মডেল ট্রেনিং এবং টিউনিং মেশিন লার্নিং প্রকল্পের দুটি গুরুত্বপূর্ণ পদক্ষেপ। এই প্রক্রিয়াগুলি ডেটা থেকে তথ্য বের করতে এবং উচ্চ মানের ভবিষ্যদ্বাণী করতে সহায়তা করে। Amazon SageMaker এই কাজগুলো করার জন্য উন্নত টুল এবং ফিচার সরবরাহ করে। নিচে মডেল ট্রেনিং এবং টিউনিং এর প্রক্রিয়া ও SageMaker-এর সাহায্যে এগুলো করার উপায় আলোচনা করা হলো।

১. মডেল ট্রেনিং

মডেল ট্রেনিং হল একটি প্রক্রিয়া যেখানে একটি মেশিন লার্নিং অ্যালগরিদম ডেটার উপর প্রশিক্ষিত হয়। এটি মূলত তিনটি ধাপে বিভক্ত:

১.১. ডেটা প্রস্তুতি

• ডেটা প্রস্তুতি: প্রথমে ডেটা পরিষ্কার ও প্রস্তুত করা হয়, যাতে এটি প্রশিক্ষণের জন্য উপযুক্ত হয়।

১.২. মডেল নির্বাচন

• অ্যালগরিদম নির্বাচন: সমস্যা অনুযায়ী মডেল নির্বাচন করতে হয়। উদাহরণস্বরূপ, রিগ্রেশন সমস্যা হলে Linear Regression বা Random Forest ব্যবহার করা যেতে পারে, আর শ্রেণীবিন্যাস সমস্যা হলে Logistic Regression বা Decision Trees ব্যবহার করা যেতে পারে।

১.৩. প্রশিক্ষণ

• SageMaker Training: SageMaker ব্যবহার করে, প্রশিক্ষণ প্রক্রিয়া শুরু হয়। উদাহরণস্বরূপ:

from sagemaker import get_execution_role
from sagemaker.estimator import Estimator

role = get_execution_role()
estimator = Estimator(
    image_uri='your-image-uri',
    role=role,
    instance_count=1,
    instance_type='ml.m5.large',
    output_path='s3://your-output-bucket'
)

estimator.fit('s3://your-training-data')
Copy

২. মডেল টিউনিং

মডেল টিউনিং হল মডেলের কর্মক্ষমতা উন্নত করার প্রক্রিয়া। এটি মূলত হাইপারপ্যারামিটার টিউনিং এর মাধ্যমে করা হয়।

২.১. হাইপারপ্যারামিটার নির্বাচন

• হাইপারপ্যারামিটার: মডেলের গুণমান বাড়ানোর জন্য বিভিন্ন হাইপারপ্যারামিটার নির্ধারণ করতে হয়, যেমন লার্নিং রেট, ব্যাচ সাইজ, এবং সংখ্যক লুকানো স্তর।

২.২. টিউনিং প্রক্রিয়া

• SageMaker Automatic Model Tuning: SageMaker এর HyperparameterTuner ক্লাস ব্যবহার করে হাইপারপ্যারামিটার টিউনিং করা যায়। উদাহরণস্বরূপ:

from sagemaker.tuner import HyperparameterTuner

tuner = HyperparameterTuner(
    estimator=estimator,
    objective_metric='validation:accuracy',
    hyperparameter_ranges={
        'batch_size': IntegerParameter(32, 256),
        'learning_rate': ContinuousParameter(0.001, 0.1)
    },
    max_jobs=20,
    max_parallel_jobs=2
)

tuner.fit({'train': 's3://your-training-data'})
Copy

৩. মডেল মূল্যায়ন

• মডেল মূল্যায়ন: প্রশিক্ষণ ও টিউনিংয়ের পরে, মডেলের কার্যকারিতা যাচাই করতে হবে। এটি বিভিন্ন মেট্রিক (যেমন accuracy, precision, recall) ব্যবহার করে করা হয়।

৪. মডেল মোতায়েন

• মডেল মোতায়েন: প্রশিক্ষিত মডেলটি বিভিন্ন অ্যাপ্লিকেশনে ব্যবহারের জন্য প্রস্তুত। SageMaker ব্যবহার করে এটি দ্রুত ও সহজে করা যায়।

উপসংহার

মডেল ট্রেনিং এবং টিউনিং হল মেশিন লার্নিং প্রকল্পের মূল প্রক্রিয়া, যা ডেটা থেকে সঠিক ভবিষ্যদ্বাণী করার জন্য অত্যন্ত গুরুত্বপূর্ণ। Amazon SageMaker এই প্রক্রিয়াগুলি সহজতর করতে বিভিন্ন উন্নত টুল এবং ফিচার সরবরাহ করে। SageMaker-এর সাহায্যে ডেটা প্রস্তুতি, মডেল প্রশিক্ষণ এবং হাইপারপ্যারামিটার টিউনিং করা সম্ভব, যা শেষ ফলাফলের গুণমানকে উন্নত করে।

Amazon SageMaker Training Jobs হলো Amazon SageMaker-এর একটি গুরুত্বপূর্ণ বৈশিষ্ট্য, যা ব্যবহারকারীদের মেশিন লার্নিং (ML) মডেল ট্রেনিং করার জন্য একটি সম্পূর্ণভাবে ম্যানেজড পরিবেশ প্রদান করে। এটি ডেটা বিজ্ঞানী এবং ডেভেলপারদের জন্য প্রশিক্ষণের প্রক্রিয়া সহজ করে তোলে, বিশেষ করে বড় ডেটাসেট এবং জটিল মডেলগুলির ক্ষেত্রে।

SageMaker Training Jobs এর বৈশিষ্ট্য

স্বয়ংক্রিয় স্কেলিং:

• SageMaker Training Jobs স্বয়ংক্রিয়ভাবে প্রয়োজনীয় কম্পিউটিং রিসোর্স নির্বাচন করে এবং ব্যবহারকারীর প্রয়োজন অনুযায়ী স্কেল করে।

মডেল ট্রেনিং এর জন্য প্রস্তুতকৃত এলগরিদম:

• SageMaker অনেকগুলি প্রি-বিল্ট এলগরিদম এবং ফ্রেমওয়ার্ক (যেমন: TensorFlow, PyTorch, Scikit-learn) সমর্থন করে, যা ব্যবহারকারীদের দ্রুত মডেল ট্রেনিং করতে সহায়তা করে।

ডেটা সংরক্ষণ:

• SageMaker সঠিকভাবে ডেটা সংরক্ষণ এবং ব্যবস্থাপনার জন্য বিভিন্ন ধরনের ডেটা সোর্স (যেমন S3, EFS) থেকে ডেটা লোড করতে সক্ষম।

লগিং এবং মনিটরিং:

• ট্রেনিং প্রক্রিয়া চলাকালীন, SageMaker লগিং এবং মনিটরিং এর সুবিধা দেয়, যা ব্যবহারকারীদের মডেল ট্রেনিংয়ের কার্যকারিতা এবং স্বাস্থ্য ট্র্যাক করতে সাহায্য করে।

ভিন্ন ধরণের ট্রেনিং মোড:

• SageMaker Training Jobs বিভিন্ন ট্রেনিং মোডে কাজ করতে পারে, যেমন একক নোড, মাল্টি-নোড, এবং মাল্টি-গেম টাস্ক।

SageMaker Training Jobs এর কাজের ধরণ

SageMaker Training Jobs সাধারণত নিচের কাজগুলো সম্পন্ন করে:

ডেটা লোডিং:

• প্রশিক্ষণের জন্য ডেটা সঠিকভাবে লোড করা হয়, যা S3 বকেট থেকে বা অন্যান্য উৎস থেকে হতে পারে।

মডেল ট্রেনিং:

• নির্বাচিত এলগরিদম বা মডেল ফ্রেমওয়ার্ক ব্যবহার করে প্রশিক্ষণের কাজ সম্পন্ন করা হয়। এটি প্রশিক্ষণের জন্য প্রয়োজনীয় প্যারামিটার সেটিংস, হার্ডওয়্যার কনফিগারেশন, এবং ডেটা প্রিপ্রোসেসিং অন্তর্ভুক্ত করে।

পারফরম্যান্স ট্র্যাকিং:

• মডেল ট্রেনিং চলাকালীন সময়ের মধ্যে প্রয়োজনীয় মেট্রিক্স ট্র্যাক করা হয়। ব্যবহারকারীরা লগ ফাইল বিশ্লেষণ করে মডেলের কার্যকারিতা যাচাই করতে পারেন।

মডেল সংরক্ষণ:

• প্রশিক্ষণের পরে, SageMaker স্বয়ংক্রিয়ভাবে প্রশিক্ষিত মডেল এবং সংশ্লিষ্ট মেটাডেটা সঞ্চয় করে। এটি ব্যবহারকারীদের জন্য ভবিষ্যতে ডেপ্লয়মেন্টের জন্য প্রস্তুত থাকে।

বিকল্প মডেল পরীক্ষা:

• ব্যবহারকারীরা একাধিক মডেল তৈরি করতে পারেন এবং তাদের কার্যকারিতা তুলনা করতে পারেন, যাতে সঠিক মডেল নির্বাচন করা যায়।

উপসংহার

Amazon SageMaker Training Jobs হলো মেশিন লার্নিং মডেল ট্রেনিংয়ের জন্য একটি শক্তিশালী এবং সুবিধাজনক পরিবেশ। এটি স্বয়ংক্রিয় স্কেলিং, প্রস্তুতকৃত এলগরিদম, ডেটা লোডিং, পারফরম্যান্স ট্র্যাকিং এবং মডেল সংরক্ষণের মতো বৈশিষ্ট্য সরবরাহ করে। SageMaker Training Jobs ব্যবহার করে, ডেটা বিজ্ঞানীরা এবং ডেভেলপাররা দ্রুত এবং কার্যকরভাবে তাদের মডেল ট্রেনিং করতে সক্ষম হন, যা তাদের মেশিন লার্নিং প্রকল্পগুলির সফলতা নিশ্চিত করে।

Hyperparameter tuning (হাইপারপ্যারামিটার টিউনিং) হল মেশিন লার্নিং মডেলগুলির জন্য একটি গুরুত্বপূর্ণ প্রক্রিয়া যা মডেলের পারফরম্যান্সকে উন্নত করার জন্য ব্যবহৃত হয়। এটি হাইপারপ্যারামিটারগুলির মান খুঁজে বের করতে সহায়তা করে, যা মডেলের কার্যকারিতা এবং পূর্বাভাসের সঠিকতা প্রভাবিত করে। নিচে hyperparameter tuning-এর ধারণা এবং এর ব্যবহার নিয়ে বিস্তারিত আলোচনা করা হলো।

১. হাইপারপ্যারামিটার কি?

• Definition: হাইপারপ্যারামিটারগুলি হল সেই প্যারামিটার যা মডেলের প্রশিক্ষণের আগে নির্ধারিত হয় এবং মডেলের আচরণকে নিয়ন্ত্রণ করে। এগুলি সাধারণত মডেল আর্কিটেকচার, প্রশিক্ষণ পদ্ধতি, এবং অন্যান্য সেটিংসের উপর নির্ভর করে।
• Examples:
  • Learning Rate: কত দ্রুত মডেল তার ওজন আপডেট করবে।
  • Batch Size: একবারে কত নমুনা মডেলের প্রশিক্ষণে ব্যবহার করা হবে।
  • Number of Trees: একটি সিদ্ধান্ত গাছের অ্যালগরিদমে গাছের সংখ্যা।
  • Regularization Parameter: মডেলের জটিলতা নিয়ন্ত্রণের জন্য ব্যবহৃত।

২. হাইপারপ্যারামিটার টিউনিংয়ের প্রক্রিয়া

• Manual Tuning: প্রথমে, ব্যবহারকারী বিভিন্ন হাইপারপ্যারামিটারের মানগুলি হাতে হাতে পরিবর্তন করতে পারেন এবং মডেলের পারফরম্যান্স পর্যবেক্ষণ করেন।
• Automated Tuning: এই পদ্ধতিতে, অ্যালগরিদম স্বয়ংক্রিয়ভাবে হাইপারপ্যারামিটারগুলির সেরা সংমিশ্রণ খুঁজে বের করে। এটি বিভিন্ন পদ্ধতির মাধ্যমে করা যায়:
  • Grid Search: নির্দিষ্ট হাইপারপ্যারামিটারগুলির বিভিন্ন সম্ভাব্য মানের একটি গ্রিড তৈরি করা হয় এবং প্রতিটি সংমিশ্রণের জন্য মডেল প্রশিক্ষণ ও মূল্যায়ন করা হয়।
  • Random Search: হাইপারপ্যারামিটারের বিভিন্ন সম্ভাব্য মানের একটি এলোমেলো নমুনা তৈরি করা হয় এবং পরীক্ষা করা হয়। এটি গ্রিড সার্চের তুলনায় বেশি কার্যকরী হতে পারে।
  • Bayesian Optimization: এটি একটি স্ট্যাটিস্টিক্যাল পদ্ধতি যা পূর্ববর্তী পরীক্ষার ফলাফল ব্যবহার করে নতুন মানের সম্ভাব্যতা নির্ধারণ করে এবং একটি সেরা সংমিশ্রণ খুঁজে বের করতে সাহায্য করে।

৩. SageMaker Hyperparameter Tuning

Amazon SageMaker হাইপারপ্যারামিটার টিউনিং-এর জন্য একটি উন্নত প্ল্যাটফর্ম প্রদান করে, যেখানে ব্যবহারকারীরা সহজেই বিভিন্ন হাইপারপ্যারামিটার সংমিশ্রণ পরীক্ষা করতে পারেন। এখানে কিছু গুরুত্বপূর্ণ বৈশিষ্ট্য:

• Automatic Model Tuning: SageMaker আপনাকে হাইপারপ্যারামিটার টিউনিং জব তৈরি করতে দেয়, যেখানে আপনি বিভিন্ন হাইপারপ্যারামিটার সেটিংস এবং টার্গেট মেট্রিক (যেমন Accuracy) নির্ধারণ করতে পারেন।
• Parallel Processing: এটি বিভিন্ন হাইপারপ্যারামিটার সংমিশ্রণের জন্য প্রশিক্ষণ জবগুলো সমান্তরালে চালাতে পারে, যা সময় সাশ্রয় করে।
• Optimization Algorithms: SageMaker Bayesian optimization এবং অন্যান্য অ্যালগরিদম ব্যবহার করে মডেলের পারফরম্যান্স বাড়ানোর জন্য হাইপারপ্যারামিটারগুলি খুঁজে বের করে।

৪. হাইপারপ্যারামিটার টিউনিংয়ের উপকারিতা

• মডেলের কার্যকারিতা উন্নয়ন: সঠিক হাইপারপ্যারামিটার নির্ধারণ করলে মডেলের পারফরম্যান্স অনেক উন্নত হতে পারে।
• বিকল্প পদ্ধতি: এটি ভিন্ন ভিন্ন মডেলের জন্য একটি মানানসই সমাধান তৈরি করতে সহায়তা করে, যাতে তাদের বৈশিষ্ট্যগুলির সাথে সঙ্গতিপূর্ণ হয়।
• স্বয়ংক্রিয়তা: অটোমেটেড টিউনিং পদ্ধতি সময় সাশ্রয় করে এবং আরও কার্যকরী ফলাফল দেয়।

উপসংহার

Hyperparameter tuning হল একটি অপরিহার্য প্রক্রিয়া যা মেশিন লার্নিং মডেলের দক্ষতা এবং কার্যকারিতা বাড়াতে সহায়ক। এটি মডেল প্রশিক্ষণের সঠিকতা নিশ্চিত করে এবং মডেল তৈরির সময় আরও উন্নত ফলাফল দেয়। SageMaker-এর মত প্ল্যাটফর্মগুলি এই প্রক্রিয়াটিকে সহজ এবং কার্যকর করে তোলে।

Amazon SageMaker একটি শক্তিশালী প্ল্যাটফর্ম যা বিল্ট-ইন অ্যালগরিদম ব্যবহার করে মডেল প্রশিক্ষণ করার জন্য সহজ এবং কার্যকর উপায় প্রদান করে। SageMaker বিভিন্ন জনপ্রিয় মেশিন লার্নিং অ্যালগরিদমের সেট অফার করে, যা ব্যবহারকারীদের জন্য তাদের ডেটা নিয়ে কাজ করা সহজ করে তোলে। নিচে SageMaker এর বিল্ট-ইন অ্যালগরিদম ব্যবহার করে মডেল প্রশিক্ষণের প্রক্রিয়া সম্পর্কে বিস্তারিত আলোচনা করা হলো।

ধাপ ১: SageMaker পরিবেশ সেটআপ

AWS অ্যাকাউন্ট তৈরি করুন:

• AWS তে একটি অ্যাকাউন্ট তৈরি করুন (যদি আপনার না থাকে) এবং SageMaker পরিষেবাটি অ্যাক্সেস করুন।

SageMaker নোটবুক ইনস্ট্যান্স তৈরি করুন:

• AWS Management Console এ যান এবং SageMaker ড্যাশবোর্ডে নেভিগেট করুন।
• "Notebook instances" এ ক্লিক করুন এবং একটি নতুন নোটবুক ইনস্ট্যান্স তৈরি করুন।

ধাপ ২: ডেটা প্রস্তুতি

ডেটা লোড করা:

• আপনার ডেটাসেটটি S3 বকেটে আপলোড করুন। উদাহরণস্বরূপ, CSV ফাইল।

ডেটা লোড করুন:

import pandas as pd

# S3 থেকে ডেটা লোড করুন
data = pd.read_csv('s3://your-bucket-name/your-dataset.csv')
Copy

ডেটা বিশ্লেষণ করুন:

• ডেটার স্ট্রাকচার এবং মানগুলি বুঝুন, মিসিং ভ্যালু বা অস্বাভাবিক মান চিহ্নিত করুন।

ধাপ ৩: মডেল প্রশিক্ষণ

SageMaker SDK ইনস্টল করুন:

!pip install sagemaker
Copy

SageMaker লাইব্রেরি ইনপোর্ট করুন:

import sagemaker
from sagemaker import get_execution_role
from sagemaker.amazon.amazon_estimator import get_image_uri
Copy

প্রয়োজনীয় ভেরিয়েবল সেট করুন:

role = get_execution_role()
bucket = 'your-bucket-name'
prefix = 'your-prefix'
Copy

ডেটা S3 এ আপলোড করুন:

train_data = 's3://{}/train/'.format(bucket)
test_data = 's3://{}/test/'.format(bucket)

# ডেটা S3 এ আপলোড করুন
data.to_csv(train_data + 'train_data.csv', index=False)
Copy

বিল্ট-ইন অ্যালগরিদম নির্বাচন করুন:

• SageMaker এর বিল্ট-ইন অ্যালগরিদমের মধ্যে থেকে একটি নির্বাচন করুন, যেমন:
  • Linear Learner
  • XGBoost
  • K-Means
  • Random Cut Forest

মডেল প্রশিক্ষণ করুন:

linear_estimator.set_hyperparameters(feature_dim=10, predictor_type='regressor', mini_batch_size=200)

# প্রশিক্ষণের জন্য ডেটা চিহ্নিত করুন
train_input = sagemaker.inputs.TrainingInput(train_data, content_type='text/csv')

# মডেল প্রশিক্ষণ শুরু করুন
linear_estimator.fit({'train': train_input})
Copy

ধাপ ৪: মডেল ডিপ্লয়মেন্ট

মডেল ডিপ্লয় করুন:

predictor = linear_estimator.deploy(
    initial_instance_count=1,
    instance_type='ml.m5.large'
)
Copy

মডেল থেকে পূর্বাভাস নিন:

predictions = predictor.predict(test_data)
print(predictions)
Copy

ডিপ্লয়মেন্টের পর পরিষ্কার করুন:

sagemaker.Session().delete_endpoint(predictor.endpoint_name)
Copy

উপসংহার

Amazon SageMaker এর বিল্ট-ইন অ্যালগরিদম ব্যবহার করে মডেল প্রশিক্ষণ একটি সহজ এবং কার্যকর প্রক্রিয়া। এটি ব্যবহারকারীদের ডেটা প্রক্রিয়াকরণ, প্রশিক্ষণ, এবং মডেল ডিপ্লয়মেন্টের জন্য শক্তিশালী টুল সরবরাহ করে। এই পদ্ধতি ব্যবহার করে, আপনি দ্রুত এবং কার্যকরীভাবে মেশিন লার্নিং মডেল তৈরি করতে পারবেন।

মডেল ট্রেনিং এবং টিউনিং একটি মেশিন লার্নিং প্রক্রিয়ার অত্যন্ত গুরুত্বপূর্ণ অংশ। এটি ডেটা থেকে শেখার জন্য মডেলকে প্রস্তুত করে এবং তার কার্যকারিতা বাড়াতে সাহায্য করে। এখানে Amazon SageMaker ব্যবহার করে মডেল ট্রেনিং এবং টিউনিংয়ের প্রক্রিয়া উদাহরণসহ বিস্তারিত আলোচনা করা হলো।

ধাপ ১: লাইব্রেরি ইমপোর্ট করা

প্রথমে, SageMaker এবং অন্যান্য প্রয়োজনীয় লাইব্রেরি ইমপোর্ট করুন।

import boto3
import sagemaker
from sagemaker import get_execution_role
from sagemaker.sklearn.estimator import SKLearn
Copy

ধাপ ২: সেশন এবং রোল সেট করা

SageMaker সেশন এবং আপনার IAM রোল সেট করুন।

# SageMaker সেশন তৈরি করুন
sagemaker_session = sagemaker.Session()

# IAM রোল
role = get_execution_role()
Copy

ধাপ ৩: ডেটা লোড করা

ডেটা S3 থেকে লোড করুন। ধরুন আমরা 'train_data.csv' এবং 'test_data.csv' ফাইল ব্যবহার করছি।

# S3 থেকে ডেটার পাথ
train_data_path = 's3://my-ml-data/train_data.csv'
test_data_path = 's3://my-ml-data/test_data.csv'
Copy

ধাপ ৪: মডেল ট্রেনিং

এখন আমরা একটি স্কikit-learn মডেল ট্রেন করবো। এখানে আমরা একটি সাধারণ রিগ্রেশন মডেল তৈরি করছি।

# স্কikit-learn Estimator তৈরি করুন
sklearn_estimator = SKLearn(
    entry_point='train.py',  # আপনার ট্রেনিং স্ক্রিপ্টের নাম
    role=role,
    instance_type='ml.m5.large',  # ইন্সট্যান্সের প্রকার
    sagemaker_session=sagemaker_session,
    framework_version='0.23-1',  # স্কikit-learn ভার্সন
    py_version='py3',
    metric_definitions=[
        {'Name': 'r2_score', 'Regex': 'R^2 score: ([0-9\\.]+)'}  # মেট্রিক সংজ্ঞায়িত করুন
    ]
)

# ট্রেনিং শুরু করুন
sklearn_estimator.fit({'train': train_data_path})
Copy

ধাপ ৫: মডেল টিউনিং

মডেল টিউনিংয়ের জন্য, আমরা SageMaker Hyperparameter Tuning ব্যবহার করতে পারি।

from sagemaker.tuner import HyperparameterTuner, IntegerParameter, ContinuousParameter, ObjectiveType

# টিউনিং প্যারামিটার সংজ্ঞায়িত করুন
hyperparameter_ranges = {
    'max_depth': IntegerParameter(3, 10),
    'n_estimators': IntegerParameter(50, 200),
    'learning_rate': ContinuousParameter(0.01, 0.1)
}

# টিউনিং কাজ তৈরি করুন
tuner = HyperparameterTuner(
    estimator=sklearn_estimator,
    objective_metric='r2_score',
    hyperparameter_ranges=hyperparameter_ranges,
    max_jobs=10,
    max_parallel_jobs=2,
    objective_type=ObjectiveType.Maximize
)

# টিউনিং শুরু করুন
tuner.fit({'train': train_data_path})
Copy

ধাপ ৬: মডেল ডেপ্লয়মেন্ট

ট্রেনিং এবং টিউনিং শেষ হলে, মডেল ডেপ্লয় করতে পারেন।

# সেরা মডেল ডেপ্লয় করুন
predictor = tuner.deploy(initial_instance_count=1, instance_type='ml.m5.large')
Copy

ধাপ ৭: পূর্বাভাস করা

ডেপ্লয় করা মডেল থেকে পূর্বাভাস নিতে পারেন।

# পূর্বাভাসের জন্য ডেটা প্রস্তুত করুন
test_data = pd.read_csv('s3://my-ml-data/test_data.csv')
predictions = predictor.predict(test_data)

print(predictions)
Copy

ধাপ ৮: মডেল মেট্রিক্স মূল্যায়ন

আপনি মডেলটির কার্যকারিতা মূল্যায়ন করতে পারেন।

# R² স্কোর বের করুন
from sklearn.metrics import r2_score

# সত্য এবং পূর্বাভাসের ফলাফল তুলনা করুন
true_values = test_data['target_column']
print("R² score:", r2_score(true_values, predictions))
Copy

উপসংহার

এখন আপনি Amazon SageMaker ব্যবহার করে মডেল ট্রেনিং এবং টিউনিংয়ের প্রক্রিয়া সম্পর্কে জানেন। এই পদক্ষেপগুলি অনুসরণ করে, আপনি একটি কার্যকর মেশিন লার্নিং মডেল তৈরি এবং সেটি টিউন করতে পারবেন।