BigQuery-এর সাথে AI-সহায়তাপ্রাপ্ত ডেটা সায়েন্স

১. ভূমিকা

সংক্ষিপ্ত বিবরণ

এই ল্যাবে, আপনি BigQuery ব্যবহার করে একটি রিয়েল এস্টেট প্রেক্ষাপটের উপর ভিত্তি করে একটি মাল্টিমোডাল ডেটা সায়েন্স ওয়ার্কফ্লো অন্বেষণ করবেন। আপনি বাড়ির তালিকা এবং তাদের ছবির একটি প্রাথমিক ডেটাসেট দিয়ে শুরু করবেন, ভিজ্যুয়াল বৈশিষ্ট্য বের করার জন্য AI ব্যবহার করে এই ডেটা সমৃদ্ধ করবেন, স্বতন্ত্র বাজার বিভাগগুলি আবিষ্কার করার জন্য একটি ক্লাস্টারিং মডেল তৈরি করবেন এবং অবশেষে, ভেক্টর এমবেডিং ব্যবহার করে একটি শক্তিশালী ভিজ্যুয়াল সার্চ টুল তৈরি করবেন।

আপনি ডেটা সায়েন্স এজেন্ট ব্যবহার করে একটি সাধারণ টেক্সট প্রম্পট থেকে স্বয়ংক্রিয়ভাবে একটি পাইথন-ভিত্তিক ক্লাস্টারিং মডেল তৈরি করার মাধ্যমে এই SQL-ভিত্তিক ওয়ার্কফ্লোকে একটি আধুনিক, জেনারেটিভ এআই পদ্ধতির সাথে তুলনা করবেন।

আপনি যা শিখবেন

• ফিচার ইঞ্জিনিয়ারিংয়ের মাধ্যমে বিশ্লেষণের জন্য রিয়েল এস্টেট তালিকার একটি প্রাথমিক ডেটাসেট প্রস্তুত করুন ।
• বাড়ির ছবির মূল দৃশ্যমান বৈশিষ্ট্যগুলো বিশ্লেষণ করতে BigQuery-এর AI ফাংশন ব্যবহার করে লিস্টিংগুলোকে আরও সমৃদ্ধ করুন ।
• প্রপার্টিগুলোকে স্বতন্ত্র ক্লাস্টারে বিভক্ত করার জন্য BigQuery Machine Learning (BQML) ব্যবহার করে একটি K-means মডেল তৈরি ও মূল্যায়ন করুন ।
• ডেটা সায়েন্স এজেন্ট ব্যবহার করে পাইথনের সাহায্যে একটি ক্লাস্টারিং মডেল তৈরি করে মডেল তৈরির প্রক্রিয়াটি স্বয়ংক্রিয় করুন ।
• একটি ভিজ্যুয়াল সার্চ টুলকে শক্তিশালী করতে বাড়ির ছবিগুলোর জন্য এমবেডিং তৈরি করুন , যা টেক্সট বা ছবির মাধ্যমে অনুসন্ধান করে একই ধরনের বাড়ি খুঁজে বের করবে।

পূর্বশর্ত

এই ল্যাবটি শুরু করার আগে আপনার নিম্নলিখিত বিষয়গুলো সম্পর্কে পরিচিতি থাকা উচিত:

• বেসিক SQL এবং পাইথন প্রোগ্রামিং।
• জুপিটার নোটবুকে পাইথন কোড চালানো হচ্ছে।

২. শুরু করার আগে

একটি গুগল ক্লাউড প্রজেক্ট তৈরি করুন

1. গুগল ক্লাউড কনসোলের প্রজেক্ট সিলেক্টর পেজে, একটি গুগল ক্লাউড প্রজেক্ট নির্বাচন করুন বা তৈরি করুন ।

2. আপনার ক্লাউড প্রোজেক্টের জন্য বিলিং চালু আছে কিনা তা নিশ্চিত করুন। কোনো প্রোজেক্টে বিলিং চালু আছে কিনা তা কীভাবে পরীক্ষা করবেন, তা জেনে নিন।

ক্লাউড শেল দিয়ে এপিআই সক্রিয় করুন

ক্লাউড শেল হলো গুগল ক্লাউডে চালিত একটি কমান্ড-লাইন পরিবেশ, যা প্রয়োজনীয় টুলস সহ আগে থেকেই লোড করা থাকে।

1. Google Cloud কনসোলের শীর্ষে থাকা Activate Cloud Shell-এ ক্লিক করুন:

2. ক্লাউড শেলে সংযুক্ত হওয়ার পর, আপনার প্রমাণীকরণ যাচাই করতে এই কমান্ডটি চালান:

gcloud auth list

3. আপনার প্রজেক্টটি gcloud ব্যবহারের জন্য কনফিগার করা হয়েছে কিনা তা নিশ্চিত করতে নিম্নলিখিত কমান্ডটি চালান:

gcloud config list project

4. আপনার প্রজেক্টটি সেট করা না থাকলে, এটি সেট করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

এপিআই সক্ষম করুন

1. প্রয়োজনীয় সকল এপিআই এবং সার্ভিস সক্রিয় করতে এই কমান্ডটি চালান:

gcloud services enable bigquery.googleapis.com \
                       bigqueryunified.googleapis.com \
                       cloudaicompanion.googleapis.com \
                       aiplatform.googleapis.com

2. কমান্ডটি সফলভাবে কার্যকর হলে, আপনি নিচে দেখানো বার্তার মতো একটি বার্তা দেখতে পাবেন:

Operation "operations/..." finished successfully.

3. ক্লাউড শেল থেকে প্রস্থান করুন।

৩. BigQuery Studio-তে ল্যাব নোটবুকটি খুলুন।

UI নেভিগেট করা:

1. Google Cloud Console-এ, নেভিগেশন মেনু > BigQuery- তে যান।

2. BigQuery Studio প্যানে, ড্রপডাউন অ্যারো বোতামে ক্লিক করুন, Notebook-এর উপর মাউস রাখুন এবং তারপর Upload নির্বাচন করুন।

3. URL রেডিও বাটনটি সিলেক্ট করুন এবং নিম্নলিখিত URL-টি ইনপুট করুন:

https://github.com/GoogleCloudPlatform/generative-ai/blob/main/gemini/use-cases/applying-llms-to-data/ai-assisted-data-science/ai-assisted-data-science.ipynb

4. অঞ্চলটি us-central1 এ সেট করুন এবং আপলোড-এ ক্লিক করুন।

5. নোটবুকটি খোলার জন্য, এক্সপ্লোরার প্যানে থাকা আপনার প্রজেক্ট আইডি সম্বলিত ড্রপডাউন অ্যারোতে ক্লিক করুন। এরপর নোটবুকস (Notebooks) ড্রপডাউনে ক্লিক করুন। ai-assisted-data-science নোটবুকটিতে ক্লিক করুন।

6. (ঐচ্ছিক) আরও জায়গার জন্য BigQuery নেভিগেশন মেনু এবং নোটবুকের সূচিপত্র সংকুচিত করুন।

৪. রানটাইমের সাথে সংযোগ করুন এবং সেটআপ কোড চালান

1. কানেক্ট-এ ক্লিক করুন। যদি একটি পপ-আপ আসে, তবে আপনার ইউজার দিয়ে কোলাব এন্টারপ্রাইজকে অনুমোদন দিন। আপনার নোটবুকটি স্বয়ংক্রিয়ভাবে একটি রানটাইমের সাথে সংযুক্ত হবে। এটি সম্পন্ন হতে কয়েক মিনিট সময় লাগতে পারে।

2. রানটাইম প্রতিষ্ঠিত হয়ে গেলে, আপনি নিম্নলিখিত বিষয়গুলো দেখতে পাবেন:

3. নোটবুকের মধ্যে, সেটআপ (Setup) বিভাগে স্ক্রোল করুন। লুকানো সেলগুলোর পাশে থাকা "রান" (Run) বোতামটি ক্লিক করুন। এটি আপনার প্রকল্পের ল্যাবের জন্য প্রয়োজনীয় কয়েকটি রিসোর্স তৈরি করবে। এই প্রক্রিয়াটি সম্পন্ন হতে এক মিনিট সময় লাগতে পারে। এই সময়ের মধ্যে আপনি সেটআপের অধীনে থাকা সেলগুলো দেখে নিতে পারেন।

দ্রষ্টব্য: আপনার নোটবুকটি খোলা ও প্রস্তুত রেখে, আপনি এখন প্রধানত কোলাব এন্টারপ্রাইজ পরিবেশে কাজ করবেন। নোটবুকটিতে সম্পূর্ণ ওয়ার্কফ্লোটির জন্য সমস্ত কোড এবং প্রতিটি সেলের বিস্তারিত ব্যাখ্যা রয়েছে।

এই কোডল্যাবটি একটি উচ্চ-স্তরের নির্দেশিকা হিসেবে কাজ করে, যা আপনার অগ্রগতি ট্র্যাক করতে সাহায্য করার জন্য সংক্ষিপ্ত সারসংক্ষেপ প্রদান করে।

৫. ডেটা প্রস্তুতি এবং ফিচার ইঞ্জিনিয়ারিং

এই অংশে, আপনি যেকোনো ডেটা সায়েন্স প্রকল্পের প্রথম গুরুত্বপূর্ণ ধাপটি সম্পর্কে জানবেন: আপনার ডেটা প্রস্তুত করা। আপনার কাজকে গুছিয়ে নেওয়ার জন্য প্রথমে একটি BigQuery ডেটাসেট তৈরি করতে হবে এবং তারপর ক্লাউড স্টোরেজের একটি CSV ফাইল থেকে রিয়েল এস্টেট/হাউজিং-এর মূল ডেটা একটি নতুন টেবিলে লোড করতে হবে।

এরপর, আপনি এই কাঁচা ডেটাকে নতুন বৈশিষ্ট্যসহ একটি পরিমার্জিত টেবিলে রূপান্তর করবেন। এর মধ্যে রয়েছে লিস্টিংগুলো ফিল্টার করা, একটি নতুন property_age বৈশিষ্ট্য তৈরি করা এবং মাল্টিমোডাল বিশ্লেষণের জন্য ছবির ডেটা প্রস্তুত করা।

৬. এআই ফাংশনের মাধ্যমে মাল্টিমোডাল সমৃদ্ধকরণ

এখন আপনি জেনারেটিভ এআই-এর শক্তি ব্যবহার করে আপনার ডেটাকে আরও সমৃদ্ধ করবেন। এই অংশে, আপনি প্রতিটি বাড়ির তালিকার ছবি বিশ্লেষণ করতে BigQuery-এর বিল্ট-ইন এআই ফাংশন ব্যবহার করবেন।

BigQuery-কে একটি Gemini মডেলের সাথে সংযুক্ত করার মাধ্যমে, আপনি সরাসরি SQL ব্যবহার করে ছবি থেকে নতুন ও মূল্যবান বৈশিষ্ট্য (যেমন সম্পত্তিটি জলের কাছাকাছি কিনা এবং বাড়িটির একটি সংক্ষিপ্ত বিবরণ) বের করতে পারেন।

৭. কে-মিনস ক্লাস্টারিং ব্যবহার করে মডেল প্রশিক্ষণ

আপনার নতুন সমৃদ্ধ ডেটাসেট দিয়ে, আপনি একটি মেশিন লার্নিং মডেল তৈরি করার জন্য প্রস্তুত। আপনার লক্ষ্য হলো বাড়ির তালিকাগুলোকে স্বতন্ত্র দলে বিভক্ত করা, এবং আপনি BigQuery Machine Learning (BQML) ব্যবহার করে সরাসরি BigQuery-তে একটি K-means ক্লাস্টারিং মডেলকে প্রশিক্ষণ দিয়ে এটি করেন। এই একটি পদক্ষেপের অংশ হিসেবে, আপনি Vertex AI Model Registry- তে মডেলটি নিবন্ধনও করেন, যার ফলে এটি Google Cloud-এর বৃহত্তর MLOps ইকোসিস্টেমে তাৎক্ষণিকভাবে উপলব্ধ হয়ে যায়।

আপনার মডেলটি সফলভাবে নিবন্ধিত হয়েছে কিনা তা নিশ্চিত করতে, আপনি নিম্নলিখিত ধাপগুলি অনুসরণ করে Vertex AI মডেল রেজিস্ট্রি-তে এটি খুঁজে পেতে পারেন:

1. গুগল ক্লাউড কনসোলের উপরের বাম কোণে থাকা নেভিগেশন মেনুতে (☰) ক্লিক করুন।
2. Vertex AI সেকশনে স্ক্রোল করুন এবং Model Registry- তে ক্লিক করুন। এখন আপনি আপনার BQML মডেলটিকে আপনার অন্যান্য সমস্ত কাস্টম মডেলের পাশাপাশি তালিকাভুক্ত দেখতে পাবেন।

3. মডেলের তালিকায়, housing_clustering নামের মডেলটি খুঁজুন। এরপর আপনি একটি এন্ডপয়েন্টে (endpoint) এটি ডিপ্লয় (Deploy) করার পদক্ষেপ নিতে পারেন, যা আপনার মডেলটিকে BigQuery পরিবেশের বাইরে রিয়েল-টাইম, অনলাইন প্রেডিকশনের জন্য উপলব্ধ করে তুলবে।

মডেল রেজিস্ট্রি অন্বেষণ করার পর, আপনি এই ধাপগুলো অনুসরণ করে BigQuery-তে আপনার Colab নোটবুকে ফিরে আসতে পারেন:

1. নেভিগেশন মেনুতে (☰), BigQuery > Studio- তে যান।
2. আপনার নোটবুকটি খুঁজে বের করে খোলার জন্য এক্সপ্লোর প্যানেলের মেনুগুলো প্রসারিত করুন।

৮. মডেল মূল্যায়ন এবং পূর্বাভাস

আপনার মডেলকে প্রশিক্ষণ দেওয়ার পর, পরবর্তী ধাপ হলো এর তৈরি করা ক্লাস্টারগুলো বোঝা। এক্ষেত্রে, মডেলের গুণমান এবং প্রতিটি সেগমেন্টের স্বতন্ত্র বৈশিষ্ট্য বিশ্লেষণ করার জন্য আপনি ML.EVALUATE এবং ML.CENTROIDS এর মতো BigQuery মেশিন লার্নিং ফাংশনগুলো ব্যবহার করেন।

এরপর আপনি প্রতিটি বাড়িকে একটি ক্লাস্টারে অন্তর্ভুক্ত করার জন্য ML.PREDICT ব্যবহার করেন। %%bigquery df ম্যাজিক কমান্ডের সাথে এই কোয়েরিটি চালিয়ে, আপনি ফলাফলগুলোকে df নামের একটি পান্ডাস ডেটাফ্রেমে সংরক্ষণ করেন। এর ফলে পরবর্তী পাইথন ধাপগুলোর জন্য ডেটা তাৎক্ষণিকভাবে উপলব্ধ হয়। এটি কোলাব এন্টারপ্রাইজে SQL এবং পাইথনের মধ্যেকার আন্তঃকার্যক্ষমতাকে তুলে ধরে।

৯. ক্লাস্টারসমূহকে কল্পনা ও ব্যাখ্যা করা

আপনার পূর্বাভাসগুলো এখন একটি ডেটাফ্রেমে লোড করা হয়ে গেলে, আপনি ডেটাগুলোকে জীবন্ত করে তোলার জন্য ভিজ্যুয়ালাইজেশন তৈরি করতে পারেন। এই অংশে, আপনি আবাসন বিভাগগুলোর মধ্যেকার পার্থক্যগুলো অন্বেষণ করতে ম্যাটপ্লটলিব (Matplotlib)-এর মতো জনপ্রিয় পাইথন লাইব্রেরি ব্যবহার করবেন।

আপনি মূল্য এবং সম্পত্তির বয়সের মতো মূল বৈশিষ্ট্যগুলির চাক্ষুষ তুলনা করার জন্য বক্স প্লট এবং বার চার্ট তৈরি করবেন, যা প্রতিটি ক্লাস্টার সম্পর্কে একটি স্বজ্ঞামূলক ধারণা তৈরি করা সহজ করে তুলবে।

১০. জেমিনি মডেল ব্যবহার করে ক্লাস্টারের বিবরণ তৈরি করুন

যদিও সংখ্যাসূচক কেন্দ্রবিন্দু এবং চার্ট শক্তিশালী, জেনারেটিভ এআই আপনাকে আরও এক ধাপ এগিয়ে যেতে এবং প্রতিটি আবাসন খণ্ডের জন্য সমৃদ্ধ ও গুণগত পার্সোনা তৈরি করতে সাহায্য করে। এটি আপনাকে শুধু ক্লাস্টারগুলো কী তা- ই নয়, বরং তারা কাদের প্রতিনিধিত্ব করে, তা বুঝতেও সাহায্য করে।

এই অংশে, আপনি প্রথমে প্রতিটি ক্লাস্টারের জন্য গড় পরিসংখ্যান, যেমন মূল্য এবং বর্গফুট, একত্রিত করবেন। তারপর, আপনি এই ডেটা জেমিনি মডেলের একটি প্রম্পটে পাঠাবেন। এরপর আপনি মডেলটিকে একজন রিয়েল এস্টেট পেশাদারের মতো কাজ করার এবং প্রতিটি সেগমেন্টের জন্য মূল বৈশিষ্ট্য ও একজন টার্গেট ক্রেতাসহ একটি বিস্তারিত সারাংশ তৈরি করার নির্দেশ দেবেন। এর ফলে একগুচ্ছ সুস্পষ্ট, সহজে পাঠযোগ্য বিবরণ তৈরি হয়, যা একটি মার্কেটিং টিমের জন্য ক্লাস্টারগুলোকে তাৎক্ষণিকভাবে বোধগম্য এবং কার্যকর করে তোলে।

আপনার সুবিধামতো নির্দেশনাটি পরিবর্তন করতে পারেন এবং ফলাফল নিয়ে পরীক্ষা-নিরীক্ষা করতে পারেন!

১১. ডেটা সায়েন্স এজেন্টের সাহায্যে মডেলিং স্বয়ংক্রিয় করুন

এখন, আপনি একটি শক্তিশালী, বিকল্প কর্মপ্রবাহ অন্বেষণ করবেন। ম্যানুয়ালি কোড লেখার পরিবর্তে, আপনি সমন্বিত ডেটা সায়েন্স এজেন্ট ব্যবহার করে একটিমাত্র স্বাভাবিক ভাষার নির্দেশ থেকে স্বয়ংক্রিয়ভাবে একটি সম্পূর্ণ ক্লাস্টারিং মডেল কর্মপ্রবাহ তৈরি করবেন।

এজেন্ট ব্যবহার করে মডেলটি তৈরি ও চালানোর জন্য এই ধাপগুলো অনুসরণ করুন:

1. BigQuery Studio প্যানে, ড্রপডাউন অ্যারো বোতামে ক্লিক করুন, Notebook-এর উপর মাউস রাখুন এবং তারপর Empty Notebook নির্বাচন করুন। এটি নিশ্চিত করে যে এজেন্টের কোড আপনার মূল ল্যাব নোটবুকের কাজে হস্তক্ষেপ করবে না।

2. ডেটা সায়েন্স এজেন্ট চ্যাট ইন্টারফেসটি নোটবুকের নীচে খোলে। চ্যাটটিকে ডানদিকে পিন করতে ' Move to panel' বোতামে ক্লিক করুন।

3. চ্যাট প্যানে @listing_multimodal টাইপ করা শুরু করুন এবং টেবিলটিতে ক্লিক করুন । এটি স্পষ্টভাবে listings_multimodal টেবিলটিকে কনটেক্সট হিসেবে সেট করে।

4. নিচের প্রম্পটটি কপি করে এজেন্ট চ্যাট বক্সে লিখুন। এরপর, এজেন্টের কাছে প্রম্পটটি জমা দিতে 'Send' বাটনে ক্লিক করুন।

   Use the selected table to generate a k-means clustering model with 3 clusters for housing listings. Then, help me understand the characteristics of each cluster so I can market to them as a real estate professional. Use Python.
   

5. এজেন্টটি চিন্তা করে একটি পরিকল্পনা তৈরি করবে। আপনি যদি এই পরিকল্পনায় সম্মত হন, তবে 'Accept & Run'- এ ক্লিক করুন। এজেন্টটি এক বা একাধিক নতুন সেলে পাইথন কোড তৈরি করবে।

6. এজেন্টটি তার তৈরি করা প্রতিটি কোড ব্লক আপনাকে গ্রহণ ও রান করতে বলে। এর ফলে পুরো প্রক্রিয়ায় একজন মানুষের সম্পৃক্ততা বজায় থাকে। আপনি নির্দ্বিধায় কোডটি পর্যালোচনা বা সম্পাদনা করতে পারেন এবং শেষ না হওয়া পর্যন্ত প্রতিটি ধাপ অনুসরণ করে যেতে পারেন।

7. আপনার কাজ শেষ হলে, এই নতুন নোটবুক ট্যাবটি বন্ধ করে দিন এবং ল্যাবের চূড়ান্ত অংশটি চালিয়ে যাওয়ার জন্য মূল ai-assisted-data-science.ipynb ট্যাবে ফিরে যান।

১২. এমবেডিং এবং ভেক্টর সার্চের সাহায্যে মাল্টিমোডাল সার্চ

এই চূড়ান্ত অংশে, আপনি সরাসরি BigQuery-এর মধ্যেই মাল্টিমোডাল সার্চ প্রয়োগ করবেন। এর ফলে স্বজ্ঞামূলক অনুসন্ধান করা সম্ভব হয়, যেমন—টেক্সট বিবরণের উপর ভিত্তি করে বাড়ি খোঁজা অথবা কোনো নমুনা ছবির মতো দেখতে বাড়ি খুঁজে বের করা।

এই প্রক্রিয়াটি প্রথমে প্রতিটি বাড়ির ছবিকে এমবেডিং নামক একটি সাংখ্যিক উপস্থাপনায় রূপান্তরিত করে। একটি এমবেডিং কোনো ছবির অর্থগত তাৎপর্য ধারণ করে, যার ফলে আপনি তাদের সাংখ্যিক ভেক্টর তুলনা করে অনুরূপ জিনিস খুঁজে পেতে পারেন।

আপনার সমস্ত তালিকার জন্য এই ভেক্টরগুলি তৈরি করতে আপনি multimodalembedding মডেল ব্যবহার করবেন। অনুসন্ধানের গতি বাড়ানোর জন্য একটি ভেক্টর ইনডেক্স তৈরি করার পর, আপনি দুই ধরনের সাদৃশ্য অনুসন্ধান করবেন: টেক্সট-টু-ইমেজ (বর্ণনার সাথে মেলে এমন বাড়ি খোঁজা) এবং ইমেজ-টু-ইমেজ (নমুনা ছবির মতো দেখতে বাড়ি খোঁজা)।

আপনি এই সবকিছু BigQuery-তে সম্পন্ন করবেন, যেখানে এমবেডিং তৈরি করার জন্য ML.GENERATE_EMBEDDING- এর মতো ফাংশন অথবা সাদৃশ্য অনুসন্ধানের জন্য VECTOR_SEARCH ব্যবহার করা হবে।

১৩. পরিষ্কার করা

এই প্রকল্পে ব্যবহৃত সমস্ত গুগল ক্লাউড রিসোর্স পরিষ্কার করতে, আপনি গুগল ক্লাউড প্রকল্পটি মুছে ফেলতে পারেন।

বিকল্পভাবে, আপনি আপনার নোটবুকের একটি নতুন সেলে নিম্নলিখিত কোডটি চালিয়ে আপনার তৈরি করা স্বতন্ত্র রিসোর্সগুলি মুছে ফেলতে পারেন:

# Delete the BigQuery tables
!bq rm --table -f housing_dataset.listings
!bq rm --table -f housing_dataset.listings_multimodal
!bq rm --table -f housing_dataset.home_embeddings

# Delete the remote model
!bq rm --model -f housing_dataset.gemini
!bq rm --model -f housing_dataset.kmeans_clustering_model
!bq rm --model -f housing_dataset.multimodal_embedding_model

# Delete the remote connection
!bq rm --connection --project_id=$PROJECT_ID --location=us ai_connection

# Delete the BigQuery dataset
!bq rm -r -f $PROJECT_ID:housing_dataset

অবশেষে, আপনি নোটবুকটি নিজেই মুছে ফেলতে পারেন:

1. BigQuery Studio-এর Explorer প্যানে আপনার প্রজেক্ট এবং Notebooks নোডটি এক্সপ্যান্ড করুন।
2. ai-assisted-data-science নোটবুকটির পাশে থাকা তিনটি উল্লম্ব ডটে ক্লিক করুন।
3. ডিলিট নির্বাচন করুন।

১৪. অভিনন্দন!

কোডল্যাবটি সম্পন্ন করার জন্য অভিনন্দন!

আমরা যা আলোচনা করেছি

• ফিচার ইঞ্জিনিয়ারিংয়ের মাধ্যমে বিশ্লেষণের জন্য রিয়েল এস্টেট তালিকার একটি প্রাথমিক ডেটাসেট প্রস্তুত করুন ।
• বাড়ির ছবির মূল দৃশ্যমান বৈশিষ্ট্যগুলো বিশ্লেষণ করতে BigQuery-এর AI ফাংশন ব্যবহার করে লিস্টিংগুলোকে আরও সমৃদ্ধ করুন ।
• প্রপার্টিগুলোকে স্বতন্ত্র ক্লাস্টারে বিভক্ত করার জন্য BigQuery Machine Learning (BQML) ব্যবহার করে একটি K-means মডেল তৈরি ও মূল্যায়ন করুন ।
• ডেটা সায়েন্স এজেন্ট ব্যবহার করে পাইথনের সাহায্যে একটি ক্লাস্টারিং মডেল তৈরি করে মডেল তৈরির প্রক্রিয়াটি স্বয়ংক্রিয় করুন ।
• একটি ভিজ্যুয়াল সার্চ টুলকে শক্তিশালী করতে বাড়ির ছবিগুলোর জন্য এমবেডিং তৈরি করুন , যা টেক্সট বা ছবির মাধ্যমে অনুসন্ধান করে একই ধরনের বাড়ি খুঁজে বের করবে।