اس سے پہلے
- شروع کریں
- رویے
- پیچھے
- پردے کے پیچھے
- کیا جا رہا ہے
- BEST
- بہتر
- کے درمیان
- بلاگ
- بلاگ مراسلات
- دونوں
- تعمیر
- عمارت
- بناتا ہے
- کاروبار
- لیکن
- by
- حساب
- کہا جاتا ہے
- کالز
- کر سکتے ہیں
- امیدوار
- کینوس
- قبضہ
- پرواہ
- کیس
- مقدمات
- اقسام
- سینٹر
- تبدیلیاں
- خصوصیت
- چارج
- الزام عائد کیا
- بوجھ
- میں سے انتخاب کریں
- منتخب کریں
- طبقے
- کلاس
- درجہ بندی
- درجہ بندی کرنا۔
- صفائی
- قریب
- بادل
- بادل اپنانا
- کوڈ
- کوڈنگ
- کالم
- کالم
- یکجا
- امتزاج
- کس طرح
- عام طور پر
- موازنہ
- مقابلے میں
- مکمل
- مکمل طور پر
- وسیع
- تصورات
- شرط
- الجھن
- نتائج
- پر غور
- سمجھتا ہے
- پر مشتمل ہے
- پر مشتمل ہے
- جاری
- شراکت
- تبدیل کرنا
- کونے
- درست
- قیمت
- مہنگی
- احاطہ
- تخلیق
- بنائی
- تخلیق
- مخلوق
- اہم
- وکر
- اپنی مرضی کے
- گاہک
- گاہک کا سلوک
- گاہکوں
- اعداد و شمار
- ڈیٹا تجزیہ
- ڈیٹا تجزیات
- ڈیٹا سینٹر
- ڈیٹا کی تیاری
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- ڈیٹاسیٹس
- دن
- نمٹنے کے
- فیصلہ
- فیصلے
- گہری
- گہری ڈبکی
- کی وضاحت
- بیان
- بیان کیا
- تفصیل
- مستحق
- ڈیزائن
- مطلوبہ
- کا پتہ لگانے کے
- کھوج
- ترقی یافتہ
- ترقی
- مختلف
- مختلف
- فرق کرنا
- براہ راست
- بات چیت
- بات چیت
- بیماری
- ممتاز
- تقسیم کئے
- تقسیم
- تقسیم
- do
- کرتا
- نہیں کرتا
- کیا
- چھوڑنا
- منشیات کی
- دو
- کے دوران
- ہر ایک
- اس سے قبل
- یا تو
- با اختیار بنایا
- کو چالو کرنے کے
- چالو حالت میں
- کے قابل بناتا ہے
- احاطہ کرتا ہے
- کی حوصلہ افزائی
- انجنیئرنگ
- بڑھانے
- انٹرپرائز
- یکساں طور پر
- مساوی
- خاص طور پر
- ضروری
- اندازہ
- کا جائزہ لینے
- تشخیص
- موقع
- بھی
- مثالی
- واقعات
- ہر کوئی
- مثال کے طور پر
- تبادلہ
- موجودہ
- توقع
- تجربہ
- مہارت
- ماہرین
- وضاحت
- بیان کرتا ہے
- تحقیقی ڈیٹا کا تجزیہ
- تلاش
- f1
- سہولت
- حقیقت یہ ہے
- جھوٹی
- نمایاں کریں
- خصوصیات
- چند
- فائنل
- آخر
- مل
- پہلا
- فلوریڈا
- توجہ مرکوز
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- کے لئے
- فارمیٹ
- فارمولا
- ملا
- کسر
- دھوکہ دہی
- فراڈ کا پتہ لگانے
- دھوکہ دہی
- سے
- مکمل
- فعالیت
- مستقبل
- حاصل کرنا
- جنرل
- پیدا
- پیدا
- پیدا ہوتا ہے
- پیدا کرنے والے
- حاصل کرنے
- دے دو
- Go
- اہداف
- اچھا
- گراؤنڈ
- ترقی
- رہنمائی
- ہینڈلنگ
- ہے
- he
- بھاری
- مدد
- مدد کرتا ہے
- ہائی
- اعلی خطرہ
- اعلی
- ان
- تاریخی
- کس طرح
- کیسے
- تاہم
- HTML
- HTTPS
- سینکڑوں
- ہائپر پیرامیٹر ٹیوننگ
- خیال
- شناخت
- شناخت
- کی نشاندہی
- if
- تصویر
- تصاویر
- اثر
- پر عملدرآمد
- اہمیت
- اہم
- کو بہتر بنانے کے
- بہتر
- بہتری
- کو بہتر بنانے کے
- in
- دیگر میں
- شامل
- شامل ہیں
- سمیت
- غلط طریقے سے
- اضافہ
- اشارہ کرتے ہیں
- اشارہ کرتا ہے
- متاثر ہوا
- معلومات
- معلوماتی
- انفراسٹرکچر
- ابتدائی
- ان پٹ
- بصیرت انگیز۔
- بصیرت
- مثال کے طور پر
- بات چیت
- انٹرایکٹو
- انٹرفیس
- میں
- متعارف کرواتا ہے
- تعارف
- مسائل
- IT
- میں
- فوٹو
- صرف
- کلیدی
- جان
- علم
- جانا جاتا ہے
- لیبل
- لیبل
- قیادت
- معروف
- سیکھنے
- چھوڑ دو
- چھوڑ دیا
- کم
- کی طرح
- امکان
- لائن
- لسٹ
- تھوڑا
- لاگ ان کریں
- دیکھو
- بند
- لو
- کم
- مشین
- مشین لرننگ
- اکثریت
- بنا
- بنانا
- میں کامیاب
- انتظام
- انداز
- بہت سے
- ریاضیاتی
- میٹرکس
- زیادہ سے زیادہ
- مئی..
- مطلب
- بامعنی
- کا مطلب ہے کہ
- پیمائش
- اقدامات
- نظام
- طبی
- سے ملو
- طریقوں
- میٹرک۔
- پیمائش کا معیار
- مائکروسافٹ
- شاید
- منٹ
- گمراہ کرنا
- لاپتہ
- ML
- ایم ایل اوپس
- موبائل
- موبائل فون
- ماڈل
- ماڈل
- جدید
- نظر ثانی کرنے
- زیادہ
- سب سے زیادہ
- بہت
- ایک سے زیادہ
- نام
- ضرورت ہے
- ضرورت
- منفی
- منفی
- نئی
- نئی خصوصیات
- اگلے
- رات
- نوٹس..
- اب
- تعداد
- تعداد
- مشاہدہ
- حاصل
- of
- تجویز
- on
- ایک
- والوں
- صرف
- کھول
- کام
- کی اصلاح کریں
- اصلاح
- آپشنز کے بھی
- or
- تنظیمیں
- اصل
- دیگر
- دیگر
- ہمارے
- باہر
- نتائج
- نتائج
- پر
- خود
- صفحہ
- پین
- حصہ
- خاص طور پر
- پیٹرن
- فیصد
- کامل
- انجام دیں
- کارکردگی
- کارکردگی
- مرحلہ
- فون
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیلیں
- ادا کرتا ہے
- علاوہ
- حصہ
- متصور ہوتا ہے
- مثبت
- ممکن
- پوسٹ
- مراسلات
- طاقت
- طاقتور
- طریقوں
- صحت سے متعلق
- پیشن گوئی
- پیش گوئی
- پیش گوئی
- کی پیشن گوئی
- پیشن گوئی
- پیش گوئیاں
- تیاری
- تیار
- کی موجودگی
- پیش نظارہ
- پچھلا
- شاید
- مسئلہ
- مسائل
- عمل
- پروفائل
- منافع
- پیش رفت
- تناسب
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- عوامی
- شائع
- خرید
- معیار
- فوری
- جلدی سے
- شرح
- خام
- تیار
- اصل وقت
- احساس
- وجوہات
- ہدایت
- ریکارڈ
- ریکارڈ
- حوالہ جات
- کہا جاتا ہے
- کی عکاسی
- کی عکاسی کرتا ہے
- بے شک
- باقاعدگی سے
- سلسلے
- نسبتا
- متعلقہ
- باقی
- ہٹا
- کو ہٹانے کے
- رپورٹیں
- نمائندگی
- کی نمائندگی کرتا ہے
- ذمہ دار
- نتیجے
- نتائج کی نمائش
- آمدنی
- آمدنی کی ترقی
- ٹھیک ہے
- رسک
- مضبوط
- کردار
- رن
- sagemaker
- اسی
- نمونہ ڈیٹاسیٹ
- دیکھا
- سکیلنگ
- مناظر
- سائنس
- سائنسدان
- سائنسدانوں
- سکور
- سیکشن
- دیکھنا
- دیکھا
- دیکھتا
- منتخب
- انتخاب
- جذبات
- سیریز
- بے سرور
- سروس
- سروسز
- مقرر
- قائم کرنے
- ترتیبات
- کئی
- سیکنڈ اور
- ہونا چاہئے
- دکھائیں
- دکھایا گیا
- شوز
- اہم
- نمایاں طور پر
- اسی طرح
- سادہ
- صرف
- ایک
- چھوٹے
- So
- سافٹ ویئر کی
- سوفٹ ویئر کی نشوونما
- حل
- حل
- حل
- کچھ
- کچھ
- ماخذ
- بولی
- خصوصی
- مخصوص
- تیزی
- تقسیم
- معیار
- شروع کریں
- شروع
- حالت
- کے اعداد و شمار
- مرحلہ
- حکمت عملی
- اس طرح
- موزوں
- اجلاس
- لیتا ہے
- لینے
- کاموں
- ٹیکنیکل
- تکنیک
- ٹیکنالوجی
- ٹیلی کمیونیکیشن کی
- بتا
- ٹیسٹ
- ٹیسٹ
- سے
- کہ
- ۔
- علاقہ
- مبادیات
- ان
- ان
- تو
- وہاں.
- لہذا
- یہ
- وہ
- چیزیں
- لگتا ہے کہ
- اس
- ان
- حد
- کے ذریعے
- وقت
- وقت کا سلسلہ
- کرنے کے لئے
- اوزار
- سب سے اوپر
- کل
- کی طرف
- tp
- TPR
- ٹرین
- تربیت یافتہ
- ٹریننگ
- معاملات
- تبدیل
- تبدیلی
- تبدیلی
- تبدیل
- تبادلوں
- سچ
- حقیقت
- کوشش
- دو
- اقسام
- کے تحت
- سمجھ
- افہام و تفہیم
- جب تک
- us
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- استعمال
- کا استعمال کرتے ہوئے
- عام طور پر
- قیمتی
- قیمت
- اقدار
- مختلف
- بہت
- تھا
- we
- ویب
- ویب خدمات
- وزن
- اچھا ہے
- تھے
- کیا
- جب
- جس
- جبکہ
- پوری
- کیوں
- گے
- ساتھ
- بغیر
- کام کرتا ہے
- ورکشاپ
- گا
- تحریری طور پر
- غلط
- X
- سال
- تم
- اور
- زیفیرنیٹ