প্রশ্ন:
এর চেয়ে ভাল আর কী, একটি প্ল্যাটফর্ম বা এডাব্লুএস-এ আপনার নিজস্ব মেশিন লার্নিং অ্যালগরিদম?
উত্তর:আজকাল, অনেক সংস্থাগুলি ব্র্যান্ড পরিচালনা বৃদ্ধির জন্য, গ্রাহকের অভিজ্ঞতা উন্নত করতে এবং পরিচালন দক্ষতা বৃদ্ধির জন্য তাদের বিশ্লেষণ সরঞ্জাম সেটটিতে মেশিন লার্নিং সমাধানগুলিকে একীভূত করেছে। মেশিন লার্নিং মডেলগুলি মেশিন লার্নিং সলিউশনগুলির মূল উপাদান। মডেলগুলি নির্ভরযোগ্য ভবিষ্যদ্বাণী করতে গাণিতিক অ্যালগরিদম এবং বড় ডেটা সেট ব্যবহার করে প্রশিক্ষিত হয়। পূর্বাভাসের দুটি সাধারণ উদাহরণ হ'ল (১) আর্থিক লেনদেনের একটি সেট জালিয়াতি নির্দেশ করে কিনা তা নির্ধারণ করে বা (২) সামাজিক মিডিয়া থেকে সংগৃহীত ইনপুটের উপর ভিত্তি করে কোনও পণ্যের চারপাশে ভোক্তাদের অনুভূতি মূল্যায়ন করে।
অ্যামাজন সেজমেকার একটি সম্পূর্ণরূপে পরিচালিত পরিষেবা যা বিকাশকারী এবং ডেটা বিজ্ঞানীদের মেশিন লার্নিং মডেলগুলি তৈরি, প্রশিক্ষণ এবং স্থাপন করতে দেয় lets সেজমেকারে আপনি বাক্সের বাইরে অ্যালগোরিদম ব্যবহার করতে পারেন বা আরও কাস্টমাইজড সমাধানের জন্য আপনার নিজের পথে আনতে পারেন। উভয় পছন্দ বৈধ এবং সফল মেশিন লার্নিং সমাধানের ভিত্তিতে সমানভাবে পরিবেশন করে।
(সম্পাদকের দ্রষ্টব্য: আপনি সেজমেকারের অন্যান্য বিকল্পগুলি দেখতে পারেন।)
সেজমেকারের বাইরে থাকা অ্যালগোরিদমগুলিতে চিত্রের শ্রেণিবদ্ধকরণ, প্রাকৃতিক ভাষা প্রসেসিং ইত্যাদির জন্য জনপ্রিয়, অত্যন্ত অনুকূলিতকরণের উদাহরণ অন্তর্ভুক্ত রয়েছে list সম্পূর্ণ তালিকাটি এখানে পাওয়া যাবে ।
- অফ-অফ-বক্স সুবিধা: এই অ্যালগোরিদমগুলি প্রাক-অনুকূলিতকরণ করা হয়েছে (এবং ক্রমাগত উন্নতিতে চলছে)। আপনি উঠতে পারেন, দৌড়াতে এবং দ্রুত মোতায়েন হতে পারেন। এছাড়াও, এডাব্লুএস স্বয়ংক্রিয় হাইপার-প্যারামিটার টিউনিং উপলব্ধ।
- বক্স-এর বাইরে বিবেচ্য বিষয়গুলি: উপরে উল্লিখিত অবিচ্ছিন্ন উন্নতিগুলি ফলাফল হিসাবে ভবিষ্যদ্বাণী করতে পারে না যে আপনার অ্যালগরিদমের বাস্তবায়নের উপর আপনার সম্পূর্ণ নিয়ন্ত্রণ রয়েছে।
যদি এই অ্যালগরিদমগুলি আপনার প্রকল্পের জন্য উপযুক্ত না হয় তবে আপনার কাছে আরও তিনটি পছন্দ রয়েছে: (১) অ্যামাজনের অ্যাপাচি স্পার্ক লাইব্রেরি, (২) কাস্টম পাইথন কোড (যা টেনসরএফলো বা অ্যাপাচি এমএক্সনেট ব্যবহার করে) বা (3) "আপনার নিজের আনুন" যেখানে আপনি মূলত অসংযত, তবে আপনার মডেলটিকে প্রশিক্ষণ ও পরিবেশন করতে একটি ডকার চিত্র তৈরি করতে হবে (আপনি এখানে নির্দেশাবলী ব্যবহার করে এটি করতে পারেন)।
আপনার নিজেরাই এনে দেওয়া আপনাকে সম্পূর্ণ স্বাধীনতা দেয়। এটি এমন ডেটা বিজ্ঞানীদের কাছে আকর্ষণীয় প্রমাণিত হতে পারে যারা ইতিমধ্যে কাস্টম এবং / অথবা মালিকানাধীন অ্যালগরিদমিক কোডের একটি লাইব্রেরি তৈরি করেছেন যা বর্তমান বক্স-অফ-সেট-তে উপস্থাপিত হতে পারে না।
- আপনার নিজের উপকারগুলি আনুন: মালিকানা আইপি ব্যবহারের সাথে পুরো ডেটা সায়েন্স পাইপলাইনের উপর সম্পূর্ণ নিয়ন্ত্রণ সক্ষম করে।
- আপনার নিজের বিবেচনা আনুন: ফলাফল মডেলকে প্রশিক্ষণ ও পরিবেশন করার জন্য ডকারাইজেশন প্রয়োজন required অ্যালগরিদমিক উন্নতিগুলি অন্তর্ভুক্ত করা আপনার দায়িত্ব।
আপনার অ্যালগরিদম পছন্দ নির্বিশেষে, AWS এ সেজমেকার একটি ডেটা বিজ্ঞানের দৃষ্টিকোণ থেকে স্বাচ্ছন্দ্যের উপর কতটা ফোকাস দেওয়া হয়েছে তা দেওয়া বিবেচনা করার মতো একটি দৃষ্টিভঙ্গি। আপনি যদি কখনও কোনও স্থানীয় পরিবেশ থেকে কোনও হোস্টেড কোনওটিতে একটি মেশিন লার্নিং প্রকল্পটি স্থানান্তরিত করার চেষ্টা করে থাকেন, তবে আপনি কীভাবে নির্বিঘ্ন সেজমেকার এটি তৈরি করেন তা নিয়ে আপনি আনন্দিত অবাক হবেন। এবং আপনি যদি স্ক্র্যাচ থেকে শুরু করে থাকেন তবে ইতিমধ্যে আপনার নখদর্পণে কতটা রয়েছে তা প্রদত্ত আপনি ইতিমধ্যে আপনার লক্ষ্যের আরও কয়েক ধাপ এগিয়ে রয়েছেন।
