کمک سیکھنے (RL) میں مشین لرننگ (ML) تکنیکوں کی ایک کلاس شامل ہے جو ترتیب وار فیصلہ سازی کے مسائل کو حل کرنے کے لیے استعمال کی جا سکتی ہے۔ RL تکنیکوں کو متعدد ڈومینز میں وسیع پیمانے پر ایپلی کیشنز ملی ہیں، بشمول مالیاتی خدمات، خود مختار نیویگیشن، صنعتی کنٹرول، اور ای کامرس۔ RL مسئلہ کا مقصد ایک ایجنٹ کو تربیت دینا ہے جو، اپنے ماحول سے مشاہدہ کرتے ہوئے، اس بہترین عمل کا انتخاب کرے گا جو مجموعی انعام کو زیادہ سے زیادہ کرے۔ RL کے ساتھ کاروباری مسئلے کو حل کرنے میں ایجنٹ کے ماحول، اعمال کی جگہ، مشاہدات کی ساخت، اور ہدف کاروباری نتائج کے لیے صحیح انعامی فنکشن کا تعین کرنا شامل ہے۔ پالیسی پر مبنی RL طریقوں میں، ماڈل ٹریننگ کا نتیجہ اکثر ایک پالیسی ہوتا ہے، جو مشاہدے میں دی گئی کارروائیوں پر امکانی تقسیم کی وضاحت کرتا ہے۔ بہترین پالیسی ایجنٹ کے ذریعہ حاصل کردہ مجموعی منافع کو زیادہ سے زیادہ بنائے گی۔
محدود فیصلہ سازی کے مسائل میں، ایجنٹ کو رکاوٹوں کے تحت بہترین اقدامات کا انتخاب کرنے کا کام سونپا جاتا ہے۔ اس طرح کے مسائل کا ایک الگ طبقہ موجود ہے جس میں، ریاست پر منحصر ہے، ایجنٹ کو صرف تمام کارروائیوں کے ذیلی سیٹ میں سے انتخاب کرنے کی اجازت دی جا سکتی ہے۔ باقی اعمال ناقابل قبول ہیں۔
مثال کے طور پر، ایک خود مختار کار پر غور کریں جس کی رفتار 10 ممکن ہو۔ اس کار کو رہائشی محلے سے گزرتے وقت صرف اس کی رفتار کی سطح کے ذیلی سیٹ میں سے انتخاب کرنے کی اجازت دی جا سکتی ہے۔ یہاں، رفتار کی سطح پر رکاوٹ کا تعین کار کے مقام سے ہوتا ہے۔ اعمال پر اس طرح کی پیرامیٹرائزڈ رکاوٹیں حقیقی دنیا کے بہت سے مسائل میں عام ہیں۔ RL کے ساتھ اس طرح کے مسائل کو حل کرنے کے لیے تربیتی عمل میں رکاوٹوں کو شامل کرنے کی ضرورت ہے۔ ایکشن ماسکنگ RL مسائل کو حل کرنے کا ایک نقطہ نظر ہے جس میں نمونے کے موثر انداز میں ناقابل قبولیت کی رکاوٹیں شامل ہیں۔ جیسا کہ نام سے پتہ چلتا ہے، اس میں ان کے نمونے لینے کے امکان کو صفر پر سیٹ کرکے کسی بھی ناقابل قبول عمل کو چھپانا شامل ہے۔ مندرجہ ذیل اعداد و شمار میں آر ایل سائیکل کو ایکشن ماسکنگ کے ساتھ دکھایا گیا ہے۔ یہ ایک ایجنٹ پر مشتمل ہوتا ہے، وہ رکاوٹیں جو ایکشن ماسک، ماسک، اسٹیٹ ٹرانزیشن، اور مشاہدہ شدہ انعامات کا تعین کرتی ہیں۔
اس پوسٹ میں، ہم ایکشن ماسکنگ کو لاگو کرنے کا طریقہ بتاتے ہیں۔ ایمیزون سیج میکر آر ایل میں پیرامیٹرک ایکشن اسپیس کا استعمال کرتے ہوئے رے RLlib. ہم ایک مثالی مسئلہ بیان کرتے ہیں جس میں متفرق کثیر جہتی ایکشن اسپیس اور متعدد رکاوٹیں شامل ہیں۔ اس پوسٹ کے لیے مکمل نوٹ بک تک رسائی کے لیے، دیکھیں سیج میکر نوٹ بک کی مثال گٹ ہب پر
کیس کا جائزہ استعمال کریں۔
ہم مثال کے طور پر پورٹ فولیو آپٹیمائزیشن کے مسئلے پر غور کرتے ہیں جس میں ایک سرمایہ کار اپنے پورٹ فولیو کی کل قدر کو زیادہ سے زیادہ کرنے کے لیے متعدد اثاثوں کی اقسام کو تجارت کرتا ہے۔ پورٹ فولیو تین مختلف اثاثوں کی اقسام پر مشتمل ہے، اور ایک نقد بیلنس جس سے مراد صرف آپ کے بینک اکاؤنٹ میں موجود رقم ہے۔ ہر سرمایہ کاری کی مدت کے دوران، ایجنٹ کو ہر اثاثہ کی قسم کا انتخاب کرنا ہوتا ہے جسے وہ خریدتے یا بیچتے ہیں۔ ایجنٹ کسی بھی اثاثہ کی خریداری کی مالی اعانت کے لیے دستیاب نقد رقم کا استعمال کرتا ہے۔ ہر اثاثہ کی خرید/فروخت کی کارروائی سے وابستہ لین دین کے اخراجات بھی ہیں۔ ہر اثاثہ کی مارکیٹ قیمت وقت کے ساتھ مختلف ہوتی ہے۔ قیمتوں کا نمونہ تصادفی طور پر لیا جاتا ہے لیکن اتار چڑھاؤ کی مختلف سطحوں کے ساتھ الگ رویہ دکھانے کے لیے ماڈل بنایا جاتا ہے۔ تین اثاثہ کلاسوں کے لیے قیمت کی حدود درج ذیل تصویر میں دکھائی گئی ہیں۔
ایجنٹ کے لیے قابل قبول کارروائیوں کا تعین پیرامیٹرز سے کیا جاتا ہے جیسے کہ موجودہ کل پورٹ فولیو کی قیمت، موجودہ کیش بیلنس، ہر قسم کے اثاثوں کی تعداد، اور ان کی موجودہ مارکیٹ ویلیو۔ اس مسئلے کے لیے، ہم ممکنہ اقدامات پر درج ذیل پابندیاں نافذ کرتے ہیں:
- C1 - ایجنٹ کسی بھی قسم کے اثاثے کی اس سے زیادہ اکائیاں فروخت نہیں کر سکتا جو اس کے پاس ہے۔ مثال کے طور پر، اگر ایجنٹ کے پاس اپنے پورٹ فولیو میں وقت k پر اثاثہ 100 کے 3 یونٹس ہیں، تو وہ اس وقت اس اثاثہ کے 120 یونٹس فروخت نہیں کر سکتا۔
- C2 - سرمایہ کاروں کے ذریعہ اثاثہ 3 کو انتہائی غیر مستحکم سمجھا جاتا ہے۔ ایجنٹ کو اثاثہ 3 خریدنے کی اجازت نہیں ہے اگر اثاثہ 3 میں ان کے ہولڈنگز کی کل قیمت ان کے کل پورٹ فولیو کی قیمت کے ایک تہائی سے زیادہ ہے۔
- C3 – RL ماڈل کے صارفین اعتدال پسند خطرے کی ترجیح رکھتے ہیں اور اثاثہ 2 کو ایک قدامت پسند خرید سمجھتے ہیں۔ نتیجے کے طور پر، ایجنٹ کو اثاثہ 2 خریدنے کی اجازت نہیں ہے جب اثاثہ 2 ہولڈنگز کی کل قیمت پورٹ فولیو کی کل قیمت کے دو تہائی سے تجاوز کر جائے۔
- C4 - ایجنٹ کوئی اثاثہ نہیں خرید سکتا اگر اس کا موجودہ نقد بیلنس $1 USD سے کم ہو۔
ماحول قائم کریں
شروع کرنے کے لیے، سیج میکر نوٹ بک مثال کے ذریعے فراہم کریں۔ ایمیزون سیج میکر اسٹوڈیو. مزید معلومات کے لئے، ملاحظہ کریں ایمیزون سیج میکر نوٹ بک مثالیں استعمال کریں۔.
اگلا، ہم پورٹ فولیو ٹریڈنگ کے مسئلے کو اپنی مرضی کے مطابق نافذ کرتے ہیں۔ AI جم کھولیں۔ سیج میکر آر ایل کا استعمال کرتے ہوئے آر ایل ایجنٹ کو ماحول اور تربیت دیں۔ جم ماحول RL ایجنٹ کو اپنے ماحول کے ساتھ تعامل کرنے اور انعامات اور مشاہدات پیدا کرنے کے لیے ایک انٹرفیس فراہم کرتا ہے۔ پورٹ فولیو ٹریڈنگ کے لیے ماحول میں واقع ہے۔ trading.py
ماڈیول ہم استعمال کرتے ہیں __init__
ماحول کے کچھ پیرامیٹرز کی وضاحت اور ابتدا کرنے کا طریقہ۔ اس میں اثاثہ کی خرید/فروخت کی کارروائیوں سے وابستہ لین دین کے اخراجات، اثاثوں کی قیمتوں کی اوسط قدر، قیمت کے تغیرات اور مزید بہت کچھ شامل ہے۔ ہم مشاہدے اور عمل کی جگہوں کی بھی وضاحت کرتے ہیں۔ __init__
طریقہ درج ذیل کوڈ دیکھیں:
چونکہ ایجنٹ کسی بھی وقت تین اثاثوں کی تجارت کرتا ہے، ایجنٹ کے ذریعہ کئے گئے اقدامات کو تین جہتی ایکشن ویکٹر کا استعمال کرتے ہوئے دکھایا جاتا ہے۔ تین مجرد اعمال جو ایکشن ویکٹر بناتے ہیں ہر اثاثہ کلاس میں تجارت کی نمائندگی کرتے ہیں اور ہر ایک 11 ممکنہ قدریں لے سکتا ہے۔ 11 مجرد اقدار مختلف فروخت، خرید، اور انعقاد کے اعمال کو انکوڈ کرتی ہیں، جیسا کہ درج ذیل تصویر میں دکھایا گیا ہے۔ مثال کے طور پر، a کا انتخاب کرنا1=3 اثاثہ کی قسم 20 کے 1 یونٹ بیچنے والے ایجنٹ سے ترجمہ کرتا ہے۔ اثاثے 10 کے ضرب میں خریدے اور فروخت کیے جاتے ہیں۔
مشاہدے کی جگہ میں دو عناصر کے ساتھ لغت کا ڈھانچہ ہوتا ہے۔ یہ موجودہ تجارتی حالت اور موجودہ ایکشن ماسک اقدار کی نمائندگی کرتے ہیں۔ تجارتی حالت ایک 7×1 ویکٹر ہے جس میں فی الحال ایجنٹ کے پاس موجود ہر اثاثہ کی مقدار، موجودہ کیش بیلنس، اور تینوں اثاثوں میں سے ہر ایک کی موجودہ مارکیٹ ویلیو شامل ہے۔ ایکشن ماسک ایک 3×11 میٹرکس ہے جس میں ماسک کی قدریں ہر ممکنہ کارروائی سے مطابقت رکھتی ہیں۔ ماحول ہر وقت ایک کا استعمال کرتے ہوئے ماسک کی قدروں کا حساب لگاتا ہے۔ update_mask()
طریقہ ایسی کارروائیاں جو کسی بھی رکاوٹوں کی خلاف ورزی کرتی ہیں C1:C4 کو ایک صفر ماسک تفویض کیا جاتا ہے۔ ماسک کی قیمت قابل قبول کارروائیوں کے لیے 1 مقرر کی گئی ہے۔ درج ذیل کوڈ دیکھیں:
ہر قسط کے شروع میں، a reset()
طریقہ کار کو تجارتی حالت، مشاہدات اور دیگر پیرامیٹرز کو دوبارہ شروع کرنے کے لیے کہا جاتا ہے۔ ایجنٹ ہر ٹریننگ ایپی سوڈ کا آغاز $1,000 USD نقد بیلنس اور اثاثوں میں صفر ہولڈنگز کے ساتھ کرتا ہے۔ ہر قسط 20 سرمایہ کاری کے ادوار پر مشتمل ہے۔
ہر سرمایہ کاری کی مدت کے آغاز میں، ایجنٹ اپنے ریکارڈ کردہ تازہ ترین مشاہدات کی بنیاد پر ایک کارروائی کا نمونہ بناتا ہے اور اپنے پورٹ فولیو کو اپ ڈیٹ کرتا ہے۔ یہ ایک کا استعمال کرتے ہوئے ماڈل بنایا گیا ہے۔ step()
طریقہ پورٹ فولیو کو اپ ڈیٹ کرنے کے بعد، ہم ریاست کا دوبارہ حساب لگاتے ہیں۔ ایکشن ماسک کو کال کرکے بھی اپ ڈیٹ کیا جاتا ہے۔ update_mask()
طریقہ.
ریوارڈ فنکشن کی تعریف حتمی کل پورٹ فولیو ویلیو کے طور پر کی جاتی ہے اور ہر ایپی سوڈ کے اختتام پر اس کا حساب لگایا جاتا ہے، جو 20 سرمایہ کاری کے وقفوں کے بعد ہوتا ہے۔
ماسکنگ ماڈل
ہر بار قدم پر، ماحول لغت کی حالت اور ML ماڈل کو واپس کرتا ہے جو پالیسی کے نمونوں کی نمائندگی کرتا ہے اس حالت پر مبنی کارروائی۔ ایک پیرامیٹرک ایکشن ماڈل صرف بے نقاب (ماسک ≠ 0) کارروائیوں کے نمونے لینے کی سہولت فراہم کرتا ہے۔ یہاں ہم پیرامیٹرک ایکشن ماڈل کی وضاحت کرتے ہیں جو ایکشن ماسکنگ کو قابل بناتا ہے:
ایکشن ایمبیڈنگ ماڈل کے ذریعے دیے گئے لاگٹس کا استعمال کرتے ہوئے سافٹ میکس فنکشن کے ذریعے ماڈل کے ذریعے ایکشنز کا نمونہ لیا جاتا ہے۔ اس ماڈل کی وضاحت میں کی گئی ہے۔ __init__
طریقہ ماسکنگ کا رویہ خود میں لاگو ہوتا ہے۔ forward()
طریقہ یہاں، ہم ایکشن ماسک اور تجارتی حالت کو ماحول سے حاصل کردہ لغت کی حالت سے الگ کرتے ہیں۔ اس کے بعد ایکشن ایمبیڈنگز ٹریڈنگ اسٹیٹ کو ایکشن ایمبیڈنگ نیٹ ورک پر منتقل کرکے حاصل کی جاتی ہیں۔ اگلا، ہم شامل کر کے ہر ایکشن کے ایمبیڈنگز کی قدر میں ترمیم کرتے ہیں۔ logit_mod
لاگٹس تک محسوس کرو اسے logit_mod
ایکشن ماسک کے لوگارتھم کا ایک فنکشن ہے۔ ماسک =1 کے ساتھ ایکشنز کے لیے، ماسک کا لوگارتھم صفر ہوگا، جو ان کے ایمبیڈنگ کو بغیر کسی رکاوٹ کے چھوڑ دیتا ہے۔ دوسری طرف، جب mask=0، ماسک کا لوگارتھم → −∞. کیونکہ Softmax(x)
→0 بطور x→ −∞، یہ یقینی بناتا ہے کہ ایجنٹ کے ذریعہ نقاب پوش کارروائیوں کا نمونہ نہیں لیا گیا ہے۔
آئیے ٹیسٹ کریں کہ آیا ماسک توقع کے مطابق کام کر رہا ہے۔ ہم ایک رے ٹرینر آبجیکٹ شروع کرتے ہیں اور کچھ اعمال کو ماسک کرتے ہیں اور دیکھتے ہیں کہ آیا ٹرینر صرف بے نقاب اعمال کا نمونہ لے رہا ہے:
مندرجہ ذیل اسکرین شاٹ میں آؤٹ پٹ ابتدائی ایکشن ماسک سرنی کو ظاہر کرتا ہے۔
اب ہم ماسک ویکٹرز میں ترمیم کرتے ہیں تاکہ a1ایکشن 8 کے علاوہ تمام انتخاب (اثاثہ 30 کے 1 یونٹ خریدیں)؛ کے بدلے2 ایکشن 5 کے علاوہ ہر چیز (اثاثہ 2 کو موجودہ نمبروں پر رکھیں)؛ اور ایک کے لیے3, ایکشن 1 اور 2 کے علاوہ ہر چیز (اثاثہ 40 کے 30 یا 3 یونٹس بیچیں) پر نقاب پوش ہیں:
اب جب کہ ہم نے ایکشن ماسک سرنی میں ترمیم کی ہے، ہم ایک نئی کارروائی کی کوشش کرتے ہیں اور نمونہ بناتے ہیں۔
ایجنٹ صرف ان اعمال کے نمونے لیتا ہے جو بے نقاب ہوتے ہیں۔ یہ تصدیق کرتا ہے کہ ایکشن ماسکنگ توقع کے مطابق کام کر رہی ہے۔
نتائج کی نمائش
اب جب کہ ماحولیات اور پیرامیٹرک ایکشن ماڈل کی وضاحت کی گئی ہے، ہم SageMaker RL کا استعمال کرتے ہوئے پورٹ فولیو کی اصلاح کے مسئلے کو حل کرنے کے لیے ایک ایجنٹ کو تربیت دیتے ہیں۔ ہم ایک RL ایجنٹ کو تربیت دیتے ہیں کہ وہ C1:C4 رکاوٹوں کے تحت زیادہ سے زیادہ انعام حاصل کرنے کے لیے بہترین پالیسی سیکھیں۔ ہم 500,000 اقساط کے لیے RL ایجنٹ کو تربیت دینے کے لیے SageMaker RL میں پراکسیمل پالیسی آپٹیمائزیشن (PPO) الگورتھم کا استعمال کرتے ہیں۔ درج ذیل تربیتی ترتیب سے پتہ چلتا ہے کہ ہم کس طرح ایجنٹ کو استعمال کرنے کے لیے مخصوص کرتے ہیں۔ trading_mask
ایک custom_model
استعمال ہونے کے لیے:
ایجنٹ ابتدائی نقد بیلنس میں $1,000 USD سے شروع ہوتا ہے۔ فی قسط کا اوسط انعام تربیتی وقت کے فنکشن کے طور پر تیار کیا گیا ہے، جیسا کہ مندرجہ ذیل چارٹ میں دکھایا گیا ہے۔ یاد رکھیں کہ ہم پورٹ فولیو کی حتمی قیمت بطور انعام استعمال کرتے ہیں۔ سرمایہ کاری کے 20 ادوار کے اختتام پر، ہم دیکھتے ہیں کہ ایجنٹ کے پورٹ فولیو کی اوسط قدر $3,000 USD سے زیادہ ہے۔
صاف کرو
ہم نے SageMaker نوٹ بک مثال کے استعمال کے علاوہ کوئی انفراسٹرکچر فراہم نہیں کیا۔ اگر آپ سٹوڈیو کے ذریعے SageMaker نوٹ بک مثال استعمال کر رہے ہیں، تو آپ اس میں دی گئی ہدایات پر عمل کر کے اسے بند کر سکتے ہیں۔ ایک کھلی نوٹ بک کو بند کریں۔.
نتیجہ
اس پوسٹ میں، ہم نے بحث کی کہ آپ RL ماڈل ٹریننگ میں رکاوٹوں کو نافذ کرنے کے لیے ایکشن ماسکنگ کو کیسے نافذ کر سکتے ہیں۔ ناقابل قبول کارروائیوں کو چھپا کر، ہم ایجنٹ کو صرف درست کارروائیوں کے نمونے لینے اور نمونے کے موثر انداز میں بہترین پالیسی سیکھنے کے قابل بناتے ہیں۔ ہم نے ایک پورٹ فولیو آپٹیمائزیشن کا مسئلہ متعارف کرایا ہے جس میں ایجنٹ کو متعدد رکاوٹوں کے تحت تین اثاثوں کی اقسام کی تجارت کرکے اپنے پورٹ فولیو کی قیمت کو زیادہ سے زیادہ کرنے کا کام سونپا گیا ہے۔ ہم نے رے RLlib کا استعمال کرتے ہوئے اس مسئلے کے لیے کثیر جہتی ایکشن ماسکنگ کو لاگو کرنے کا طریقہ دکھایا۔ ہم نے SageMaker RL کا استعمال کرتے ہوئے محدود پورٹ فولیو آپٹیمائزیشن کے مسئلے کو حل کرنے کے لیے ایک RL ایجنٹ کو تربیت دی۔
اب جب کہ آپ جانتے ہیں کہ پورٹ فولیو آپٹیمائزیشن پر SageMaker RL اور Ray RLlib کا استعمال کرتے ہوئے ایکشن ماسکنگ کیسے کرنا ہے، آپ اسے دیگر RL مسائل پر آزما سکتے ہیں جن میں ناقابل قبول کارروائیاں شامل ہیں۔ آپ اس پوسٹ میں تیار کردہ ایکشن ماسکنگ کوڈ کو ایک جہتی ایکشن اسپیس میں شامل آسان مسائل کے لیے بھی اپنا سکتے ہیں۔ ہم آپ کی حوصلہ افزائی کرتے ہیں کہ یہاں تیار کردہ نقطہ نظر کو اپنے RL استعمال کے معاملات پر لاگو کریں اور اگر آپ کے کوئی سوالات یا تاثرات ہیں تو ہمیں بتائیں۔
اضافی حوالہ جات
اضافی معلومات اور متعلقہ مواد کے لیے، درج ذیل وسائل دیکھیں:
مصنفین کے بارے میں
دلشاد ریحان اکام ویٹل AWS پروفیشنل سروسز کے ساتھ ایک ڈیٹا سائنٹسٹ ہے، جہاں وہ مشین لرننگ اور کلاؤڈ کمپیوٹنگ کے استعمال کے ذریعے اپنے کاروباری چیلنجوں کو حل کرنے کے لیے تمام صنعتوں کے صارفین کے ساتھ مشغول رہتا ہے۔ انہوں نے ٹیکساس اے اینڈ ایم یونیورسٹی، کالج اسٹیشن سے ایرو اسپیس انجینئرنگ میں پی ایچ ڈی کی ڈگری حاصل کی۔ فرصت کے اوقات میں وہ فٹ بال دیکھنے اور پڑھنے سے لطف اندوز ہوتے ہیں۔
پال بڈنرائن ایمیزون کے انوینٹری فورکاسٹنگ سسٹمز (IFS) گروپ میں ایک اپلائیڈ سائنٹسٹ ہے، اور لاس اینجلس، کیلیفورنیا سے باہر ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/portfolio-optimization-through-multidimensional-action-optimization-using-amazon-sagemaker-rl/
- : ہے
- $3
- $UP
- 000
- 1
- 10
- 100
- 11
- 500k
- 7
- 8
- a
- اوپر
- تک رسائی حاصل
- اکاؤنٹ
- کے پار
- عمل
- اعمال
- اپنانے
- ایڈیشنل
- اضافی معلومات
- ایرواسپیس
- کے بعد
- ایجنٹ
- ایجنٹ
- AI
- یلگورتم
- تمام
- ایمیزون
- ایمیزون سیج میکر
- اور
- اینجلس
- ایپلی کیشنز
- اطلاقی
- کا اطلاق کریں
- نقطہ نظر
- کیا
- لڑی
- AS
- اثاثے
- اثاثے
- تفویض
- منسلک
- فرض کیا
- At
- خود مختار
- دستیاب
- AWS
- AWS پروفیشنل سروسز
- متوازن
- بینک
- بینک اکاؤنٹ
- کی بنیاد پر
- BE
- کیونکہ
- شروع
- سے پرے
- خریدا
- کاروبار
- خرید
- by
- حساب
- حساب کرتا ہے
- کیلی فورنیا
- کہا جاتا ہے
- بلا
- کر سکتے ہیں
- کار کے
- کیس
- مقدمات
- کیش
- چیلنجوں
- چارٹ
- انتخاب
- میں سے انتخاب کریں
- منتخب کریں
- طبقے
- کلاس
- بادل
- کلاؤڈ کمپیوٹنگ
- کوڈ
- کالج
- کامن
- مکمل
- کمپیوٹنگ
- شرط
- ترتیب
- قدامت پرستی
- غور کریں
- سمجھا
- پر مشتمل ہے
- رکاوٹوں
- صارفین
- مواد
- جاری
- کنٹرول
- اسی کے مطابق
- قیمت
- اخراجات
- پار
- موجودہ
- اس وقت
- اپنی مرضی کے
- گاہکوں
- سائیکل
- اعداد و شمار
- ڈیٹا سائنسدان
- فیصلہ کرنا
- کی وضاحت
- وضاحت کرتا ہے
- demonstrated,en
- منحصر ہے
- بیان
- اس بات کا تعین
- کا تعین
- ترقی یافتہ
- مختلف
- بات چیت
- مختلف
- تقسیم
- ڈومینز
- نیچے
- کے دوران
- ای کامرس
- ہر ایک
- ہنر
- عناصر
- کو چالو کرنے کے
- کے قابل بناتا ہے
- احاطہ کرتا ہے
- کی حوصلہ افزائی
- انجنیئرنگ
- ماحولیات
- ہر کوئی
- سب کچھ
- مثال کے طور پر
- اس کے علاوہ
- موجود ہے
- توقع
- تلاش
- سہولت
- آراء
- اعداد و شمار
- فائنل
- کی مالی اعانت
- مالی
- مالیاتی خدمات
- کے بعد
- فٹ بال کے
- کے لئے
- ملا
- سے
- تقریب
- پیدا
- GitHub کے
- دی
- گروپ
- جم
- ہاتھ
- ہوتا ہے
- ہے
- Held
- یہاں
- ہائی
- انتہائی
- پکڑو
- ہولڈنگز
- کی ڈگری حاصل کی
- کس طرح
- کیسے
- HTML
- HTTPS
- پر عملدرآمد
- عملدرآمد
- درآمد
- in
- شامل ہیں
- سمیت
- شامل کرنا
- انڈکس
- صنعتی
- صنعتوں
- معلومات
- انفراسٹرکچر
- ابتدائی
- شروع
- مثال کے طور پر
- ہدایات
- بات چیت
- انٹرفیس
- متعارف
- انوینٹری
- سرمایہ کاری
- سرمایہ کار
- سرمایہ
- شامل
- IT
- میں
- خود
- فوٹو
- جان
- تازہ ترین
- جانیں
- سیکھنے
- لمبائی
- سطح
- واقع ہے
- محل وقوع
- ان
- لاس اینجلس
- لو
- مشین
- مشین لرننگ
- بنا
- بناتا ہے
- انداز
- بہت سے
- مارکیٹ
- مارکیٹ کی قیمتیں
- ماسک
- ماسک
- ریاضی
- میٹرکس
- میکس
- زیادہ سے زیادہ
- زیادہ سے زیادہ کرتا ہے
- زیادہ سے زیادہ
- طریقہ
- طریقوں
- کم سے کم
- ML
- ماڈل
- نظر ثانی کی
- نظر ثانی کرنے
- ماڈیول
- قیمت
- کی نگرانی
- زیادہ
- ایک سے زیادہ
- نام
- سمت شناسی
- نیٹ ورک
- نئی
- اگلے
- نوٹ بک
- تعداد
- تعداد
- متعدد
- عجیب
- اعتراض
- مقصد
- مشاہدہ
- حاصل کی
- of
- on
- کھول
- زیادہ سے زیادہ
- اصلاح کے
- دیگر
- نتائج
- پیداوار
- خود
- ملکیت
- پیرامیٹرز
- پاسنگ
- انجام دیں
- مدت
- ادوار
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پالیسی
- پورٹ فولیو
- ممکن
- پوسٹ
- قیمت
- قیمتیں
- مسئلہ
- مسائل
- عمل
- پیشہ ورانہ
- فراہم کرتا ہے
- پراجیکٹ
- خریداریوں
- مقدار
- سوالات
- بے ترتیب
- رے
- پڑھنا
- حقیقی دنیا
- درج
- مراد
- رجسٹری
- متعلقہ
- باقی
- کی نمائندگی
- نمائندگی
- نمائندگی
- کی ضرورت ہے
- رہائشی
- وسائل
- نتیجہ
- واپسی
- واپسی
- انعام
- انعامات
- رسک
- رن
- sagemaker
- فروخت
- سائنسدان
- SELF
- فروخت
- فروخت
- علیحدہ
- سروسز
- مقرر
- قائم کرنے
- دکھائیں
- دکھایا گیا
- شوز
- صرف
- So
- فروخت
- حل
- حل کرنا۔
- کچھ
- خلا
- خالی جگہیں
- تیزی
- شروع کریں
- شروع ہوتا ہے
- حالت
- سٹیشن
- مرحلہ
- بند کرو
- ساخت
- سٹوڈیو
- اس طرح
- پتہ چلتا ہے
- سسٹمز
- لے لو
- ہدف
- تکنیک
- ٹیسٹ
- ٹیکساس
- کہ
- ۔
- ریاست
- ان
- یہ
- تھرڈ
- تین
- تین جہتی
- کے ذریعے
- وقت
- کرنے کے لئے
- کل
- تجارت
- ٹریڈنگ
- ٹرین
- تربیت یافتہ
- ٹریننگ
- ٹرانزیکشن
- لین دین کے اخراجات
- معاملات
- منتقلی
- سچ
- دو تہائی
- اقسام
- کے تحت
- یونٹ
- یونٹس
- یونیورسٹی
- اپ ڈیٹ کریں
- اپ ڈیٹ
- تازہ ترین معلومات
- اپ ڈیٹ
- us
- امریکی ڈالر
- استعمال کی شرائط
- قیمت
- اقدار
- کی طرف سے
- واٹیٹائل
- استرتا
- دیکھ
- کیا
- جس
- وسیع پیمانے پر
- گے
- ساتھ
- کام کر
- X
- تم
- اور
- زیفیرنیٹ
- صفر