BigQuery-এর সাথে AI-সহায়তাপ্রাপ্ত ডেটা সায়েন্স

1. ভূমিকা

সংক্ষিপ্ত বিবরণ

এই ল্যাবে, আপনি BigQuery- তে একটি মাল্টিমোডাল ডেটা সায়েন্স ওয়ার্কফ্লো অন্বেষণ করবেন, যা একটি রিয়েল এস্টেট দৃশ্যকল্পের উপর ভিত্তি করে তৈরি করা হয়েছে। আপনি বাড়ির তালিকা এবং তাদের চিত্রগুলির একটি কাঁচা ডেটাসেট দিয়ে শুরু করবেন, ভিজ্যুয়াল বৈশিষ্ট্যগুলি বের করার জন্য AI দিয়ে এই ডেটা সমৃদ্ধ করবেন, স্বতন্ত্র বাজার বিভাগগুলি আবিষ্কার করার জন্য একটি ক্লাস্টারিং মডেল তৈরি করবেন এবং অবশেষে, ভেক্টর এম্বেডিং ব্যবহার করে একটি শক্তিশালী ভিজ্যুয়াল অনুসন্ধান সরঞ্জাম তৈরি করবেন।

আপনি এই SQL-নেটিভ ওয়ার্কফ্লোকে একটি আধুনিক, জেনারেটিভ AI পদ্ধতির সাথে তুলনা করতে পারবেন , ডেটা সায়েন্স এজেন্ট ব্যবহার করে একটি সাধারণ টেক্সট প্রম্পট থেকে স্বয়ংক্রিয়ভাবে একটি পাইথন-ভিত্তিক ক্লাস্টারিং মডেল তৈরি করতে পারবেন।

তুমি কি শিখবে

• ফিচার ইঞ্জিনিয়ারিংয়ের মাধ্যমে বিশ্লেষণের জন্য রিয়েল এস্টেট তালিকার একটি কাঁচা ডেটাসেট প্রস্তুত করুন ।
• BigQuery-এর AI ফাংশন ব্যবহার করে বাড়ির ছবি বিশ্লেষণ করে মূল ভিজ্যুয়াল বৈশিষ্ট্যগুলি সংগ্রহ করে তালিকা সমৃদ্ধ করুন ।
• বৈশিষ্ট্যগুলিকে স্বতন্ত্র ক্লাস্টারে ভাগ করার জন্য BigQuery মেশিন লার্নিং (BQML) দিয়ে একটি K-মানক মডেল তৈরি এবং মূল্যায়ন করুন ।
• পাইথনের সাহায্যে একটি ক্লাস্টারিং মডেল তৈরি করতে ডেটা সায়েন্স এজেন্ট ব্যবহার করে স্বয়ংক্রিয় মডেল তৈরি করুন ।
• একটি ভিজ্যুয়াল সার্চ টুলকে শক্তিশালী করার জন্য বাড়ির ছবির জন্য এম্বেডিং তৈরি করুন , টেক্সট বা ইমেজ কোয়েরি সহ একই রকম বাড়ি খুঁজে বের করুন।

পূর্বশর্ত

এই ল্যাবটি শুরু করার আগে, আপনার নিম্নলিখিত বিষয়গুলির সাথে পরিচিত হওয়া উচিত:

• বেসিক এসকিউএল এবং পাইথন প্রোগ্রামিং।
• একটি Jupyter নোটবুকে Python কোড চালানো।

2. শুরু করার আগে

একটি গুগল ক্লাউড প্রজেক্ট তৈরি করুন

1. গুগল ক্লাউড কনসোলে , প্রজেক্ট সিলেক্টর পৃষ্ঠায়, একটি গুগল ক্লাউড প্রজেক্ট নির্বাচন করুন বা তৈরি করুন ।

2. আপনার ক্লাউড প্রোজেক্টের জন্য বিলিং সক্ষম আছে কিনা তা নিশ্চিত করুন। কোনও প্রোজেক্টে বিলিং সক্ষম আছে কিনা তা কীভাবে পরীক্ষা করবেন তা শিখুন।

ক্লাউড শেল দিয়ে API গুলি সক্ষম করুন

ক্লাউড শেল হল গুগল ক্লাউডে চলমান একটি কমান্ড-লাইন পরিবেশ যা প্রয়োজনীয় সরঞ্জামগুলির সাথে প্রিলোডেড থাকে।

1. গুগল ক্লাউড কনসোলের উপরে "অ্যাক্টিভেট ক্লাউড শেল" এ ক্লিক করুন:

2. ক্লাউড শেলের সাথে সংযুক্ত হয়ে গেলে, ক্লাউড শেলে আপনার প্রমাণীকরণ যাচাই করতে এই কমান্ডটি চালান:

gcloud auth list

3. আপনার প্রকল্পটি gcloud এর সাথে ব্যবহারের জন্য কনফিগার করা হয়েছে তা নিশ্চিত করতে নিম্নলিখিত কমান্ডটি চালান:

gcloud config list project

4. যদি আপনার প্রকল্পটি সেট না করা থাকে, তাহলে এটি সেট করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

API গুলি সক্ষম করুন

1. সমস্ত প্রয়োজনীয় API এবং পরিষেবা সক্রিয় করতে এই কমান্ডটি চালান:

gcloud services enable bigquery.googleapis.com \
                       bigqueryunified.googleapis.com \
                       cloudaicompanion.googleapis.com \
                       aiplatform.googleapis.com

2. কমান্ডটি সফলভাবে কার্যকর করার পরে, আপনি নীচের দেখানো বার্তার মতো একটি বার্তা দেখতে পাবেন:

Operation "operations/..." finished successfully.

3. ক্লাউড শেল থেকে প্রস্থান করুন।

৩. BigQuery স্টুডিওতে ল্যাব নোটবুক খুলুন

UI নেভিগেট করা:

1. গুগল ক্লাউড কনসোলে, নেভিগেশন মেনু > বিগকুয়েরি এ যান।

2. BigQuery Studio প্যানে, ড্রপডাউন তীর বোতামে ক্লিক করুন, Notebook এর উপর কার্সার রাখুন, এবং তারপর Upload নির্বাচন করুন।

3. URL রেডিও বোতামটি নির্বাচন করুন এবং নিম্নলিখিত URL টি ইনপুট করুন:

https://github.com/GoogleCloudPlatform/generative-ai/blob/main/gemini/use-cases/applying-llms-to-data/ai-assisted-data-science/ai-assisted-data-science.ipynb

4. অঞ্চলটি us-central1 এ সেট করুন এবং Upload এ ক্লিক করুন।

5. নোটবুকটি খুলতে, আপনার প্রোজেক্ট আইডি সম্বলিত এক্সপ্লোরার প্যানে ড্রপডাউন তীরটিতে ক্লিক করুন। তারপর Notebooks এর জন্য ড্রপডাউনে ক্লিক করুন। notebook ai-assisted-data-science ক্লিক করুন।

6. (ঐচ্ছিক) আরও জায়গার জন্য BigQuery নেভিগেশন মেনু এবং নোটবুকের সূচীপত্র সঙ্কুচিত করুন।

৪. একটি রানটাইমের সাথে সংযোগ করুন এবং সেটআপ কোড চালান

1. Connect এ ক্লিক করুন। যদি একটি পপ-আপ প্রদর্শিত হয়, তাহলে Colab Enterprise কে আপনার ব্যবহারকারীর সাথে অনুমোদন করুন। আপনার নোটবুক স্বয়ংক্রিয়ভাবে একটি রানটাইমের সাথে সংযুক্ত হবে। এটি সম্পূর্ণ হতে কয়েক মিনিট সময় লাগতে পারে।

2. রানটাইম প্রতিষ্ঠিত হয়ে গেলে, আপনি নিম্নলিখিতগুলি দেখতে পাবেন:

3. নোটবুকের মধ্যে, সেটআপ বিভাগে স্ক্রোল করুন। লুকানো কোষগুলির পাশে "চালান" বোতামে ক্লিক করুন। এটি আপনার প্রকল্পের ল্যাবের জন্য প্রয়োজনীয় কিছু সংস্থান তৈরি করে। এই প্রক্রিয়াটি সম্পূর্ণ হতে এক মিনিট সময় লাগতে পারে। ইতিমধ্যে সেটআপের অধীনে কোষগুলি পরীক্ষা করতে দ্বিধা করবেন না।

দ্রষ্টব্য: আপনার নোটবুক খোলা এবং প্রস্তুত থাকা অবস্থায়, আপনি এখন মূলত Colab Enterprise পরিবেশের মধ্যেই কাজ করবেন। নোটবুকে সমস্ত কোড এবং সম্পূর্ণ কর্মপ্রবাহের জন্য বিস্তারিত, সেল-বাই-সেল ব্যাখ্যা রয়েছে।

এই কোডল্যাবটি একটি উচ্চ-স্তরের নির্দেশিকা হিসেবে কাজ করে, যা আপনার অগ্রগতি ট্র্যাক করতে সাহায্য করার জন্য সংক্ষিপ্ত সারসংক্ষেপ প্রদান করে।

৫. ডেটা প্রস্তুতি এবং বৈশিষ্ট্য প্রকৌশল

এই বিভাগে, আপনি যেকোনো ডেটা সায়েন্স প্রকল্পের প্রথম গুরুত্বপূর্ণ ধাপটি অতিক্রম করবেন: আপনার ডেটা প্রস্তুত করা। আপনি আপনার কাজ সংগঠিত করার জন্য একটি BigQuery ডেটাসেট তৈরি করে শুরু করেন এবং তারপর ক্লাউড স্টোরেজের একটি CSV ফাইল থেকে কাঁচা রিয়েল এস্টেট / হাউজিং ডেটা একটি নতুন টেবিলে লোড করেন।

তারপর, আপনি এই কাঁচা ডেটাটিকে নতুন বৈশিষ্ট্য সহ একটি পরিষ্কার টেবিলে রূপান্তর করবেন। এর মধ্যে রয়েছে তালিকাগুলি ফিল্টার করা, একটি নতুন property_age বৈশিষ্ট্য তৈরি করা এবং মাল্টিমোডাল বিশ্লেষণের জন্য চিত্র ডেটা প্রস্তুত করা।

৬. এআই ফাংশন সহ মাল্টিমোডাল সমৃদ্ধকরণ

এখন আপনি জেনারেটিভ এআই এর শক্তি ব্যবহার করে আপনার ডেটা সমৃদ্ধ করবেন। এই বিভাগে, আপনি প্রতিটি বাড়ির তালিকার জন্য ছবি বিশ্লেষণ করতে BigQuery এর অন্তর্নির্মিত এআই ফাংশন ব্যবহার করবেন।

BigQuery কে একটি Gemini মডেলের সাথে সংযুক্ত করে, আপনি SQL এর মাধ্যমে সরাসরি ছবি থেকে নতুন, মূল্যবান বৈশিষ্ট্যগুলি (যেমন একটি সম্পত্তি জলের কাছাকাছি কিনা এবং বাড়ির একটি সংক্ষিপ্ত বিবরণ) বের করতে পারেন।

৭. কে-মিনস ক্লাস্টারিং সহ মডেল প্রশিক্ষণ

আপনার নতুন সমৃদ্ধ ডেটাসেটের সাহায্যে, আপনি একটি মেশিন লার্নিং মডেল তৈরি করতে প্রস্তুত। আপনার লক্ষ্য হল হাউস তালিকাগুলিকে আলাদা আলাদা গ্রুপে ভাগ করা, এবং আপনি BigQuery মেশিন লার্নিং (BQML) ব্যবহার করে BigQuery-তে সরাসরি একটি K-মানে ক্লাস্টারিং মডেল প্রশিক্ষণ দিয়ে এটি করেন। এই একক পদক্ষেপের অংশ হিসাবে, আপনি Vertex AI মডেল রেজিস্ট্রিতে মডেলটি নিবন্ধনও করেন, যা এটি Google ক্লাউডের বৃহত্তর MLOps ইকোসিস্টেমের মধ্যে তাৎক্ষণিকভাবে উপলব্ধ করে তোলে।

আপনার মডেলটি সফলভাবে নিবন্ধিত হয়েছে কিনা তা নিশ্চিত করতে, আপনি এই পদক্ষেপগুলি অনুসরণ করে Vertex AI মডেল রেজিস্ট্রিতে এটি খুঁজে পেতে পারেন:

1. গুগল ক্লাউড কনসোলে, উপরের বাম কোণে নেভিগেশন মেনু (☰) এ ক্লিক করুন।
2. Vertex AI বিভাগে স্ক্রোল করুন এবং Model Registry এ ক্লিক করুন। এখন আপনি আপনার BQML মডেলটি আপনার অন্যান্য সমস্ত কাস্টম মডেলের সাথে তালিকাভুক্ত দেখতে পাবেন।

3. মডেলের তালিকায়, housing_clustering নামের মডেলটি খুঁজুন। আপনি পরবর্তী পদক্ষেপ নিতে পারেন Deploy to an endpoint , যা আপনার মডেলটিকে BigQuery পরিবেশের বাইরে রিয়েল-টাইম, অনলাইন ভবিষ্যদ্বাণীর জন্য উপলব্ধ করবে।

মডেল রেজিস্ট্রি অন্বেষণ করার পরে, আপনি এই পদক্ষেপগুলি অনুসরণ করে BigQuery-তে আপনার Colab নোটবুকে ফিরে যেতে পারেন:

1. নেভিগেশন মেনুতে (☰), BigQuery > Studio এ যান।
2. আপনার নোটবুকটি খুঁজে পেতে এবং এটি খুলতে এক্সপ্লোর প্যানে মেনুগুলি প্রসারিত করুন।

৮. মডেল মূল্যায়ন এবং ভবিষ্যদ্বাণী

আপনার মডেলকে প্রশিক্ষণ দেওয়ার পর, পরবর্তী ধাপ হল এটি তৈরি করা ক্লাস্টারগুলি বোঝা। এখানে, আপনি মডেলের গুণমান এবং প্রতিটি বিভাগের সংজ্ঞায়িত বৈশিষ্ট্য বিশ্লেষণ করতে ML.EVALUATE এবং ML.CENTROIDS এর মতো BigQuery মেশিন লার্নিং ফাংশন ব্যবহার করেন।

এরপর আপনি ML.PREDICT ব্যবহার করে প্রতিটি ঘরকে একটি ক্লাস্টারে বরাদ্দ করবেন। %%bigquery df magic কমান্ড দিয়ে এই কোয়েরিটি চালানোর মাধ্যমে, আপনি ফলাফলগুলি df নামক একটি pandas DataFrame-এ সংরক্ষণ করবেন। এটি পরবর্তী Python ধাপগুলির জন্য তাৎক্ষণিকভাবে ডেটা উপলব্ধ করে। এটি Colab Enterprise-এ SQL এবং Python-এর মধ্যে আন্তঃকার্যক্ষমতা তুলে ধরে।

৯. ক্লাস্টারগুলিকে কল্পনা এবং ব্যাখ্যা করুন

আপনার ভবিষ্যদ্বাণীগুলি এখন একটি ডেটাফ্রেমে লোড করে, আপনি ডেটাকে জীবন্ত করে তোলার জন্য ভিজ্যুয়ালাইজেশন তৈরি করতে পারেন। এই বিভাগে, আপনি হাউজিং সেগমেন্টের মধ্যে পার্থক্যগুলি অন্বেষণ করতে Matplotlib-এর মতো জনপ্রিয় পাইথন লাইব্রেরি ব্যবহার করবেন।

আপনি মূল্য এবং সম্পত্তির বয়সের মতো মূল বৈশিষ্ট্যগুলির দৃশ্যত তুলনা করার জন্য বক্স প্লট এবং বার চার্ট তৈরি করবেন, যা প্রতিটি ক্লাস্টারের একটি স্বজ্ঞাত ধারণা তৈরি করা সহজ করে তুলবে।

১০. জেমিনি মডেল দিয়ে ক্লাস্টার বর্ণনা তৈরি করুন

যদিও সংখ্যাসূচক সেন্ট্রয়েড এবং চার্টগুলি শক্তিশালী, জেনারেটিভ এআই আপনাকে আরও এক ধাপ এগিয়ে যেতে এবং প্রতিটি আবাসন বিভাগের জন্য সমৃদ্ধ, গুণগত ব্যক্তিত্ব তৈরি করতে দেয়। এটি আপনাকে কেবল ক্লাস্টারগুলি কী তা নয়, তারা কাদের প্রতিনিধিত্ব করে তা বুঝতে সহায়তা করে।

এই বিভাগে, আপনি প্রথমে প্রতিটি ক্লাস্টারের গড় পরিসংখ্যান, যেমন মূল্য এবং বর্গফুট একত্রিত করবেন। তারপর, আপনি এই তথ্যটি জেমিনি মডেলের জন্য একটি প্রম্পটে প্রেরণ করবেন। তারপরে আপনি মডেলটিকে একজন রিয়েল এস্টেট পেশাদার হিসাবে কাজ করার নির্দেশ দেবেন এবং প্রতিটি বিভাগের জন্য মূল বৈশিষ্ট্য এবং লক্ষ্য ক্রেতা সহ একটি বিশদ সারাংশ তৈরি করবেন। ফলাফল হল স্পষ্ট, মানুষের পাঠযোগ্য বর্ণনার একটি সেট যা ক্লাস্টারগুলিকে তাৎক্ষণিকভাবে বোধগম্য এবং একটি বিপণন দলের জন্য কার্যকর করে তোলে।

আপনার পছন্দ অনুযায়ী প্রম্পট পরিবর্তন করতে দ্বিধা করবেন না এবং ফলাফল নিয়ে পরীক্ষা-নিরীক্ষা করুন!

১১. ডেটা সায়েন্স এজেন্টের সাহায্যে স্বয়ংক্রিয় মডেলিং

এখন, আপনি একটি শক্তিশালী, বিকল্প কর্মপ্রবাহ অন্বেষণ করবেন। ম্যানুয়ালি কোড লেখার পরিবর্তে, আপনি একটি একক, প্রাকৃতিক ভাষা প্রম্পট থেকে স্বয়ংক্রিয়ভাবে একটি সম্পূর্ণ ক্লাস্টারিং মডেল কর্মপ্রবাহ তৈরি করতে ইন্টিগ্রেটেড ডেটা সায়েন্স এজেন্ট ব্যবহার করবেন।

এজেন্ট ব্যবহার করে মডেল তৈরি এবং চালানোর জন্য এই পদক্ষেপগুলি অনুসরণ করুন:

1. BigQuery Studio প্যানে, ড্রপডাউন তীর বোতামে ক্লিক করুন, Notebook এর উপর কার্সর রাখুন, এবং তারপর Empty Notebook নির্বাচন করুন। এটি নিশ্চিত করে যে এজেন্টের কোড আপনার মূল ল্যাব নোটবুকের সাথে হস্তক্ষেপ না করে।

2. নোটবুকের নীচে ডেটা সায়েন্স এজেন্ট চ্যাট ইন্টারফেসটি খোলে। ডানদিকে চ্যাটটি পিন করতে প্যানেলে সরান বোতামে ক্লিক করুন।

3. চ্যাট প্যানে @listing_multimodal টাইপ করে টেবিলে ক্লিক করুন । এটি স্পষ্টভাবে listings_multimodal টেবিলটিকে প্রসঙ্গ হিসেবে সেট করে।

4. নিচের প্রম্পটটি কপি করে এজেন্ট চ্যাট বক্সে প্রবেশ করান। এরপর, এজেন্টের কাছে প্রম্পটটি জমা দিতে পাঠান-এ ক্লিক করুন।

   Use the selected table to generate a k-means clustering model with 3 clusters for housing listings. Then, help me understand the characteristics of each cluster so I can market to them as a real estate professional. Use Python.
   

5. এজেন্ট চিন্তা করবে এবং একটি পরিকল্পনা তৈরি করবে। যদি আপনি এই পরিকল্পনার সাথে একমত হন, তাহলে Accept & Run এ ক্লিক করুন। এজেন্ট এক বা একাধিক নতুন কোষে Python কোড তৈরি করবে।

6. এজেন্ট আপনাকে তার তৈরি করা প্রতিটি কোড ব্লক গ্রহণ এবং চালাতে বলবে। এটি একজন মানুষকে লুপের মধ্যে রাখে। কোডটি পর্যালোচনা বা সম্পাদনা করতে দ্বিধা করবেন না এবং প্রতিটি ধাপ শেষ না হওয়া পর্যন্ত চালিয়ে যান।

7. একবার আপনি শেষ করলে, এই নতুন নোটবুক ট্যাবটি বন্ধ করুন এবং ল্যাবের চূড়ান্ত অংশটি চালিয়ে যেতে মূল ai-assisted-data-science.ipynb ট্যাবে ফিরে যান।

১২. এম্বেডিং এবং ভেক্টর অনুসন্ধান সহ মাল্টিমোডাল অনুসন্ধান

এই শেষ অংশে, আপনি সরাসরি BigQuery-এর মধ্যে মাল্টিমোডাল অনুসন্ধান বাস্তবায়ন করবেন। এটি স্বজ্ঞাত অনুসন্ধানের অনুমতি দেয়, যেমন টেক্সট বর্ণনার উপর ভিত্তি করে বাড়ি খুঁজে বের করা বা নমুনা ছবির মতো দেখতে বাড়ি খুঁজে বের করা।

এই প্রক্রিয়াটি প্রথমে প্রতিটি ঘরের ছবিকে একটি সংখ্যাসূচক উপস্থাপনায় রূপান্তর করে যাকে এম্বেডিং বলা হয়। একটি এম্বেডিং একটি ছবির শব্দার্থিক অর্থ ধারণ করে, যার ফলে আপনি তাদের সংখ্যাসূচক ভেক্টর তুলনা করে অনুরূপ আইটেম খুঁজে পেতে পারেন।

আপনার সমস্ত তালিকার জন্য এই ভেক্টরগুলি তৈরি করতে আপনি multimodalembedding মডেল ব্যবহার করবেন। অনুসন্ধান ত্বরান্বিত করার জন্য একটি ভেক্টর সূচক তৈরি করার পরে, আপনি দুটি ধরণের সাদৃশ্য অনুসন্ধান করবেন: টেক্সট-টু-ইমেজ (একটি বর্ণনার সাথে মেলে এমন ঘরগুলি খুঁজে বের করা) এবং ইমেজ-টু-ইমেজ (একটি নমুনা ছবির মতো দেখতে ঘরগুলি খুঁজে বের করা)।

আপনি BigQuery-তে এই সমস্ত কিছু সম্পূর্ণ করবেন, এম্বেডিং তৈরি করতে ML.GENERATE_EMBEDDING বা সাদৃশ্য অনুসন্ধানের জন্য VECTOR_SEARCH এর মতো ফাংশন ব্যবহার করে।

১৩. পরিষ্কার করা

এই প্রকল্পে ব্যবহৃত সমস্ত Google ক্লাউড রিসোর্স পরিষ্কার করতে, আপনি Google ক্লাউড প্রকল্পটি মুছে ফেলতে পারেন।

বিকল্পভাবে, আপনার নোটবুকের একটি নতুন কক্ষে নিম্নলিখিত কোডটি চালিয়ে আপনি আপনার তৈরি করা পৃথক সংস্থানগুলি মুছে ফেলতে পারেন:

# Delete the BigQuery tables
!bq rm --table -f housing_dataset.listings
!bq rm --table -f housing_dataset.listings_multimodal
!bq rm --table -f housing_dataset.home_embeddings

# Delete the remote model
!bq rm --model -f housing_dataset.gemini
!bq rm --model -f housing_dataset.kmeans_clustering_model
!bq rm --model -f housing_dataset.multimodal_embedding_model

# Delete the remote connection
!bq rm --connection --project_id=$PROJECT_ID --location=us ai_connection

# Delete the BigQuery dataset
!bq rm -r -f $PROJECT_ID:housing_dataset

অবশেষে, আপনি নোটবুকটি নিজেই মুছে ফেলতে পারেন:

1. BigQuery Studio-এর Explorer প্যানে, আপনার প্রকল্প এবং Notebooks নোড প্রসারিত করুন।
2. ai-assisted-data-science নোটবুকের পাশে থাকা তিনটি উল্লম্ব বিন্দুতে ক্লিক করুন।
3. মুছুন নির্বাচন করুন।

১৪. অভিনন্দন!

কোডল্যাব সম্পূর্ণ করার জন্য অভিনন্দন!

আমরা যা কভার করেছি

• ফিচার ইঞ্জিনিয়ারিংয়ের মাধ্যমে বিশ্লেষণের জন্য রিয়েল এস্টেট তালিকার একটি কাঁচা ডেটাসেট প্রস্তুত করুন ।
• BigQuery-এর AI ফাংশন ব্যবহার করে বাড়ির ছবি বিশ্লেষণ করে মূল ভিজ্যুয়াল বৈশিষ্ট্যগুলি সংগ্রহ করে তালিকা সমৃদ্ধ করুন ।
• বৈশিষ্ট্যগুলিকে স্বতন্ত্র ক্লাস্টারে ভাগ করার জন্য BigQuery মেশিন লার্নিং (BQML) দিয়ে একটি K-মানক মডেল তৈরি এবং মূল্যায়ন করুন ।
• পাইথনের সাহায্যে একটি ক্লাস্টারিং মডেল তৈরি করতে ডেটা সায়েন্স এজেন্ট ব্যবহার করে স্বয়ংক্রিয় মডেল তৈরি করুন ।
• একটি ভিজ্যুয়াল সার্চ টুলকে শক্তিশালী করার জন্য বাড়ির ছবির জন্য এম্বেডিং তৈরি করুন , টেক্সট বা ইমেজ কোয়েরি সহ একই রকম বাড়ি খুঁজে বের করুন।