পরবর্তী আপপরবর্তী গাইড
মডেলগুলি পরিবর্তন হলে এমবেডিংগুলি পুনরায় সূচীকরণ করা৷
টেকনিক্যাল
প্রযুক্তিগত গাইড
পরিবর্তন বিন্দু সনাক্তকরণ সেই সময়গুলিকে চিহ্নিত করে যখন একটি সিরিজের পরিসংখ্যানগত আচরণ পরিবর্তন হয়, যেমন গড়, পরিবর্তন বা প্রবণতা।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
CUSUM, PELT এবং Bayesian পদ্ধতির মতো পদ্ধতিগুলি খরচ, জরিমানা এবং পরিবর্তনগুলি পূর্ববর্তীভাবে বা অনলাইনে সনাক্ত করা হয় কিনা সে সম্পর্কে বিভিন্ন অনুমান তৈরি করে।
একটি পরিবর্তন বিন্দু হল এমন একটি সময় যেখানে একটি ক্রম তৈরি করার প্রক্রিয়াটি একটি অর্থপূর্ণ উপায়ে পরিবর্তিত হয়। পরিবর্তিত সম্পত্তি একটি গড়, প্রকরণ, ঢাল, বন্টন বা ভেরিয়েবলের মধ্যে সম্পর্ক হতে পারে। মান নিয়ন্ত্রণ, নিরীক্ষণ এবং সময়-সিরিজ বিশ্লেষণে সনাক্তকরণ গুরুত্বপূর্ণ কারণ বিভিন্ন শাসনে লাগানো একটি একক মডেল পরিবর্তনগুলি আড়াল করতে পারে বা বিভ্রান্তিকর পূর্বাভাস তৈরি করতে পারে। অফলাইন পদ্ধতিগুলি একটি সম্পূর্ণ ক্রম বিশ্লেষণ করে এবং কোথায় পরিবর্তনগুলি ঘটেছে তা অনুমান করে। তারা প্রায়শই ডেটাকে সেগমেন্টে ভাগ করে এবং প্রতিটি পরিবর্তনের জন্য একটি জরিমানা এবং সেগমেন্টের মধ্যে খরচের যোগফল কমিয়ে দেয়। জরিমানা জটিলতা নিয়ন্ত্রণ করে: খুব কম শব্দ ওভার-সেগমেন্ট করতে পারে, যখন খুব বেশি প্রকৃত পরিবর্তনগুলি মিস করতে পারে। PELT হল সমর্থিত খরচ ফাংশন এবং ছাঁটাই অবস্থার জন্য একটি সঠিক শাস্তিমূলক সেগমেন্টেশন অ্যালগরিদম, অনেক সেটিংসে অনুকূল গণনামূলক আচরণ সহ; এটি সঠিক শাস্তি বা সর্বজনীন রানটাইম বাউন্ডের গ্যারান্টি নয়। CUSUM হল একটি অনুক্রমিক পর্যবেক্ষণ পদ্ধতি যা একটি রেফারেন্স থেকে বিচ্যুতির প্রমাণ জমা করে। একটি থ্রেশহোল্ড নির্ধারণ করে কখন সংকেত দিতে হবে, সনাক্তকরণ বিলম্ব এবং মিথ্যা অ্যালার্মের মধ্যে ট্রেডঅফ সহ। Bayesian অনলাইন পদ্ধতিগুলি রানের দৈর্ঘ্য, শেষ পরিবর্তনের পর থেকে সম্ভাব্যতা বজায় রাখে এবং পর্যবেক্ষণগুলি আসার সাথে সাথে সেই সম্ভাবনাগুলি আপডেট করে। এই পন্থাগুলি লেটেন্সিতে এবং তারা একটি ঐতিহাসিক সেগমেন্টেশন সংশোধন করতে পারে কিনা তা আলাদা। একটি সনাক্ত করা পরিবর্তন পরিসংখ্যানগত প্রমাণ, ব্যাখ্যা নয়। এটি একটি বাস্তব প্রক্রিয়া হস্তক্ষেপ, ঋতুতা, সেন্সর ড্রিফট, একটি আউটলায়ার বা ডেটা-পাইপলাইন পরিবর্তন প্রতিফলিত করতে পারে। ন্যূনতম সেগমেন্টের দৈর্ঘ্য, খরচ ফাংশন এবং জরিমানা, এবং স্বয়ংক্রিয় সম্পর্ক এবং একাধিক পর্যবেক্ষণের সুযোগগুলির জন্য সংবেদনশীলতা মূল্যায়ন করুন। অনেক স্থান অনুসন্ধান করার পরে যদি একটি পরিবর্তন বিন্দু পাওয়া যায়, তবে তার অবস্থানের অনিশ্চয়তা এবং মিথ্যা-আবিষ্কারের ঝুঁকির বিষয়। অপারেশনাল ব্যবহারের জন্য, কোন ক্রিয়াটি সতর্কতা অনুসরণ করে তা নির্ধারণ করুন এবং মিথ্যা অ্যালার্ম এবং মিস করা পরিবর্তনগুলি ট্র্যাক করুন। অ্যালগরিদম তার উদ্দেশ্যের অধীনে একটি সীমানা চিহ্নিত করতে পারে; ডোমেইন তদন্ত নির্ধারণ করে কি ঘটেছে এবং সিস্টেমের সাড়া দেওয়া উচিত কিনা।
একটি অনুমানমূলক সেন্সর রক্ষণাবেক্ষণের আগে 20 এর কাছাকাছি এবং পরে 27 এর কাছাকাছি গড় রিডিং আছে। একটি গড়-শিফ্ট ডিটেক্টর একটি সীমানা অনুমান করতে পারে, যখন ইঞ্জিনিয়াররা যাচাই করে যে পরিবর্তনটি ক্রমাঙ্কন বা বাস্তব প্রক্রিয়ার পরিবর্তনকে প্রতিফলিত করে কিনা।
CUSUM একটি রেফারেন্স স্তর থেকে ছোট বিচ্যুতি জমা করে, যখন স্বতন্ত্র পর্যবেক্ষণ চরম না হয় তখনও অবিরাম পরিমিত পরিবর্তনগুলিকে একটি সংকেত ট্রিগার করতে দেয়।
একজন বিশ্লেষক একটি সেগমেন্ট খরচ এবং জরিমানা সহ অফলাইন সেগমেন্টেশনের জন্য PELT ব্যবহার করেন। একটি বড় পেনাল্টি সাধারণত অনেক পরিবর্তন পয়েন্ট যোগ করতে নিরুৎসাহিত করে, সহজ সেগমেন্টেশনের জন্য ট্রেডিং উপযুক্ত।
একটি পরিষেবা ইভেন্টগুলি আসার সাথে সাথে নিরীক্ষণ করে এবং দ্রুত সতর্কতার প্রয়োজন। একটি অনলাইন Bayesian পরিবর্তন-পয়েন্ট পদ্ধতি প্রতিটি ধাপে একটি শাসন পরিবর্তনের সম্ভাবনা আপডেট করতে পারে, যেখানে অফলাইন পদ্ধতি সম্পূর্ণ সম্পূর্ণ ক্রম ব্যবহার করতে পারে।
মনিটর করা পরিসংখ্যান, রেফারেন্স পিরিয়ড, সেগমেন্টেশন পেনাল্টি বা অ্যালার্ম থ্রেশহোল্ড এবং বিলম্বিত সনাক্তকরণের খরচ নথিভুক্ত করে পরিবর্তন পর্যবেক্ষণকে আরও কার্যকর করা যেতে পারে। দলগুলির হস্তক্ষেপ এবং ডেটা-পাইপলাইন পরিবর্তনগুলি লেবেল করা উচিত যাতে সতর্কতাগুলি প্রসঙ্গে ব্যাখ্যা করা যায়। অফলাইন বিশ্লেষণ একটি অতীত পরিবর্তন ব্যাখ্যা করতে সাহায্য করতে পারে, যখন অনলাইন সিস্টেমের সুস্পষ্ট লেটেন্সি এবং মিথ্যা-অ্যালার্ম লক্ষ্য প্রয়োজন। যেখানে পাওয়া যায় সেখানে সিমুলেটেড বা লেবেলযুক্ত শিফট ব্যবহার করে কর্মক্ষমতা মূল্যায়ন করা উচিত, তারপর স্বাভাবিক আচরণ বিকশিত হওয়ার সাথে সাথে পর্যবেক্ষণ করা উচিত। একটি সনাক্ত করা সীমানা একটি কারণের স্বয়ংক্রিয় অ্যাট্রিবিউশনের পরিবর্তে তদন্তকে ট্রিগার করবে৷
ফ্রি নিউজলেটার
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
পরিবর্তন বিন্দু সনাক্তকরণ সেই সময়গুলিকে চিহ্নিত করে যখন একটি সিরিজের পরিসংখ্যানগত আচরণ পরিবর্তন হয়, যেমন গড়, পরিবর্তন বা প্রবণতা। CUSUM, PELT এবং Bayesian পদ্ধতির মতো পদ্ধতিগুলি খরচ, জরিমানা এবং পরিবর্তনগুলি পূর্ববর্তীভাবে বা অনলাইনে সনাক্ত করা হয় কিনা সে সম্পর্কে বিভিন্ন অনুমান তৈরি করে।
পরিবর্তনের পয়েন্টগুলি উৎপন্ন প্রক্রিয়ার বিভিন্ন পরিসংখ্যানগত বৈশিষ্ট্যের পরিবর্তনগুলিকে প্রতিনিধিত্ব করতে পারে।
একটি জটিলতা পেনাল্টি চার্জ অতিরিক্ত পরিবর্তন পয়েন্টের জন্য, এটি বৃদ্ধির সাথে সাথে সহজ বিভাজনের পক্ষে।
CUSUM ক্রমাগত পরিবর্তনগুলি সনাক্ত করতে বিচ্যুতিগুলি জমা করে যা প্রতি পর্যবেক্ষণে পরিমিত হতে পারে।
থ্রেশহোল্ড নিয়ন্ত্রণ করে যখন জমাকৃত প্রমাণ একটি অ্যালার্ম ট্রিগার করে এবং মিথ্যা অ্যালার্মের বিরুদ্ধে বিলম্ব বন্ধ করে দেয়।
পদ্ধতিটি বর্তমান শাসনব্যবস্থা কতদিন স্থায়ী হয়েছে তার পরবর্তী সম্ভাব্যতা ট্র্যাক করে।
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
মডেলগুলি পরিবর্তন হলে এমবেডিংগুলি পুনরায় সূচীকরণ করা৷
টেকনিক্যাল