Vertex AI এবং BigQuery ML এর সাথে সময় সিরিজের পূর্বাভাস

1. ওভারভিউ

এই ল্যাবে, আপনি শিখবেন কিভাবে TensorFlow এর সাথে একটি টাইম-সিরিজের পূর্বাভাস মডেল তৈরি করতে হয়, এবং তারপর শিখবেন কিভাবে এই মডেলগুলিকে Vertex AI এর সাথে স্থাপন করতে হয়।

আপনি কি শিখুন

আপনি কিভাবে শিখবেন:

  • ডেটা ট্রান্সফর্ম করুন যাতে এটি একটি ML মডেলে ব্যবহার করা যায়
  • ভিজ্যুয়ালাইজ করুন এবং ডেটা অন্বেষণ করুন
  • একটি সময়-সিরিজ পূর্বাভাস মডেল তৈরি করতে BigQuery ML ব্যবহার করুন
  • LSTM এবং CNN আর্কিটেকচার ব্যবহার করে TensorFlow-এর সাথে একটি টাইম-সিরিজ পূর্বাভাস মডেল তৈরি করুন

2. সময়-সিরিজ পূর্বাভাসের ভূমিকা

এই কোডল্যাবের ফোকাস হল কিভাবে Google ক্লাউড প্ল্যাটফর্ম ব্যবহার করে সময়-সিরিজের পূর্বাভাস কৌশল প্রয়োগ করা যায় । এটি একটি সাধারণ সময়-সিরিজের পূর্বাভাস কোর্স নয়, তবে ধারণাগুলির একটি সংক্ষিপ্ত সফর আমাদের ব্যবহারকারীদের জন্য সহায়ক হতে পারে।

সময় সিরিজ ডেটা

প্রথম, একটি সময় সিরিজ কি? এটি নিয়মিত সময়ের ব্যবধানে রেকর্ড করা ডেটা সহ একটি ডেটাসেট। একটি সময়-সিরিজ ডেটাসেটে সময় এবং কমপক্ষে একটি পরিবর্তনশীল উভয়ই থাকে যা সময়ের উপর নির্ভরশীল।

85af6a1ff05c69f2.png

উপাদান

একটি সময়-সিরিজ উপাদানগুলিতে পচনশীল হতে পারে:

  • প্রবণতা : যুক্তিসঙ্গতভাবে অনুমানযোগ্য প্যাটার্নে উপরে বা নিচে চলে
  • মৌসুমী : একটি নির্দিষ্ট সময়ের মধ্যে পুনরাবৃত্তি যেমন একটি দিন, সপ্তাহ, মাস, ঋতু, ইত্যাদি।
  • এলোমেলো : অবশিষ্ট ওঠানামা

ঋতুত্বের একাধিক স্তর থাকতে পারে। উদাহরণস্বরূপ, একটি কল সেন্টার সপ্তাহের নির্দিষ্ট দিনে এবং নির্দিষ্ট মাসগুলিতে কল ভলিউমের একটি প্যাটার্ন দেখতে পারে। অবশিষ্টাংশ সময় ছাড়াও অন্যান্য ভেরিয়েবল দ্বারা ব্যাখ্যা করা যেতে পারে।

6e8d45bbbbc388ec.png

স্থিরতা

পূর্বাভাসের সর্বোত্তম ফলাফলের জন্য, টাইম-সিরিজ ডেটা স্থির করা উচিত, যেখানে পরিসংখ্যানগত বৈশিষ্ট্য যেমন গড় এবং বৈচিত্র সময়ের সাথে স্থির থাকে। টেকনিক যেমন ডিফারেন্সিং এবং ডিট্রেন্ডিং কাঁচা ডেটাতে প্রয়োগ করা যেতে পারে যাতে এটি আরও স্থির হয়।

উদাহরণস্বরূপ, CO2 ঘনত্বের নীচের প্লটটি একটি ঊর্ধ্বমুখী প্রবণতা সহ একটি পুনরাবৃত্তিমূলক বার্ষিক প্যাটার্ন দেখায়। ( সূত্র )

ab82857e2e7d0b89.png

রৈখিক প্রবণতা মুছে ফেলার পরে, ডেটা পূর্বাভাসের জন্য আরও উপযুক্ত, কারণ এটির এখন একটি ধ্রুবক গড় রয়েছে।

c936381ab1095528.png

মেশিন লার্নিংয়ের জন্য টাইম সিরিজ ডেটা ব্যবহার করা

একটি মেশিন লার্নিং সমস্যায় টাইম-সিরিজ ডেটা ব্যবহার করতে, এটিকে রূপান্তরিত করতে হবে যাতে পূর্ববর্তী মানগুলি ভবিষ্যতের মানগুলির পূর্বাভাস দিতে ব্যবহার করা যেতে পারে। এই টেবিলটি লক্ষ্য ভবিষ্যদ্বাণী করতে সাহায্য করার জন্য কীভাবে ল্যাগড ভেরিয়েবল তৈরি করা হয় তার একটি উদাহরণ দেখায়।

d667a941dbd470f5.png

এখন আমরা কিছু মৌলিক বিষয় কভার করেছি, আসুন ডেটা এবং পূর্বাভাস অন্বেষণ শুরু করা যাক!

3. আপনার নোটবুক পরিবেশ সেটআপ করুন

এখন যেহেতু আমরা ডেটার একটি সংক্ষিপ্ত ভূমিকা নিয়েছি, এখন আমাদের মডেল ডেভেলপমেন্ট এনভায়রনমেন্ট সেট আপ করা যাক।

ধাপ 1: APIs সক্ষম করুন

BigQuery সংযোগকারী BigQuery স্টোরেজ API ব্যবহার করে। কনসোলে BigQuery স্টোরেজ API অনুসন্ধান করুন এবং যদি এটি বর্তমানে নিষ্ক্রিয় থাকে তবে API সক্ষম করুন৷

9895a2fd3cdf8f8c.png

ধাপ 2: একটি ভার্টেক্স এআই ওয়ার্কবেঞ্চ নোটবুক তৈরি করুন

আপনার ক্লাউড কনসোলের ভার্টেক্স এআই ওয়ার্কবেঞ্চ বিভাগে নেভিগেট করুন এবং নতুন নোটবুকে ক্লিক করুন। তারপর GPU ছাড়া সর্বশেষ TensorFlow Enterprise 2.x নোটবুকের ধরন নির্বাচন করুন:

4e7b73eabf2bc061.png

ডিফল্ট বিকল্পগুলি ব্যবহার করুন এবং তারপরে তৈরি করুন ক্লিক করুন। একবার উদাহরণ তৈরি হয়ে গেলে, JupyterLab খুলুন নির্বাচন করুন:

18c9f3c462aafaee.png

তারপর, JupyterLab থেকে একটি পাইথন 3 নোটবুক তৈরি করুন:

58523671a252b95a.png

ধাপ 3: ল্যাব সামগ্রী ডাউনলোড করুন

JupyterLab ইন্টারফেস থেকে একটি নতুন টার্মিনাল উইন্ডো তৈরি করুন: ফাইল -> নতুন -> টার্মিনাল।

সেখান থেকে, এই কমান্ড দিয়ে উৎস উপাদান ক্লোন করুন:

git clone https://github.com/GoogleCloudPlatform/training-data-analyst

4. ডেটা অন্বেষণ এবং ভিজ্যুয়ালাইজ করুন

এই বিভাগে, আপনি করবেন:

  • একটি ক্যোয়ারী তৈরি করুন যা ডেটাকে একটি টাইম সিরিজে গোষ্ঠীভুক্ত করে
  • অনুপস্থিত মান পূরণ করুন
  • ডেটা ভিজ্যুয়ালাইজ করুন
  • প্রবণতা এবং ঋতু উপাদান মধ্যে সময়-সিরিজ পচন

ধাপ 1

Vertex AI Workbench-এ, training-data-analyst/courses/ai-for-time-series/notebooks নেভিগেট করুন এবং 01-explore.ipynb খুলুন।

ধাপ 2

নোটবুকের সমস্ত ঘর সাফ করুন (সম্পাদনা > সমস্ত আউটপুট সাফ করুন), প্রথম কয়েকটি ঘরের একটিতে অঞ্চল, প্রকল্প এবং বালতি সেটিংস পরিবর্তন করুন এবং তারপরে একের পর এক কোষ চালান।

ধাপ 3

এই বিভাগে, আপনি ডেটা আমদানি করেছেন এবং এর বিভিন্ন মাত্রা কল্পনা করেছেন। এখন যেহেতু আপনার কাছে ডেটার একটি পরিষ্কার ছবি আছে, আপনি এই ডেটা ব্যবহার করে মেশিন লার্নিং মডেলিং এ এগিয়ে যেতে প্রস্তুত হবেন।

55839e7bc0427915.png

5. BigQuery সময় সিরিজের পূর্বাভাস সহ একটি মডেল তৈরি করুন৷

এই বিভাগে, আপনি করবেন:

  • একটি BigQuery টেবিলে আপনার টাইম সিরিজ ইনপুট ডেটা আমদানি করুন
  • BQML সিনট্যাক্স ব্যবহার করে একটি টাইম সিরিজ মডেল তৈরি করুন
  • আপনার মডেল প্যারামিটার এবং নির্ভুলতা মূল্যায়ন কিভাবে শিখুন
  • আপনার মডেল ব্যবহার করে পূর্বাভাস

ধাপ 1

আমরা এইমাত্র যে CSV অন্বেষণ করেছি তার কাঁচা ডেটা দিয়ে আমরা একটি BigQuery টেবিল তৈরি করতে যাচ্ছি। নোটবুক পরিবেশ থেকে CSV ডাউনলোড করে শুরু করা যাক।

training-data-analyst/courses/ai-for-time-series/notebooks/data ডিরেক্টরি থেকে, cta_ridership.csv এ ডান-ক্লিক করুন এবং আপনার স্থানীয় পরিবেশে ডাউনলোড করুন ।

ধাপ 2

এর পরে, আমরা এই ডেটা একটি BigQuery টেবিলে আপলোড করব।

কনসোলে BigQuery নেভিগেট করুন (এই লিঙ্কটি অনুসন্ধান করে বা ব্যবহার করে):

649e7ab1c44b75e8.png

আপনি একটি নতুন বা বিদ্যমান ডেটাসেটে টেবিলটি যোগ করতে পারেন, যা সম্পর্কিত টেবিলগুলিকে গোষ্ঠীভুক্ত করে। যদি আপনি ইতিমধ্যে একটি ডেটাসেট তৈরি না করে থাকেন, আপনি নীচের-বাম কোণে আপনার প্রকল্পে ক্লিক করতে পারেন, এবং তারপরে নীচে-ডান কোণায় ডেটাসেট তৈরি করুন নির্বাচন করতে পারেন৷

281b97020cd52f29.png

আপনার পছন্দের একটি নাম চয়ন করুন, যেমন demo , ডিফল্টগুলি স্বীকার করুন এবং চালিয়ে যান৷

সেই ডেটাসেটটি নির্বাচন করে, একটি নতুন টেবিল তৈরি করতে নীচের-ডান কোণায় টেবিল তৈরি করুন নির্বাচন করুন।

ad47810d44cfb289.png

টেবিল তৈরির বিকল্পগুলির জন্য, নির্বাচন করুন:

  • থেকে টেবিল তৈরি করুন: আপলোড
  • ফাইল নির্বাচন করুন: cta_ridership.csv
  • টেবিলের নাম: cta_ridership
  • স্কিমা: স্কিমা এবং ইনপুট পরামিতিগুলি স্বয়ংক্রিয়ভাবে সনাক্ত করতে বাক্সটি চেক করুন৷

213e4177e9e79544.png

ধাপ 3

এখন আমাদের মডেল তৈরি করার সময়! BigQuery ML SQL-এর মতো একটি সরল বাক্য গঠন প্রদান করে যা আপনাকে বিভিন্ন ধরনের মডেল তৈরি করতে সক্ষম করে।

ক্যোয়ারী এডিটরে, এই ক্যোয়ারীতে পেস্ট/টাইপ করুন, উভয় জায়গায় আপনার ডেটাসেটের নামের সাথে প্রয়োজন হলে ডেমো প্রতিস্থাপন করুন:

CREATE OR REPLACE MODEL
  `demo.cta_ridership_model` OPTIONS(MODEL_TYPE='ARIMA',
    TIME_SERIES_TIMESTAMP_COL='service_date',
    TIME_SERIES_DATA_COL='total_rides',
    HOLIDAY_REGION='us') AS
SELECT
  service_date, total_rides
FROM
  `demo.cta_ridership`

আসুন বোঝার জন্য সিনট্যাক্সের মূল উপাদানগুলি দিয়ে যাই:

CREATE OR REPLACE MODEL
demo.cta_ridership_model

এই বিবৃতিটি মডেল তৈরি করে। এই বিবৃতিটির বিভিন্ন রূপ রয়েছে, যেমন CREATE MODEL , কিন্তু আমরা এখানে একই নামের একটি বিদ্যমান মডেল প্রতিস্থাপন করতে বেছে নিয়েছি।

OPTIONS(MODEL_TYPE='ARIMA' ... )

এখানে, আমরা মডেলের বিকল্পগুলিকে সংজ্ঞায়িত করি, প্রথম বিকল্পটি হল মডেলের ধরন। ARIMA নির্বাচন করা একটি সময়-সিরিজ পূর্বাভাস মডেল তৈরি করবে।

TIME_SERIES_TIMESTAMP_COL='service_date'

তারিখ/সময় তথ্য সহ কলাম

TIME_SERIES_DATA_COL='total_rides'

ডেটা কলাম

HOLIDAY_REGION='us'

এই ঐচ্ছিক পরামিতিটি আমাদেরকে মডেলের মধ্যে ছুটির দিনগুলি অন্তর্ভুক্ত করার অনুমতি দেয়। যেহেতু পূর্ববর্তী ধাপে আমাদের ডেটা অন্বেষণ দেখায় যে ছুটির দিনে রাইডার সংখ্যা কম ছিল এবং ডেটা শিকাগো, IL, USA থেকে এসেছে, তাই আমরা মডেলটিতে মার্কিন ছুটির দিনগুলিকে অন্তর্ভুক্ত করছি৷

AS SELECT ... FROM ...

এই বিভাগটি ইনপুট ডেটা নির্বাচন করে যা আমরা মডেলটিকে প্রশিক্ষণের জন্য ব্যবহার করব।

আপনি ক্যোয়ারীতে যোগ করতে পারেন এমন আরও অনেকগুলি বিকল্প রয়েছে, যেমন আপনার একাধিক টাইম সিরিজ থাকলে একটি কলাম সংজ্ঞায়িত করা, বা স্বয়ংক্রিয়ভাবে ARIMA মডেল প্যারামিটারগুলি আবিষ্কার করা হবে কিনা তা বেছে নেওয়া। টাইম সিরিজ মডেল সিনট্যাক্স রেফারেন্সের জন্য আপনি মডেল তৈরি করুন বিবৃতিতে আরও বিশদ জানতে পারেন।

ধাপ 4

আসুন আমাদের মডেল সম্পর্কে আরো জানতে. এটি প্রশিক্ষণ শেষ করার পরে, আসুন অন্য একটি প্রশ্ন চালাই, প্রয়োজনে আবার ডেমো প্রতিস্থাপন করুন:

SELECT
  *
FROM
  ML.EVALUATE(MODEL `demo.cta_ridership_model`)

এর ফলাফল ব্যাখ্যা করা যাক. প্রতিটি সারিতে, আপনি একটি প্রার্থীর মডেল দেখতে পাবেন, এর পরামিতি এবং মূল্যায়ন পরিসংখ্যান সহ। ফলাফলগুলি AIC, বা Akaike তথ্যের মানদণ্ডের ক্রমবর্ধমান ক্রমে ফেরত দেওয়া হয়, যা মডেল মানের একটি আপেক্ষিক সূচক প্রদান করে। সুতরাং, প্রথম সারির মডেলটিতে সর্বনিম্ন AIC রয়েছে এবং এটি সেরা মডেল হিসাবে বিবেচিত হয়।

আপনি ARIMA মডেলের p, d, এবং q পরামিতি দেখতে সক্ষম হবেন, সেইসাথে মডেলে আবিষ্কৃত ঋতুতা দেখতে পাবেন। এই ক্ষেত্রে, শীর্ষ মডেল সাপ্তাহিক এবং বার্ষিক উভয় মৌসুমী অন্তর্ভুক্ত।

5b5b1e129c70a340.png

ধাপ 5

এখন, আমরা ML.FORECAST ফাংশন দিয়ে পূর্বাভাস দিতে প্রস্তুত!

নিম্নলিখিত পেস্ট/টাইপ করুন (প্রয়োজনে ডেমো প্রতিস্থাপন):

SELECT
  *
FROM
  ML.FORECAST(MODEL `demo.cta_ridership_model`,
    STRUCT(7 AS horizon))

এই প্রশ্নটি কেবল আমাদের মডেল ব্যবহার করে 7 দিনের পূর্বাভাস দেয়! আমরা নীচে ফিরে সাতটি সারি দেখতে পাচ্ছি। পূর্বাভাসে একটি আত্মবিশ্বাসের ব্যবধানও রয়েছে, ডিফল্ট 0.95 কিন্তু ক্যোয়ারীতে কনফিগারযোগ্য।

b8a7f22657dc2d27.png

দুর্দান্ত কাজ: আমরা মাত্র কয়েকটি BQML প্রশ্ন সহ একটি টাইম সিরিজ মডেল তৈরি করেছি৷

6. একটি কাস্টম পূর্বাভাস মডেল তৈরি করুন৷

এই বিভাগে, আপনি করবেন:

  • ডেটা থেকে বহিরাগতদের সরান
  • বহু-পদক্ষেপ পূর্বাভাস সঞ্চালন
  • একটি সময়-সিরিজ মডেলে অতিরিক্ত বৈশিষ্ট্য অন্তর্ভুক্ত করুন
  • সময়-সিরিজ পূর্বাভাসের জন্য নিউরাল নেটওয়ার্ক আর্কিটেকচার সম্পর্কে জানুন: LSTM এবং CNN
  • হোল্ট-উইন্টার্স এক্সপোনেনশিয়াল স্মুথিং সহ পরিসংখ্যানগত মডেল সম্পর্কে জানুন
  • এনসেম্বল মডেল

ধাপ 1

Vertex AI Workbench-এ, training-data-analyst/courses/ai-for-time-series/notebooks নেভিগেট করুন এবং 02-model.ipynb খুলুন।

ধাপ 2

নোটবুকের সমস্ত ঘর সাফ করুন (সম্পাদনা > সমস্ত আউটপুট সাফ করুন), প্রথম কয়েকটি ঘরের একটিতে অঞ্চল, প্রকল্প এবং বালতি সেটিংস পরিবর্তন করুন এবং তারপরে একের পর এক কোষ চালান।

ধাপ 3

নোটবুকে, আপনি এখন একাধিক মডেল আর্কিটেকচার অন্বেষণ করেছেন: LSTM, CNN, এবং পরিসংখ্যানগত মডেল। প্রতিটি মডেলের জন্য, আপনি দেখতে পারেন কিভাবে মডেলটি পরীক্ষার ডেটার বিপরীতে পারফর্ম করে:

a528df58f4e6d372.png

7. মেঘে ট্রেন এবং ভবিষ্যদ্বাণী করুন

এই বিভাগে, আপনি করবেন:

  • ক্লাউডে প্রশিক্ষণের জন্য ডেটা এবং মডেল প্রস্তুত করুন
  • আপনার মডেলকে প্রশিক্ষণ দিন এবং এআই প্ল্যাটফর্ম প্রশিক্ষণের মাধ্যমে কাজের অগ্রগতি নিরীক্ষণ করুন
  • AI প্ল্যাটফর্ম ভবিষ্যদ্বাণী সহ মডেল ব্যবহার করে ভবিষ্যদ্বাণী করুন

ধাপ 1

Vertex AI Workbench-এ, training-data-analyst/courses/ai-for-time-series/notebooks নেভিগেট করুন এবং 03-cloud-training.ipynb খুলুন।

ধাপ 2

নোটবুকের সমস্ত ঘর সাফ করুন (সম্পাদনা > সমস্ত আউটপুট সাফ করুন), প্রথম কয়েকটি ঘরের একটিতে অঞ্চল, প্রকল্প এবং বালতি সেটিংস পরিবর্তন করুন এবং তারপরে একের পর এক কোষ চালান।

ধাপ 3

পূর্ববর্তী বিভাগে, আমরা একটি মডেল প্রশিক্ষিত করেছি এবং এটির সাথে ভবিষ্যদ্বাণী করেছি, সবই একটি ওয়ার্কবেঞ্চ নোটবুকের মধ্যে। এই বিভাগে, আমরা প্রশিক্ষণ এবং স্থাপনার জন্য Vertex AI পরিষেবাগুলি ব্যবহার করতে আপনার নোটবুক থেকে Vertex AI-এর জন্য Python SDK কীভাবে ব্যবহার করতে হয় তা প্রদর্শন করেছি।

a3f6b5dc895a24fb.png

8. চ্যালেঞ্জ

এই বিভাগে, আপনি একটি নতুন ডেটাসেটে যে ধারণাগুলি শিখেছেন তা প্রয়োগ করার চেষ্টা করবেন!

আমরা বিস্তারিত নির্দেশনা প্রদান করব না, শুধু কিছু ইঙ্গিত (যদি আপনি সেগুলি চান!)

লক্ষ্য হল নিউ ইয়র্ক সিটি থেকে 311টি পরিষেবার অনুরোধের পূর্বাভাস দেওয়া। এই অ-জরুরী অনুরোধগুলির মধ্যে রয়েছে নয়েজ অভিযোগ, রাস্তার আলোর সমস্যা ইত্যাদি।

ধাপ 1

আসুন ডেটাসেট বোঝার মাধ্যমে শুরু করা যাক।

প্রথমে, সিটি অফ নিউ ইয়র্ক 311 পরিষেবা অনুরোধ ডেটাসেট অ্যাক্সেস করুন।

ডেটা আরও ভালভাবে জানতে, ডেটাসেটের বিবরণে তালিকাভুক্ত কয়েকটি নমুনা প্রশ্নের চেষ্টা করুন:

  • আইসক্রিম ট্রাক সম্পর্কিত 311টি অনুরোধের সংখ্যা কত?
  • কোন দিন দলগুলির সাথে সম্পর্কিত সর্বাধিক 311টি অনুরোধ পান?

BigQuery UI-তে, কীভাবে ডেটাসেট অ্যাক্সেস করতে হয় তা দেখতে কোয়েরি তৈরি করুন বেছে নিন। মনে রাখবেন নির্বাচন বিবৃতিটি bigquery-public-data.new_york_311.311_service_requests থেকে জিজ্ঞাসা করছে।

ধাপ 2

আমরা শুরু করার জন্য প্রস্তুত। এই বিভাগে, এই ডেটার সাথে কাজ করার জন্য এক্সপ্লোর এবং ভিজ্যুয়ালাইজ নোটবুকে পরিবর্তন করুন।

ইঙ্গিত

  • 01-explore.ipynb নোটবুকটি নকল করুন এবং এটি থেকে কাজ শুরু করুন।
  • ডেটা অন্বেষণ করতে, এই প্রশ্নটি চেষ্টা করুন: 
from google.cloud import bigquery as bq

sql = """
SELECT * FROM `bigquery-public-data.new_york_311.311_service_requests` LIMIT 5
"""

client = bq.Client(project=PROJECT)
df = client.query(sql).to_dataframe()

df.head()
  • মাস অনুসারে ঘটনার সংখ্যা পেতে, এই প্রশ্নটি ব্যবহার করুন: 
SELECT
  COUNT(unique_key) as y,
  DATE_TRUNC(DATE(created_date), month) as ds  
FROM `bigquery-public-data.new_york_311.311_service_requests`
GROUP by ds ORDER BY ds asc
  • ধ্রুবক বিভাগে কলাম ভেরিয়েবল আপডেট করুন। উপরের ক্যোয়ারীতে, টার্গেট কলাম হল y , এবং তারিখ কলাম হল ds । কোন অতিরিক্ত বৈশিষ্ট্য আছে.
  • ফাইলের নাম পরিবর্তন করার কথা বিবেচনা করুন যেখানে আপনি পরবর্তী ল্যাবের জন্য ডেটা রপ্তানি করেন।
  • ব্যবহার করে ডেটা এক্সপোর্ট করুন: df.to_csv(YOUR-EXPORT-FILENAME, index=False)

ধাপ 3

এখন মাসিক ডেটা দিয়ে একটি টাইম-সিরিজ মডেল তৈরি করা যাক।

ইঙ্গিত:

  • 02-model.ipynb নোটবুকের নকল করুন এবং এটি থেকে কাজ শুরু করুন।
  • ডেটাসেট প্যারামিটার আপডেট করুন:
  • আপনার নতুন ডেটাসেটের সাথে মেলে target_col এবং ts_col প্যারামিটার আপডেট করুন।
  • মডেল পরামিতি আপডেট করুন:
  • মাসিকের ফ্রিকোয়েন্সি (মাস শুরুর কোড হল 'MS')
  • ইনপুট পদক্ষেপ: 12 (লুকব্যাক উইন্ডো 12 মাস)
  • আউটপুট পদক্ষেপ: 3 (3 মাস এগিয়ে ভবিষ্যদ্বাণী করুন)
  • ঋতু: 12 (ঋতুকাল 12 মাস)
  • ইনপুট ফাইলের নাম পরিবর্তন করুন যদি আপনি এটি পূর্ববর্তী নোটবুকে পরিবর্তন করেন।
  • আপনি যদি মাসের মাঝামাঝি কোয়েরি চালান, তাহলে শেষ মাসের জন্য মাসিক মোট প্রত্যাশিত তুলনায় অনেক কম হবে। সুতরাং, এই ল্যাবের উদ্দেশ্যে, আসুন ডেটাসেট থেকে চূড়ান্ত মাসটি সরিয়ে ফেলি: df = df[:-1]
  • ডেটাতে কোনও সুস্পষ্ট আউটলায়ার বলে মনে হয় না, তাই সেই কক্ষগুলি এড়িয়ে যান বা মন্তব্য করুন৷
  • এই নতুন মডেলের জন্য LSTM ইউনিট এবং CNN ফিল্টার এবং কার্নেলের আকার সামঞ্জস্য করুন।

9. পরিচ্ছন্নতা

আপনি যদি এই নোটবুকটি ব্যবহার চালিয়ে যেতে চান তবে এটি ব্যবহার না করার সময় এটি বন্ধ করার পরামর্শ দেওয়া হয়। আপনার ক্লাউড কনসোলের ওয়ার্কবেঞ্চ UI থেকে, নোটবুকটি নির্বাচন করুন এবং তারপরে থামুন নির্বাচন করুন:

57213ef2edad9257.png

আপনি যদি এই ল্যাবে আপনার তৈরি করা সমস্ত সংস্থান মুছে ফেলতে চান তবে এটি বন্ধ করার পরিবর্তে কেবল ওয়ার্কবেঞ্চ নোটবুকটি মুছুন ৷

আপনার ক্লাউড কনসোলে নেভিগেশন মেনু ব্যবহার করে, সঞ্চয়স্থানে ব্রাউজ করুন এবং আপনার মডেল সম্পদগুলি সঞ্চয় করার জন্য আপনার তৈরি করা উভয় বালতি মুছে ফেলুন (সতর্কতা: আপনি শুধুমাত্র এই ল্যাবের জন্য নতুন বালতি তৈরি করলেই এটি করুন)।