بہت ساری ایپلی کیشنز جن کا مقصد صنعتی آلات کی دیکھ بھال، تجارتی نگرانی، فلیٹ مینجمنٹ، اور روٹ آپٹیمائزیشن کے لیے ہوتا ہے وہ اوپن سورس کیسنڈرا APIs اور ڈرائیورز کا استعمال کرتے ہوئے تیز رفتاری اور کم تاخیر پر ڈیٹا پر کارروائی کرنے کے لیے بنائے جاتے ہیں۔ کیسینڈرا ٹیبلز کا خود انتظام کرنا وقت طلب اور مہنگا ہو سکتا ہے۔ Amazon Keyspaces (Apache Cassandra کے لیے) اضافی انفراسٹرکچر کا انتظام کیے بغیر آپ کو AWS کلاؤڈ میں کیسینڈرا ٹیبلز کو سیٹ اپ، محفوظ اور اسکیل کرنے دیتا ہے۔
اس پوسٹ میں، ہم آپ کو اعلیٰ سطح پر Amazon Keyspaces کا استعمال کرتے ہوئے ٹریننگ مشین لرننگ (ML) ماڈلز سے متعلق AWS سروسز سے آگاہ کریں گے، اور Amazon Keyspaces سے ڈیٹا داخل کرنے کے لیے مرحلہ وار ہدایات فراہم کریں گے۔ ایمیزون سیج میکر اور ایک ایسے ماڈل کی تربیت کریں جس کا استعمال مخصوص کسٹمر سیگمنٹیشن استعمال کیس کے لیے کیا جا سکے۔
AWS کے پاس کاروباروں کو کلاؤڈ میں ML کے عمل کو لاگو کرنے میں مدد کرنے کے لیے متعدد خدمات ہیں۔
AWS ML Stack میں تین پرتیں ہیں۔ درمیانی تہہ ہے۔ سیج میکر۔، جو ڈویلپرز، ڈیٹا سائنسدانوں، اور ML انجینئرز کو ML ماڈلز کو بڑے پیمانے پر بنانے، تربیت دینے اور تعینات کرنے کی صلاحیت فراہم کرتا ہے۔ یہ ML ورک فلو کے ہر قدم سے پیچیدگی کو دور کرتا ہے تاکہ آپ اپنے ML استعمال کے کیسز کو زیادہ آسانی سے تعینات کر سکیں۔ اس میں پیشن گوئی کی دیکھ بھال سے لے کر گاہک کے رویوں کی پیشن گوئی کرنے کے لیے کمپیوٹر ویژن تک کچھ بھی شامل ہے۔ صارفین SageMaker کے ساتھ ڈیٹا سائنسدانوں کی پیداواری صلاحیت میں 10 گنا تک بہتری حاصل کرتے ہیں۔
Apache Cassandra غیر ساختہ یا نیم ساختہ ڈیٹا کے ساتھ پڑھنے والے بھاری استعمال کے معاملات کے لیے ایک مقبول انتخاب ہے۔ مثال کے طور پر، کھانے کی ترسیل کا ایک مشہور کاروبار ڈیلیوری کے وقت کا تخمینہ لگاتا ہے، اور ایک خوردہ گاہک اپاچی کیسینڈرا ڈیٹا بیس میں پروڈکٹ کیٹلاگ کی معلومات کو اکثر استعمال کر سکتا ہے۔ ایمیزون کی اسپیسز ایک قابل توسیع، انتہائی دستیاب اور منظم سرور لیس Apache Cassandra–مطابق ڈیٹا بیس سروس ہے۔ آپ کو سرورز کی فراہمی، پیچ یا انتظام کرنے کی ضرورت نہیں ہے، اور آپ کو سافٹ ویئر کو انسٹال، برقرار رکھنے یا چلانے کی ضرورت نہیں ہے۔ میزیں خود بخود اوپر اور نیچے کی پیمائش کر سکتی ہیں، اور آپ صرف ان وسائل کی ادائیگی کرتے ہیں جو آپ استعمال کرتے ہیں۔ Amazon Keyspaces آپ کو اسی Cassandra ایپلیکیشن کوڈ اور ڈویلپر ٹولز کا استعمال کرتے ہوئے AWS پر اپنے Cassandra کام کے بوجھ چلانے دیتا ہے جو آپ آج استعمال کرتے ہیں۔
سیج میکر کا ایک سوٹ فراہم کرتا ہے۔ بلٹ ان الگورتھم ڈیٹا سائنسدانوں اور ایم ایل پریکٹیشنرز کو ایم ایل ماڈلز کی تیزی سے تربیت اور تعیناتی شروع کرنے میں مدد کرنے کے لیے۔ اس پوسٹ میں، ہم آپ کو دکھائیں گے کہ کس طرح ایک خوردہ گاہک Keyspaces ڈیٹا بیس میں کسٹمر کی خریداری کی تاریخ کا استعمال کر سکتا ہے اور مارکیٹنگ کی مہمات کے لیے مختلف کسٹمر سیگمنٹس کو ہدف بنا سکتا ہے۔
K کا مطلب ہے۔ ایک غیر زیر نگرانی سیکھنے کا الگورتھم ہے۔ یہ اعداد و شمار کے اندر مجرد گروپ بندیوں کو تلاش کرنے کی کوشش کرتا ہے، جہاں ایک گروپ کے ممبران ایک دوسرے سے زیادہ سے زیادہ ملتے جلتے اور دوسرے گروپوں کے ممبروں سے جتنا ممکن ہو مختلف ہوتے ہیں۔ آپ ان صفات کی وضاحت کرتے ہیں جو آپ الگورتھم سے مماثلت کا تعین کرنے کے لیے استعمال کرنا چاہتے ہیں۔ سیج میکر کا ایک ترمیم شدہ ورژن استعمال کرتا ہے۔ ویب اسکیل کے کا مطلب ہے کلسٹرنگ الگورتھم. جیسا کہ الگورتھم کے اصل ورژن کے مقابلے میں، SageMaker کا استعمال کردہ ورژن زیادہ درست ہے۔ تاہم، اصل الگورتھم کی طرح، یہ بڑے پیمانے پر ڈیٹا سیٹس تک پیمانہ کرتا ہے اور تربیت کے وقت میں بہتری فراہم کرتا ہے۔
حل جائزہ
ہدایات یہ فرض کرتی ہیں کہ آپ کوڈ کو چلانے کے لیے SageMaker اسٹوڈیو استعمال کر رہے ہوں گے۔ منسلک کوڈ پر اشتراک کیا گیا ہے AWS نمونہ GitHub. لیب میں دی گئی ہدایات پر عمل کرتے ہوئے، آپ درج ذیل کام کر سکتے ہیں:
- ضروری انحصار انسٹال کریں۔
- Amazon Keyspaces سے جڑیں، ایک ٹیبل بنائیں، اور سیمپل ڈیٹا نگسٹ کریں۔
- Amazon Keyspaces میں ڈیٹا کا استعمال کرتے ہوئے درجہ بندی کا ML ماڈل بنائیں۔
- ماڈل کے نتائج دریافت کریں۔
- نئے بنائے گئے وسائل کو صاف کریں۔
ایک بار مکمل ہونے کے بعد، آپ نے سیج میکر کو Amazon Keyspaces کے ساتھ ضم کر لیا ہو گا تاکہ ML ماڈلز کو تربیت دی جا سکے جیسا کہ درج ذیل تصویر میں دکھایا گیا ہے۔
اب آپ اس کی پیروی کرسکتے ہیں مرحلہ وار ہدایات اس پوسٹ میں SageMaker کا استعمال کرتے ہوئے Amazon Keyspaces میں ذخیرہ شدہ خام ڈیٹا اور اس طرح ML پروسیسنگ کے لیے حاصل کردہ ڈیٹا کو ہضم کرنے کے لیے۔
شرائط
پہلے، سیج میکر پر جائیں۔
اگلا، اگر یہ پہلی بار ہے کہ آپ SageMaker استعمال کر رہے ہیں، منتخب کریں۔ شروع کریں.
اگلا، منتخب کریں سیج میکر ڈومین سیٹ اپ کریں۔.
اگلا، نام کے ساتھ ایک نیا صارف پروفائل بنائیں - sagemakeruser، اور منتخب کریں نیا کردار بنائیں میں ڈیفالٹ ایگزیکیوشن رول ذیلی سیکشن
اگلا، پاپ اپ ہونے والی اسکرین میں، کوئی بھی منتخب کریں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی، اور کردار بنائیں کو منتخب کریں۔
اس کردار کو درج ذیل مراحل میں استعمال کیا جائے گا تاکہ SageMaker کو کردار سے عارضی اسناد کا استعمال کرتے ہوئے Keyspaces Table تک رسائی حاصل کر سکے۔ اس سے نوٹ بک میں صارف نام اور پاس ورڈ ذخیرہ کرنے کی ضرورت ختم ہو جاتی ہے۔
اگلا، سے وابستہ کردار کو بازیافت کریں۔ sagemakeruser جو خلاصہ سیکشن سے پچھلے مرحلے میں بنایا گیا تھا۔
پھر، پر جائیں AWS کنسول اور اوپر دیکھو AWS شناخت اور رسائی کا انتظام (IAM)۔ IAM کے اندر، رولز پر جائیں۔ رولز کے اندر، پچھلے مرحلے میں شناخت کیے گئے ایگزیکیوشن رول کی تلاش کریں۔
اگلا، پچھلے مرحلے میں شناخت کردہ کردار کو منتخب کریں اور اجازتیں شامل کریں کو منتخب کریں۔ ظاہر ہونے والے ڈراپ ڈاؤن میں، ان لائن پالیسی بنائیں کو منتخب کریں۔ سیج میکر آپ کو رسائی کی ایک دانے دار سطح فراہم کرنے دیتا ہے جو اس بات پر پابندی لگاتا ہے کہ صارف/ایپلی کیشن کاروباری ضروریات کی بنیاد پر کون سے اعمال انجام دے سکتا ہے۔
پھر، JSON ٹیب کو منتخب کریں اور Github کے نوٹ سیکشن سے پالیسی کاپی کریں۔ صفحہ. یہ پالیسی SageMaker نوٹ بک کو Keyspaces سے منسلک ہونے اور مزید کارروائی کے لیے ڈیٹا بازیافت کرنے کی اجازت دیتی ہے۔
پھر، دوبارہ اور ڈراپ ڈاؤن سے اجازتیں شامل کریں کو منتخب کریں، اور اٹیچ پالیسی کو منتخب کریں۔
AmazonKeyspacesFullAccess پالیسی تلاش کریں، اور مماثل نتائج کے ساتھ والے چیک باکس کو منتخب کریں، اور منسلک پالیسیوں کو منتخب کریں۔
تصدیق کریں کہ اجازت کی پالیسیوں کے سیکشن میں شامل ہے۔ AmazonS3FullAccess
, AmazonSageMakerFullAccess
, AmazonKeyspacesFullAccess
کے ساتھ ساتھ نئی شامل کردہ ان لائن پالیسی۔
اگلا، AWS کنسول کا استعمال کرتے ہوئے سیج میکر اسٹوڈیو پر جائیں اور سیج میکر اسٹوڈیو کو منتخب کریں۔ وہاں پہنچنے کے بعد، لانچ ایپ کو منتخب کریں اور اسٹوڈیو کو منتخب کریں۔
نوٹ بک واک تھرو
SageMaker نوٹ بک سے Keyspaces سے جڑنے کا ترجیحی طریقہ استعمال کرنا ہے۔ AWS دستخطی ورژن 4 عمل (SigV4) کی بنیاد پر عارضی اسناد تصدیق کے لیے اس منظر نامے میں، ہمیں Keyspaces کی اسناد بنانے یا ذخیرہ کرنے کی ضرورت نہیں ہے اور SigV4 پلگ ان کے ساتھ تصدیق کرنے کے لیے اسناد کا استعمال کر سکتے ہیں۔ عارضی حفاظتی اسناد ایک رسائی کلید ID اور ایک خفیہ رسائی کلید پر مشتمل ہوتی ہیں۔ تاہم، ان میں ایک حفاظتی ٹوکن بھی شامل ہے جو اس بات کی نشاندہی کرتا ہے کہ اسناد کی میعاد کب ختم ہوتی ہے۔ اس پوسٹ میں، ہم ایک IAM رول بنائیں گے اور عارضی حفاظتی اسناد تیار کریں گے۔
سب سے پہلے، ہم ایک ڈرائیور (cassandra-sigv4) انسٹال کرتے ہیں۔ یہ ڈرائیور آپ کو AWS Signature Version 4 Process (SigV4) کا استعمال کرتے ہوئے اپنی API درخواستوں میں تصدیقی معلومات شامل کرنے کے قابل بناتا ہے۔ پلگ ان کا استعمال کرتے ہوئے، آپ IAM صارفین اور کرداروں کا استعمال کرتے ہوئے Amazon Keyspaces (Apache Cassandra کے لیے) تک رسائی کے لیے صارفین اور ایپلیکیشنز کو مختصر مدت کے اسناد فراہم کر سکتے ہیں۔ اس کے بعد، آپ اضافی پیکیج پر انحصار کے ساتھ ایک مطلوبہ سرٹیفکیٹ درآمد کریں گے۔ آخر میں، آپ نوٹ بک کو Keyspaces سے بات کرنے کا کردار سنبھالنے کی اجازت دیں گے۔
اس کے بعد، Amazon Keyspaces سے جڑیں اور کنکشن کی توثیق کرنے کے لیے Keyspaces سے Pandas DataFrame میں سسٹم کا ڈیٹا پڑھیں۔
اگلا، خام ڈیٹا سیٹ پر تربیت کے لیے ڈیٹا تیار کریں۔ اس پوسٹ سے وابستہ python نوٹ بک میں، ڈاؤن لوڈ کردہ ریٹیل ڈیٹا سیٹ استعمال کریں۔ یہاں، اور اس پر کارروائی کریں۔ ڈیٹا سیٹ کے پیش نظر ہمارا کاروباری مقصد مخصوص میٹرک کال RFM استعمال کرنے والے صارفین کو کلسٹر کرنا ہے۔ RFM ماڈل تین مقداری عوامل پر مبنی ہے:
- Recency: ایک گاہک نے حال ہی میں کتنی خریداری کی ہے۔
- تعدد: ایک صارف کتنی بار خریداری کرتا ہے۔
- مانیٹری ویلیو: ایک صارف خریداری پر کتنی رقم خرچ کرتا ہے۔
RFM تجزیہ عددی طور پر ان تینوں زمروں میں سے ہر ایک میں صارف کی درجہ بندی کرتا ہے، عام طور پر 1 سے 5 کے پیمانے پر (جتنا زیادہ نمبر ہوگا، نتیجہ اتنا ہی بہتر ہوگا)۔ "بہترین" کسٹمر کو ہر زمرے میں ٹاپ سکور ملے گا۔ ہم پانڈا کے Quantile-based discretization function (qcut) کا استعمال کریں گے۔ اس سے اقدار کو برابر سائز کی بالٹیوں میں تقسیم کرنے میں مدد ملے گی یا نمونے کی مقدار کی بنیاد پر۔
اس مثال میں، ہم کی اسپیس ٹیبل سے ریکارڈ پڑھنے کے لیے CQL استعمال کرتے ہیں۔ کچھ ایم ایل استعمال کے معاملات میں، آپ کو ایک ہی کی اسپیس ٹیبل سے ایک ہی ڈیٹا کو متعدد بار پڑھنے کی ضرورت پڑسکتی ہے۔ اس صورت میں، ہم تجویز کریں گے کہ آپ اپنے ڈیٹا کو Amazon S3 بالٹی میں محفوظ کریں تاکہ اضافی اخراجات سے بچا جا سکے۔ لاگت آئےایمیزون کی اسپیسز سے پڑھ رہا ہے۔ آپ کے منظر نامے پر منحصر ہے، آپ بھی استعمال کر سکتے ہیں۔ ایمیزون ای ایم آر کرنے کے لئے inges سیج میکر میں ایک بہت بڑی ایمیزون S3 فائل۔
اگلا، ہم KMeans الگورتھم کا استعمال کرتے ہوئے ایک ML ماڈل کو تربیت دیتے ہیں اور اس بات کو یقینی بناتے ہیں کہ کلسٹرز بنائے گئے ہیں۔ اس مخصوص منظر نامے میں، آپ دیکھیں گے کہ بنائے گئے کلسٹر پرنٹ کیے گئے ہیں، جو یہ ظاہر کرتے ہیں کہ خام ڈیٹا سیٹ میں موجود صارفین کو ڈیٹا سیٹ میں مختلف خصوصیات کی بنیاد پر ایک ساتھ گروپ کیا گیا ہے۔ اس کلسٹر کی معلومات کو ٹارگٹڈ مارکیٹنگ مہمات کے لیے استعمال کیا جا سکتا ہے۔
(اختیاری) اس کے بعد، ہم ان کسٹمر سیگمنٹس کو محفوظ کرتے ہیں جن کی شناخت ایم ایل ماڈل کے ذریعے کی گئی ہے ٹارگٹڈ مارکیٹنگ کے لیے Amazon Keyspaces ٹیبل پر۔ بیچ کا کام اس ڈیٹا کو پڑھ سکتا ہے اور مخصوص طبقات میں صارفین کے لیے ہدفی مہم چلا سکتا ہے۔
آخر میں، ہم وسائل کو صاف کریں اضافی چارجز سے بچنے کے لیے اس ٹیوٹوریل کے دوران بنایا گیا۔
کی اسپیس اور ٹیبلز کو حذف کرنے میں چند سیکنڈ سے ایک منٹ کا وقت لگ سکتا ہے۔ جب آپ کسی کی اسپیس کو ڈیلیٹ کرتے ہیں تو کی اسپیس اور اس کے تمام ٹیبلز ڈیلیٹ ہوجاتے ہیں اور آپ ان سے چارجز وصول کرنا بند کردیتے ہیں۔
نتیجہ
اس پوسٹ نے آپ کو دکھایا کہ کس طرح ایمیزون کی اسپیسز سے کسٹمر ڈیٹا کو سیج میکر میں داخل کیا جائے اور ایک کلسٹرنگ ماڈل کو تربیت دی جائے جس سے آپ کو صارفین کو تقسیم کرنے کی اجازت ملتی ہے۔ آپ اس معلومات کو ٹارگٹڈ مارکیٹنگ کے لیے استعمال کر سکتے ہیں، اس طرح آپ کے کاروبار کے KPI کو بہت بہتر بنایا جا سکتا ہے۔ Amazon Keyspaces کے بارے میں مزید جاننے کے لیے، درج ذیل وسائل کا جائزہ لیں:
- Train Machine Learning Models using Amazon Keyspaces as a Data Source (SageMaker Notebook)
- Connect to Amazon Keyspaces from your desktop using IntelliJ, PyCharm, or DataGrip IDEs
- CQL Language Reference for Amazon Keyspaces (for Apache Cassandra)
- How to set up command-line access to Amazon Keyspaces (for Apache Cassandra) by using the new developer toolkit Docker image
- Identity and Access Management for Amazon Keyspaces (for Apache Cassandra)
- Connecting to Amazon Keyspaces from SageMaker with service-specific credentials
- Recency, Frequency, Monetary Value (RFM)
- Kaggle code reference
مصنفین کے بارے میں
وادیم لیاخووچ سان فرانسسکو بے ایریا میں AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے جو صارفین کو AWS میں منتقل ہونے میں مدد کرتا ہے۔ وہ بڑے اداروں سے لے کر چھوٹے سٹارٹ اپس تک کی تنظیموں کے ساتھ کام کر رہا ہے تاکہ ان کی اختراعات کی حمایت کی جا سکے۔ وہ صارفین کو AWS پر اسکیل ایبل، محفوظ، اور لاگت سے موثر حل تیار کرنے میں بھی مدد کر رہا ہے۔
پارتھ پٹیل سان فرانسسکو بے ایریا میں AWS میں ایک حل آرکیٹیکٹ ہے۔ پارتھ گاہکوں کی رہنمائی کرتا ہے کہ وہ کلاؤڈ تک اپنے سفر کو تیز کریں اور AWS کلاؤڈ کو کامیابی سے اپنانے میں ان کی مدد کریں۔ وہ ایم ایل اور ایپلیکیشن ماڈرنائزیشن پر توجہ مرکوز کرتا ہے۔
رام پٹھانگی سان فرانسسکو بے ایریا میں AWS میں ایک حل آرکیٹیکٹ ہے۔ اس نے AWS کلاؤڈ پر اپنے کاروبار کو کامیابی سے چلانے کے لیے ایگریکلچر، انشورنس، بینکنگ، ریٹیل، ہیلتھ کیئر اینڈ لائف سائنسز، ہاسپیٹلٹی، اور ہائی ٹیک ورٹیکلز میں صارفین کی مدد کی ہے۔ وہ ڈیٹا بیس، تجزیات اور ایم ایل میں مہارت رکھتا ہے۔
- '
- "
- &
- 10
- 100
- 9
- کی صلاحیت
- ہمارے بارے میں
- رفتار کو تیز تر
- تک رسائی حاصل
- درست
- حاصل
- اعمال
- ایڈیشنل
- زراعت
- آگے
- یلگورتم
- تمام
- ایمیزون
- تجزیہ
- تجزیاتی
- ایک اور
- اے پی آئی
- APIs
- اپلی کیشن
- درخواست
- ایپلی کیشنز
- رقبہ
- توجہ
- اوصاف
- کی توثیق
- خود کار طریقے سے
- دستیاب
- AWS
- بینکنگ
- خلیج
- بلاگ
- سرحد
- تعمیر
- کاروبار
- کاروبار
- فون
- مہمات
- پرواہ
- مقدمات
- قسم
- سرٹیفکیٹ
- بوجھ
- انتخاب
- درجہ بندی
- بادل
- کوڈ
- مقابلے میں
- کمپیوٹر
- رابطہ قائم کریں
- کنکشن
- کنسول
- سرمایہ کاری مؤثر
- سکتا ہے
- ملک
- تخلیق
- بنائی
- اسناد
- گاہک
- گاہکوں
- اعداد و شمار
- ڈیٹا سیٹ
- ڈیٹا بیس
- ڈیٹا بیس
- فراہم کرتا ہے
- ترسیل
- منحصر ہے
- تعیناتی
- تعینات
- ڈیسک ٹاپ
- اس بات کا تعین
- ڈیولپر
- ڈویلپرز
- مختلف
- میں Docker
- نیچے
- ڈرائیور
- چھوڑ
- کے دوران
- آسانی سے
- انجینئرز
- اداروں
- کا سامان
- اندازوں کے مطابق
- مثال کے طور پر
- پھانسی
- عوامل
- پہلا
- پہلی بار
- فلیٹ
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- کھانا
- فرانسسکو
- تقریب
- مزید
- عام طور پر
- پیدا
- حاصل کرنے
- GitHub کے
- بہت
- گروپ
- گروپ کا
- ہدایات
- صحت
- حفظان صحت
- مدد
- مدد
- ہائی
- اعلی
- انتہائی
- تاریخ
- کس طرح
- کیسے
- تاہم
- HTTPS
- شناختی
- تصویر
- پر عملدرآمد
- بہتری
- کو بہتر بنانے کے
- شامل
- شامل ہیں
- انڈکس
- صنعتی
- معلومات
- انفراسٹرکچر
- بدعت
- انسٹال
- انشورنس
- ضم
- IT
- ایوب
- سفر
- کلیدی
- لیب
- زبان
- بڑے
- شروع
- پرت
- جانیں
- سیکھنے
- سطح
- زندگی سائنس
- لنکڈ
- دیکھو
- وفاداری
- مشین
- مشین لرننگ
- بنا
- برقرار رکھنے کے
- بناتا ہے
- انتظام
- میں کامیاب
- انتظام
- مینیجنگ
- مارکیٹنگ
- بڑے پیمانے پر
- کے ملاپ
- اراکین
- ML
- ماڈل
- ماڈل
- مالیاتی
- قیمت
- نگرانی
- زیادہ
- سب سے زیادہ
- ایک سے زیادہ
- ضروری
- نوٹ بک
- تعداد
- کام
- اصلاح کے
- تنظیمیں
- دیگر
- پیکج
- خاص طور پر
- پاس ورڈ
- پیچ
- ادا
- رابطہ بحال کرو
- پالیسیاں
- پالیسی
- مقبول
- ممکن
- ممکنہ
- پیشن گوئی
- تیار
- پچھلا
- قیمت
- پرائمری
- عمل
- عمل
- پروسیسنگ
- مصنوعات
- پیداوری
- پروفائل
- وعدہ
- فراہم
- فراہم کرتا ہے
- خرید
- خریداریوں
- مقدار کی
- جلدی سے
- لے کر
- خام
- پڑھنا
- وصول
- حال ہی میں
- سفارش
- ریکارڈ
- درخواستوں
- ضرورت
- ضروریات
- وسائل
- نتائج کی نمائش
- خوردہ
- کا جائزہ لینے کے
- رسک
- کردار
- روٹ
- رن
- سان
- سان فرانسسکو
- SC
- توسیع پذیر
- پیمانے
- سائنس
- سائنسدانوں
- سکرین
- تلاش کریں
- سیکنڈ
- محفوظ بنانے
- سیکورٹی
- سیکورٹی ٹوکن
- حصے
- انقطاع
- حصوں
- بے سرور
- سروس
- سروسز
- مقرر
- مشترکہ
- مختصر مدت کے
- دکھایا گیا
- اسی طرح
- سادہ
- سو
- چھوٹے
- So
- سافٹ ویئر کی
- ٹھوس
- حل
- کچھ
- مہارت دیتا ہے
- ڈھیر لگانا
- شروع
- سترٹو
- ذخیرہ
- ذخیرہ
- سٹوڈیو
- کامیابی کے ساتھ
- حمایت
- کے نظام
- سسٹمز
- بات
- ہدف
- ھدف بنائے گئے
- عارضی
- ۔
- کے ذریعے
- وقت
- اوقات
- آج
- مل کر
- ٹوکن
- ٹول کٹ
- اوزار
- سب سے اوپر
- تجارت
- ٹریننگ
- استعمال کی شرائط
- استعمال کے معاملات
- صارفین
- قیمت
- مختلف
- ورژن
- عمودی
- نقطہ نظر
- کیا
- کے اندر
- بغیر
- کام کر
- گا
- اور