ایمیزون سیج میکر ایک مکمل طور پر منظم مشین لرننگ (ML) سروس ہے۔ SageMaker کے ساتھ، ڈیٹا سائنسدان اور ڈویلپرز ایم ایل ماڈلز کو تیزی سے اور آسانی سے تیار اور تربیت دے سکتے ہیں، اور پھر انہیں براہ راست پیداوار کے لیے تیار میزبان ماحول میں تعینات کر سکتے ہیں۔ Sagemaker تلاش اور تجزیہ کے لیے آپ کے ڈیٹا کے ذرائع تک آسان رسائی کے لیے ایک مربوط Jupyter تصنیف کردہ نوٹ بک مثال فراہم کرتا ہے، لہذا آپ کو سرورز کا انتظام کرنے کی ضرورت نہیں ہے۔ یہ عام ML الگورتھم بھی فراہم کرتا ہے جو تقسیم شدہ ماحول میں انتہائی بڑے ڈیٹا کے خلاف موثر انداز میں چلانے کے لیے موزوں ہیں۔
سیج میکر کا تقاضہ ہے کہ ایم ایل ماڈل کے لیے تربیتی ڈیٹا یا تو اس میں موجود ہو۔ Amazon Simple Storage Service (Amazon S3)، Amazon Elastic File System (Amazon EFS) یا Amazon FSx for Luster (مزید معلومات کے لیے، Access Training Data سے رجوع کریں). تین معاون سٹوریج سروسز کے باہر ذخیرہ کردہ ڈیٹا کا استعمال کرتے ہوئے ماڈل کو تربیت دینے کے لیے، پہلے ڈیٹا کو ان میں سے کسی ایک سروس (عام طور پر Amazon S3) میں داخل کرنے کی ضرورت ہے۔ اس کے لیے ڈیٹا پائپ لائن بنانے کی ضرورت ہے (جیسے ٹولز کا استعمال کرتے ہوئے ایمیزون سیج میکر ڈیٹا رینگلرایمیزون S3 میں ڈیٹا منتقل کرنے کے لیے۔ تاہم، یہ نقطہ نظر اس ڈیٹا سٹوریج میڈیم کے لائف سائیکل کو منظم کرنے، ایکسیس کنٹرول کو تیار کرنے، ڈیٹا آڈیٹنگ، اور اسی طرح، تربیتی کام کے دورانیے کے لیے ٹریننگ ڈیٹا کو اسٹیج کرنے کے مقصد کے لیے ڈیٹا مینجمنٹ چیلنج پیدا کر سکتا ہے۔ ایسے حالات میں، ایمیزون S3 میں ڈیٹا کے درمیانی سٹوریج کے بغیر عارضی تربیتی مثالوں کے ساتھ منسلک عارضی اسٹوریج میڈیا میں SageMaker تک ڈیٹا تک رسائی حاصل کرنا ضروری ہو سکتا ہے۔
یہ پوسٹ اسے استعمال کرنے کا ایک طریقہ دکھاتی ہے۔ میں Snowflake ڈیٹا ماخذ کے طور پر اور Snowflake سے ڈیٹا کو براہ راست SageMaker Training جاب مثال میں ڈاؤن لوڈ کر کے۔
حل جائزہ
ہم استعمال کرتے ہیں کیلیفورنیا ہاؤسنگ ڈیٹاسیٹ اس پوسٹ کے لیے ایک تربیتی ڈیٹاسیٹ کے طور پر اور ہر ضلع کے لیے گھر کی اوسط قیمت کی پیشن گوئی کرنے کے لیے ایک ML ماڈل کو تربیت دیں۔ ہم اس ڈیٹا کو Snowflake میں ایک نئے ٹیبل کے طور پر شامل کرتے ہیں۔ ہم ایک حسب ضرورت ٹریننگ کنٹینر بناتے ہیں جو ڈیٹا کو S3 بالٹی میں پہلے ڈاؤن لوڈ کرنے کے بجائے Snowflake ٹیبل سے براہ راست تربیتی مثال میں ڈاؤن لوڈ کرتا ہے۔ ٹریننگ مثال میں ڈیٹا ڈاؤن لوڈ ہونے کے بعد، کسٹم ٹریننگ اسکرپٹ ڈیٹا کی تیاری کے کام انجام دیتا ہے اور پھر ایم ایل ماڈل کو تربیت دیتا ہے۔ XGBoost تخمینہ لگانے والا. اس پوسٹ کے تمام کوڈ میں دستیاب ہے۔ GitHub repo.
مندرجہ ذیل اعداد و شمار SageMaker کے ساتھ ML ماڈلز کو تربیت دینے کے لیے Snowflake کو ڈیٹا سورس کے طور پر استعمال کرنے کے مجوزہ حل کے اعلیٰ سطحی فن تعمیر کی نمائندگی کرتا ہے۔
ورک فلو کے مراحل درج ذیل ہیں:
- سیج میکر نوٹ بک اور ایک سیٹ اپ کریں۔ AWS شناخت اور رسائی کا انتظام SageMaker تک رسائی کی اجازت دینے کے لیے مناسب اجازتوں کے ساتھ (IAM) کا کردار ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر)، سیکرٹس مینیجر، اور آپ کے AWS اکاؤنٹ میں دیگر خدمات۔
- اپنے سنو فلیک اکاؤنٹ کی اسناد کو AWS سیکرٹس مینیجر میں اسٹور کریں۔
- اپنے Snowflake اکاؤنٹ میں ایک ٹیبل میں ڈیٹا داخل کریں۔
- ML ماڈل ٹریننگ کے لیے ایک حسب ضرورت کنٹینر امیج بنائیں اور اسے Amazon ECR پر دھکیلیں۔
- ایم ایل ماڈل کی تربیت کے لیے سیج میکر ٹریننگ کا کام شروع کریں۔ تربیتی مثال سیکرٹس مینیجر سے Snowflake کی اسناد بازیافت کرتی ہے اور پھر Snowflake سے ڈیٹا سیٹ کو براہ راست ڈاؤن لوڈ کرنے کے لیے ان اسناد کا استعمال کرتی ہے۔ یہ وہ قدم ہے جو پہلے S3 بالٹی میں ڈیٹا ڈاؤن لوڈ کرنے کی ضرورت کو ختم کرتا ہے۔
- تربیت یافتہ ML ماڈل کو S3 بالٹی میں محفوظ کیا جاتا ہے۔
شرائط
اس پوسٹ میں فراہم کردہ حل کو نافذ کرنے کے لیے، آپ کے پاس ہونا چاہیے۔ AWS اکاؤنٹ، ایک سنو فلیک اکاؤنٹ اور سیج میکر سے واقفیت۔
سیج میکر نوٹ بک اور IAM رول مرتب کریں۔
ہم سیج میکر نوٹ بک بنانے کے لیے AWS CloudFormation کا استعمال کرتے ہیں۔ aws-aiml-blogpost-sagemaker-snowflake-example
اور ایک IAM کردار کہا جاتا ہے۔ SageMakerSnowFlakeExample
. منتخب کریں اسٹیک لانچ کریں۔ اس خطے کے لیے جس میں آپ وسائل تعینات کرنا چاہتے ہیں۔
سیکرٹس مینیجر میں سنو فلیک اسناد کو اسٹور کریں۔
اپنی سنو فلیک اسناد کو سیکرٹ مینیجر میں ایک راز کے طور پر محفوظ کریں۔ راز بنانے کے طریقے سے متعلق ہدایات کے لیے، ملاحظہ کریں۔ Create an AWS Secrets Manager secret
.
- راز کا نام بتائیں
snowflake_credentials
. اس کی ضرورت ہے کیونکہ کوڈ اندر ہے۔snowflake-load-dataset.ipynb
امید ہے کہ اس راز کو کہا جائے گا۔ - راز کو دو کلیدوں کے ساتھ کلیدی قدر کے جوڑے کے طور پر بنائیں:
- کا صارف کا نام - آپ کا Snowflake صارف نام۔
- پاس ورڈ - آپ کے سنو فلیک صارف نام سے وابستہ پاس ورڈ۔
اپنے Snowflake اکاؤنٹ میں ایک ٹیبل میں ڈیٹا داخل کریں۔
ڈیٹا اکٹھا کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:
- سیج میکر کنسول پر، منتخب کریں۔ نوٹ بک نیوی گیشن پین میں.
- نوٹ بک aws-aiml-blogpost-sagemaker-snowflake-مثال منتخب کریں اور منتخب کریں JupyterLab کھولیں۔.
- میں سے انتخاب کریں
snowflake-load-dataset.ipynb
اسے JupyterLab میں کھولنے کے لیے۔ یہ نوٹ بک ہضم کرے گی۔ کیلیفورنیا ہاؤسنگ ڈیٹاسیٹ سنو فلیک ٹیبل پر۔ - نوٹ بک میں، مندرجہ ذیل سیل کے مواد میں ترمیم کریں تاکہ پلیس ہولڈر کی قدروں کو آپ کے سنو فلیک اکاؤنٹ سے مماثل ایک سے تبدیل کریں:
- رن مینو پر، منتخب کریں۔ تمام سیل چلائیں۔ اس نوٹ بک میں کوڈ چلانے کے لیے۔ یہ ڈیٹاسیٹ کو مقامی طور پر نوٹ بک میں ڈاؤن لوڈ کرے گا اور پھر اسے Snowflake ٹیبل میں داخل کرے گا۔
نوٹ بک میں درج ذیل کوڈ کا ٹکڑا ڈیٹاسیٹ کو Snowflake میں داخل کرتا ہے۔ دیکھیں snowflake-load-dataset.ipynb
مکمل کوڈ کے لیے نوٹ بک۔
- تمام سیلز بغیر کسی خرابی کے چلنے کے بعد نوٹ بک کو بند کر دیں۔ آپ کا ڈیٹا اب Snowflake میں دستیاب ہے۔ مندرجہ ذیل اسکرین شاٹ دکھاتا ہے۔
california_housing
Snowflake میں بنائی گئی میز۔
چلائیں sagemaker-snowflake-example.ipynb
نوٹ بک
یہ نوٹ بک Snowflake کنکشن کے ساتھ ایک حسب ضرورت ٹریننگ کنٹینر بناتی ہے، Snowflake سے ڈیٹا کو Amazon S3 میں اسٹیج کیے بغیر ٹریننگ مثال کے عارضی اسٹوریج میں نکالتی ہے، اور ڈیٹا پر ڈسٹری بیوٹڈ ڈیٹا پیریلل (DDP) XGBoost ماڈل ٹریننگ انجام دیتی ہے۔ اتنے چھوٹے ڈیٹاسیٹ پر ماڈل ٹریننگ کے لیے DDP ٹریننگ کی ضرورت نہیں ہے۔ اسے یہاں حال ہی میں جاری کردہ ایک اور سیج میکر فیچر کی مثال کے لیے شامل کیا گیا ہے۔
تربیت کے لیے ایک حسب ضرورت کنٹینر بنائیں
اب ہم ایم ایل ماڈل ٹریننگ جاب کے لیے ایک حسب ضرورت کنٹینر بناتے ہیں۔ نوٹ کریں کہ ڈوکر کنٹینر بنانے کے لیے جڑ تک رسائی درکار ہے۔ اس SageMaker نوٹ بک کو جڑ تک رسائی کے ساتھ تعینات کیا گیا تھا۔ اگر آپ کی انٹرپرائز تنظیم کی پالیسیاں کلاؤڈ وسائل تک روٹ رسائی کی اجازت نہیں دیتی ہیں، تو آپ مندرجہ ذیل Docker فائل اور شیل اسکرپٹس کو کہیں اور Docker کنٹینر بنانے کے لیے استعمال کرنا چاہیں گے (مثال کے طور پر، آپ کا لیپ ٹاپ) اور پھر اسے Amazon ECR پر دھکیلیں۔ ہم SageMaker XGBoost کنٹینر امیج پر مبنی کنٹینر استعمال کرتے ہیں۔ 246618743249.dkr.ecr.us-west-2.amazonaws.com/sagemaker-xgboost:1.5-1
مندرجہ ذیل اضافے کے ساتھ:
- ۔ Python کے لیے Snowflake کنیکٹر Snowflake ٹیبل سے ڈیٹا کو تربیتی مثال میں ڈاؤن لوڈ کرنے کے لیے۔
- Snowflake اسناد کو بازیافت کرنے کے لیے سیکرٹس مینیجر سے جڑنے کے لیے ایک ازگر کا اسکرپٹ۔
Snowflake کنیکٹر اور Python اسکرپٹ کا استعمال اس بات کو یقینی بناتا ہے کہ جو صارفین اس کنٹینر امیج کو ML ماڈل ٹریننگ کے لیے استعمال کرتے ہیں انہیں اس کوڈ کو اپنی ٹریننگ اسکرپٹ کے حصے کے طور پر لکھنے کی ضرورت نہیں ہے اور وہ اس فعالیت کو استعمال کر سکتے ہیں جو ان کے لیے پہلے سے دستیاب ہے۔
تربیتی کنٹینر کے لیے درج ذیل ڈاکر فائل ہے:
کنٹینر کی تصویر بنائی گئی ہے اور اسے Amazon ECR پر دھکیل دیا گیا ہے۔ یہ تصویر ML ماڈل کی تربیت کے لیے استعمال ہوتی ہے۔
سیج میکر ٹریننگ جاب کا استعمال کرتے ہوئے ایم ایل ماڈل کو تربیت دیں۔
کنٹینر کی تصویر کو کامیابی سے بنانے اور اسے Amazon ECR پر دھکیلنے کے بعد، ہم اسے ماڈل ٹریننگ کے لیے استعمال کرنا شروع کر سکتے ہیں۔
- ہم Snowflake سے ڈیٹا ڈاؤن لوڈ کرنے کے لیے Python اسکرپٹس کا ایک سیٹ بناتے ہیں۔ Python کے لیے Snowflake کنیکٹر، ڈیٹا تیار کریں اور پھر استعمال کریں۔
XGBoost Regressor
ایم ایل ماڈل کو تربیت دینا۔ یہ ڈیٹا کو براہ راست تربیتی مثال میں ڈاؤن لوڈ کرنے کا مرحلہ ہے جو ایمیزون S3 کو تربیتی ڈیٹا کے لیے انٹرمیڈیٹ اسٹوریج کے طور پر استعمال کرنے سے گریز کرتا ہے۔ - ہم تربیتی کوڈ کو ڈیٹا کا ایک بے ترتیب ذیلی سیٹ ڈاؤن لوڈ کروا کر تقسیم شدہ ڈیٹا متوازی تربیت کی سہولت فراہم کرتے ہیں تاکہ ہر تربیتی مثال Snowflake سے مساوی ڈیٹا ڈاؤن لوڈ کرے۔ مثال کے طور پر، اگر دو ٹریننگ نوڈس ہیں، تو ہر نوڈ Snowflake ٹیبل میں قطاروں کے 50% کا بے ترتیب نمونہ ڈاؤن لوڈ کرتا ہے۔ درج ذیل کوڈ کو دیکھیں:
- اس کے بعد ہم SageMaker SDK کو تربیتی اسکرپٹ فراہم کرتے ہیں۔
Estimator
سورس ڈائرکٹری کے ساتھ تاکہ ہم جو بھی اسکرپٹ بناتے ہیں وہ ٹریننگ کنٹینر کو فراہم کیے جاسکتے ہیں جب ٹریننگ کا کام چلایا جاتا ہےEstimator.fit
طریقہ:مزید معلومات کے لئے ملاحظہ کریں سکیٹ- لرن ٹریننگ اسکرپٹ تیار کریں۔.
- ماڈل ٹریننگ مکمل ہونے کے بعد، تربیت یافتہ ماڈل بطور دستیاب ہوتا ہے۔
model.tar.gz
خطے کے لیے ڈیفالٹ سیج میکر بالٹی میں فائل:
اب آپ نئے ڈیٹا کا اندازہ لگانے کے لیے تربیت یافتہ ماڈل کو تعینات کر سکتے ہیں! ہدایات کے لیے، رجوع کریں۔ اپنا اختتامی نقطہ بنائیں اور اپنا ماڈل متعین کریں۔
صاف کرو
مستقبل کے چارجز سے بچنے کے لیے، وسائل کو حذف کریں۔ آپ IAM رول اور SageMaker نوٹ بک بنانے کے لیے استعمال ہونے والے CloudFormation ٹیمپلیٹ کو حذف کر کے ایسا کر سکتے ہیں۔
آپ کو Snowflake کنسول سے Snowflake وسائل کو دستی طور پر حذف کرنا پڑے گا۔
نتیجہ
اس پوسٹ میں، ہم نے دکھایا کہ کس طرح Snowflake ٹیبل میں ذخیرہ کردہ ڈیٹا کو SageMaker Training Job مثال کے طور پر ڈاؤن لوڈ کرنا ہے اور کسٹم ٹریننگ کنٹینر کا استعمال کرتے ہوئے XGBoost ماڈل کو تربیت دینا ہے۔ یہ نقطہ نظر ہمیں Snowflake کو ڈیٹا سورس کے طور پر SageMaker نوٹ بک کے ساتھ ضم کرنے کی اجازت دیتا ہے بغیر ایمیزون S3 میں ڈیٹا کو اسٹیج کیے بغیر۔
ہم آپ کو دریافت کرکے مزید جاننے کی ترغیب دیتے ہیں۔ Amazon SageMaker Python SDK اور اس پوسٹ میں فراہم کردہ نمونے کے نفاذ اور آپ کے کاروبار سے متعلقہ ڈیٹا سیٹ کا استعمال کرتے ہوئے ایک حل تیار کرنا۔ اگر آپ کے سوالات یا مشورے ہیں تو ایک تبصرہ چھوڑیں۔
مصنفین کے بارے میں
امیت اروڑا ایمیزون ویب سروسز میں ایک AI اور ML ماہر معمار ہے، جو انٹرپرائز صارفین کو کلاؤڈ بیسڈ مشین لرننگ سروسز استعمال کرنے میں مدد کرتا ہے تاکہ وہ اپنی اختراعات کو تیزی سے پیمانہ کرسکیں۔ وہ واشنگٹن ڈی سی میں جارج ٹاؤن یونیورسٹی میں ایم ایس ڈیٹا سائنس اور تجزیاتی پروگرام میں منسلک لیکچرر بھی ہیں۔
دیویا مرلی دھرن ایمیزون ویب سروسز میں ایک حل آرکیٹیکٹ ہے۔ وہ انٹرپرائز کے صارفین کو ٹیکنالوجی کے ساتھ کاروباری مسائل حل کرنے میں مدد کرنے کے بارے میں پرجوش ہے۔ اس نے روچیسٹر انسٹی ٹیوٹ آف ٹیکنالوجی سے کمپیوٹر سائنس میں ماسٹرز کیا ہے۔ دفتر سے باہر، وہ کھانا پکانے، گانے، اور پودے اگانے میں وقت گزارتی ہے۔
سرگئی ارمولن AWS میں پرنسپل AIML سلوشنز آرکیٹیکٹ ہیں۔ اس سے پہلے، وہ Intel میں گہری سیکھنے، تجزیات، اور بڑی ڈیٹا ٹیکنالوجیز کے لیے سافٹ ویئر سلوشن آرکیٹیکٹ تھے۔ مشین لرننگ اور مصنوعی ذہانت کے شوق کے ساتھ سلیکن ویلی کے ایک تجربہ کار، سرجی کو GPU سے پہلے کے دنوں سے نیورل نیٹ ورکس میں دلچسپی رہی ہے، جب اس نے ہیولٹ پیکارڈ میں کوارٹز کرسٹل اور سیزیم ایٹمک کلاک کے بڑھاپے کے رویے کا اندازہ لگانے کے لیے ان کا استعمال کیا۔ سرجی کے پاس اسٹینفورڈ سے MSEE اور CS کا سرٹیفکیٹ ہے اور کیلیفورنیا اسٹیٹ یونیورسٹی، سیکرامنٹو سے فزکس اور مکینیکل انجینئرنگ میں BS کی ڈگری ہے۔ کام سے باہر، سرجی کو شراب سازی، اسکیئنگ، بائیک چلانے، جہاز رانی اور سکوبا ڈائیونگ کا شوق ہے۔ سرجی ایک رضاکار پائلٹ بھی ہیں۔ فرشتہ پرواز.
- 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/use-snowflake-as-a-data-source-to-train-ml-models-with-amazon-sagemaker/
- : ہے
- $UP
- 1
- 10
- 7
- 8
- a
- ہمارے بارے میں
- تک رسائی حاصل
- قابل رسائی
- اکاؤنٹ
- اضافے
- کے بعد
- کے خلاف
- خستہ
- AI
- اے آئی ایم ایل
- یلگوردمز
- تمام
- کی اجازت دیتا ہے
- پہلے ہی
- ایمیزون
- ایمیزون ایف ایس ایکس
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- رقم
- تجزیہ
- تجزیاتی
- اور
- ایک اور
- نقطہ نظر
- مناسب
- فن تعمیر
- کیا
- مصنوعی
- مصنوعی ذہانت
- AS
- منسلک
- At
- آڈیٹنگ
- تصنیف
- دستیاب
- AWS
- AWS کلاؤڈ فارمیشن
- بیس
- کی بنیاد پر
- BE
- کیونکہ
- بگ
- بگ ڈیٹا
- تعمیر
- عمارت
- تعمیر
- کاروبار
- by
- کیلی فورنیا
- کہا جاتا ہے
- کر سکتے ہیں
- خلیات
- سرٹیفکیٹ
- چیلنج
- بوجھ
- میں سے انتخاب کریں
- صفائی
- گھڑیوں
- بادل
- کوڈ
- کالم
- کالم
- تبصرہ
- کامن
- مکمل
- کمپیوٹر
- کمپیوٹر سائنس
- رابطہ قائم کریں
- کنکشن
- کنسول
- کنٹینر
- پر مشتمل ہے
- مندرجات
- کنٹرول
- تخلیق
- بنائی
- پیدا
- تخلیق
- اسناد
- اپنی مرضی کے
- گاہکوں
- اعداد و شمار
- ڈیٹا مینجمنٹ
- ڈیٹا کی تیاری
- ڈیٹا سائنس
- ڈیٹا اسٹوریج
- تاریخ کے وقت
- دن
- ڈیڈیپی
- فیصلہ کرنا
- گہری
- گہری سیکھنے
- پہلے سے طے شدہ
- ڈگری
- تعیناتی
- تعینات
- ڈویلپرز
- براہ راست
- تقسیم کئے
- ضلع
- میں Docker
- نہیں
- ڈاؤن لوڈ، اتارنا
- ڈاؤن لوڈز
- ہر ایک
- آسانی سے
- مؤثر طریقے سے
- یا تو
- ختم
- دوسری جگہوں پر
- چالو حالت میں
- کی حوصلہ افزائی
- اختتام پوائنٹ
- انجنیئرنگ
- یقینی بناتا ہے
- انٹرپرائز
- ماحولیات
- خرابی
- مثال کے طور پر
- عملدرآمد
- موجود ہے
- امید ہے
- کی تلاش
- ایکسپلور
- نچوڑ۔
- انتہائی
- سہولت
- منصفانہ
- واقفیت
- نمایاں کریں
- اعداد و شمار
- فائل
- فائنل
- پہلا
- فٹ
- کے بعد
- مندرجہ ذیل ہے
- کے لئے
- سے
- مکمل
- مکمل طور پر
- فعالیت
- مستقبل
- حاصل
- حاصل کرنے
- GitHub کے
- جا
- بڑھتے ہوئے
- ہے
- ہونے
- مدد
- یہاں
- اعلی سطحی
- کی ڈگری حاصل کی
- میزبانی کی
- میزبان
- ہاؤس
- ہاؤسنگ
- کس طرح
- کیسے
- تاہم
- HTML
- HTTPS
- شناختی
- تصویر
- پر عملدرآمد
- نفاذ
- درآمد
- in
- شامل
- شامل
- انڈکس
- معلومات
- بدعت
- انسٹال
- مثال کے طور پر
- انسٹی ٹیوٹ
- ہدایات
- ضم
- ضم
- انٹیل
- انٹیلی جنس
- دلچسپی
- IT
- ایوب
- چابیاں
- لیپ ٹاپ
- بڑے
- آخری
- جانیں
- سیکھنے
- چھوڑ دو
- زندگی کا دورانیہ
- ln
- مقامی طور پر
- مشین
- مشین لرننگ
- انتظام
- میں کامیاب
- انتظام
- مینیجر
- مینیجنگ
- دستی طور پر
- کے ملاپ
- میکانی
- میڈیا
- درمیانہ
- مینو
- طریقہ
- ML
- ماڈل
- ماڈل
- زیادہ
- منتقل
- MS
- نام
- سمت شناسی
- ضرورت ہے
- ضروریات
- نیٹ ورک
- نیند نیٹ ورک
- نئی
- اگلے
- نوڈ
- نوڈس
- نوٹ بک
- تعداد
- اعتراض
- of
- دفتر
- on
- ایک
- کھول
- اصلاح
- حکم
- تنظیم
- دیگر
- باہر
- پیکج
- pandas
- پین
- متوازی
- حصہ
- جذبہ
- جذباتی
- پاس ورڈ
- کارکردگی کا مظاہرہ
- اجازتیں
- طبعیات
- پائلٹ
- پائپ لائن
- پلیس ہولڈر
- پودے
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پالیسیاں
- آباد ہے
- پوسٹ
- پیشن گوئی
- تیار
- حال (-)
- پہلے
- پرنسپل
- مسائل
- پروگرام
- مجوزہ
- فراہم
- فراہم
- فراہم کرتا ہے
- مقصد
- پش
- دھکیل دیا
- ازگر
- سوالات
- جلدی سے
- بے ترتیب
- میں تیزی سے
- بلکہ
- پڑھیں
- حال ہی میں
- ریکارڈ
- کم
- خطے
- جاری
- متعلقہ
- کی جگہ
- کی نمائندگی کرتا ہے
- ضرورت
- کی ضرورت ہے
- وسائل
- واپسی
- کردار
- جڑ
- ROW
- رن
- Sacramento
- sagemaker
- سیلنگ
- محفوظ کریں
- پیمانے
- سائنس
- سائنسدانوں
- سائنٹ سیکھنا
- سکرپٹ
- sdk
- خفیہ
- سرورز
- سروس
- سروسز
- مقرر
- شکل
- شیل
- ہونا چاہئے
- شوز
- اہم
- سلیکن
- سلیکن ویلی
- سادہ
- بعد
- حالات
- چھوٹے
- So
- سافٹ ویئر کی
- حل
- حل
- حل
- ماخذ
- ذرائع
- خلا
- ماہر
- کھینچنا
- شروع کریں
- حالت
- بیان
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- ذیلی نیٹ
- کامیابی کے ساتھ
- اس طرح
- حمایت
- تائید
- کے نظام
- ٹیبل
- کاموں
- ٹیکنالوجی
- ٹیکنالوجی
- سانچے
- شرائط
- کہ
- ۔
- ماخذ
- ان
- ان
- یہ
- تین
- کے ذریعے
- وقت
- کرنے کے لئے
- اوزار
- کل
- ٹرین
- تربیت یافتہ
- ٹریننگ
- ٹرینوں
- عام طور پر
- یونیورسٹی
- اپ ڈیٹ کریں
- us
- استعمال کی شرائط
- رکن کا
- صارفین
- وادی
- قیمت
- اقدار
- تجربہ کار
- رضاکارانہ
- واشنگٹن
- راستہ..
- ویب
- ویب خدمات
- جس
- ڈبلیو
- گے
- ساتھ
- کے اندر
- بغیر
- کام
- لکھنا
- XGBoost
- تم
- اور
- زیفیرنیٹ