AI رجحانات کی پیشن گوئی کیسے کرتا ہے؟

AI ان نمونوں کو دیکھ سکتا ہے جو ننگی آنکھ سے چھوٹ جاتی ہیں، سرفیسنگ سگنلز جو پہلے شرمانے پر شور کی طرح نظر آتے ہیں۔ ٹھیک ہو گیا، یہ گندے رویے کو مفید دور اندیشی میں بدل دیتا ہے - اگلے مہینے سیلز، کل ٹریفک، اس سہ ماہی کے آخر میں منتھلی۔ غلط کیا، یہ ایک پراعتماد کندھے اچکانا ہے۔ اس گائیڈ میں، ہم درست طریقہ کار کے ذریعے چلیں گے کہ AI رجحانات کی پیشن گوئی کیسے کرتا ہے، جیت کہاں سے آتی ہے، اور خوبصورت چارٹس کے ذریعے بے وقوف بننے سے کیسے بچنا ہے۔ میں اسے عملی طور پر رکھوں گا، چند حقیقی گفتگو کے لمحات اور کبھی کبھار ابرو اٹھانے کے ساتھ 🙃۔

اس کے بعد آپ جو مضامین پڑھنا پسند کر سکتے ہیں:

🔗 AI کارکردگی کی پیمائش کیسے کریں۔
AI سسٹمز کی درستگی، کارکردگی اور وشوسنییتا کا جائزہ لینے کے لیے کلیدی میٹرکس۔

🔗 AI سے بات کرنے کا طریقہ
جوابی معیار کو بہتر بنانے کے لیے AI کے ساتھ بات چیت کے لیے عملی تجاویز۔

🔗 AI اشارہ کیا ہے۔
اس بات کی واضح وضاحت کہ اشارہ کس طرح AI رویے اور آؤٹ پٹ کو متاثر کرتا ہے۔

🔗 AI ڈیٹا لیبلنگ کیا ہے؟
مشین لرننگ ماڈلز کی تربیت کے لیے ڈیٹا کو مؤثر طریقے سے لیبل کرنے کا تعارف۔

AI ٹرینڈ کی اچھی پیشن گوئی کیا بناتی ہے ✅

جب لوگ پوچھتے ہیں کہ AI رجحانات کی پیشن گوئی کیسے کرتا ہے، تو ان کا عام طور پر مطلب ہوتا ہے: یہ کسی غیر یقینی اور بار بار آنے والی چیز کی پیش گوئی کیسے کرتا ہے۔ اچھے رجحان کی پیشن گوئی میں کچھ بورنگ لیکن خوبصورت اجزاء ہیں:

• سگنل کے ساتھ ڈیٹا - آپ پتھر سے سنتری کا رس نچوڑ نہیں سکتے۔ آپ کو ماضی کی اقدار اور سیاق و سباق کی ضرورت ہے۔

• وہ خصوصیات جو حقیقت کی عکاسی کرتی ہیں - موسم، تعطیلات، پروموشنز، میکرو سیاق و سباق، یہاں تک کہ موسم۔ وہ سب نہیں، صرف وہی جو آپ کی سوئی کو حرکت دیتے ہیں۔

• وہ ماڈل جو گھڑی کے مطابق ہوتے ہیں - وقت سے آگاہی کے طریقے جو ترتیب، فرق اور بڑھے ہوئے کا احترام کرتے ہیں۔

• تشخیص جو تعیناتی کا آئینہ دار ہے - بیک ٹیسٹس جو اس بات کی تقلید کرتے ہیں کہ آپ واقعی کیسے پیش گوئی کریں گے۔ کوئی جھانکنا [2]۔

• تبدیلی کی نگرانی - دنیا بدل رہی ہے۔ آپ کا ماڈل بھی ہونا چاہئے [5]۔

وہ کنکال ہے۔ باقی پٹھوں، tendons، اور تھوڑا سا کیفین ہے.

بنیادی پائپ لائن: کس طرح AI خام ڈیٹا سے پیشین گوئی کے رجحانات کی پیش گوئی کرتا ہے 🧪

1. ڈیٹا اکٹھا اور سیدھ میں
   لائیں ٹارگٹ سیریز کے علاوہ exogenous سگنلز کو اکٹھا کریں۔ عام ذرائع: پروڈکٹ کیٹلاگ، اشتھاراتی اخراجات، قیمتیں، میکرو انڈیکس، اور ایونٹس۔ ٹائم اسٹیمپ سیدھ کریں، گمشدہ اقدار کو سنبھالیں، اکائیوں کو معیاری بنائیں۔ یہ غیر مہذب لیکن تنقیدی ہے۔

2. انجینئر کی خصوصیات
   وقفہ، رولنگ کے ذرائع، حرکت پذیر مقدار، ہفتہ کے دن کے جھنڈے، اور ڈومین سے متعلق مخصوص اشارے بنائیں۔ موسمی ایڈجسٹمنٹ کے لیے، بہت سے پریکٹیشنرز ماڈلنگ سے پہلے ایک سیریز کو رجحان، موسمی، اور بقیہ اجزاء میں تحلیل کرتے ہیں۔ امریکی مردم شماری بیورو کا X-13 پروگرام یہ کیسے اور کیوں کام کرتا ہے اس کا کینونیکل حوالہ ہے [1]۔

3. ایک ماڈل فیملی کا انتخاب کریں
   آپ کے پاس تین بڑی بالٹیاں ہیں:

• کلاسیکی اعدادوشمار : ARIMA, ETS, state-space/Kalman. قابل تعبیر اور تیز۔

• مشین لرننگ : گریڈینٹ بوسٹنگ، وقت سے آگاہ خصوصیات کے ساتھ بے ترتیب جنگلات۔ بہت سی سیریز میں لچکدار۔

• گہری تعلیم : LSTM، عارضی CNNs، ٹرانسفارمرز۔ مفید ہے جب آپ کے پاس بہت سارے ڈیٹا اور پیچیدہ ڈھانچہ ہوں۔

4. صحیح طریقے سے بیک ٹیسٹ کریں
   ٹائم سیریز کراس توثیق ایک رولنگ اصل کا استعمال کرتی ہے تاکہ آپ ماضی کو جانچتے ہوئے کبھی بھی مستقبل کی تربیت نہ کریں۔ یہ ایماندارانہ درستگی اور خواہش مند سوچ کے درمیان فرق ہے [2]۔

5. پیشن گوئی، غیر یقینی صورتحال کو درست کریں، اور
   وقفوں کے ساتھ واپسی کی پیشین گوئیاں بھیجیں، غلطی کی نگرانی کریں، اور دنیا کے بڑھتے ہی دوبارہ تربیت دیں۔ منظم خدمات عام طور پر درستگی کے میٹرکس (مثلاً، MAPE، WAPE، MASE) اور بیک ٹیسٹنگ ونڈو کو باکس سے باہر ظاہر کرتی ہیں، جس سے گورننس اور ڈیش بورڈز آسان ہوتے ہیں [3]۔

ایک تیز جنگ کی کہانی: ایک لانچ میں، ہم نے کیلنڈر کی خصوصیات (علاقائی تعطیلات + پرومو جھنڈوں) پر ایک اضافی دن گزارا اور ماڈلز کو تبدیل کرنے کے مقابلے میں ابتدائی افق کی غلطیوں کو نمایاں طور پر کاٹ دیا۔ فیچر کوالٹی بیٹ ماڈل نوولٹی - ایک تھیم جسے آپ دوبارہ دیکھیں گے۔

موازنہ ٹیبل: ٹولز جو AI کی پیشن گوئی کے رجحانات 🧰 میں مدد کرتے ہیں۔

مقصد کے لحاظ سے نامکمل - چند انسانی quirks کے ساتھ ایک حقیقی میز.

ہاں، جملے ناہموار ہیں۔ یہی حقیقی زندگی ہے۔

فیچر انجینئرنگ جو دراصل سوئی کو حرکت دیتی ہے۔

AI کی پیشن گوئی کے رجحانات کا آسان ترین مفید جواب یہ ہے: ہم سیریز کو ایک زیر نگرانی سیکھنے کی میز میں تبدیل کرتے ہیں جو وقت کو یاد رکھتا ہے۔ جانے کے لیے چند حرکتیں:

• وقفہ اور ونڈوز : y[t-1]، y[t-7]، y[t-28]، پلس رولنگ کے ذرائع اور std dev شامل ہیں۔ یہ رفتار اور جڑتا کو پکڑتا ہے۔

• موسمی اشارے : مہینہ، ہفتہ، ہفتہ کا دن، دن کا گھنٹہ۔ فورئیر اصطلاحات ہموار موسمی منحنی خطوط فراہم کرتی ہیں۔

• کیلنڈر اور ایونٹس : چھٹیاں، پروڈکٹ لانچ، قیمت میں تبدیلی، پروموز۔ پیغمبرانہ طرز کے تعطیلات کے اثرات صرف پرائیرز کے ساتھ خصوصیات ہیں۔

• سڑنا : موسمی جزو کو گھٹائیں اور پیٹرن مضبوط ہونے پر بقیہ کا نمونہ بنائیں۔ X-13 اس کے لیے ایک اچھی طرح سے آزمائشی بنیاد ہے [1]۔

• بیرونی رجعت کار : موسم، میکرو اشاریہ جات، صفحہ کے نظارے، تلاش کی دلچسپی۔

• تعامل کے اشارے : سادہ کراس جیسے promo_flag × day_of_week۔ یہ کھردرا ہے لیکن اکثر کام کرتا ہے۔

اگر آپ کے پاس متعدد متعلقہ سیریز ہیں- ہزاروں SKUs کا کہنا ہے کہ- آپ درجہ بندی یا عالمی ماڈلز کے ساتھ ان میں معلومات جمع کر سکتے ہیں۔ عملی طور پر، وقت سے آگاہی والی خصوصیات کے ساتھ ایک عالمی میلان کو بڑھاوا دینے والا ماڈل اکثر اپنے وزن سے زیادہ مکے مارتا ہے۔

ماڈل فیملیز کا انتخاب: ایک دوستانہ جھگڑا 🤼‍♀️

• ARIMA/ETS
  Pros: قابل تشریح، تیز، ٹھوس بنیادی خطوط۔ نقصانات: فی سیریز ٹیوننگ بڑے پیمانے پر ہو سکتی ہے۔ جزوی خود کار تعلق احکامات کو ظاہر کرنے میں مدد کر سکتا ہے، لیکن معجزوں کی توقع نہ کریں۔

• گریڈینٹ بوسٹنگ
  پرو: ٹیبلر فیچرز کو ہینڈل کرتا ہے، مخلوط سگنلز سے مضبوط، بہت سی متعلقہ سیریز کے ساتھ بہترین۔ نقصانات: آپ کو وقت کی خصوصیات کو اچھی طرح سے انجینئر کرنا چاہئے اور وجہ کا احترام کرنا چاہئے۔

• گہری سیکھنے کے
  پیشہ: نان لائنیرٹی اور کراس سیریز کے نمونوں کو حاصل کرتا ہے۔ نقصانات: ڈیٹا بھوکا، ڈیبگ کرنا مشکل۔ جب آپ کے پاس بھرپور سیاق و سباق یا طویل تاریخیں ہیں، تو یہ چمک سکتی ہے۔ دوسری صورت میں، یہ رش کے اوقات میں ایک اسپورٹس کار ہے۔

• ہائبرڈ اور ملبوسات
  آئیے ایماندار بنیں، گریڈینٹ بوسٹر کے ساتھ موسمی بیس لائن کو اسٹیک کرنا اور ہلکے وزن والے LSTM کے ساتھ ملاپ ایک غیر معمولی قصوروار خوشی ہے۔ میں نے تسلیم کرنے سے کہیں زیادہ بار "سنگل ماڈل پاکیزگی" پر پیچھے ہٹ گیا ہوں۔

وجہ بمقابلہ ارتباط: احتیاط سے ہینڈل 🧭

صرف اس وجہ سے کہ دو لائنیں آپس میں گھلتی ہیں اس کا مطلب یہ نہیں ہے کہ ایک دوسرے کو چلاتا ہے۔ Granger causality ٹیسٹ کرتا ہے کہ آیا امیدوار ڈرائیور کو شامل کرنے سے ہدف کی پیشین گوئی بہتر ہوتی ہے، اس کی اپنی تاریخ کے پیش نظر۔ یہ لکیری خود بخود مفروضوں کے تحت پیشن گوئی کی افادیت کے بارے میں ہے، فلسفیانہ وجہ نہیں - ایک لطیف لیکن اہم امتیاز [4]۔

پیداوار میں، آپ اب بھی ڈومین کے علم کے ساتھ سنجیدگی کی جانچ کرتے ہیں۔ مثال: خوردہ فروشی کے لیے ہفتے کے دن کے اثرات اہم ہیں، لیکن اگر ماڈل میں خرچ پہلے سے موجود ہے تو پچھلے ہفتے کے اشتہار کے کلکس کو شامل کرنا بے کار ہو سکتا ہے۔

بیک ٹیسٹنگ اور میٹرکس: جہاں زیادہ تر غلطیاں چھپ جاتی ہیں 🔍

اس بات کا اندازہ کرنے کے لیے کہ AI رجحانات کی حقیقت پسندانہ پیشن گوئی کیسے کرتا ہے، نقل کریں کہ آپ جنگل میں کیسے پیش گوئی کریں گے:

• رولنگ اوریجن کراس توثیق : بار بار پہلے کے ڈیٹا پر ٹریننگ کریں اور اگلے حصے کی پیشن گوئی کریں۔ یہ ٹائم آرڈر کا احترام کرتا ہے اور مستقبل میں رساو کو روکتا ہے [2]۔

• خرابی کی پیمائش : منتخب کریں جو آپ کے فیصلوں کے مطابق ہو۔ فیصد میٹرکس جیسے MAPE مقبول ہیں، لیکن وزنی میٹرکس (WAPE) یا سکیل فری والے (MASE) اکثر پورٹ فولیوز اور ایگریگیٹس کے لیے بہتر برتاؤ کرتے ہیں [3]۔

• پیشین گوئی کے وقفے : صرف ایک نقطہ نہ دیں۔ غیر یقینی صورتحال سے آگاہ کریں۔ ایگزیکٹوز شاذ و نادر ہی حدود کو پسند کرتے ہیں، لیکن وہ کم حیرت پسند کرتے ہیں۔

ایک چھوٹا سا گٹچا: جب آئٹمز صفر ہو سکتے ہیں، فیصدی میٹرکس عجیب ہو جاتے ہیں۔ مطلق یا اسکیل شدہ غلطیوں کو ترجیح دیں، یا ایک چھوٹا سا آفسیٹ شامل کریں- بس مستقل رہیں۔

بہاؤ ہوتا ہے: پتہ لگانا اور تبدیلی کے لیے موافقت کرنا 🌊

مارکیٹوں میں تبدیلی، ترجیحات میں اضافہ، سینسر کی عمر۔ جب ان پٹس اور ٹارگٹ کے درمیان تعلق تیار ہوتا ہے تو تصور کا بہاؤ آپ شماریاتی ٹیسٹوں، سلائیڈنگ ونڈو کی خرابیوں، یا ڈیٹا کی تقسیم کی جانچ کے ساتھ بڑھے ہوئے کی نگرانی کر سکتے ہیں۔ پھر ایک حکمت عملی کا انتخاب کریں: مختصر ٹریننگ ونڈوز، وقتاً فوقتاً دوبارہ تربیت، یا انکولی ماڈلز جو آن لائن اپ ڈیٹ ہوتے ہیں۔ فیلڈ کے سروے متعدد بڑھے ہوئے اقسام اور موافقت کی پالیسیاں دکھاتے ہیں۔ کوئی ایک پالیسی سب پر فٹ نہیں بیٹھتی [5]۔

عملی پلے بک: لائیو پیشن گوئی کی غلطی پر الرٹ کی حدیں مقرر کریں، شیڈول پر دوبارہ تربیت دیں، اور فال بیک بیس لائن کو تیار رکھیں۔ گلیمرس نہیں - بہت موثر۔

وضاحت: بلیک باکس کو توڑے بغیر کھولنا 🔦

اسٹیک ہولڈرز پوچھتے ہیں کہ پیشن گوئی کیوں بڑھ گئی؟ معقول۔ ماڈل-ایگنوسٹک ٹولز جیسے SHAP نظریاتی بنیادوں پر خصوصیات سے پیشین گوئی کو منسوب کرتے ہیں، آپ کو یہ دیکھنے میں مدد کرتے ہیں کہ آیا موسم، قیمت، یا پرومو کی حیثیت نے نمبر کو آگے بڑھایا ہے۔ یہ وجہ ثابت نہیں کرے گا، لیکن یہ اعتماد اور ڈیبگنگ کو بہتر بناتا ہے۔

میری اپنی جانچ میں، ہفتہ وار موسمی اور پرومو جھنڈے مختصر افق خوردہ پیشین گوئیوں پر غالب رہتے ہیں، جبکہ طویل افق والے میکرو پراکسیز کی طرف جاتے ہیں۔ آپ کا مائلیج مختلف ہوگا۔

کلاؤڈ اور ایم ایل او پیز: ڈکٹ ٹیپ کے بغیر شپنگ کی پیشن گوئی 🚚

اگر آپ منظم پلیٹ فارمز کو ترجیح دیتے ہیں:

• Google Vertex AI Forecast وقت کی سیریز کے اندراج، آٹو ایم ایل کی پیشن گوئی چلانے، بیک ٹیسٹنگ، اور اینڈ پوائنٹس کی تعیناتی کے لیے ایک گائیڈڈ ورک فلو فراہم کرتا ہے۔ یہ جدید ڈیٹا اسٹیک کے ساتھ بھی اچھی طرح سے کھیلتا ہے۔

• Amazon Forecast بڑے پیمانے پر تعیناتی پر توجہ مرکوز کرتا ہے، معیاری بیک ٹیسٹنگ اور درستگی کے میٹرکس کے ساتھ جو آپ API کے ذریعے کھینچ سکتے ہیں، جو گورننس اور ڈیش بورڈز میں مدد کرتا ہے [3]۔

یا تو راستہ بوائلر پلیٹ کو کم کرتا ہے۔ صرف ایک نظر لاگت پر اور دوسری نظر ڈیٹا نسب پر رکھیں۔ دو آنکھیں مکمل مشکل لیکن قابل عمل۔

ایک منی کیس واک تھرو: خام کلکس سے ٹرینڈ سگنل تک 🧭✨

آئیے تصور کریں کہ آپ فری میم ایپ کے لیے روزانہ سائن اپ کی پیش گوئی کر رہے ہیں:

1. ڈیٹا : روزانہ سائن اپ، چینل کے ذریعہ اشتہارات کا خرچ، سائٹ کی بندش، اور ایک سادہ پرومو کیلنڈر کھینچیں۔

2. خصوصیات : وقفہ 1، 7، 14؛ 7 دن کا رولنگ مطلب؛ ہفتے کے دن کے جھنڈے؛ بائنری پرومو پرچم؛ ایک فوئیر موسمی اصطلاح؛ اور ایک بوسیدہ موسمی باقیات تاکہ ماڈل غیر دہرائے جانے والے حصے پر توجہ مرکوز کرے۔ موسمی گلنا سرکاری اعدادوشمار میں ایک کلاسک اقدام ہے کام بورنگ نام، بڑی ادائیگی [1]۔

3. ماڈل : تمام جغرافیائی علاقوں میں عالمی ماڈل کے طور پر گریڈینٹ بوسٹڈ ریگریسر کے ساتھ شروع کریں۔

4. بیک ٹیسٹ : ہفتہ وار تہوں کے ساتھ رولنگ اصل۔ اپنے بنیادی کاروباری حصے پر WAPE کو بہتر بنائیں۔ وقت کا احترام کرنے والے بیک ٹیسٹ قابل اعتماد نتائج کے لیے غیر گفت و شنید ہیں [2]۔

5. وضاحت کریں : فیچر کے انتساب کا ہفتہ وار معائنہ کریں تاکہ یہ معلوم ہو سکے کہ آیا پرومو جھنڈا سلائیڈز میں ٹھنڈا نظر آنے کے علاوہ کچھ بھی کر رہا ہے۔

6. مانیٹر : اگر پروڈکٹ کی تبدیلی کے بعد پرومو کا اثر ختم ہو جاتا ہے یا ہفتے کے دن کے پیٹرن بدل جاتے ہیں، تو دوبارہ ٹرین شروع کریں۔ ڈرفٹ کوئی بگ نہیں ہے - یہ بدھ ہے [5]۔

آؤٹ پٹ: اعتماد کے بینڈ کے ساتھ ایک قابل اعتماد پیشن گوئی، نیز ایک ڈیش بورڈ جو کہتا ہے کہ سوئی کو کس چیز نے منتقل کیا۔ کم بحثیں، زیادہ کارروائی۔

خاموشی سے پیچھے ہٹنے کے لیے نقصانات اور خرافات 🚧

• متک: مزید خصوصیات ہمیشہ بہتر ہوتی ہیں۔ نہیں بہت ساری غیر متعلقہ خصوصیات اوور فٹنگ کو مدعو کرتی ہیں۔ وہی رکھیں جو بیک ٹیسٹ میں مدد کرتا ہے اور ڈومین سینس کے مطابق ہے۔

• متک: گہرے جال ہر چیز کو مات دیتے ہیں۔ کبھی ہاں، اکثر نہیں۔ اگر ڈیٹا مختصر یا شور والا ہے، تو کلاسیکی طریقے استحکام اور شفافیت پر جیت جاتے ہیں۔

• pitfall: رساو۔ اتفاقی طور پر کل کی معلومات کو آج کی ٹریننگ میں شامل کرنے سے آپ کے میٹرکس کی چاپلوسی ہوگی اور آپ کی پیداوار کو سزا ملے گی [2]۔

• Pitfall: آخری اعشاریہ کا پیچھا کرنا۔ اگر آپ کی سپلائی چین گانٹھ ہے، تو 7.3 اور 7.4 فیصد کے درمیان بحث کرنا تھیٹر ہے۔ فیصلے کی حدوں پر توجہ دیں۔

• متک: ارتباط سے وجہ۔ گرینجر ٹیسٹ پیشین گوئی کی افادیت کی جانچ کرتے ہیں، فلسفیانہ سچائی کی نہیں- انہیں گڈریل کے طور پر استعمال کریں، انجیل نہیں [4]۔

عمل درآمد چیک لسٹ آپ کاپی پیسٹ کر سکتے ہیں 📋

• افق، جمع کرنے کی سطح، اور فیصلہ کریں جو آپ چلائیں گے۔

• کلین ٹائم انڈیکس بنائیں، خلا کو پُر کریں یا جھنڈا لگائیں، اور خارجی ڈیٹا کو سیدھ میں کریں۔

• کرافٹ لیگز، رولنگ سٹیٹس، موسمی جھنڈے، اور چند ڈومین خصوصیات جن پر آپ بھروسہ کرتے ہیں۔

• ایک مضبوط بیس لائن کے ساتھ شروع کریں، پھر ضرورت پڑنے پر مزید پیچیدہ ماڈل پر اعادہ کریں۔

• آپ کے کاروبار سے مماثل میٹرک کے ساتھ رولنگ اوریجن بیک ٹیسٹ استعمال کریں [2][3]۔

• پیشین گوئی کے وقفے شامل کریں - اختیاری نہیں۔

• جہاز بھیجیں، بڑھے جانے کے لیے مانیٹر کریں، اور شیڈول کے علاوہ الرٹس پر دوبارہ تربیت دیں [5]۔

بہت لمبا، میں نے اسے نہیں پڑھا - فائنل ریمارکس 💬

AI رجحانات کی پیشن گوئی کیسے کرتا ہے اس کے بارے میں سادہ سچائی: یہ جادوئی الگورتھم کے بارے میں کم اور نظم و ضبط، وقت سے آگاہ ڈیزائن کے بارے میں زیادہ ہے۔ ڈیٹا اور خصوصیات کو صحیح طریقے سے حاصل کریں، ایمانداری سے اندازہ لگائیں، سادہ وضاحت کریں، اور حقیقت کی تبدیلیوں کے مطابق ڈھال لیں۔ یہ تھوڑا سا چکنائی والے نوبس کے ساتھ ریڈیو کو ٹیوننگ کرنے جیسا ہے - تھوڑا سا ہلکا سا، کبھی کبھی جامد، لیکن جب اسٹیشن آتا ہے، تو یہ حیرت انگیز طور پر واضح ہوتا ہے۔

اگر آپ ایک چیز چھین لیتے ہیں: وقت کا احترام کریں، شکی کی طرح تصدیق کریں، اور نگرانی کرتے رہیں۔ باقی صرف ٹولنگ اور ذائقہ ہے۔

حوالہ جات

1. امریکی مردم شماری بیورو - X-13ARIMA-SEATS موسمی ایڈجسٹمنٹ پروگرام ۔ لنک

2. Hyndman & Athanasopoulos - پیشن گوئی: اصول اور مشق (FPP3)، §5.10 ٹائم سیریز کراس توثیق ۔ لنک

3. ایمیزون ویب سروسز - پیشین گوئی کی درستگی کا اندازہ لگانا (ایمیزون پیشن گوئی ) لنک

4. ہیوسٹن یونیورسٹی - گرینجر کازلیٹی (لیکچر نوٹس) ۔ لنک

5. گاما وغیرہ۔ - تصور بڑھے موافقت (اوپن ورژن) پر ایک سروے۔ لنک

آفیشل AI اسسٹنٹ اسٹور پر تازہ ترین AI تلاش کریں۔

ہمارے بارے میں