 |
|---|
| ക്ലൗഡിലെ ഡാറ്റാ സയൻസ്: ലോ കോഡ് - Sketchnote by @nitya |
അടിസ്ഥാന പട്ടിക:
- ക്ലൗഡിലെ ഡാറ്റാ സയൻസ്: "ലോ കോഡ്/നോ കോഡ്" വഴി
ആസ്യൂർ ക്ലൗഡ് പ്ലാറ്റ്ഫോം 200-ലധികം ഉൽപ്പന്നങ്ങളും ക്ലൗഡ് സേവനങ്ങളും ഉൾക്കൊള്ളുന്ന ഒരു പ്ലാറ്റ്ഫോമാണ്, പുതിയ പരിഹാരങ്ങൾ സൃഷ്ടിക്കാൻ സഹായിക്കുന്നതിന് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു.
ഡാറ്റാ സയന്റിസ്റ്റുകൾ ഡാറ്റ പരിശോധിക്കുകയും പ്രീ-പ്രോസസ്സ് ചെയ്യുകയും, കൃത്യമായ മോഡലുകൾ സൃഷ്ടിക്കാൻ വിവിധ മോഡൽ-ട്രെയിനിംഗ് ആൽഗോരിതങ്ങൾ പരീക്ഷിക്കുകയും ചെയ്യുന്നതിൽ വലിയ പരിശ്രമം ചെലവഴിക്കാറുണ്ട്. ഈ പ്രവർത്തനങ്ങൾ സമയമെടുക്കുന്നവയാണ്, കൂടാതെ ചിലപ്പോൾ വിലയേറിയ കംപ്യൂട്ട് ഹാർഡ്വെയർ അനാവശ്യമായി ഉപയോഗിക്കുന്നു.
Azure ML ആസ്യൂറിൽ മെഷീൻ ലേണിംഗ് പരിഹാരങ്ങൾ നിർമ്മിക്കുകയും പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുന്നതിനുള്ള ക്ലൗഡ് അടിസ്ഥാനമാക്കിയ പ്ലാറ്റ്ഫോമാണ്. ഡാറ്റാ സയന്റിസ്റ്റുകൾക്ക് ഡാറ്റ തയ്യാറാക്കാനും, മോഡലുകൾ പരിശീലിപ്പിക്കാനും, പ്രവചന സേവനങ്ങൾ പ്രസിദ്ധീകരിക്കാനും, അവയുടെ ഉപയോഗം നിരീക്ഷിക്കാനും സഹായിക്കുന്ന നിരവധി ഫീച്ചറുകളും കഴിവുകളും ഇതിൽ ഉൾക്കൊള്ളുന്നു. ഏറ്റവും പ്രധാനമായി, മോഡൽ പരിശീലനവുമായി ബന്ധപ്പെട്ട സമയമെടുക്കുന്ന പല പ്രവർത്തനങ്ങളും സ്വയം പ്രവർത്തിപ്പിച്ച് അവരുടെ കാര്യക്ഷമത വർദ്ധിപ്പിക്കാൻ ഇത് സഹായിക്കുന്നു; കൂടാതെ വലിയ ഡാറ്റ വോളിയം കൈകാര്യം ചെയ്യുന്നതിനായി ഫലപ്രദമായി സ്കെയിൽ ചെയ്യുന്ന ക്ലൗഡ് അടിസ്ഥാനമാക്കിയ കംപ്യൂട്ട് റിസോഴ്സുകൾ ഉപയോഗിക്കാൻ ഇത് അനുവദിക്കുന്നു, ഉപയോഗിക്കുമ്പോഴേ മാത്രം ചെലവ് വരുത്തുന്നു.
ആസ്യൂർ ML ഡെവലപ്പർമാർക്കും ഡാറ്റാ സയന്റിസ്റ്റുകൾക്കും അവരുടെ മെഷീൻ ലേണിംഗ് പ്രവൃത്തികൾക്കായി ആവശ്യമായ എല്ലാ ഉപകരണങ്ങളും നൽകുന്നു. ഇവയിൽ ഉൾപ്പെടുന്നു:
- Azure Machine Learning Studio: മോഡൽ പരിശീലനം, ഡിപ്ലോയ്മെന്റ്, ഓട്ടോമേഷൻ, ട്രാക്കിംഗ്, ആസറ്റ് മാനേജ്മെന്റ് എന്നിവയ്ക്കായി ലോ-കോഡ്, നോ-കോഡ് ഓപ്ഷനുകൾ ഉള്ള ആസ്യൂർ മെഷീൻ ലേണിംഗിലെ വെബ് പോർട്ടൽ. സ്റ്റുഡിയോ ആസ്യൂർ ML SDK-യുമായി സംയോജിപ്പിച്ചിരിക്കുന്നു.
- Jupyter Notebooks: ML മോഡലുകൾ വേഗത്തിൽ പ്രോട്ടോടൈപ്പ് ചെയ്ത് പരീക്ഷിക്കാൻ.
- Azure Machine Learning Designer: മോഡ്യൂളുകൾ ഡ്രാഗ്-അൻഡ്-ഡ്രോപ്പ് ചെയ്ത് പരീക്ഷണങ്ങൾ നിർമ്മിക്കുകയും പിന്നീട് ലോ-കോഡ് പരിസ്ഥിതിയിൽ പൈപ്പ്ലൈനുകൾ ഡിപ്ലോയ് ചെയ്യുകയും ചെയ്യാൻ.
- Automated machine learning UI (AutoML): മെഷീൻ ലേണിംഗ് മോഡൽ വികസനത്തിലെ ആവർത്തന പ്രവർത്തനങ്ങൾ സ്വയം പ്രവർത്തിപ്പിച്ച് ഉയർന്ന സ്കെയിൽ, കാര്യക്ഷമത, ഉൽപാദനക്ഷമത എന്നിവയോടെ ML മോഡലുകൾ നിർമ്മിക്കാൻ സഹായിക്കുന്നു, മോഡൽ ഗുണനിലവാരം നിലനിർത്തിക്കൊണ്ട്.
- Data Labelling: ഡാറ്റ സ്വയം ലേബൽ ചെയ്യാൻ സഹായിക്കുന്ന ML ഉപകരണം.
- Machine learning extension for Visual Studio Code: ML പ്രോജക്ടുകൾ നിർമ്മിക്കുകയും നിയന്ത്രിക്കുകയും ചെയ്യുന്നതിനുള്ള സമ്പൂർണ വികസന പരിസ്ഥിതി.
- Machine learning CLI: കമാൻഡ് ലൈൻ വഴി ആസ്യൂർ ML റിസോഴ്സുകൾ നിയന്ത്രിക്കാൻ കമാൻഡുകൾ.
- PyTorch, TensorFlow, Scikit-learn തുടങ്ങിയ ഓപ്പൺ-സോഴ്സ് ഫ്രെയിംവർക്ക്സുമായി സംയോജനം: പരിശീലനം, ഡിപ്ലോയ്മെന്റ്, എന്റ്പോയിന്റ് മാനേജ്മെന്റ് എന്നിവയ്ക്കായി.
- MLflow: നിങ്ങളുടെ മെഷീൻ ലേണിംഗ് പരീക്ഷണങ്ങളുടെ ലൈഫ് സൈക്കിൾ മാനേജ്മെന്റ് ചെയ്യാനുള്ള ഓപ്പൺ-സോഴ്സ് ലൈബ്രറി. MLFlow Tracking MLflow-യുടെ ഒരു ഘടകമാണ്, നിങ്ങളുടെ പരിശീലന റൺ മെട്രിക്സും മോഡൽ ആർട്ടിഫാക്റ്റുകളും ലോഗ് ചെയ്ത് ട്രാക്ക് ചെയ്യുന്നു, പരീക്ഷണ പരിസ്ഥിതിയുമായി ബന്ധമില്ലാതെ.
പ്രോജക്ടുകൾ നിർമ്മിച്ച് പരീക്ഷണങ്ങൾ നടത്തുന്നത് നിങ്ങളുടെ കഴിവുകളും അറിവുകളും പരീക്ഷിക്കാൻ ഏറ്റവും നല്ല മാർഗമാണ്. ഈ പാഠത്തിൽ, ആസ്യൂർ ML സ്റ്റുഡിയോയിൽ ഹാർട്ട് ഫെയില്യർ ആക്രമണങ്ങൾ പ്രവചിക്കുന്ന ഡാറ്റാ സയൻസ് പ്രോജക്ട് നിർമ്മിക്കുന്ന രണ്ട് വ്യത്യസ്ത മാർഗങ്ങൾ പരിശോധിക്കാം: ലോ കോഡ്/നോ കോഡ് വഴി, ആസ്യൂർ ML SDK വഴി, താഴെ കാണുന്ന സ്കീമ പ്രകാരം:
ഓരോ മാർഗത്തിനും സ്വന്തം ഗുണങ്ങളും ദോഷങ്ങളും ഉണ്ട്. ലോ കോഡ്/നോ കോഡ് വഴി GUI (ഗ്രാഫിക്കൽ യൂസർ ഇന്റർഫേസ്) ഉപയോഗിച്ച് ആരംഭിക്കാൻ എളുപ്പമാണ്, കോഡ് അറിവ് ആവശ്യമില്ല. ഈ രീതിയിൽ പ്രോജക്ടിന്റെ സാധുത വേഗത്തിൽ പരിശോധിക്കാനും POC (പ്രൂഫ് ഓഫ് കോൺസെപ്റ്റ്) സൃഷ്ടിക്കാനും കഴിയും. എന്നാൽ, പ്രോജക്ട് വളരുമ്പോൾ പ്രൊഡക്ഷൻ റെഡിയാക്കേണ്ടതുണ്ടെങ്കിൽ GUI വഴി റിസോഴ്സുകൾ സൃഷ്ടിക്കുന്നത് പ്രായോഗികമല്ല. റിസോഴ്സുകൾ സൃഷ്ടിക്കുന്നതിൽ നിന്നും മോഡൽ ഡിപ്ലോയ്മെന്റിലേക്കുള്ള എല്ലാ കാര്യങ്ങളും പ്രോഗ്രാമാറ്റിക്കായി ഓട്ടോമേറ്റ് ചെയ്യേണ്ടതുണ്ട്. ആസ്യൂർ ML SDK ഉപയോഗിക്കുന്നതിന്റെ പ്രാധാന്യം ഇവിടെ വരുന്നു.
| ലോ കോഡ്/നോ കോഡ് | ആസ്യൂർ ML SDK | |
|---|---|---|
| കോഡ് പരിജ്ഞാനം | ആവശ്യമില്ല | ആവശ്യമുണ്ട് |
| വികസന സമയം | വേഗവും എളുപ്പവും | കോഡ് പരിജ്ഞാനത്തെ ആശ്രയിച്ചിരിക്കുന്നു |
| പ്രൊഡക്ഷൻ റെഡി | ഇല്ല | ഉണ്ട് |
കാർഡിയോവാസ്കുലർ രോഗങ്ങൾ (CVDs) ലോകമാകെയുള്ള മരണങ്ങളുടെ 31% നും കാരണമാകുന്ന ഏറ്റവും പ്രധാനപ്പെട്ട മരണകാരണമാണ്. പുകവലി, അസ്വസ്ഥമായ ഭക്ഷണം, അമിതവണ്ണം, ശാരീരിക പ്രവർത്തനക്കുറവ്, മദ്യപാനം എന്നിവ പോലുള്ള പരിസ്ഥിതി, പെരുമാറ്റ അപകടകാരകങ്ങൾ ഈ മോഡലുകളുടെ ഫീച്ചറുകളായി ഉപയോഗിക്കാം. CVD വികസന സാധ്യത കണക്കാക്കാൻ കഴിയുന്നത് ഉയർന്ന അപകടമുള്ള ആളുകളിൽ ആക്രമണങ്ങൾ തടയാൻ സഹായകമാണ്.
കാഗിൾ ഹാർട്ട് ഫെയില്യർ ഡാറ്റാസെറ്റ് പൊതുവായി ലഭ്യമാക്കിയിട്ടുണ്ട്, ഇത് ഈ പ്രോജക്ടിനായി ഉപയോഗിക്കും. ഡാറ്റാസെറ്റ് ഇപ്പോൾ ഡൗൺലോഡ് ചെയ്യാം. 13 കോളങ്ങളുള്ള (12 ഫീച്ചറുകളും 1 ടാർഗറ്റ് വേരിയബിളും) 299 വരികളുള്ള ടാബുലർ ഡാറ്റാസെറ്റാണ് ഇത്.
| വേരിയബിൾ നാമം | തരം | വിവരണം | ഉദാഹരണം | |
|---|---|---|---|---|
| 1 | വയസ്സ് | സംഖ്യാത്മക | രോഗിയുടെ വയസ്സ് | 25 |
| 2 | അനീമിയ | ബൂളിയൻ | റെഡ് ബ്ലഡ് സെല്ലുകൾ അല്ലെങ്കിൽ ഹീമോഗ്ലോബിൻ കുറവ് | 0 അല്ലെങ്കിൽ 1 |
| 3 | ക്രിയാറ്റിനിൻ ഫോസ്ഫോകിനേസ് | സംഖ്യാത്മക | രക്തത്തിലെ CPK എൻസൈം ലെവൽ | 542 |
| 4 | ഡയബറ്റീസ് | ബൂളിയൻ | രോഗിക്ക് ഡയബറ്റീസ് ഉണ്ടോ | 0 അല്ലെങ്കിൽ 1 |
| 5 | ഇജക്ഷൻ ഫ്രാക്ഷൻ | സംഖ്യാത്മക | ഹൃദയം ഓരോ ചുരുളിലും പുറത്തുവിടുന്ന രക്തത്തിന്റെ ശതമാനം | 45 |
| 6 | ഉയർന്ന രക്തസമ്മർദ്ദം | ബൂളിയൻ | രോഗിക്ക് ഹൈപ്പർടെൻഷൻ ഉണ്ടോ | 0 അല്ലെങ്കിൽ 1 |
| 7 | പ്ലേറ്റ്ലെറ്റുകൾ | സംഖ്യാത്മക | രക്തത്തിലെ പ്ലേറ്റ്ലെറ്റുകൾ | 149000 |
| 8 | സീറം ക്രിയാറ്റിനിൻ | സംഖ്യാത്മക | രക്തത്തിലെ സീറം ക്രിയാറ്റിനിൻ ലെവൽ | 0.5 |
| 9 | സീറം സോഡിയം | സംഖ്യാത്മക | രക്തത്തിലെ സീറം സോഡിയം ലെവൽ | jun |
| 10 | ലിംഗം | ബൂളിയൻ | സ്ത്രീ അല്ലെങ്കിൽ പുരുഷൻ | 0 അല്ലെങ്കിൽ 1 |
| 11 | പുകവലി | ബൂളിയൻ | രോഗി പുകവലി ചെയ്യുമോ | 0 അല്ലെങ്കിൽ 1 |
| 12 | സമയം | സംഖ്യാത്മക | ഫോളോ-അപ്പ് കാലയളവ് (ദിവസങ്ങൾ) | 4 |
| ---- | --------------------------- | ----------------- | ------------------------------------------------------- | ------------------- |
| 21 | DEATH_EVENT [ടാർഗറ്റ്] | ബൂളിയൻ | ഫോളോ-അപ്പ് കാലയളവിൽ രോഗി മരിച്ചോ | 0 അല്ലെങ്കിൽ 1 |
ഡാറ്റാസെറ്റ് ലഭിച്ച ശേഷം, ആസ്യൂറിൽ പ്രോജക്ട് ആരംഭിക്കാം.
ആസ്യൂർ ML-ൽ മോഡൽ പരിശീലിപ്പിക്കാൻ ആദ്യം ആസ്യൂർ ML വർക്ക്സ്പേസ് സൃഷ്ടിക്കണം. വർക്ക്സ്പേസ് ആസ്യൂർ മെഷീൻ ലേണിംഗിനുള്ള ടോപ്പ്-ലെവൽ റിസോഴ്സ് ആണ്, നിങ്ങൾ സൃഷ്ടിക്കുന്ന എല്ലാ ആർട്ടിഫാക്റ്റുകളുമായി പ്രവർത്തിക്കാൻ കേന്ദ്രകേന്ദ്രമായ സ്ഥലം നൽകുന്നു. വർക്ക്സ്പേസ് എല്ലാ പരിശീലന റൺസിന്റെ ചരിത്രം സൂക്ഷിക്കുന്നു, ലോഗുകൾ, മെട്രിക്സ്, ഔട്ട്പുട്ട്, സ്ക്രിപ്റ്റുകളുടെ സ്നാപ്ഷോട്ട് എന്നിവ ഉൾപ്പെടെ. ഏത് പരിശീലന റൺ മികച്ച മോഡൽ ഉത്പാദിപ്പിക്കുന്നുവെന്ന് നിർണയിക്കാൻ ഈ വിവരങ്ങൾ ഉപയോഗിക്കുന്നു. കൂടുതൽ അറിയുക
നിങ്ങളുടെ ഓപ്പറേറ്റിംഗ് സിസ്റ്റത്തിനോട് അനുയോജ്യമായ ഏറ്റവും പുതിയ ബ്രൗസർ ഉപയോഗിക്കുന്നത് ശുപാർശ ചെയ്യുന്നു. പിന്തുണയുള്ള ബ്രൗസറുകൾ:
- Microsoft Edge (പുതിയ Microsoft Edge, ഏറ്റവും പുതിയ പതിപ്പ്. Microsoft Edge ലെഗസി അല്ല)
- Safari (ഏറ്റവും പുതിയ പതിപ്പ്, മാക് മാത്രം)
- Chrome (ഏറ്റവും പുതിയ പതിപ്പ്)
- Firefox (ഏറ്റവും പുതിയ പതിപ്പ്)
ആസ്യൂർ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കാൻ, നിങ്ങളുടെ ആസ്യൂർ സബ്സ്ക്രിപ്ഷനിൽ വർക്ക്സ്പേസ് സൃഷ്ടിക്കുക. പിന്നീട് ഈ വർക്ക്സ്പേസ് ഉപയോഗിച്ച് ഡാറ്റ, കംപ്യൂട്ട് റിസോഴ്സുകൾ, കോഡ്, മോഡലുകൾ, മറ്റ് ആർട്ടിഫാക്റ്റുകൾ എന്നിവ നിയന്ത്രിക്കാം.
കുറിപ്പ്: ആസ്യൂർ മെഷീൻ ലേണിംഗ് വർക്ക്സ്പേസ് നിങ്ങളുടെ സബ്സ്ക്രിപ്ഷനിൽ നിലനിൽക്കുന്നവരെ ഡാറ്റാ സ്റ്റോറേജിനായി ചെറിയ തുക ചാർജ് ചെയ്യും, അതിനാൽ നിങ്ങൾ ഉപയോഗിക്കാത്തപ്പോൾ വർക്ക്സ്പേസ് ഇല്ലാതാക്കാൻ ശുപാർശ ചെയ്യുന്നു.
-
നിങ്ങളുടെ ആസ്യൂർ സബ്സ്ക്രിപ്ഷനുമായി ബന്ധപ്പെട്ട മൈക്രോസോഫ്റ്റ് ക്രെഡൻഷ്യലുകൾ ഉപയോഗിച്ച് ആസ്യൂർ പോർട്ടലിൽ സൈൻ ഇൻ ചെയ്യുക.
-
＋Create a resource തിരഞ്ഞെടുക്കുക
മെഷീൻ ലേണിംഗ് തിരയുക, മെഷീൻ ലേണിംഗ് ടൈൽ തിരഞ്ഞെടുക്കുക
സൃഷ്ടിക്കുക ബട്ടൺ ക്ലിക്ക് ചെയ്യുക
ക്രമീകരണങ്ങൾ താഴെപോലെ പൂരിപ്പിക്കുക:
- സബ്സ്ക്രിപ്ഷൻ: നിങ്ങളുടെ ആസ്യൂർ സബ്സ്ക്രിപ്ഷൻ
- റിസോഴ്സ് ഗ്രൂപ്പ്: ഒരു റിസോഴ്സ് ഗ്രൂപ്പ് സൃഷ്ടിക്കുക അല്ലെങ്കിൽ തിരഞ്ഞെടുക്കുക
- വർക്ക്സ്പേസ് നാമം: നിങ്ങളുടെ വർക്ക്സ്പേസിന് ഒരു വ്യത്യസ്തമായ പേര് നൽകുക
- പ്രദേശം: നിങ്ങളുടെ അടുത്തുള്ള ഭൂമിശാസ്ത്ര പ്രദേശം തിരഞ്ഞെടുക്കുക
- സ്റ്റോറേജ് അക്കൗണ്ട്: നിങ്ങളുടെ വർക്ക്സ്പേസിനായി സൃഷ്ടിക്കപ്പെടുന്ന ഡിഫോൾട്ട് പുതിയ സ്റ്റോറേജ് അക്കൗണ്ട് ശ്രദ്ധിക്കുക
- കീ വാൾട്ട്: നിങ്ങളുടെ വർക്ക്സ്പേസിനായി സൃഷ്ടിക്കപ്പെടുന്ന ഡിഫോൾട്ട് പുതിയ കീ വാൾട്ട് ശ്രദ്ധിക്കുക
- അപ്ലിക്കേഷൻ ഇൻസൈറ്റ്സ്: നിങ്ങളുടെ വർക്ക്സ്പേസിനായി സൃഷ്ടിക്കപ്പെടുന്ന ഡിഫോൾട്ട് പുതിയ അപ്ലിക്കേഷൻ ഇൻസൈറ്റ്സ് റിസോഴ്സ് ശ്രദ്ധിക്കുക
- കണ്ടെയ്നർ രജിസ്ട്രി: ഇല്ല (മോഡൽ ആദ്യമായി കണ്ടെയ്നറിൽ ഡിപ്ലോയ് ചെയ്യുമ്പോൾ സ്വയം സൃഷ്ടിക്കും)
- സൃഷ്ടിക്കുക + അവലോകനം ക്ലിക്ക് ചെയ്ത് പിന്നീട് സൃഷ്ടിക്കുക ബട്ടൺ ക്ലിക്ക് ചെയ്യുക
-
നിങ്ങളുടെ വർക്ക്സ്പേസ് സൃഷ്ടിക്കപ്പെടുന്നത് കാത്തിരിക്കുക (ചില മിനിറ്റുകൾ എടുക്കാം). ശേഷം പോർട്ടലിൽ അതിലേക്ക് പോകുക. ഇത് മെഷീൻ ലേണിംഗ് ആസ്യൂർ സേവനത്തിലൂടെ കണ്ടെത്താം.
-
നിങ്ങളുടെ വർക്ക്സ്പേസ് ഓവർവ്യൂ പേജിൽ, ആസ്യൂർ മെഷീൻ ലേണിംഗ് സ്റ്റുഡിയോ ആരംഭിക്കുക (അല്ലെങ്കിൽ പുതിയ ബ്രൗസർ ടാബ് തുറന്ന് https://ml.azure.com-ൽ പോകുക), നിങ്ങളുടെ മൈക്രോസോഫ്റ്റ് അക്കൗണ്ട് ഉപയോഗിച്ച് സൈൻ ഇൻ ചെയ്യുക. ആവശ്യമായാൽ, നിങ്ങളുടെ ആസ്യൂർ ഡയറക്ടറി, സബ്സ്ക്രിപ്ഷൻ, ആസ്യൂർ ML വർക്ക്സ്പേസ് തിരഞ്ഞെടുക്കുക.
- ആസ്യൂർ ML സ്റ്റുഡിയോയിൽ, ഇടത് മുകളിൽ ☰ ഐക്കൺ ടോഗിൾ ചെയ്ത് ഇന്റർഫേസ് ഉള്ള വിവിധ പേജുകൾ കാണുക. ഈ പേജുകൾ ഉപയോഗിച്ച് നിങ്ങളുടെ വർക്ക്സ്പേസ് റിസോഴ്സുകൾ നിയന്ത്രിക്കാം.
നിങ്ങൾ ആസ്യൂർ പോർട്ടൽ ഉപയോഗിച്ച് വർക്ക്സ്പേസ് നിയന്ത്രിക്കാം, എന്നാൽ ഡാറ്റാ സയന്റിസ്റ്റുകൾക്കും മെഷീൻ ലേണിംഗ് ഓപ്പറേഷൻസ് എഞ്ചിനീയർമാർക്കും, ആസ്യൂർ ML സ്റ്റുഡിയോ വർക്ക്സ്പേസ് റിസോഴ്സുകൾ നിയന്ത്രിക്കാൻ കൂടുതൽ കേന്ദ്രീകൃതമായ യൂസർ ഇന്റർഫേസ് നൽകുന്നു.
കംപ്യൂട്ട് റിസോഴ്സുകൾ മോഡൽ പരിശീലനവും ഡാറ്റാ എക്സ്പ്ലോറേഷനും നടത്താൻ ഉപയോഗിക്കുന്ന ക്ലൗഡ് അടിസ്ഥാനമാക്കിയ റിസോഴ്സുകളാണ്. നിങ്ങൾ സൃഷ്ടിക്കാവുന്ന നാല് തരത്തിലുള്ള കംപ്യൂട്ട് റിസോഴ്സുകൾ ഉണ്ട്:
- Compute Instances: ഡാറ്റാ സയന്റിസ്റ്റുകൾക്ക് ഡാറ്റയും മോഡലുകളും കൈകാര്യം ചെയ്യാൻ ഉപയോഗിക്കുന്ന ഡെവലപ്പ്മെന്റ് വർക്ക്സ്റ്റേഷനുകൾ. ഇതിൽ ഒരു വെർച്വൽ മെഷീൻ (VM) സൃഷ്ടിച്ച് നോട്ട്ബുക്ക് ഇൻസ്റ്റൻസ് ആരംഭിക്കുന്നു. പിന്നീട് നോട്ട്ബുക്കിൽ നിന്ന് കംപ്യൂട്ട് ക്ലസ്റ്റർ വിളിച്ച് മോഡൽ പരിശീലിപ്പിക്കാം.
- Compute Clusters: പരീക്ഷണ കോഡ് ഓൺ-ഡിമാൻഡ് പ്രോസസ്സിംഗിനായി സ്കെയിലബിൾ VM ക്ലസ്റ്ററുകൾ. മോഡൽ പരിശീലനത്തിന് ഇത് ആവശ്യമാണ്. കംപ്യൂട്ട് ക്ലസ്റ്ററുകൾ പ്രത്യേക GPU അല്ലെങ്കിൽ CPU റിസോഴ്സുകളും ഉപയോഗിക്കാം.
- Inference Clusters: നിങ്ങളുടെ പരിശീലിപ്പിച്ച മോഡലുകൾ ഉപയോഗിക്കുന്ന പ്രവചന സേവനങ്ങൾക്കുള്ള വിന്യാസ ലക്ഷ്യങ്ങൾ.
- Attached Compute: Virtual Machines അല്ലെങ്കിൽ Azure Databricks ക്ലസ്റ്ററുകൾ പോലുള്ള നിലവിലുള്ള Azure കംപ്യൂട്ട് റിസോഴ്സുകളിലേക്ക് ലിങ്കുകൾ.
ഒരു കംപ്യൂട്ട് റിസോഴ്സ് സൃഷ്ടിക്കുമ്പോൾ പരിഗണിക്കേണ്ട ചില പ്രധാന ഘടകങ്ങളുണ്ട്, ആ തിരഞ്ഞെടുപ്പുകൾ നിർണായകമായ തീരുമാനങ്ങളാകാം.
നിങ്ങൾക്ക് CPU അല്ലെങ്കിൽ GPU ആവശ്യമുണ്ടോ?
CPU (Central Processing Unit) ഒരു കമ്പ്യൂട്ടർ പ്രോഗ്രാമിന്റെ നിർദ്ദേശങ്ങൾ നിർവഹിക്കുന്ന ഇലക്ട്രോണിക് സർക്ക്യൂട്ടറിയാണ്. GPU (Graphics Processing Unit) വളരെ ഉയർന്ന നിരക്കിൽ ഗ്രാഫിക്സ്-ബന്ധപ്പെട്ട കോഡ് നിർവഹിക്കാൻ കഴിവുള്ള പ്രത്യേക ഇലക്ട്രോണിക് സർക്ക്യൂട്ടറാണ്.
CPUയും GPUയും തമ്മിലുള്ള പ്രധാന വ്യത്യാസം CPU വേഗത്തിൽ (CPU ക്ലോക്ക് സ്പീഡ് പ്രകാരം) വ്യാപകമായ ടാസ്കുകൾ വേഗത്തിൽ കൈകാര്യം ചെയ്യാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതായിരിക്കുമ്പോൾ, ഒരേസമയം പ്രവർത്തിക്കാവുന്ന ടാസ്കുകളുടെ concurrencyയിൽ പരിമിതമാണ്. GPUകൾ പാരലൽ കംപ്യൂട്ടിംഗിനായി രൂപകൽപ്പന ചെയ്തതാണ്, അതിനാൽ ഡീപ് ലേണിംഗ് ടാസ്കുകളിൽ വളരെ മികച്ചതാണ്.
| CPU | GPU |
|---|---|
| കുറവ് ചെലവുള്ളത് | കൂടുതൽ ചെലവുള്ളത് |
| concurrency ന്റെ താഴ്ന്ന നില | concurrency ന്റെ ഉയർന്ന നില |
| ഡീപ് ലേണിംഗ് മോഡലുകൾ പരിശീലിപ്പിക്കാൻ മന്ദഗതിയുള്ളത് | ഡീപ് ലേണിംഗിന് അനുയോജ്യം |
ക്ലസ്റ്റർ വലുപ്പം
വലുതായ ക്ലസ്റ്ററുകൾ കൂടുതൽ ചെലവേറിയതാണ്, പക്ഷേ മികച്ച പ്രതികരണക്ഷമത നൽകും. അതിനാൽ, നിങ്ങൾക്ക് സമയം ഉണ്ടെങ്കിലും പണം കുറവാണെങ്കിൽ, ചെറിയ ക്ലസ്റ്ററോടെ ആരംഭിക്കുക. മറുവശത്ത്, പണം ഉണ്ടെങ്കിലും സമയം കുറവാണെങ്കിൽ, വലിയ ക്ലസ്റ്ററോടെ ആരംഭിക്കുക.
VM വലുപ്പം
നിങ്ങളുടെ സമയം, ബജറ്റ് പരിധികൾ അനുസരിച്ച്, RAM, ഡിസ്ക്, കോറുകളുടെ എണ്ണം, ക്ലോക്ക് സ്പീഡ് എന്നിവയുടെ വലുപ്പം വ്യത്യാസപ്പെടുത്താം. ഈ എല്ലാ പാരാമീറ്ററുകളും വർദ്ധിപ്പിക്കുന്നത് ചെലവേറിയതായിരിക്കും, പക്ഷേ മികച്ച പ്രകടനം നൽകും.
Dedicated അല്ലെങ്കിൽ Low-Priority Instances?
Low-priority instance എന്നത് ഇടപെടാവുന്നതാണ്: അടിസ്ഥാനത്തിൽ, Microsoft Azure ആ റിസോഴ്സുകൾ എടുത്ത് മറ്റൊരു ടാസ്കിന് നൽകാം, അതിനാൽ ഒരു ജോബ് ഇടപെടപ്പെടും. Dedicated instance അല്ലെങ്കിൽ non-interruptible എന്നത്, നിങ്ങളുടെ അനുമതിയില്ലാതെ ജോബ് ഒരിക്കലും അവസാനിപ്പിക്കപ്പെടില്ല എന്നർത്ഥമാണ്. ഇത് സമയം vs പണം എന്ന മറ്റൊരു പരിഗണനയാണ്, കാരണം ഇടപെടാവുന്ന ഇൻസ്റ്റൻസുകൾ ഡെഡിക്കേറ്റഡ് ഇൻസ്റ്റൻസുകളേക്കാൾ കുറവ് ചെലവുള്ളതാണ്.
മുൻപ് സൃഷ്ടിച്ച Azure ML workspace ൽ, compute ലേക്ക് പോകുക, നിങ്ങൾ ഇപ്പോൾ ചർച്ച ചെയ്ത വിവിധ കംപ്യൂട്ട് റിസോഴ്സുകൾ കാണാൻ കഴിയും (ഉദാ: compute instances, compute clusters, inference clusters, attached compute). ഈ പ്രോജക്ടിനായി, മോഡൽ പരിശീലനത്തിനായി ഒരു compute cluster ആവശ്യമുണ്ട്. സ്റ്റുഡിയോയിൽ, "Compute" മെനുവിൽ ക്ലിക്ക് ചെയ്യുക, തുടർന്ന് "Compute cluster" ടാബിൽ ക്ലിക്ക് ചെയ്ത് "+ New" ബട്ടൺ ക്ലിക്ക് ചെയ്ത് compute cluster സൃഷ്ടിക്കുക.
- നിങ്ങളുടെ ഓപ്ഷനുകൾ തിരഞ്ഞെടുക്കുക: Dedicated vs Low priority, CPU അല്ലെങ്കിൽ GPU, VM വലുപ്പം, കോർ എണ്ണം (ഈ പ്രോജക്ടിനായി ഡിഫോൾട്ട് സെറ്റിംഗുകൾ നിലനിർത്താം).
- Next ബട്ടൺ ക്ലിക്ക് ചെയ്യുക.
- ക്ലസ്റ്ററിന് ഒരു കംപ്യൂട്ട് പേര് നൽകുക
- നിങ്ങളുടെ ഓപ്ഷനുകൾ തിരഞ്ഞെടുക്കുക: കുറഞ്ഞ/പരമാവധി നോഡുകളുടെ എണ്ണം, സ്കെയിൽ ഡൗൺ ചെയ്യുന്നതിന് മുമ്പുള്ള ഐഡിൽ സെക്കൻഡുകൾ, SSH ആക്സസ്. കുറഞ്ഞ നോഡുകളുടെ എണ്ണം 0 ആണെങ്കിൽ, ക്ലസ്റ്റർ ഐഡിൽ ആയപ്പോൾ പണം ലാഭിക്കും. പരമാവധി നോഡുകളുടെ എണ്ണം കൂടുതലായാൽ പരിശീലനം കുറച്ച് സമയം എടുക്കും. പരമാവധി നോഡുകളുടെ ശുപാർശ 3 ആണ്.
- "Create" ബട്ടൺ ക്ലിക്ക് ചെയ്യുക. ഈ ഘട്ടം കുറച്ച് മിനിറ്റുകൾ എടുക്കാം.
അദ്ഭുതം! ഇപ്പോൾ ഒരു Compute cluster ഉണ്ടാകുമ്പോൾ, ഡാറ്റ Azure ML Studio-യിൽ ലോഡ് ചെയ്യേണ്ടതാണ്.
-
മുൻപ് സൃഷ്ടിച്ച Azure ML workspace ൽ, ഇടത് മെനുവിൽ "Datasets" ക്ലിക്ക് ചെയ്ത് "+ Create dataset" ബട്ടൺ ക്ലിക്ക് ചെയ്ത് ഒരു dataset സൃഷ്ടിക്കുക. "From local files" ഓപ്ഷൻ തിരഞ്ഞെടുക്കുക, മുൻപ് ഡൗൺലോഡ് ചെയ്ത Kaggle dataset തിരഞ്ഞെടുക്കുക.
-
നിങ്ങളുടെ dataset-ന് ഒരു പേര്, തരം, വിവരണം നൽകുക. Next ക്ലിക്ക് ചെയ്യുക. ഫയലുകളിൽ നിന്ന് ഡാറ്റ അപ്ലോഡ് ചെയ്യുക. Next ക്ലിക്ക് ചെയ്യുക.
-
Schema-യിൽ, താഴെപ്പറയുന്ന ഫീച്ചറുകൾക്ക് ഡാറ്റ ടൈപ്പ് Boolean ആയി മാറ്റുക: anaemia, diabetes, high blood pressure, sex, smoking, DEATH_EVENT. Next ക്ലിക്ക് ചെയ്ത് Create ക്ലിക്ക് ചെയ്യുക.
ശ്രേഷ്ഠം! Dataset സജ്ജമായപ്പോൾ, compute cluster സൃഷ്ടിച്ചതിനുശേഷം, മോഡൽ പരിശീലനം ആരംഭിക്കാം!
പരമ്പരാഗത മെഷീൻ ലേണിംഗ് മോഡൽ വികസനം വിഭവസമ്പന്നമാണ്, വലിയ ഡൊമെയ്ൻ അറിവും സമയവും ആവശ്യമാണ്, നിരവധി മോഡലുകൾ നിർമ്മിച്ച് താരതമ്യം ചെയ്യേണ്ടതുണ്ട്. Automated machine learning (AutoML) മെഷീൻ ലേണിംഗ് മോഡൽ വികസനത്തിലെ സമയമെടുക്കുന്ന, ആവർത്തനപരമായ പ്രവർത്തനങ്ങൾ സ്വയം പ്രവർത്തിപ്പിക്കുന്ന പ്രക്രിയയാണ്. ഇത് ഡാറ്റ സയന്റിസ്റ്റുകൾ, വിശകലനക്കാർ, ഡെവലപ്പർമാർക്ക് ഉയർന്ന സ്കെയിൽ, കാര്യക്ഷമത, ഉൽപാദകത്വത്തോടെ ML മോഡലുകൾ നിർമ്മിക്കാൻ അനുവദിക്കുന്നു, മോഡൽ ഗുണനിലവാരം നിലനിർത്തിക്കൊണ്ട്. ഇത് പ്രൊഡക്ഷൻ-സജ്ജമായ ML മോഡലുകൾ ലഭിക്കാൻ വേണ്ട സമയവും ലളിതവും കാര്യക്ഷമവുമാണ് കുറയ്ക്കുന്നത്. കൂടുതൽ പഠിക്കുക
-
മുൻപ് സൃഷ്ടിച്ച Azure ML workspace ൽ, ഇടത് മെനുവിൽ "Automated ML" ക്ലിക്ക് ചെയ്ത് നിങ്ങൾ അപ്ലോഡ് ചെയ്ത dataset തിരഞ്ഞെടുക്കുക. Next ക്ലിക്ക് ചെയ്യുക.
-
പുതിയ experiment പേര് നൽകുക, target column (DEATH_EVENT) തിരഞ്ഞെടുക്കുക, സൃഷ്ടിച്ച compute cluster തിരഞ്ഞെടുക്കുക. Next ക്ലിക്ക് ചെയ്യുക.
-
"Classification" തിരഞ്ഞെടുക്കുക, Finish ക്ലിക്ക് ചെയ്യുക. ഈ ഘട്ടം compute cluster വലുപ്പം അനുസരിച്ച് 30 മിനിറ്റിൽ 1 മണിക്കൂർ വരെ എടുക്കാം.
-
റൺ പൂർത്തിയായ ശേഷം, "Automated ML" ടാബിൽ ക്ലിക്ക് ചെയ്യുക, നിങ്ങളുടെ റൺ തിരഞ്ഞെടുക്കുക, "Best model summary" കാർഡിലെ Algorithm ക്ലിക്ക് ചെയ്യുക.
ഇവിടെ AutoML സൃഷ്ടിച്ച മികച്ച മോഡലിന്റെ വിശദമായ വിവരണം കാണാം. Models ടാബിൽ മറ്റ് മോഡലുകളും പരിശോധിക്കാം. Explanations (preview ബട്ടൺ) ൽ മോഡലുകൾ പരിശോധിക്കാൻ കുറച്ച് സമയം ചെലവഴിക്കുക. നിങ്ങൾ ഉപയോഗിക്കാൻ ആഗ്രഹിക്കുന്ന മോഡൽ തിരഞ്ഞെടുക്കുമ്പോൾ (ഇവിടെ AutoML തിരഞ്ഞെടുത്ത മികച്ച മോഡൽ തിരഞ്ഞെടുക്കും), അതിനെ എങ്ങനെ വിന്യസിക്കാമെന്ന് കാണാം.
Automated machine learning ഇന്റർഫേസ് മികച്ച മോഡൽ വെബ് സേവനമായി കുറച്ച് ഘട്ടങ്ങളിൽ വിന്യസിക്കാൻ അനുവദിക്കുന്നു. വിന്യാസം മോഡൽ ഇന്റഗ്രേഷൻ ആണ്, അതിലൂടെ പുതിയ ഡാറ്റ അടിസ്ഥാനമാക്കി പ്രവചനങ്ങൾ നടത്താനും സാധ്യതയുള്ള അവസരങ്ങൾ തിരിച്ചറിയാനും കഴിയും. ഈ പ്രോജക്ടിനായി, വെബ് സേവനമായി വിന്യസിക്കുന്നത് മെഡിക്കൽ ആപ്ലിക്കേഷനുകൾക്ക് മോഡൽ ഉപയോഗിച്ച് അവരുടെ രോഗികളുടെ ഹൃദയാഘാതം സാധ്യത ലൈവ് പ്രവചിക്കാൻ കഴിയും എന്നർത്ഥമാണ്.
മികച്ച മോഡൽ വിവരണത്തിൽ "Deploy" ബട്ടൺ ക്ലിക്ക് ചെയ്യുക.
- ഒരു പേര്, വിവരണം, കംപ്യൂട്ട് തരം (Azure Container Instance), authentication സജ്ജമാക്കുക, Deploy ക്ലിക്ക് ചെയ്യുക. ഈ ഘട്ടം പൂർത്തിയാകാൻ ഏകദേശം 20 മിനിറ്റ് എടുക്കാം. വിന്യാസ പ്രക്രിയയിൽ മോഡൽ രജിസ്റ്റർ ചെയ്യൽ, റിസോഴ്സുകൾ സൃഷ്ടിക്കൽ, വെബ് സേവനത്തിനായി അവ ക്രമീകരിക്കൽ ഉൾപ്പെടുന്നു. Deploy status കീഴിൽ സ്റ്റാറ്റസ് സന്ദേശം കാണാം. സ്റ്റാറ്റസ് "Healthy" ആണെങ്കിൽ വിന്യസിച്ചും പ്രവർത്തിക്കുന്നുമാണ്.
- വിന്യസിച്ച ശേഷം, Endpoint ടാബിൽ ക്ലിക്ക് ചെയ്ത് നിങ്ങൾ വിന്യസിച്ച എൻഡ്പോയിന്റ് തിരഞ്ഞെടുക്കുക. ഇവിടെ എൻഡ്പോയിന്റ് സംബന്ധിച്ച എല്ലാ വിവരങ്ങളും കാണാം.
അദ്ഭുതം! ഇപ്പോൾ ഒരു മോഡൽ വിന്യസിച്ചിരിക്കുന്നു, എൻഡ്പോയിന്റ് ഉപഭോഗം ആരംഭിക്കാം.
"Consume" ടാബിൽ ക്ലിക്ക് ചെയ്യുക. ഇവിടെ REST എൻഡ്പോയിന്റും python സ്ക്രിപ്റ്റും ഉപഭോഗ ഓപ്ഷനിൽ കാണാം. python കോഡ് വായിക്കാൻ കുറച്ച് സമയം ചെലവഴിക്കുക.
ഈ സ്ക്രിപ്റ്റ് നിങ്ങളുടെ ലോക്കൽ മെഷീനിൽ നിന്ന് നേരിട്ട് പ്രവർത്തിപ്പിക്കാം, നിങ്ങളുടെ എൻഡ്പോയിന്റ് ഉപഭോഗിക്കും.
ഈ 2 കോഡ് ലൈൻ പരിശോധിക്കുക:
url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
api_key = '' # വെബ് സർവീസിനുള്ള API കീ ഇതിന് പകരം ഉപയോഗിക്കുകurl വേരിയബിൾ consume ടാബിൽ കാണുന്ന REST എൻഡ്പോയിന്റാണ്, api_key വേരിയബിൾ consume ടാബിൽ കാണുന്ന പ്രൈമറി കീ ആണ് (authentication സജ്ജമാക്കിയിട്ടുണ്ടെങ്കിൽ മാത്രം). ഇതാണ് സ്ക്രിപ്റ്റ് എൻഡ്പോയിന്റ് ഉപഭോഗിക്കാൻ ഉപയോഗിക്കുന്നത്.
- സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിച്ചാൽ താഴെപ്പറയുന്ന ഔട്ട്പുട്ട് കാണും:
b'"{\\"result\\": [true]}"'
ഇത് നൽകിയ ഡാറ്റയ്ക്ക് ഹൃദയ പരാജയം പ്രവചനം സത്യമാണെന്ന് സൂചിപ്പിക്കുന്നു. സ്ക്രിപ്റ്റിൽ സ്വയം സൃഷ്ടിച്ച ഡാറ്റയിൽ എല്ലാം ഡിഫോൾട്ടായി 0, false ആയതിനാൽ ഇത് യുക്തിയുള്ളതാണ്. താഴെപ്പറയുന്ന ഇൻപുട്ട് സാമ്പിൾ ഉപയോഗിച്ച് ഡാറ്റ മാറ്റാം:
data = {
"data":
[
{
'age': "0",
'anaemia': "false",
'creatinine_phosphokinase': "0",
'diabetes': "false",
'ejection_fraction': "0",
'high_blood_pressure': "false",
'platelets': "0",
'serum_creatinine': "0",
'serum_sodium': "0",
'sex': "false",
'smoking': "false",
'time': "0",
},
{
'age': "60",
'anaemia': "false",
'creatinine_phosphokinase': "500",
'diabetes': "false",
'ejection_fraction': "38",
'high_blood_pressure': "false",
'platelets': "260000",
'serum_creatinine': "1.40",
'serum_sodium': "137",
'sex': "false",
'smoking': "false",
'time': "130",
},
],
}സ്ക്രിപ്റ്റ് താഴെപ്പറയുന്ന ഫലം നൽകണം:
python b'"{\\"result\\": [true, false]}"'
അഭിനന്ദനങ്ങൾ! നിങ്ങൾ Azure ML-ൽ മോഡൽ വിന്യസിക്കുകയും പരിശീലിപ്പിക്കുകയും ചെയ്തു!
NOTE: പ്രോജക്ട് പൂർത്തിയായ ശേഷം എല്ലാ റിസോഴ്സുകളും ഇല്ലാതാക്കാൻ മറക്കരുത്.
AutoML ഉൽപ്പാദിപ്പിച്ച ടോപ്പ് മോഡലുകളുടെ വിശദീകരണങ്ങളും വിവരങ്ങളും ശ്രദ്ധാപൂർവ്വം പരിശോധിക്കുക. മികച്ച മോഡൽ മറ്റുള്ളവയെക്കാൾ എങ്ങനെ മെച്ചമാണ് എന്ന് മനസ്സിലാക്കാൻ ശ്രമിക്കുക. ഏത് ആൽഗോരിതങ്ങൾ താരതമ്യം ചെയ്തു? അവ തമ്മിലുള്ള വ്യത്യാസങ്ങൾ എന്തെല്ലാം? ഈ കേസിൽ മികച്ച മോഡൽ എങ്ങനെ മെച്ചപ്പെട്ട പ്രകടനം കാഴ്ചവെക്കുന്നു?
ഈ പാഠത്തിൽ, നിങ്ങൾ ക്ലൗഡിൽ Low code/No code രീതിയിൽ ഹൃദയ പരാജയ സാധ്യത പ്രവചിക്കാൻ മോഡൽ പരിശീലിപ്പിക്കുകയും വിന്യസിക്കുകയും ഉപഭോഗിക്കുകയും ചെയ്യുന്നത് പഠിച്ചു. ഇതുവരെ ചെയ്തിട്ടില്ലെങ്കിൽ, AutoML ഉൽപ്പാദിപ്പിച്ച ടോപ്പ് മോഡലുകളുടെ വിശദീകരണങ്ങളിൽ കൂടുതൽ ആഴത്തിൽ നോക്കുക, മികച്ച മോഡൽ മറ്റുള്ളവയെക്കാൾ എങ്ങനെ മെച്ചമാണ് എന്ന് മനസ്സിലാക്കാൻ ശ്രമിക്കുക.
Low code/No code AutoML-ൽ കൂടുതൽ മുന്നോട്ട് പോകാൻ ഈ ഡോക്യുമെന്റേഷൻ വായിക്കുക.
Low code/No code Data Science project on Azure ML
അസൂയാ:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.