डेटा वैज्ञानिकों के लिए क्लाउड कंप्यूटिंग और आर्किटेक्चर

लोकल मशीन से आगे स्केलेबल डेटा साइंस

डेटा साइंस एक ऐसा शब्द है जो कई महत्वपूर्ण क्षेत्रों के संगम का प्रतिनिधित्व करता है।

मेरी राय में, डेटा साइंस विशेषज्ञता के मुख्य आधार इस प्रकार हैं:

• व्यावसायिक डोमेन
• प्रायिकता और सांख्यिकी
• कंप्यूटर विज्ञान और सॉफ्टवेयर प्रोग्रामिंग
• लिखित और मौखिक संचार

तीसरा तथाकथित स्तंभ कंप्यूटर विज्ञान और सॉफ्टवेयर प्रोग्रामिंग की समझ रखने से संबंधित है।

भले ही यह उभरते डेटा वैज्ञानिकों के लिए तुरंत स्पष्ट न हो, इस क्षेत्र में अक्सर देवऑप्स, क्लाउड कंप्यूटिंग, डेटा पाइपलाइंस, डेटा इंजीनियरिंग, विभिन्न प्रकार के डेटाबेस में क्वेरी लिखने की विशेषज्ञता, प्रोडक्शन सॉफ्टवेयर समाधान बनाना और तैनात करना, आदि जैसी बातें भी शामिल होती हैं।

साथ ही, डेटा वैज्ञानिकों को ठोस प्रोग्रामिंग कौशल विकसित करने की आवश्यकता होती है, पर वे अच्छी तरह प्रशिक्षित या अनुभवी सॉफ्टवेयर इंजीनियरों जितने कंप्यूटर विज्ञान, प्रोग्रामिंग अवधारणाओं या सामान्य प्रोडक्शन सॉफ्टवेयर आर्किटेक्चर और इन्फ्रास्ट्रक्चर में शिक्षित या अनुभवी न हों। जब कोई भी डेटा साइंस शुरू करता है, तो वह अपने लोकल कंप्यूटर पर Python और/या R इंस्टॉल करता है और फिर Jupyter Notebook Application या RStudio जैसे लोकल Integrated Development Environment (IDE) में कोड लिखता और चलाता है।

इसके अलावा, जैसे-जैसे उन्नत एनालिटिक्स का प्रसार होता है और डेटा साइंस टीमें बढ़ती हैं, इनसाइट्स, प्रेडिक्टिव एनालिटिक्स, रिकमेंडेशन सिस्टम्स आदि देने के लिए सहयोगी समाधानों की बढ़ती आवश्यकता होती है। पुनरुत्पाद्य शोध और नोटबुक टूल्स का कोड सोर्स कंट्रोल के साथ संयोजन सहयोग का एक हिस्सा है, वहीं दूसरी ओर सहयोगी क्लाउड-आधारित ऑनलाइन टूल्स और प्लेटफ़ॉर्म का उपयोग करना भी एक उपाय है।

सहयोग की ज़रूरतें डेटा साइंस टीमों के बाहर के लोगों तक भी फैलती हैं, खासकर क्योंकि डेटा साइंस का मुख्य उद्देश्य व्यावसायिक लक्ष्यों को हासिल करना है। इस प्रकार, किसी डेटा साइंस प्रोजेक्ट के हितधारकों में कार्यकारी, विभाग प्रमुख, और अन्य डेटा टीम के सदस्य जैसे आर्किटेक्ट्स, डेटा इंजीनियर्स, विश्लेषक आदि शामिल हो सकते हैं।

यह लेख डेटा वैज्ञानिकों को लोकल लैपटॉप या डेस्कटॉप मशीन से परे दुनिया की समझ देने के लिए बनाया गया है, खासकर उस संदर्भ में जब डेटा साइंस समाधानों को प्रोडक्शन में उतारना हो, या आपकी कंप्यूटिंग शक्ति और क्षमताओं का विस्तार करना हो। इन विषयों के साथ आपके अनुभव पर निर्भर करते हुए, यह सामग्री हर कौशल स्तर के डेटा वैज्ञानिकों के लिए प्रासंगिक होनी चाहिए।

चलिए शुरू करते हैं!

क्लाउड आखिर है क्या?

आह हाँ, बदनाम और अब भी अक्सर ठीक से न समझा जाने वाला क्लाउड। भले ही यह बहुत काल्पनिक और अमूर्त लगे, पर आशय के स्तर पर क्लाउड का मतलब काफी ठोस है। क्लाउड की अवधारणा पर जाने से पहले कुछ प्रमुख संकल्पनाएँ परिभाषित कर लेते हैं।

आपस में जुड़े और संसाधन साझा करने वाले कंप्यूटरों को नेटवर्क कहते हैं, जिसमें स्वयं इंटरनेट कंप्यूटर नेटवर्क का सबसे बड़ा और सबसे प्रसिद्ध उदाहरण है। घर के नेटवर्क, जैसे Local Area Network (LAN) या WiFi Service Set Identifier (SSID), जिसमें कई कंप्यूटर जुड़े हों, एक और उदाहरण हैं, यद्यपि वे बहुत छोटे होते हैं। यहाँ बताए गए संसाधनों में वेब पेज, मीडिया, डेटा स्टोरेज, ऐप सर्वर, प्रिंटर्स आदि शामिल हो सकते हैं।

किसी नेटवर्क में कंप्यूटरों को आमतौर पर नोड्स कहा जाता है, और वे आपस में सुव्यवस्थित प्रोटोकॉल, जैसे HyperText Transfer Protocol (HTTP), Transmission Control Protocol (TCP)/ Internet Protocol (IP), आदि के माध्यम से संचार करते हैं। ये संचार स्थिति अपडेट, मॉनिटरिंग, अनुरोध/प्रतिक्रिया, और कई अन्य प्रयोजनों के लिए हो सकते हैं।

आगे, कंप्यूटर अक्सर ऑन-प्रिमाइसेज़ स्थित नहीं होते, अर्थात् अनुप्रयोग और डेटा प्रायः डेटा सेंटर में स्थित कंप्यूटरों पर होस्ट किए जाते हैं। ये स्थान बिजली, कूलिंग, सुरक्षा, आपदा सुरक्षा आदि जैसी सभी आवश्यक इन्फ्रास्ट्रक्चर उपलब्ध कराते हैं, ताकि कंपनियों या आम तौर पर बाहरी दुनिया के लिए सुलभ असंख्य कंप्यूटरों को बनाए रखा और सफलतापूर्वक चलाया जा सके।

क्योंकि समय के साथ कंप्यूटर और स्टोरेज अपेक्षाकृत सस्ते हो गए हैं, अब कई समाधान कई कंप्यूटरों को साथ में काम कराते हैं जिन्हें स्केल करना बहुत महँगा नहीं पड़ता, बजाय इसके कि एक बहुत शक्तिशाली और अत्यधिक महँगी मशीन खरीदकर स्केलिंग की जाए। इस ‘साथ मिलकर काम करने’ का एक हिस्सा यह सुनिश्चित करना है कि यदि कंप्यूटरों में से कोई एक विफल हो जाए तो भी समाधान स्वतः चलता रहे, और यह भी कि सिस्टम अपने ऊपर आने वाले किसी भी लोड को स्वतः संभालने के लिए स्केल कर सके।

Twitter, Facebook, Instagram, Snapchat, Netflix और YouTube क्लाउड-आधारित ऐसे अनुप्रयोगों के बेहतरीन उदाहरण हैं जिन्हें इन दोनों तरीकों से स्केल करना पड़ता है। इनके अनुप्रयोगों का पूरी तरह ‘डाउन’ हो जाना अत्यंत असंभाव्य है, और वे प्रतिदिन अपने प्लेटफ़ॉर्म्स पर जुड़ने वाले लाखों उपयोगकर्ताओं को सहजता से संभाल पाते हैं।

जब कंप्यूटरों का कोई समूह एक ही नेटवर्क से जुड़ा हो और एक ही कार्य या कार्यसमूह को पूरा करने के लिए साथ मिलकर काम कर रहा हो, तो इसे क्लस्टर कहा जाता है। क्लस्टर को एक एकल कंप्यूटर के रूप में समझा जा सकता है, पर यह एकल मशीन की तुलना में प्रदर्शन, उपलब्धता और स्केलेबिलिटी में भारी सुधार दे सकता है। इन लाभों पर आगे इस पोस्ट में चर्चा होगी।

डिस्ट्रिब्यूटेड कंप्यूटिंग या डिस्ट्रिब्यूटेड सिस्टम्स ऐसे सॉफ्टवेयर और सिस्टम्स को संदर्भित करते हैं जो क्लस्टर्स का लाभ उठाकर विशिष्ट कार्य करते हैं, जैसे Hadoop, Spark और MapReduce।

अब आते हैं क्लाउड की परिभाषा पर। ऊपर वर्णित साझा संसाधनों के अतिरिक्त, अन्य महत्वपूर्ण समाधान संसाधनों में सर्वर, सर्विसेज़, माइक्रोसर्विसेज़, नेटवर्क्स आदि शामिल हो सकते हैं। क्लाउड उस स्थिति का वर्णन करता है जिसमें कोई एक पक्ष नेटवर्क से जुड़े कंप्यूटरों और साझा संसाधनों के समूह का स्वामी, प्रशासक और प्रबंधक होता है, आमतौर पर सॉफ्टवेयर-आधारित समाधान होस्ट और प्रदान करने के लिए। इस परिभाषा के अनुसार, इंटरनेट निश्चित रूप से एक नेटवर्क तो है, पर वह क्लाउड नहीं है क्योंकि उसका स्वामित्व किसी एक पक्ष के पास नहीं है।

क्लाउड कंप्यूटिंग में गहराई से जाने और स्केलेबल सॉफ्टवेयर व बिग डेटा आर्किटेक्चर बनाने की प्रमुख अवधारणाओं पर चर्चा के लिए, इस विषय पर मेरी तीन-भाग वाली विस्तृत श्रृंखला देखें।

क्लाउड में डेटा साइंस

अब तक इस पोस्ट में क्लाउड कंप्यूटिंग और संबंधित अवधारणाओं पर इतनी चर्चा हो चुकी है कि आशा है अवधारणाएँ स्पष्ट हो गई होंगी। यदि इस समय आपका सॉफ्टवेयर आर्किटेक्चर और इंजीनियरिंग का अनुभव केवल लोकल डेवलपमेंट तक सीमित है, तो आप सोच रहे होंगे कि यह सब डेटा वैज्ञानिकों के लिए प्रासंगिक क्यों है। आगे यही कवर किया गया है।

यदि आप डेटा साइंस प्रक्रिया से परिचित हैं, तो आप जानते हैं कि अक्सर डेटा साइंस वर्कफ़्लो का अधिकांश भाग डेटा वैज्ञानिक के लोकल कंप्यूटर पर किया जाता है। उस कंप्यूटर पर चुनी गई भाषाएँ, जैसे Python और R, और डेटा वैज्ञानिक का पसंदीदा IDE इंस्टॉल होता है। दूसरा प्रमुख डेवलपमेंट एनवायरनमेंट सेटअप प्रासंगिक पैकेजों को पैकेज मैनेजर जैसे Anaconda से, या अलग-अलग पैकेजों को मैन्युअली इंस्टॉल करके करना है।

एक बार डेवलपमेंट एनवायरनमेंट सेटअप होकर तैयार हो जाए, तो सामान्य-सा डेटा साइंस वर्कफ़्लो या प्रक्रिया शुरू होती है, जिसमें प्रायः केवल डेटा की और आवश्यकता होती है। सामान्यतः पुनरावृत्त चरणों में शामिल हैं:

• डेटा प्राप्त करना
• डेटा को पार्स करना, मंगिंग/रैंगलिंग करना, ट्रांसफॉर्म और सैनीटाइज़ करना
• डेटा का विश्लेषण और माइनिंग, जैसे Exploratory Data Analysis (EDA), सार सांख्यिकी, ...
• मॉडल बनाना, वैलिडेट करना और परीक्षण करना, जैसे प्रेडिक्टिव, रिकमेंडेशंस, ...
  • टिप्पणी: यदि मॉडल न बना रहे हों, तो पैटर्न या रुझान पहचानना, क्रियान्वयन योग्य इनसाइट्स बनाना, उपयोगी जानकारी निकालना, रिपोर्ट तैयार करना, आदि। यहाँ, यह ट्यूटोरियल दोनों स्थितियों को "डिलिवरेबल बनाना" मानेगा।
• मॉडलों या डिलिवरेबल्स को ट्यून करना और ऑप्टिमाइज़ करना

कभी-कभी, हालांकि, सभी डेटा साइंस या बिग डेटा-संबंधित कार्यों को अपने लोकल डेवलपमेंट एनवायरनमेंट पर करना व्यावहारिक या वांछनीय नहीं होता। इसके कुछ मुख्य कारणों की सूची यह है:

• डेटासेट बहुत बड़े हैं और मॉडल ट्रेनिंग या अन्य एनालिटिक्स के लिए डेवलपमेंट एनवायरनमेंट की सिस्टम मेमोरी (RAM) में फिट नहीं होंगे
• डेवलपमेंट एनवायरनमेंट की प्रोसेसिंग शक्ति (CPU) कार्यों को उचित या पर्याप्त समय में करने में सक्षम नहीं है, या बिल्कुल भी नहीं
• डिलिवरेबल को प्रोडक्शन एनवायरनमेंट में तैनात करना है, और संभवतः किसी बड़े अनुप्रयोग (उदा., वेब एप्लिकेशन, SaaS प्लेटफ़ॉर्म, ...) के एक घटक के रूप में सम्मिलित करना है
• सिर्फ़ एक तेज़ और अधिक शक्तिशाली मशीन (CPU, RAM, ...) का उपयोग करना पसंद है और आवश्यक लोड को लोकल डेवलपमेंट मशीन पर नहीं डालना चाहते

जब ऐसी स्थितियाँ आती हैं, तो कई विकल्प उपलब्ध होते हैं। डेटा वैज्ञानिक की लोकल डेवलपमेंट मशीन का उपयोग करने के बजाय, आम तौर पर लोग कंप्यूटिंग कार्य को या तो ऑन-प्रिमाइसेज़ मशीन पर, या क्लाउड-आधारित वर्चुअल मशीन पर ऑफ़लोड करते हैं (उदाहरण के लिए, AWS EC2, AWS Elastic Beanstalk)। वर्चुअल मशीनों और उनके ऑटो-स्केलिंग क्लस्टर्स का लाभ यह है कि उन्हें आवश्यकता अनुसार चालू और बंद किया जा सकता है, और साथ ही उन्हें आपकी कंप्यूटिंग और डेटा स्टोरेज आवश्यकताओं के अनुरूप ढाला जा सकता है।

डिलिवरेबल्स को किसी बड़े अनुप्रयोग या डेटा पाइपलाइन के हिस्से के रूप में उपयोग किए जाने हेतु प्रोडक्शन एनवायरनमेंट में तैनात करने के मामले में, कई विकल्प और चुनौतियाँ विचारणीय होती हैं। उस पर आगे की चर्चा इस लेख के दायरे से बाहर है।

कस्टम विकसित क्लाउड-आधारित या प्रोडक्शन डेटा साइंस समाधानों और टूल्स के अलावा, कई प्रतिष्ठित विक्रेताओं से क्लाउड और सेवा-आधारित ऑफ़रिंग्स भी उपलब्ध हैं, जो अक्सर Jupyter जैसे नोटबुक टूल्स के साथ अच्छी तरह काम करती हैं। ये बड़े पैमाने पर बिग डेटा, मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस APIs के रूप में उपलब्ध हैं, और इनमें AWS Artificial Intelligence प्लेटफ़ॉर्म, Databricks, Google Cloud Platform Datalab और Machine Learning, आदि जैसे विकल्प शामिल हैं।

प्रोडक्शन बनाम डेवलपमेंट में डेटा साइंस और उन्नत एनालिटिक्स पर कहीं अधिक विस्तृत, गहन चर्चा, जिसमें भाषाओं, पैकेजों, फ्रेमवर्क्स और प्लेटफ़ॉर्म्स के लिए सिफारिशें शामिल हैं, के लिए मेरी तीन-भाग वाली श्रृंखला अवश्य देखें। स्केलेबल सॉफ्टवेयर और बिग डेटा आर्किटेक्चर्स पर मेरी श्रृंखला क्लाउड कंप्यूटिंग के लिए एक बढ़िया परिशिष्ट भी है।

सॉफ्टवेयर आर्किटेक्चर और क्वालिटी एट्रिब्यूट्स

सॉफ्टवेयर आर्किटेक्चर में आम तौर पर क्लाउड-आधारित किसी उत्पाद, सेवा, या कार्य-आधारित कंप्यूटिंग सिस्टम का डिज़ाइन करना शामिल है। आप सिस्टम आर्किटेक्चर या सॉफ्टवेयर आर्किटेक्चर जैसे शब्द भी सुन सकते हैं, जिनका अर्थ मोटे तौर पर एक ही है।

सॉफ्टवेयर आर्किटेक्चर डिज़ाइन करने का एक हिस्सा उपयुक्त प्रोग्रामिंग भाषाएँ और तकनीकें (यानी स्टैक), कॉम्पोनेंट्स, पैकेजेज़, फ्रेमवर्क्स, प्लेटफ़ॉर्म्स आदि चुनना है। इसके लिए काफी विचार-विमर्श की आवश्यकता हो सकती है, खासकर सिस्टम के अभिप्रेत उद्देश्य और अन्य महत्वपूर्ण समझौतों को लेकर। सॉफ्टवेयर आर्किटेक्चर का यह पहलू किसी व्यक्ति, जैसे सॉफ्टवेयर आर्किटेक्ट, द्वारा समय के साथ अर्जित कौशल, ज्ञान और अनुभव मांगता है।

सिस्टम्स और सॉफ्टवेयर आर्किटेक्चर व इंजीनियरिंग का एक और महत्वपूर्ण पहलू तथाकथित क्वालिटी एट्रिब्यूट्स या नॉन-फंक्शनल रिक्वायरमेंट्स हैं। यह वास्तविक दुनिया के प्रोडक्शन समाधानों के लिए विशेष रूप से सत्य है।

नॉन-फंक्शनल रिक्वायरमेंट्स में आमतौर पर ये शामिल होते हैं:

• उपलब्धता
• प्रदर्शन
• विश्वसनीयता
• स्केलेबिलिटी (ऊपर और बाहर)
• एक्स्टेंसिबिलिटी
• उपयोगिता
• मॉड्यूलैरिटी
• रीयूज़ेबिलिटी

इस लेख में, आपको चार सबसे महत्वपूर्ण पहलुओं — उपलब्धता, प्रदर्शन, विश्वसनीयता, और स्केलेबिलिटी — का संक्षिप्त अवलोकन मिलेगा। ध्यान दें कि चर्चा उच्च-स्तरीय है और इन क्वालिटी एट्रिब्यूट्स के लिए मेट्रिक्स-आधारित परिभाषाओं या आवश्यकताओं में नहीं जाती।

उपलब्धता का अर्थ वैसा ही है जैसा यह सुनने में लगता है — कि सिस्टम उपलब्ध हो, या दूसरे शब्दों में, सही तरीके से चल रहा हो। इसका मतलब कई चीजें हो सकता है और यह विश्वसनीयता और स्केलेबिलिटी पर भी काफी निर्भर करता है। "सही तरीके से चल रहा हो" का अर्थ है कि सिस्टम इच्छानुसार और जब भी ज़रूरत हो तब काम करे। यह किसी एंड यूज़र द्वारा सिस्टम का उपयोग करना हो सकता है, जैसे Facebook या Netflix, या डेटा प्रोसेसिंग के लिए उपयोग की जाने वाली क्लाउड-आधारित सेवाओं का एक सेट हो सकता है।

विश्वसनीयता उस क्षमता को दर्शाती है जिसके द्वारा सिस्टम बिना विफलताओं या त्रुटियों के सही तरीके से चलता और काम करता रहे। जितना अधिक कोई सिस्टम इस प्रकार चल सकता है, उसे उतना ही फॉल्ट-टॉलरेंट कहा जाता है। चूँकि पहले से सभी संभावित उपयोग और एज केसेज़ के बारे में सोचना और उनका परीक्षण करना कठिन है, 100% विश्वसनीयता हासिल करना बहुत कठिन हो सकता है। साथ ही, विफलताएँ कई कारणों से हो सकती हैं — कोड बग्स, पर्यावरणीय मुद्दे, और सीमित संसाधन (CPU, RAM, डिस्क मेमोरी, ...) कुछ प्रमुख कारण हैं।

प्रदर्शन शब्द का उपयोग उस गति का वर्णन करने के लिए किया जाता है जिससे सिस्टम कार्यों को अंजाम देता है; या दूसरे तरीके से कहें तो किसी विशिष्ट कार्य को करने में सिस्टम को लगने वाला समय। उदाहरण के लिए YouTube लें। आप अपेक्षा करते हैं कि जैसे ही आप कोई वीडियो देखने जाएँ, वह वाजिब समय में लोड होकर चलना शुरू हो जाए। जितना अधिक Google YouTube को परफ़ॉर्मेंट बना सकता है — यानी वीडियो उतनी जल्दी लोड होकर चल पड़े — उतने ही खुश YouTube के उपयोगकर्ता होंगे और उनके ऐप छोड़ने की संभावना उतनी ही कम होगी। इसके विपरीत, यदि YouTube बहुत धीमा चले, तो लाभ की तुलना में लागत अधिक लगेगी और लोग उसका उपयोग बंद कर देंगे। सौभाग्य से, अधिकांश समय पहला ही परिदृश्य सच होता है, दूसरा नहीं।

अंत में, स्केलेबिलिटी कुछ अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है, और यह शब्द किसी सिस्टम की उस क्षमता का प्रतिनिधित्व करता है जिसके द्वारा वह बढ़ते हुए लोड के बावजूद एक निश्चित स्तर का प्रदर्शन (उपर्युक्त, उच्च-स्तरीय परिभाषा के अनुसार) बनाए रख सके। लोड शब्द का अर्थ सिस्टम पर एक साथ या समकालिक अनुरोधों की संख्या से है।

एक बढ़िया उदाहरण जहाँ स्केलेबिलिटी आवश्यक है, वह है जब किसी लोकप्रिय खेल टीम या संगीत कलाकार के टिकट पहली बार बिक्री पर आते हैं। लोकप्रियता के आधार पर, Ticketmaster जैसे वेब एप्लिकेशन पर टिकट खरीदने के लिए समकालिक अनुरोधों की संख्या शुरुआती समय में सैकड़ों हजारों तक हो सकती है। किसी सिस्टम की स्केल करने की क्षमता के आधार पर, इससे या तो प्रदर्शन में बहुत गिरावट आ सकती है, या सिस्टम पूरी तरह बंद हो सकता है। दोनों ही परिदृश्य अच्छे नहीं हैं।

इस आवश्यकता को पूरा करने के लिए, तकनीकों का उपयोग करके या तो सिस्टम को स्केल-अप किया जाता है या स्केल-आउट। स्केल-अप तब होता है जब सिस्टम में मौजूद कंप्यूटिंग डिवाइसों को अधिक शक्तिशाली (CPU, अधिक कोर, ...) और बड़े संसाधनों जैसे सिस्टम मेमोरी या RAM वाली अधिक विश्वसनीय मशीनों से बदल दिया जाता है। ऐसी मशीनें महँगी हो सकती हैं।

दूसरी ओर, स्केल-आउट वह है जहाँ कम लागत वाली कमोडिटी मशीनों का उपयोग किया जाता है, जो व्यक्तिगत रूप से बहुत शक्तिशाली नहीं होतीं, पर समूह में इस्तेमाल होने पर सिस्टम पर आने वाले लोड को संभालने में पर्याप्त सक्षम होती हैं। चूँकि इस तकनीक का उपयोग करने वाले समाधानों में कई कंप्यूटरों की आवश्यकता होती है, इसलिए यह महत्वपूर्ण है कि सिस्टम्स को इस प्रकार सेटअप किया जाए कि यदि एक या अधिक कंप्यूटर (नोड्स) विफल हो जाएँ या क्रैश हो जाएँ (फेलओवर), तो वे परिदृश्यों को स्वतः संभाल सकें, आदि।

निष्कर्ष

आशा है कि इस लेख ने लोकल डेवलपमेंट से परे, और वास्तविक दुनिया के प्रोडक्शन समाधानों के संदर्भ में, डेटा साइंस के कई महत्वपूर्ण पहलुओं पर प्रकाश डाला है। प्रोडक्शन डेटा समाधानों पर काम करते समय, या अतिरिक्त कंप्यूटिंग शक्ति और संसाधनों की आवश्यकता होने पर, क्लाउड-आधारित कंप्यूटिंग और आर्किटेक्चर की अवधारणाओं को समझना महत्वपूर्ण है।

कृपया नीचे टिप्पणियों में अपने विचार साझा करने के लिए स्वतंत्र महसूस करें। यदि आप और सीखना चाहते हैं, तो आप Twitter पर @innoarchitech को फॉलो कर सकते हैं, InnoArchiTech के न्यूज़लेटर के लिए साइन अप कर सकते हैं, और InnoArchiTech के ब्लॉग पर नज़र डाल सकते हैं। आप मेरी Goal-Driven Artificial Intelligence and Machine Learning कक्षा भी देख सकते हैं।