Vertex AI এবং BigQuery ML এর সাথে সময় সিরিজের পূর্বাভাস

১. সংক্ষিপ্ত বিবরণ

এই ল্যাবে, আপনি শিখবেন কীভাবে TensorFlow ব্যবহার করে একটি টাইম-সিরিজ পূর্বাভাস মডেল তৈরি করতে হয় এবং তারপরে Vertex AI ব্যবহার করে কীভাবে এই মডেলগুলি স্থাপন করতে হয়।

আপনি যা শিখবেন

আপনি শিখবেন কীভাবে:

  • ডেটাকে এমনভাবে রূপান্তর করুন যাতে এটি একটি এমএল মডেলে ব্যবহার করা যায়।
  • ডেটা কল্পনা করুন এবং অন্বেষণ করুন
  • BigQuery ML ব্যবহার করে একটি টাইম-সিরিজ পূর্বাভাস মডেল তৈরি করুন।
  • LSTM এবং CNN আর্কিটেকচার ব্যবহার করে TensorFlow-তে একটি টাইম-সিরিজ পূর্বাভাস মডেল তৈরি করুন।

২. সময়-ধারা পূর্বাভাসের ভূমিকা

এই কোডল্যাবের মূল উদ্দেশ্য হলো গুগল ক্লাউড প্ল্যাটফর্ম ব্যবহার করে টাইম-সিরিজ পূর্বাভাস কৌশল কীভাবে প্রয়োগ করা যায় তা শেখানো। এটি কোনো সাধারণ টাইম-সিরিজ পূর্বাভাস কোর্স নয়, তবে এর ধারণাগুলোর একটি সংক্ষিপ্ত আলোচনা আমাদের ব্যবহারকারীদের জন্য সহায়ক হতে পারে।

সময় সিরিজ ডেটা

প্রথমত, টাইম সিরিজ কী? এটি এমন একটি ডেটাসেট যেখানে নিয়মিত সময় ব্যবধানে ডেটা রেকর্ড করা হয়। একটি টাইম-সিরিজ ডেটাসেটে সময় এবং সময়ের উপর নির্ভরশীল অন্তত একটি ভ্যারিয়েবল থাকে।

85af6a1ff05c69f2.png

উপাদান

একটি সময়-ধারাকে বিভিন্ন উপাদানে বিভক্ত করা যায়:

  • প্রবণতা : মোটামুটি অনুমানযোগ্য একটি প্যাটার্নে উপরে বা নিচে চলাচল করে।
  • মৌসুমী : একটি নির্দিষ্ট সময় ধরে, যেমন দিন, সপ্তাহ, মাস, ঋতু ইত্যাদিতে পুনরাবৃত্ত হয়।
  • এলোমেলো : অবশিষ্ট ওঠানামা

ঋতুগত প্রভাবের একাধিক স্তর থাকতে পারে। উদাহরণস্বরূপ, একটি কল সেন্টার সপ্তাহের নির্দিষ্ট কিছু দিনে এবং নির্দিষ্ট কিছু মাসে কলের পরিমাণে একটি নির্দিষ্ট ধরন লক্ষ্য করতে পারে। অবশিষ্ট প্রভাবটি সময় ছাড়াও অন্যান্য চলক দ্বারা ব্যাখ্যা করা যেতে পারে।

6e8d45bbbbc388ec.png

স্থিরতা

পূর্বাভাসে সর্বোত্তম ফলাফলের জন্য, টাইম-সিরিজ ডেটাকে স্টেশনারি করা উচিত, যেখানে গড় এবং ভেদাঙ্কের মতো পরিসংখ্যানগত বৈশিষ্ট্যগুলো সময়ের সাথে সাথে স্থির থাকে। কাঁচা ডেটাকে আরও স্টেশনারি করার জন্য ডিফারেন্সিং এবং ডিট্রেন্ডিং-এর মতো কৌশল প্রয়োগ করা যেতে পারে।

উদাহরণস্বরূপ, নিচে দেওয়া CO2 ঘনত্বের লেখচিত্রটিতে একটি ঊর্ধ্বমুখী প্রবণতাসহ পুনরাবৃত্তিমূলক বার্ষিক বিন্যাস দেখা যায়। ( উৎস )

ab82857e2e7d0b89.png

রৈখিক প্রবণতা অপসারণ করার পর, উপাত্তটি পূর্বাভাসের জন্য আরও উপযুক্ত হয়ে ওঠে, কারণ এখন এর একটি স্থির গড় রয়েছে।

c936381ab1095528.png

মেশিন লার্নিংয়ের জন্য টাইম সিরিজ ডেটা ব্যবহার

মেশিন লার্নিং সমস্যায় টাইম-সিরিজ ডেটা ব্যবহার করার জন্য, এটিকে এমনভাবে রূপান্তর করতে হয় যাতে পূর্ববর্তী মানগুলো ব্যবহার করে ভবিষ্যতের মান অনুমান করা যায়। এই সারণিতে একটি উদাহরণ দেখানো হয়েছে, যেখানে টার্গেট অনুমানে সাহায্য করার জন্য ল্যাগড ভ্যারিয়েবল তৈরি করা হয়।

d667a941dbd470f5.png

এখন যেহেতু আমরা কিছু মৌলিক বিষয় আলোচনা করেছি, চলুন ডেটা এবং পূর্বাভাস নিয়ে আলোচনা শুরু করা যাক!

৩. আপনার নোটবুক পরিবেশ সেটআপ করুন।

ডেটা সম্পর্কে একটি সংক্ষিপ্ত পরিচিতি দেওয়ার পর, চলুন এখন আমাদের মডেল তৈরির পরিবেশটি প্রস্তুত করি।

ধাপ ১: এপিআই সক্রিয় করুন

BigQuery কানেক্টরটি BigQuery স্টোরেজ এপিআই ব্যবহার করে। কনসোলে BigQuery স্টোরেজ এপিআই অনুসন্ধান করুন এবং এপিআইটি বর্তমানে নিষ্ক্রিয় থাকলে তা সক্রিয় করুন।

9895a2fd3cdf8f8c.png

ধাপ ২: একটি Vertex AI Workbench নোটবুক তৈরি করুন।

আপনার ক্লাউড কনসোলের Vertex AI Workbench বিভাগে যান এবং New Notebook-এ ক্লিক করুন। তারপর GPU ছাড়া সর্বশেষ TensorFlow Enterprise 2.x নোটবুক টাইপটি নির্বাচন করুন:

4e7b73eabf2bc061.png

ডিফল্ট অপশনগুলো ব্যবহার করুন এবং তারপর 'Create'-এ ক্লিক করুন। ইনস্ট্যান্সটি তৈরি হয়ে গেলে, 'Open JupyterLab' নির্বাচন করুন:

18c9f3c462aafaee.png

এরপর, JupyterLab থেকে একটি Python 3 নোটবুক তৈরি করুন:

58523671a252b95a.png

ধাপ ৩: ল্যাবের উপকরণ ডাউনলোড করুন

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

সেখান থেকে, এই কমান্ডটি দিয়ে মূল উপাদানটি ক্লোন করুন:

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

৪. ডেটা অন্বেষণ ও দৃশ্যায়ন করুন

এই অংশে, আপনি যা শিখবেন:

  • এমন একটি কোয়েরি তৈরি করুন যা ডেটাকে সময়-ধারায় ভাগ করে।
  • অনুপস্থিত মানগুলি পূরণ করুন
  • ডেটা কল্পনা করুন
  • সময়-ধারাকে প্রবণতা এবং মৌসুমী উপাদানে বিভক্ত করুন

ধাপ ১

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

ধাপ ২

নোটবুকের সমস্ত সেল খালি করুন (Edit > Clear All Outputs), প্রথম দিকের কয়েকটি সেলের মধ্যে একটিতে region, project এবং bucket সেটিংস পরিবর্তন করুন, এবং তারপর সেলগুলো এক এক করে রান করুন।

ধাপ ৩

এই অংশে, আপনি ডেটা ইম্পোর্ট করেছেন এবং এর বিভিন্ন দিক ভিজ্যুয়ালাইজ করেছেন। এখন যেহেতু ডেটা সম্পর্কে আপনার একটি স্পষ্ট ধারণা আছে, আপনি এই ডেটা ব্যবহার করে মেশিন লার্নিং মডেলিং শুরু করার জন্য প্রস্তুত থাকবেন।

55839e7bc0427915.png

৫. BigQuery টাইম সিরিজ পূর্বাভাস ব্যবহার করে একটি মডেল তৈরি করুন

এই অংশে, আপনি যা শিখবেন:

  • আপনার টাইম সিরিজ ইনপুট ডেটা BigQuery টেবিলে ইম্পোর্ট করুন
  • BQML সিনট্যাক্স ব্যবহার করে একটি টাইম সিরিজ মডেল তৈরি করুন
  • আপনার মডেলের প্যারামিটার এবং নির্ভুলতা কীভাবে মূল্যায়ন করবেন তা শিখুন।
  • আপনার মডেল ব্যবহার করে পূর্বাভাস

ধাপ ১

আমরা এইমাত্র দেখা CSV ফাইলটির কাঁচা ডেটা দিয়ে একটি BigQuery টেবিল তৈরি করতে যাচ্ছি। চলুন, নোটবুক পরিবেশ থেকে CSV ফাইলটি ডাউনলোড করে শুরু করা যাক।

training-data-analyst/courses/ai-for-time-series/notebooks/data ডিরেক্টরি থেকে, cta_ridership.csv এর উপর রাইট-ক্লিক করে এটি আপনার লোকাল এনভায়রনমেন্টে ডাউনলোড করুন ।

ধাপ ২

এরপরে, আমরা এই ডেটা একটি BigQuery টেবিলে আপলোড করব।

কনসোলে BigQuery-তে যান (সার্চ করে অথবা এই লিঙ্কটি ব্যবহার করে):

649e7ab1c44b75e8.png

আপনি টেবিলটি একটি নতুন বা বিদ্যমান ডেটাসেটে যোগ করতে পারেন, যা সম্পর্কিত টেবিলগুলোকে একত্রিত করে। যদি আপনি আগে থেকে কোনো ডেটাসেট তৈরি না করে থাকেন, তবে আপনি নিচের-বাম কোণায় আপনার প্রজেক্টে ক্লিক করতে পারেন এবং তারপর নিচের-ডান কোণায় থাকা 'Create Dataset' নির্বাচন করতে পারেন।

281b97020cd52f29.png

আপনার পছন্দমতো একটি নাম বেছে নিন, যেমন demo , পূর্বনির্ধারিত নামগুলো গ্রহণ করুন এবং চালিয়ে যান।

নির্বাচিত ডেটাসেটটিতে, একটি নতুন টেবিল তৈরি করতে নিচের ডান কোণায় থাকা 'Create Table' নির্বাচন করুন।

ad47810d44cfb289.png

টেবিল তৈরির বিকল্পগুলির জন্য, নির্বাচন করুন:

  • টেবিল তৈরি করুন: আপলোড
  • ফাইল নির্বাচন করুন: cta_ridership.csv
  • টেবিলের নাম: cta_ridership
  • স্কিমা: স্কিমা স্বয়ংক্রিয়ভাবে সনাক্ত করতে এবং প্যারামিটার ইনপুট করতে বক্সটি চেক করুন।

213e4177e9e79544.png

ধাপ ৩

এখন আমাদের মডেল তৈরি করার সময়! BigQuery ML, SQL-এর মতো একটি সহজ সিনট্যাক্স প্রদান করে, যা আপনাকে বিভিন্ন ধরণের মডেল তৈরি করতে সক্ষম করে।

কোয়েরি এডিটরে, এই কোয়েরিটি পেস্ট/টাইপ করুন, প্রয়োজনে উভয় স্থানেই `demo`-এর পরিবর্তে আপনার ডেটাসেটের নাম বসান:

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`

বোঝার সুবিধার্থে সিনট্যাক্সের মূল উপাদানগুলো আলোচনা করা যাক:

CREATE OR REPLACE MODEL
demo.cta_ridership_model

এই স্টেটমেন্টটি মডেলটি তৈরি করে। এই স্টেটমেন্টটির বিভিন্ন রূপ রয়েছে, যেমন CREATE MODEL , কিন্তু আমরা এখানে একই নামের একটি বিদ্যমান মডেলকে প্রতিস্থাপন করার সিদ্ধান্ত নিয়েছি।

OPTIONS(MODEL_TYPE='ARIMA' ... )

এখানে আমরা মডেলের বিকল্পগুলো নির্ধারণ করি, যার মধ্যে প্রথম বিকল্পটি হলো মডেলের ধরন। ARIMA নির্বাচন করলে একটি টাইম-সিরিজ পূর্বাভাস মডেল তৈরি হবে।

TIME_SERIES_TIMESTAMP_COL='service_date'

তারিখ/সময় তথ্য সহ কলাম

TIME_SERIES_DATA_COL='total_rides'

ডেটা কলাম

HOLIDAY_REGION='us'

এই ঐচ্ছিক প্যারামিটারটি আমাদেরকে মডেলে ছুটির দিনগুলো অন্তর্ভুক্ত করার সুযোগ দেয়। যেহেতু পূর্ববর্তী ধাপে আমাদের ডেটা বিশ্লেষণে দেখা গেছে যে ছুটির দিনে যাত্রীসংখ্যা কম থাকে, এবং ডেটাটি মার্কিন যুক্তরাষ্ট্রের ইলিনয় অঙ্গরাজ্যের শিকাগো শহর থেকে সংগৃহীত, তাই আমরা মডেলে মার্কিন ছুটির দিনগুলো অন্তর্ভুক্ত করছি।

AS SELECT ... FROM ...

এই অংশে আমরা মডেলকে প্রশিক্ষণের জন্য প্রয়োজনীয় ইনপুট ডেটা নির্বাচন করি।

কোয়েরিতে যোগ করার মতো আরও বেশ কিছু অপশন রয়েছে, যেমন একাধিক টাইম সিরিজ থাকলে একটি কলাম নির্ধারণ করা, অথবা ARIMA মডেলের প্যারামিটারগুলো স্বয়ংক্রিয়ভাবে খুঁজে বের করা হবে কিনা তা বেছে নেওয়া। টাইম সিরিজ মডেলের সিনট্যাক্স রেফারেন্সের জন্য CREATE MODEL স্টেটমেন্টে আপনি আরও বিস্তারিত তথ্য জানতে পারবেন।

ধাপ ৪

চলুন আমাদের মডেল সম্পর্কে আরও জেনে নিই। এর প্রশিক্ষণ শেষ হয়ে গেলে, চলুন আরেকটি কোয়েরি চালাই, প্রয়োজনে আবারও 'demo' পরিবর্তন করে:

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

চলুন ফলাফলগুলো ব্যাখ্যা করা যাক। প্রতিটি সারিতে আপনি একটি সম্ভাব্য মডেল, তার প্যারামিটার এবং মূল্যায়ন পরিসংখ্যান দেখতে পাবেন। ফলাফলগুলো AIC বা আকাইকে ইনফরমেশন ক্রাইটেরিয়ন- এর আরোহী ক্রমে দেখানো হয়েছে, যা মডেলের গুণমানের একটি আপেক্ষিক সূচক প্রদান করে। সুতরাং, প্রথম সারির মডেলটির AIC সর্বনিম্ন, এবং এটিকে সেরা মডেল হিসেবে বিবেচনা করা হয়।

আপনি ARIMA মডেলের p, d, এবং q প্যারামিটারগুলো, সেইসাথে মডেলটিতে আবিষ্কৃত মৌসুমী প্রবণতা দেখতে সক্ষম হবেন। এক্ষেত্রে, সেরা মডেলটিতে সাপ্তাহিক এবং বার্ষিক উভয় প্রকার মৌসুমী প্রবণতাই অন্তর্ভুক্ত রয়েছে।

5b5b1e129c70a340.png

ধাপ ৫

এখন, আমরা ML.FORECAST ফাংশন ব্যবহার করে পূর্বাভাস দেওয়ার জন্য প্রস্তুত!

নিম্নলিখিতটি পেস্ট/টাইপ করুন (প্রয়োজনে ডেমো পরিবর্তন করে):

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

এই কোয়েরিটি আমাদের মডেল ব্যবহার করে আগামী ৭ দিনের পূর্বাভাস দেয়! নিচে আপনি প্রাপ্ত সাতটি সারি দেখতে পারেন। এই পূর্বাভাসে একটি কনফিডেন্স ইন্টারভালও অন্তর্ভুক্ত রয়েছে, যার ডিফল্ট মান ০.৯৫ হলেও কোয়েরিতে এটি পরিবর্তনযোগ্য।

b8a7f22657dc2d27.png

চমৎকার কাজ: আমরা মাত্র কয়েকটি BQML কোয়েরি ব্যবহার করে একটি টাইম সিরিজ মডেল তৈরি করেছি।

৬. একটি কাস্টম পূর্বাভাস মডেল তৈরি করুন

এই অংশে, আপনি যা শিখবেন:

  • ডেটা থেকে আউটলায়ারগুলি সরিয়ে ফেলুন
  • বহু-ধাপ পূর্বাভাস সম্পাদন করুন
  • একটি টাইম-সিরিজ মডেলে অতিরিক্ত বৈশিষ্ট্য অন্তর্ভুক্ত করুন
  • সময়-ধারা পূর্বাভাসের জন্য নিউরাল নেটওয়ার্ক আর্কিটেকচার সম্পর্কে জানুন: LSTM এবং CNN
  • হোল্ট-উইন্টার্স এক্সপোনেনশিয়াল স্মুথিং সহ পরিসংখ্যানগত মডেল সম্পর্কে জানুন।
  • এনসেম্বল মডেল

ধাপ ১

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

ধাপ ২

নোটবুকের সমস্ত সেল খালি করুন (Edit > Clear All Outputs), প্রথম দিকের কয়েকটি সেলের মধ্যে একটিতে region, project এবং bucket সেটিংস পরিবর্তন করুন, এবং তারপর সেলগুলো এক এক করে রান করুন।

ধাপ ৩

নোটবুকে, আপনি এখন একাধিক মডেল আর্কিটেকচার—যেমন LSTM, CNN, এবং স্ট্যাটিস্টিক্যাল মডেল—সম্পর্কে জেনেছেন। প্রতিটি মডেলের ক্ষেত্রে, টেস্ট ডেটার সাপেক্ষে মডেলটি কেমন পারফর্ম করে, তা আপনি দেখতে পারেন:

a528df58f4e6d372.png

৭. ক্লাউডে প্রশিক্ষণ ও পূর্বাভাস

এই অংশে, আপনি যা শিখবেন:

  • ক্লাউডে প্রশিক্ষণের জন্য ডেটা এবং মডেল প্রস্তুত করুন।
  • এআই প্ল্যাটফর্ম ট্রেনিং-এর মাধ্যমে আপনার মডেলকে প্রশিক্ষণ দিন এবং কাজের অগ্রগতি পর্যবেক্ষণ করুন।
  • এআই প্ল্যাটফর্ম প্রেডিকশনস মডেল ব্যবহার করে ভবিষ্যদ্বাণী করুন

ধাপ ১

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

ধাপ ২

নোটবুকের সমস্ত সেল খালি করুন (Edit > Clear All Outputs), প্রথম দিকের কয়েকটি সেলের মধ্যে একটিতে region, project এবং bucket সেটিংস পরিবর্তন করুন, এবং তারপর সেলগুলো এক এক করে রান করুন।

ধাপ ৩

পূর্ববর্তী অংশে, আমরা একটি ওয়ার্কবেঞ্চ নোটবুকের মধ্যেই একটি মডেলকে প্রশিক্ষণ দিয়েছিলাম এবং তার সাহায্যে পূর্বাভাস তৈরি করেছিলাম। এই অংশে, আমরা দেখিয়েছি কীভাবে আপনার নোটবুক থেকে ভার্টেক্স এআই-এর পাইথন এসডিকে ব্যবহার করে প্রশিক্ষণ এবং ডেপ্লয়মেন্টের জন্য ভার্টেক্স এআই পরিষেবাগুলো কাজে লাগানো যায়।

a3f6b5dc895a24fb.png

৮. চ্যালেঞ্জ

এই অংশে, আপনি আপনার শেখা ধারণাগুলো একটি নতুন ডেটাসেটে প্রয়োগ করার চেষ্টা করবেন!

আমরা বিস্তারিত নির্দেশাবলী দেব না, শুধু কিছু ইঙ্গিত দেব (যদি আপনি চান!)।

এর লক্ষ্য হলো নিউ ইয়র্ক সিটি থেকে আসা ৩১১ নম্বরের পরিষেবা অনুরোধগুলোর পূর্বাভাস দেওয়া। এই অ-জরুরি অনুরোধগুলোর মধ্যে রয়েছে শব্দদূষণের অভিযোগ, রাস্তার বাতির সমস্যা ইত্যাদি।

ধাপ ১

প্রথমে ডেটাসেটটি বুঝে নেওয়া যাক।

প্রথমে, সিটি অফ নিউ ইয়র্ক ৩১১ সার্ভিস রিকোয়েস্ট ডেটাসেটটি অ্যাক্সেস করুন।

ডেটা সম্পর্কে আরও ভালোভাবে জানতে, ডেটাসেট বিবরণে তালিকাভুক্ত কয়েকটি নমুনা কোয়েরি ব্যবহার করে দেখুন:

  • আইসক্রিম ট্রাক সম্পর্কিত ৩১১ অনুরোধের সংখ্যা কত?
  • কোন দিনগুলোতে পার্টি সংক্রান্ত ৩১১ অনুরোধ সবচেয়ে বেশি আসে?

BigQuery UI-তে, ডেটাসেটটি কীভাবে অ্যাক্সেস করতে হয় তা দেখতে 'Create Query' নির্বাচন করুন। লক্ষ্য করুন, সিলেক্ট স্টেটমেন্টটি bigquery-public-data.new_york_311.311_service_requests থেকে কোয়েরি করছে।

ধাপ ২

আমরা শুরু করার জন্য প্রস্তুত। এই অংশে, এই ডেটা নিয়ে কাজ করার জন্য 'Explore and Visualize' নোটবুকটিতে পরিবর্তন আনুন।

ইঙ্গিত

  • 01-explore.ipynb নোটবুকটি ডুপ্লিকেট করুন এবং এটি থেকে কাজ শুরু করুন।
  • ডেটা অন্বেষণ করতে, এই কোয়েরিটি ব্যবহার করে দেখুন: 
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 অনুযায়ী ঘটনার সংখ্যা পেতে এই কোয়েরিটি 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
  • কনস্ট্যান্টস সেকশনে কলাম ভেরিয়েবলগুলো আপডেট করুন। উপরের কোয়েরিতে, টার্গেট কলামটি হলো y এবং ডেট কলামটি হলো ds । এখানে কোনো অতিরিক্ত ফিচার নেই।
  • পরবর্তী ল্যাবের জন্য ডেটা এক্সপোর্ট করার ফাইলের নাম পরিবর্তন করার কথা বিবেচনা করুন।
  • নিম্নলিখিত পদ্ধতি ব্যবহার করে ডেটা এক্সপোর্ট করুন: df.to_csv(YOUR-EXPORT-FILENAME, index=False)

ধাপ ৩

চলুন এখন মাসিক ডেটা দিয়ে একটি টাইম-সিরিজ মডেল তৈরি করি।

ইঙ্গিত:

  • 02-model.ipynb নোটবুকটি ডুপ্লিকেট করুন এবং এটি থেকে কাজ শুরু করুন।
  • ডেটাসেট প্যারামিটারগুলি আপডেট করুন:
  • আপনার নতুন ডেটাসেটের সাথে মেলানোর জন্য target_col এবং ts_col প্যারামিটারগুলো আপডেট করুন।
  • মডেলের প্যারামিটারগুলো আপডেট করুন:
  • মাসিক ফ্রিকোয়েন্সি (মাস শুরুর কোড হল 'MS')
  • ইনপুট ধাপ: ১২ (পূর্ববর্তী তথ্য পর্যালোচনার সময়সীমা ১২ মাস)
  • আউটপুট ধাপ: ৩ (ভবিষ্যতের ৩ মাসের পূর্বাভাস)
  • ঋতু: ১২ (ঋতুকাল ১২ মাস)
  • আগের নোটবুকে ইনপুট ফাইলের নাম পরিবর্তন করে থাকলে, এবারও তা পরিবর্তন করুন।
  • যদি আপনি মাসের মাঝামাঝি সময়ে কোয়েরিটি চালান, তাহলে শেষ মাসের মাসিক মোট পরিমাণ প্রত্যাশার চেয়ে অনেক কম হবে। তাই, এই ল্যাবের জন্য, ডেটাসেট থেকে শেষ মাসটি বাদ দেওয়া যাক: df = df[:-1]
  • ডেটাতে কোনো সুস্পষ্ট ব্যতিক্রম নেই বলে মনে হচ্ছে, তাই ওই সেলগুলো এড়িয়ে যান বা কমেন্ট আউট করুন।
  • এই নতুন মডেলটির জন্য LSTM ইউনিট, CNN ফিল্টার এবং কার্নেল সাইজ সমন্বয় করুন।

৯. পরিচ্ছন্নতা

আপনি যদি এই নোটবুকটি ব্যবহার করা চালিয়ে যেতে চান, তবে ব্যবহার না করার সময় এটি বন্ধ করে রাখার পরামর্শ দেওয়া হচ্ছে। আপনার ক্লাউড কনসোলের ওয়ার্কবেঞ্চ UI থেকে, নোটবুকটি নির্বাচন করুন এবং তারপরে স্টপ (Stop ) নির্বাচন করুন।

57213ef2edad9257.png

আপনি যদি এই ল্যাবে তৈরি করা সমস্ত রিসোর্স মুছে ফেলতে চান, তাহলে ওয়ার্কবেঞ্চ নোটবুকটি বন্ধ করার পরিবর্তে সরাসরি ডিলিট করে দিন ।

আপনার ক্লাউড কনসোলের নেভিগেশন মেনু ব্যবহার করে, স্টোরেজ-এ যান এবং আপনার মডেল অ্যাসেটগুলি সংরক্ষণ করার জন্য তৈরি করা উভয় বাকেটই মুছে ফেলুন (সতর্কতা: শুধুমাত্র এই ল্যাবের জন্য নতুন বাকেট তৈরি করে থাকলে তবেই এটি করুন)।