Vertex AI এবং BigQuery ML এর সাথে সময় সিরিজের পূর্বাভাস

1. সংক্ষিপ্ত বিবরণ

এই ল্যাবে, আপনি শিখবেন কিভাবে TensorFlow দিয়ে একটি টাইম-সিরিজ পূর্বাভাস মডেল তৈরি করতে হয়, এবং তারপর শিখবেন কিভাবে Vertex AI দিয়ে এই মডেলগুলি স্থাপন করতে হয়।

তুমি যা শিখো

তুমি শিখবে কিভাবে:

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

2. সময়-ধারাবাহিক পূর্বাভাসের ভূমিকা

এই কোডল্যাবের মূল লক্ষ্য হলো গুগল ক্লাউড প্ল্যাটফর্ম ব্যবহার করে টাইম-সিরিজ পূর্বাভাস কৌশল কীভাবে প্রয়োগ করা যায় । এটি কোনও সাধারণ টাইম-সিরিজ পূর্বাভাস কোর্স নয়, তবে ধারণাগুলির একটি সংক্ষিপ্ত সফর আমাদের ব্যবহারকারীদের জন্য সহায়ক হতে পারে।

টাইম সিরিজ ডেটা

প্রথমত, একটি সময় সিরিজ কী? এটি একটি ডেটাসেট যার ডেটা নিয়মিত সময়ের ব্যবধানে রেকর্ড করা হয়। একটি সময়-সিরিজ ডেটাসেটে সময় এবং কমপক্ষে একটি চলক থাকে যা সময়ের উপর নির্ভরশীল।

উপাদান

একটি সময়-ধারাকে উপাদানগুলিতে বিভক্ত করা যেতে পারে:

• ট্রেন্ড : যুক্তিসঙ্গতভাবে অনুমানযোগ্য প্যাটার্নে উপরে বা নীচে চলে
• ঋতুগত : একটি নির্দিষ্ট সময়কাল ধরে পুনরাবৃত্তি হয় যেমন একটি দিন, সপ্তাহ, মাস, ঋতু ইত্যাদি।
• এলোমেলো : অবশিষ্ট ওঠানামা

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

স্থিরতা

পূর্বাভাসে সর্বোত্তম ফলাফলের জন্য, সময়-ধারার তথ্য স্থির করা উচিত, যেখানে গড় এবং প্রকরণের মতো পরিসংখ্যানগত বৈশিষ্ট্যগুলি সময়ের সাথে সাথে স্থির থাকে। এটিকে আরও স্থির করার জন্য কাঁচা তথ্যে পার্থক্য এবং অবনতির মতো কৌশল প্রয়োগ করা যেতে পারে।

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

রৈখিক প্রবণতা অপসারণের পর, ডেটা পূর্বাভাসের জন্য আরও উপযুক্ত, কারণ এর এখন একটি ধ্রুবক গড় রয়েছে।

মেশিন লার্নিংয়ের জন্য টাইম সিরিজ ডেটা ব্যবহার করা

মেশিন লার্নিং সমস্যায় টাইম-সিরিজ ডেটা ব্যবহার করার জন্য, এটিকে এমনভাবে রূপান্তরিত করতে হবে যাতে পূর্ববর্তী মানগুলি ভবিষ্যতের মানগুলি পূর্বাভাস দেওয়ার জন্য ব্যবহার করা যায়। এই টেবিলটি লক্ষ্য পূর্বাভাস দেওয়ার জন্য কীভাবে ল্যাগড ভেরিয়েবল তৈরি করা হয় তার একটি উদাহরণ দেখায়।

এখন যেহেতু আমরা কিছু মৌলিক বিষয় আলোচনা করেছি, আসুন তথ্য অন্বেষণ এবং পূর্বাভাস শুরু করি!

৩. আপনার নোটবুক পরিবেশ সেটআপ করুন

এখন যেহেতু আমরা তথ্যের একটি সংক্ষিপ্ত ভূমিকা সম্পন্ন করেছি, আসুন এখন আমাদের মডেল ডেভেলপমেন্ট পরিবেশ সেট আপ করি।

ধাপ ১: API গুলি সক্ষম করুন

BigQuery সংযোগকারীটি BigQuery স্টোরেজ API ব্যবহার করে। কনসোলে BigQuery স্টোরেজ API অনুসন্ধান করুন এবং যদি APIটি বর্তমানে অক্ষম থাকে তবে এটি সক্ষম করুন।

ধাপ ২: একটি ভার্টেক্স এআই ওয়ার্কবেঞ্চ 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 টাইপ নির্বাচন করুন:

ডিফল্ট বিকল্পগুলি ব্যবহার করুন এবং তারপর Create এ ক্লিক করুন। একবার ইনস্ট্যান্স তৈরি হয়ে গেলে, JupyterLab খুলুন নির্বাচন করুন:

তারপর, JupyterLab থেকে একটি Python 3 নোটবুক তৈরি করুন:

ধাপ ৩: ল্যাব উপকরণ ডাউনলোড করুন

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

সেখান থেকে, এই কমান্ড দিয়ে উৎস উপাদানটি ক্লোন করুন:

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

৪. ডেটা অন্বেষণ এবং কল্পনা করুন

এই বিভাগে, আপনি:

• একটি কোয়েরি তৈরি করুন যা ডেটাকে একটি টাইম-সিরিজে গ্রুপ করে।
• অনুপস্থিত মানগুলি পূরণ করুন
• ডেটা ভিজ্যুয়ালাইজ করুন
• সময়-ধারাকে ট্রেন্ড এবং ঋতুগত উপাদানে বিভক্ত করুন

ধাপ ১

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

ধাপ ২

নোটবুকের সমস্ত ঘর সাফ করুন (সম্পাদনা > সমস্ত আউটপুট সাফ করুন), প্রথম কয়েকটি ঘরের মধ্যে একটিতে অঞ্চল, প্রকল্প এবং বাকেট সেটিংস পরিবর্তন করুন এবং তারপর একটি একটি করে ঘর চালান।

ধাপ ৩

এই বিভাগে, আপনি ডেটা আমদানি করেছেন এবং এর বিভিন্ন মাত্রা কল্পনা করেছেন। এখন যেহেতু আপনার কাছে ডেটার একটি পরিষ্কার চিত্র রয়েছে, আপনি এই ডেটা ব্যবহার করে মেশিন লার্নিং মডেলিংয়ে এগিয়ে যাওয়ার জন্য প্রস্তুত হবেন।

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

এই বিভাগে, আপনি:

• আপনার টাইম সিরিজ ইনপুট ডেটা একটি BigQuery টেবিলে আমদানি 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 দিন

ধাপ ১

আমরা এখন যে CSV ফাইলটি অন্বেষণ করেছি তার কাঁচা ডেটা দিয়ে 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 এটি আপনার স্থানীয় পরিবেশে ডাউনলোড করুন ।

ধাপ ২

এরপর, আমরা এই ডেটাটি একটি BigQuery টেবিলে আপলোড করব।

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

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

আপনার পছন্দের একটি নাম বেছে নিন, যেমন demo , ডিফল্ট মান গ্রহণ করুন এবং চালিয়ে যান।

সেই ডেটাসেটটি নির্বাচন করে, একটি নতুন টেবিল তৈরি করতে নীচের ডানদিকের কোণায় "সারণী তৈরি করুন" নির্বাচন করুন।

টেবিল তৈরির বিকল্পগুলির জন্য, নির্বাচন করুন:

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

ধাপ ৩

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

কোয়েরি এডিটরে, এই কোয়েরিটি পেস্ট/টাইপ করুন, প্রয়োজনে ডেমো প্রতিস্থাপন করে আপনার ডেটাসেটের নাম উভয় জায়গায় দিন:

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 জন্য বাক্য গঠনের মূল উপাদানগুলি দেখে নেওয়া যাক:

CREATE OR REPLACE MODEL demo.cta_ridership_model	এই বিবৃতিটি মডেল তৈরি করে। এই বিবৃতির বিভিন্ন রূপ আছে, যেমন CREATE MODEL , কিন্তু আমরা এখানে একই নামের একটি বিদ্যমান মডেল প্রতিস্থাপন করার সিদ্ধান্ত নিয়েছি।
OPTIONS(MODEL_TYPE='ARIMA' ... )	এখানে, আমরা মডেল বিকল্পগুলি সংজ্ঞায়িত করি, প্রথম বিকল্পটি হল মডেলের ধরণ। ARIMA নির্বাচন করলে একটি সময়-ধারার 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 আমাদের মডেলে ছুটির দিনগুলি অন্তর্ভুক্ত করার অনুমতি দেয়। যেহেতু পূর্ববর্তী ধাপে আমাদের ডেটা অনুসন্ধানে দেখা গেছে যে ছুটির দিনে যাত্রী সংখ্যা কম ছিল এবং ডেটা শিকাগো, আইএল, মার্কিন যুক্তরাষ্ট্র থেকে এসেছে, তাই আমরা মডেলে মার্কিন ছুটির দিনগুলি অন্তর্ভুক্ত করছি।
AS SELECT ... FROM ...	এই বিভাগটি মডেলটিকে প্রশিক্ষণ দেওয়ার জন্য আমরা যে ইনপুট ডেটা ব্যবহার করব তা নির্বাচন করে।

কোয়েরিতে আপনি আরও অনেক বিকল্প যোগ করতে পারেন, যেমন একাধিক টাইম সিরিজ থাকলে একটি কলাম সংজ্ঞায়িত করা, অথবা ARIMA মডেল প্যারামিটারগুলি স্বয়ংক্রিয়ভাবে আবিষ্কার করবেন কিনা তা বেছে নেওয়া। আপনি টাইম সিরিজ মডেল সিনট্যাক্স রেফারেন্সের জন্য CREATE MODEL স্টেটমেন্টে আরও বিশদ জানতে পারেন।

ধাপ ৪

আমাদের মডেল সম্পর্কে আরও জানুন। প্রশিক্ষণ শেষ হওয়ার পর, আরেকটি কোয়েরি রান করা যাক, প্রয়োজনে আবার ডেমো প্রতিস্থাপন করা যাক:

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

ফলাফলগুলি ব্যাখ্যা করা যাক। প্রতিটি সারিতে, আপনি একটি প্রার্থী মডেল দেখতে পাবেন, যার প্যারামিটার এবং মূল্যায়ন পরিসংখ্যান থাকবে। ফলাফলগুলি AIC, অথবা Akaike তথ্য মানদণ্ডের ঊর্ধ্বমুখী ক্রমে ফেরত পাঠানো হয়, যা মডেল মানের একটি আপেক্ষিক সূচক প্রদান করে। সুতরাং, প্রথম সারির মডেলটির AIC সর্বনিম্ন এবং এটিকে সেরা মডেল হিসাবে বিবেচনা করা হয়।

আপনি ARIMA মডেলের p, d, এবং q প্যারামিটারগুলি দেখতে সক্ষম হবেন, সেইসাথে মডেলটিতে আবিষ্কৃত ঋতুগততাও দেখতে পাবেন। এই ক্ষেত্রে, শীর্ষ মডেলটিতে সাপ্তাহিক এবং বার্ষিক উভয় ঋতুগততা অন্তর্ভুক্ত রয়েছে।

ধাপ ৫

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

নিম্নলিখিতটি পেস্ট/টাইপ করুন (প্রয়োজনে ডেমো প্রতিস্থাপন করুন):

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

এই কোয়েরিটি আমাদের মডেল ব্যবহার করে ৭ দিনের পূর্বাভাস দেয়! আমরা নীচে সাতটি সারি দেখতে পাচ্ছি। পূর্বাভাসে একটি আত্মবিশ্বাস ব্যবধানও রয়েছে, যা ডিফল্ট ০.৯৫ কিন্তু কোয়েরিতে কনফিগারযোগ্য।

দারুন কাজ: আমরা মাত্র কয়েকটি BQML কোয়েরি দিয়ে একটি টাইম সিরিজ মডেল তৈরি করেছি।

৬. একটি কাস্টম পূর্বাভাস মডেল তৈরি করুন

এই বিভাগে, আপনি:

• ডেটা থেকে বহিরাগতদের সরান
• বহু-পদক্ষেপ পূর্বাভাস সম্পাদন করুন
• একটি টাইম-সিরিজ মডেলে অতিরিক্ত বৈশিষ্ট্য অন্তর্ভুক্ত করুন
• টাইম-সিরিজ পূর্বাভাসের জন্য নিউরাল নেটওয়ার্ক আর্কিটেকচার সম্পর্কে জানুন: LSTM এবং CNN
• পরিসংখ্যানগত মডেল সম্পর্কে জানুন, যার মধ্যে হোল্ট-উইন্টার্স এক্সপোনেনশিয়াল স্মুথিং অন্তর্ভুক্ত রয়েছে।
• এনসেম্বল মডেল

ধাপ ১

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

ধাপ ২

নোটবুকের সমস্ত ঘর সাফ করুন (সম্পাদনা > সমস্ত আউটপুট সাফ করুন), প্রথম কয়েকটি ঘরের মধ্যে একটিতে অঞ্চল, প্রকল্প এবং বাকেট সেটিংস পরিবর্তন করুন এবং তারপর একটি একটি করে ঘর চালান।

ধাপ ৩

নোটবুকে, আপনি এখন একাধিক মডেল আর্কিটেকচার অন্বেষণ করেছেন: LSTM, CNN, এবং পরিসংখ্যানগত মডেল। প্রতিটি মডেলের জন্য, আপনি দেখতে পাবেন যে মডেলটি পরীক্ষার ডেটার বিপরীতে কীভাবে কাজ করে:

৭. মেঘে প্রশিক্ষণ দিন এবং ভবিষ্যদ্বাণী করুন

এই বিভাগে, আপনি:

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

ধাপ ১

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

ধাপ ২

নোটবুকের সমস্ত ঘর সাফ করুন (সম্পাদনা > সমস্ত আউটপুট সাফ করুন), প্রথম কয়েকটি ঘরের মধ্যে একটিতে অঞ্চল, প্রকল্প এবং বাকেট সেটিংস পরিবর্তন করুন এবং তারপর একটি একটি করে ঘর চালান।

ধাপ ৩

পূর্ববর্তী বিভাগে, আমরা একটি মডেলকে প্রশিক্ষণ দিয়েছিলাম এবং এটি দিয়ে ভবিষ্যদ্বাণী করেছিলাম, সবই একটি ওয়ার্কবেঞ্চ নোটবুকের মধ্যে। এই বিভাগে, আমরা প্রশিক্ষণ এবং স্থাপনার জন্য ভার্টেক্স এআই পরিষেবাগুলি ব্যবহার করার জন্য আপনার নোটবুক থেকে ভার্টেক্স এআই-এর জন্য পাইথন SDK কীভাবে ব্যবহার করবেন তা প্রদর্শন করেছি।

8. চ্যালেঞ্জ

এই বিভাগে, আপনি আপনার শেখা ধারণাগুলি একটি নতুন ডেটাসেটে প্রয়োগ করার চেষ্টা করবেন!

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

লক্ষ্য হল নিউ ইয়র্ক শহর থেকে ৩১১টি পরিষেবা অনুরোধের পূর্বাভাস দেওয়া। এই অ-জরুরি অনুরোধগুলির মধ্যে রয়েছে শব্দের অভিযোগ, রাস্তার আলোর সমস্যা ইত্যাদি।

ধাপ ১

ডেটাসেটটি বোঝার মাধ্যমে শুরু করা যাক।

প্রথমে, নিউ ইয়র্ক সিটি 311 সার্ভিস রিকোয়েস্ট ডেটাসেট অ্যাক্সেস করুন।

ডেটা আরও ভালোভাবে জানার জন্য, ডেটাসেটের বিবরণে তালিকাভুক্ত কয়েকটি নমুনা প্রশ্নের চেষ্টা করে দেখুন:

• আইসক্রিম ট্রাক সম্পর্কিত 311টি অনুরোধের সংখ্যা কত?
• কোন দিনগুলিতে দল সম্পর্কিত সবচেয়ে বেশি 311টি অনুরোধ আসে?

BigQuery UI তে, ডেটাসেট কীভাবে অ্যাক্সেস করবেন তা দেখতে Create Query নির্বাচন করুন। মনে রাখবেন select স্টেটমেন্টটি bigquery-public-data.new_york_311.311_service_requests থেকে কোয়েরি করছে।

ধাপ ২

আমরা শুরু করার জন্য প্রস্তুত। এই বিভাগে, এই ডেটা দিয়ে কাজ করার জন্য Explore and Visualize নোটবুকে পরিবর্তন করুন।

ইঙ্গিত

• 01-explore.ipynb নোটবুকটি ডুপ্লিকেট করুন এবং এটি থেকে কাজ শুরু করুন।
• ডেটা অন্বেষণ করতে, এই কোয়েরিটি 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 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

• ধ্রুবক বিভাগে কলাম ভেরিয়েবলগুলি আপডেট করুন। উপরের কোয়েরিতে, লক্ষ্য কলামটি হল y , এবং তারিখ কলামটি হল ds । কোনও অতিরিক্ত বৈশিষ্ট্য নেই।
• পরবর্তী ল্যাবের জন্য আপনি যে ফাইলের নাম দিয়ে ডেটা রপ্তানি করবেন সেটি পরিবর্তন করার কথা বিবেচনা করুন।
• ডেটা এক্সপোর্ট করুন: df.to_csv(YOUR-EXPORT-FILENAME, index=False)

ধাপ ৩

এবার মাসিক তথ্য দিয়ে একটি টাইম-সিরিজ মডেল তৈরি করা যাক।

ইঙ্গিত:

• 02-model.ipynb নোটবুকটি ডুপ্লিকেট করুন এবং এটি থেকে কাজ শুরু করুন।
• ডেটাসেট প্যারামিটার আপডেট করুন:
• আপনার নতুন ডেটাসেটের সাথে মেলানোর জন্য target_col এবং ts_col প্যারামিটারগুলি আপডেট করুন।
• মডেল প্যারামিটার আপডেট করুন:
• মাসিকের ফ্রিকোয়েন্সি (মাস শুরুর কোড হল 'MS')
• ইনপুট ধাপ: ১২ (লুকব্যাক উইন্ডো ১২ মাস)
• আউটপুট ধাপ: ৩ (৩ মাস আগে ভবিষ্যদ্বাণী করা)
• ঋতু: ১২ (ঋতুকাল ১২ মাস)
• আগের নোটবুকে ইনপুট ফাইলের নাম পরিবর্তন করে থাকলে তা পরিবর্তন করুন।
• যদি আপনি মাসের মাঝামাঝি কোয়েরিটি চালান, তাহলে শেষ মাসের মাসিক মোট পরিমাণ প্রত্যাশার চেয়ে অনেক কম হবে। তাই, এই ল্যাবের উদ্দেশ্যে, আসুন ডেটাসেট থেকে শেষ মাসটি মুছে ফেলি: df = df[:-1]
• ডেটাতে কোনও স্পষ্ট ব্যতিক্রম মনে হচ্ছে না, তাই সেই ঘরগুলি এড়িয়ে যান বা মন্তব্য করুন।
• এই নতুন মডেলের জন্য LSTM ইউনিট এবং CNN ফিল্টার এবং কার্নেলের আকার সামঞ্জস্য করুন।

9. পরিষ্কার করা

আপনি যদি এই নোটবুকটি ব্যবহার চালিয়ে যেতে চান, তাহলে ব্যবহার না করার সময় এটি বন্ধ করে দেওয়ার পরামর্শ দেওয়া হচ্ছে। আপনার ক্লাউড কনসোলের ওয়ার্কবেঞ্চ UI থেকে, নোটবুকটি নির্বাচন করুন এবং তারপর "থামুন" নির্বাচন করুন:

আপনি যদি এই ল্যাবে তৈরি করা সমস্ত রিসোর্স মুছে ফেলতে চান, তাহলে ওয়ার্কবেঞ্চ নোটবুকটি বন্ধ করার পরিবর্তে মুছে ফেলুন ।

আপনার ক্লাউড কনসোলের নেভিগেশন মেনু ব্যবহার করে, স্টোরেজ ব্রাউজ করুন এবং আপনার মডেল সম্পদ সংরক্ষণের জন্য তৈরি করা উভয় বাকেট মুছে ফেলুন (সতর্কতা: শুধুমাত্র এই ল্যাবের জন্য নতুন বাকেট তৈরি করলেই এটি করুন)।