ਲਚਕੀਲੇ ਸਟੈਕ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਸਮਝਣਾ (ਉਰਫ਼ ਇਲਾਸਟਿਕ ਖੋਜ, ਉਰਫ਼ ELK)

ਸਾਨੂੰ ਯਾਦ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਲਾਸਟਿਕ ਸਟੈਕ ਗੈਰ-ਸੰਬੰਧੀ ਇਲਾਸਟਿਕ ਖੋਜ ਡੇਟਾਬੇਸ, ਕਿਬਾਨਾ ਵੈੱਬ ਇੰਟਰਫੇਸ ਅਤੇ ਡੇਟਾ ਕੁਲੈਕਟਰ ਅਤੇ ਪ੍ਰੋਸੈਸਰ (ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ ਲੌਗਸਟੈਸ਼, ਵੱਖ-ਵੱਖ ਬੀਟਸ, ਏਪੀਐਮ ਅਤੇ ਹੋਰ) 'ਤੇ ਅਧਾਰਤ ਹੈ। ਸਮੁੱਚੇ ਸੂਚੀਬੱਧ ਉਤਪਾਦ ਸਟੈਕ ਵਿੱਚ ਵਧੀਆ ਜੋੜਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ। ਲੇਖ ਵਿਚ ਅਸੀਂ ਸਮਝਦੇ ਹਾਂ ਕਿ ਇਹ ਐਲਗੋਰਿਦਮ ਕੀ ਹਨ. ਕਿਰਪਾ ਕਰਕੇ ਬਿੱਲੀ ਦੇ ਹੇਠਾਂ.

ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸ਼ੇਅਰਵੇਅਰ ਇਲਾਸਟਿਕ ਸਟੈਕ ਦੀ ਇੱਕ ਅਦਾਇਗੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ ਅਤੇ ਐਕਸ-ਪੈਕ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ। ਇਸਦੀ ਵਰਤੋਂ ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਇੰਸਟਾਲੇਸ਼ਨ ਤੋਂ ਬਾਅਦ ਸਿਰਫ਼ 30-ਦਿਨ ਦੀ ਅਜ਼ਮਾਇਸ਼ ਨੂੰ ਸਰਗਰਮ ਕਰੋ। ਅਜ਼ਮਾਇਸ਼ ਦੀ ਮਿਆਦ ਖਤਮ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਇਸ ਨੂੰ ਵਧਾਉਣ ਜਾਂ ਗਾਹਕੀ ਖਰੀਦਣ ਲਈ ਸਹਾਇਤਾ ਦੀ ਬੇਨਤੀ ਕਰ ਸਕਦੇ ਹੋ। ਗਾਹਕੀ ਦੀ ਕੀਮਤ ਦਾ ਹਿਸਾਬ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਦੇ ਅਧਾਰ ਤੇ ਨਹੀਂ, ਪਰ ਵਰਤੇ ਗਏ ਨੋਡਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਅਧਾਰ ਤੇ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ। ਨਹੀਂ, ਡੇਟਾ ਦੀ ਮਾਤਰਾ, ਬੇਸ਼ਕ, ਲੋੜੀਂਦੇ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀ ਹੈ, ਪਰ ਫਿਰ ਵੀ ਕੰਪਨੀ ਦੇ ਬਜਟ ਦੇ ਸਬੰਧ ਵਿੱਚ ਲਾਇਸੈਂਸ ਦੇਣ ਲਈ ਇਹ ਪਹੁੰਚ ਵਧੇਰੇ ਮਨੁੱਖੀ ਹੈ. ਜੇ ਉੱਚ ਉਤਪਾਦਕਤਾ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਪੈਸੇ ਬਚਾ ਸਕਦੇ ਹੋ.

ਇਲਾਸਟਿਕ ਸਟੈਕ ਵਿੱਚ ML C++ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਹੈ ਅਤੇ JVM ਦੇ ਬਾਹਰ ਚੱਲਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ Elasticsearch ਖੁਦ ਚੱਲਦਾ ਹੈ। ਅਰਥਾਤ, ਪ੍ਰਕਿਰਿਆ (ਤਰੀਕੇ ਨਾਲ, ਇਸਨੂੰ ਆਟੋਡੈਟੈਕਟ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਉਹ ਸਭ ਕੁਝ ਖਾ ਲੈਂਦਾ ਹੈ ਜੋ JVM ਨਿਗਲਦਾ ਨਹੀਂ ਹੈ। ਇੱਕ ਡੈਮੋ ਸਟੈਂਡ 'ਤੇ ਇਹ ਇੰਨਾ ਨਾਜ਼ੁਕ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਉਤਪਾਦਨ ਵਾਤਾਵਰਣ ਵਿੱਚ ML ਕਾਰਜਾਂ ਲਈ ਵੱਖਰੇ ਨੋਡਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਆਉਂਦੇ ਹਨ - ਅਧਿਆਪਕ ਦੇ ਨਾਲ и ਇੱਕ ਅਧਿਆਪਕ ਦੇ ਬਗੈਰ. ਲਚਕੀਲੇ ਸਟੈਕ ਵਿੱਚ, ਐਲਗੋਰਿਦਮ "ਅਨ-ਨਿਰੀਖਣ" ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਹੈ। ਨਾਲ ਇਹ ਲਿੰਕ ਤੁਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੇ ਗਣਿਤਿਕ ਯੰਤਰ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ।

ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ Elasticsearch ਸੂਚਕਾਂਕ ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਕਿਬਾਨਾ ਇੰਟਰਫੇਸ ਅਤੇ API ਰਾਹੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਕਾਰਜ ਬਣਾ ਸਕਦੇ ਹੋ। ਜੇਕਰ ਤੁਸੀਂ ਇਹ ਕਿਬਾਨਾ ਰਾਹੀਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਕੁਝ ਚੀਜ਼ਾਂ ਜਾਣਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਵਾਧੂ ਸੂਚਕਾਂਕ ਜੋ ਐਲਗੋਰਿਦਮ ਇਸਦੀ ਕਾਰਵਾਈ ਦੌਰਾਨ ਵਰਤਦਾ ਹੈ।

ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਵਰਤੇ ਗਏ ਵਾਧੂ ਸੂਚਕਾਂਕ.ml-ਸਟੇਟ — ਅੰਕੜਾ ਮਾਡਲਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ (ਵਿਸ਼ਲੇਸ਼ਣ ਸੈਟਿੰਗਾਂ);
.ml-ਅਨਮਾਲੀਜ਼-* — ML ਐਲਗੋਰਿਦਮ ਦੇ ਨਤੀਜੇ;
.ml-ਸੂਚਨਾਵਾਂ — ਵਿਸ਼ਲੇਸ਼ਣ ਨਤੀਜਿਆਂ 'ਤੇ ਆਧਾਰਿਤ ਸੂਚਨਾਵਾਂ ਲਈ ਸੈਟਿੰਗਾਂ।

Elasticsearch ਡੇਟਾਬੇਸ ਵਿੱਚ ਡੇਟਾ ਬਣਤਰ ਵਿੱਚ ਸੂਚਕਾਂਕ ਅਤੇ ਉਹਨਾਂ ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ ਹੁੰਦੇ ਹਨ। ਜਦੋਂ ਇੱਕ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇੱਕ ਸੂਚਕਾਂਕ ਦੀ ਤੁਲਨਾ ਇੱਕ ਡੇਟਾਬੇਸ ਸਕੀਮਾ ਨਾਲ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਰਿਕਾਰਡ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਤੁਲਨਾ ਸ਼ਰਤੀਆ ਹੈ ਅਤੇ ਉਹਨਾਂ ਲਈ ਹੋਰ ਸਮੱਗਰੀ ਦੀ ਸਮਝ ਨੂੰ ਸਰਲ ਬਣਾਉਣ ਲਈ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਸਿਰਫ਼ Elasticsearch ਬਾਰੇ ਸੁਣਿਆ ਹੈ।

API ਦੁਆਰਾ ਵੈੱਬ ਇੰਟਰਫੇਸ ਦੇ ਰੂਪ ਵਿੱਚ ਉਹੀ ਕਾਰਜਸ਼ੀਲਤਾ ਉਪਲਬਧ ਹੈ, ਇਸਲਈ ਸੰਕਲਪਾਂ ਦੀ ਸਪਸ਼ਟਤਾ ਅਤੇ ਸਮਝ ਲਈ, ਅਸੀਂ ਦਿਖਾਵਾਂਗੇ ਕਿ ਇਸਨੂੰ ਕਿਬਾਨਾ ਦੁਆਰਾ ਕਿਵੇਂ ਸੰਰਚਿਤ ਕਰਨਾ ਹੈ। ਖੱਬੇ ਪਾਸੇ ਦੇ ਮੀਨੂ ਵਿੱਚ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸੈਕਸ਼ਨ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਨਵੀਂ ਨੌਕਰੀ ਬਣਾ ਸਕਦੇ ਹੋ। ਕਿਬਾਨਾ ਇੰਟਰਫੇਸ ਵਿੱਚ ਇਹ ਹੇਠਾਂ ਦਿੱਤੀ ਤਸਵੀਰ ਦੀ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਹੁਣ ਅਸੀਂ ਹਰੇਕ ਕਿਸਮ ਦੇ ਕਾਰਜ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਾਂਗੇ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਕਿਸਮਾਂ ਨੂੰ ਦਿਖਾਵਾਂਗੇ ਜੋ ਇੱਥੇ ਬਣਾਏ ਜਾ ਸਕਦੇ ਹਨ।

ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ - ਇੱਕ ਮੀਟ੍ਰਿਕ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਮਲਟੀ ਮੈਟ੍ਰਿਕ - ਦੋ ਜਾਂ ਵੱਧ ਮੈਟ੍ਰਿਕਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ। ਦੋਵਾਂ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਦਾ ਇੱਕ ਅਲੱਗ-ਥਲੱਗ ਵਾਤਾਵਰਣ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਯਾਨੀ. ਐਲਗੋਰਿਦਮ ਸਮਾਨਾਂਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਮੈਟ੍ਰਿਕਸ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਦਾ, ਜਿਵੇਂ ਕਿ ਇਹ ਮਲਟੀ ਮੈਟ੍ਰਿਕ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਜਾਪਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਮੈਟ੍ਰਿਕਸ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਗਣਨਾ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਆਬਾਦੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ। ਅਤੇ ਐਡਵਾਂਸਡ ਕੁਝ ਖਾਸ ਕੰਮਾਂ ਲਈ ਵਾਧੂ ਵਿਕਲਪਾਂ ਦੇ ਨਾਲ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵਧੀਆ-ਟਿਊਨਿੰਗ ਕਰ ਰਿਹਾ ਹੈ।

ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ

ਇੱਕ ਸਿੰਗਲ ਮੀਟ੍ਰਿਕ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸਭ ਤੋਂ ਸਰਲ ਚੀਜ਼ ਹੈ ਜੋ ਇੱਥੇ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਕ੍ਰੀਏਟ ਜੌਬ 'ਤੇ ਕਲਿੱਕ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਐਲਗੋਰਿਦਮ ਵਿਗਾੜਾਂ ਦੀ ਖੋਜ ਕਰੇਗਾ।

ਖੇਤਰ ਵਿੱਚ ਇਕਤ੍ਰਤਾ ਤੁਸੀਂ ਵਿਗਾੜਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਇੱਕ ਪਹੁੰਚ ਚੁਣ ਸਕਦੇ ਹੋ। ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਮਿਨ ਆਮ ਮੁੱਲਾਂ ਤੋਂ ਹੇਠਾਂ ਦੇ ਮੁੱਲਾਂ ਨੂੰ ਅਸੰਗਤ ਮੰਨਿਆ ਜਾਵੇਗਾ। ਖਾਓ ਅਧਿਕਤਮ, ਉੱਚ ਮੱਧ, ਨੀਵਾਂ, ਮੱਧਮਾਨ, ਵੱਖਰਾ ਅਤੇ ਹੋਰ. ਸਾਰੇ ਫੰਕਸ਼ਨਾਂ ਦਾ ਵੇਰਵਾ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ ਲਿੰਕ.

ਖੇਤਰ ਵਿੱਚ ਫੀਲਡ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਸੰਖਿਆਤਮਕ ਖੇਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸ 'ਤੇ ਅਸੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਾਂਗੇ।

ਖੇਤਰ ਵਿੱਚ ਬਾਲਟੀ ਸਪੈਨ - ਟਾਈਮਲਾਈਨ 'ਤੇ ਅੰਤਰਾਲਾਂ ਦੀ ਗ੍ਰੈਨਿਊਲਿਟੀ ਜਿਸ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਵੇਗਾ। ਤੁਸੀਂ ਆਟੋਮੇਸ਼ਨ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹੋ ਜਾਂ ਹੱਥੀਂ ਚੁਣ ਸਕਦੇ ਹੋ। ਹੇਠਾਂ ਦਿੱਤੀ ਤਸਵੀਰ ਗ੍ਰੈਨਿਊਲੈਰਿਟੀ ਦੇ ਬਹੁਤ ਘੱਟ ਹੋਣ ਦੀ ਇੱਕ ਉਦਾਹਰਨ ਹੈ - ਤੁਸੀਂ ਵਿਗਾੜ ਨੂੰ ਗੁਆ ਸਕਦੇ ਹੋ। ਇਸ ਸੈਟਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤੁਸੀਂ ਅਲਗੋਰਿਦਮ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ ਵਿਗਾੜਾਂ ਵਿੱਚ ਬਦਲ ਸਕਦੇ ਹੋ।

ਇਕੱਤਰ ਕੀਤੇ ਡੇਟਾ ਦੀ ਮਿਆਦ ਇੱਕ ਮੁੱਖ ਚੀਜ਼ ਹੈ ਜੋ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀ ਹੈ. ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਦੌਰਾਨ, ਐਲਗੋਰਿਦਮ ਦੁਹਰਾਉਣ ਵਾਲੇ ਅੰਤਰਾਲਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ, ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲਾਂ (ਬੇਸਲਾਈਨ) ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਵਿਗਾੜਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ - ਮੈਟ੍ਰਿਕ ਦੇ ਆਮ ਵਿਵਹਾਰ ਤੋਂ ਅਸਧਾਰਨ ਵਿਵਹਾਰ। ਸਿਰਫ਼ ਉਦਾਹਰਨ ਲਈ:

ਡੇਟਾ ਦੇ ਇੱਕ ਛੋਟੇ ਹਿੱਸੇ ਦੇ ਨਾਲ ਬੇਸਲਾਈਨ:

ਜਦੋਂ ਐਲਗੋਰਿਦਮ ਤੋਂ ਸਿੱਖਣ ਲਈ ਕੁਝ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਬੇਸਲਾਈਨ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ:

ਕੰਮ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਐਲਗੋਰਿਦਮ ਆਦਰਸ਼ ਤੋਂ ਅਸਧਾਰਨ ਵਿਵਹਾਰਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਵਿਗਾੜ ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਅਨੁਸਾਰ ਦਰਜਾ ਦਿੰਦਾ ਹੈ (ਸੰਬੰਧਿਤ ਲੇਬਲ ਦਾ ਰੰਗ ਬਰੈਕਟਾਂ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ):

ਚੇਤਾਵਨੀ (ਨੀਲਾ): 25 ਤੋਂ ਘੱਟ
ਨਾਬਾਲਗ (ਪੀਲਾ): 25-50
ਮੇਜਰ (ਸੰਤਰੀ): 50-75
ਗੰਭੀਰ (ਲਾਲ): 75-100

ਹੇਠਾਂ ਦਿੱਤਾ ਗ੍ਰਾਫ਼ ਲੱਭੀਆਂ ਗਈਆਂ ਵਿਗਾੜਾਂ ਦੀ ਇੱਕ ਉਦਾਹਰਨ ਦਿਖਾਉਂਦਾ ਹੈ।

ਇੱਥੇ ਤੁਸੀਂ 94 ਨੰਬਰ ਦੇਖ ਸਕਦੇ ਹੋ, ਜੋ ਕਿ ਇੱਕ ਅਸੰਗਤਤਾ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ. ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਕਿਉਂਕਿ ਮੁੱਲ 100 ਦੇ ਨੇੜੇ ਹੈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸਾਡੇ ਕੋਲ ਇੱਕ ਵਿਗਾੜ ਹੈ। ਗ੍ਰਾਫ਼ ਦੇ ਹੇਠਾਂ ਵਾਲਾ ਕਾਲਮ ਉੱਥੇ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਮੀਟ੍ਰਿਕ ਮੁੱਲ ਦੇ 0.000063634% ਦੀ ਨਿੰਦਣਯੋਗ ਤੌਰ 'ਤੇ ਛੋਟੀ ਸੰਭਾਵਨਾ ਦਿਖਾਉਂਦਾ ਹੈ।

ਵਿਗਾੜਾਂ ਦੀ ਖੋਜ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, ਤੁਸੀਂ ਕਿਬਾਨਾ ਵਿੱਚ ਪੂਰਵ ਅਨੁਮਾਨ ਚਲਾ ਸਕਦੇ ਹੋ। ਇਹ ਅਸਧਾਰਨਤਾਵਾਂ - ਬਟਨ ਦੇ ਨਾਲ ਸਧਾਰਨ ਅਤੇ ਉਸੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਪੂਰਵ ਅਨੁਮਾਨ ਉੱਪਰ ਸੱਜੇ ਕੋਨੇ ਵਿੱਚ.

ਪੂਰਵ ਅਨੁਮਾਨ ਵੱਧ ਤੋਂ ਵੱਧ 8 ਹਫ਼ਤਿਆਂ ਲਈ ਪਹਿਲਾਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਭਾਵੇਂ ਤੁਸੀਂ ਸੱਚਮੁੱਚ ਚਾਹੁੰਦੇ ਹੋ, ਇਹ ਡਿਜ਼ਾਈਨ ਦੁਆਰਾ ਸੰਭਵ ਨਹੀਂ ਹੈ।

ਕੁਝ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਪੂਰਵ ਅਨੁਮਾਨ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੋਵੇਗਾ, ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਬੁਨਿਆਦੀ ਢਾਂਚੇ 'ਤੇ ਉਪਭੋਗਤਾ ਲੋਡ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹੋ.

ਮਲਟੀ ਮੈਟ੍ਰਿਕ

ਆਉ ਲਚਕੀਲੇ ਸਟੈਕ ਵਿੱਚ ਅਗਲੀ ML ਵਿਸ਼ੇਸ਼ਤਾ ਵੱਲ ਵਧੀਏ - ਇੱਕ ਬੈਚ ਵਿੱਚ ਕਈ ਮੈਟ੍ਰਿਕਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ। ਪਰ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇੱਕ ਮੀਟ੍ਰਿਕ ਦੀ ਦੂਜੇ 'ਤੇ ਨਿਰਭਰਤਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਵੇਗਾ. ਇਹ ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ ਦੇ ਸਮਾਨ ਹੈ, ਪਰ ਇੱਕ ਸਕਰੀਨ 'ਤੇ ਇੱਕ ਦੂਜੇ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਆਸਾਨ ਤੁਲਨਾ ਕਰਨ ਲਈ ਇੱਕ ਤੋਂ ਵੱਧ ਮੈਟ੍ਰਿਕਸ ਦੇ ਨਾਲ। ਅਸੀਂ ਆਬਾਦੀ ਭਾਗ ਵਿੱਚ ਇੱਕ ਮੀਟ੍ਰਿਕ ਦੀ ਦੂਜੇ 'ਤੇ ਨਿਰਭਰਤਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਬਾਰੇ ਗੱਲ ਕਰਾਂਗੇ।

ਮਲਟੀ ਮੈਟ੍ਰਿਕ ਵਾਲੇ ਵਰਗ 'ਤੇ ਕਲਿੱਕ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਸੈਟਿੰਗਾਂ ਵਾਲੀ ਵਿੰਡੋ ਦਿਖਾਈ ਦੇਵੇਗੀ। ਆਉ ਉਹਨਾਂ ਨੂੰ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਵੇਖੀਏ.

ਪਹਿਲਾਂ ਤੁਹਾਨੂੰ ਉਹਨਾਂ 'ਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਡੇਟਾ ਏਗਰੀਗੇਸ਼ਨ ਲਈ ਖੇਤਰਾਂ ਦੀ ਚੋਣ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇੱਥੇ ਏਗਰੀਗੇਸ਼ਨ ਵਿਕਲਪ ਸਿੰਗਲ ਮੀਟ੍ਰਿਕ ਦੇ ਸਮਾਨ ਹਨ (ਅਧਿਕਤਮ, ਉੱਚ ਮੱਧ, ਨੀਵਾਂ, ਮੱਧਮਾਨ, ਵੱਖਰਾ ਅਤੇ ਹੋਰ). ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜੇ ਲੋੜੀਦਾ ਹੋਵੇ, ਤਾਂ ਡੇਟਾ ਨੂੰ ਖੇਤਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ (ਫੀਲਡ ਡਾਟਾ ਵੰਡੋ). ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ ਇਹ ਖੇਤਰ ਦੁਆਰਾ ਕੀਤਾ ਹੈ OriginAirportID. ਧਿਆਨ ਦਿਓ ਕਿ ਸੱਜੇ ਪਾਸੇ ਮੈਟ੍ਰਿਕਸ ਗ੍ਰਾਫ਼ ਹੁਣ ਮਲਟੀਪਲ ਗ੍ਰਾਫ਼ਾਂ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ।

ਖੇਤਰ ਮੁੱਖ ਖੇਤਰ (ਪ੍ਰਭਾਵਸ਼ਾਲੀ) ਖੋਜੀਆਂ ਗਈਆਂ ਵਿਗਾੜਾਂ ਨੂੰ ਸਿੱਧਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਮੂਲ ਰੂਪ ਵਿੱਚ ਇੱਥੇ ਹਮੇਸ਼ਾ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਮੁੱਲ ਹੋਵੇਗਾ, ਅਤੇ ਤੁਸੀਂ ਵਾਧੂ ਜੋੜ ਸਕਦੇ ਹੋ। ਐਲਗੋਰਿਦਮ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਮੇਂ ਇਹਨਾਂ ਖੇਤਰਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੇਗਾ ਅਤੇ ਸਭ ਤੋਂ "ਪ੍ਰਭਾਵਸ਼ਾਲੀ" ਮੁੱਲਾਂ ਨੂੰ ਦਿਖਾਏਗਾ।

ਲਾਂਚ ਤੋਂ ਬਾਅਦ, ਕਿਬਾਨਾ ਇੰਟਰਫੇਸ ਵਿੱਚ ਅਜਿਹਾ ਕੁਝ ਦਿਖਾਈ ਦੇਵੇਗਾ।

ਇਹ ਇਸ ਲਈ-ਕਹਿੰਦੇ ਹੈ ਹਰੇਕ ਖੇਤਰ ਮੁੱਲ ਲਈ ਵਿਗਾੜਾਂ ਦਾ ਹੀਟ ਨਕਸ਼ਾ OriginAirportID, ਜਿਸਦਾ ਅਸੀਂ ਸੰਕੇਤ ਕੀਤਾ ਹੈ ਡਾਟਾ ਵੰਡੋ. ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ ਦੇ ਨਾਲ, ਰੰਗ ਅਸਧਾਰਨ ਵਿਵਹਾਰ ਦੇ ਪੱਧਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇੱਕ ਸਮਾਨ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸੁਵਿਧਾਜਨਕ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਸ਼ੱਕੀ ਤੌਰ 'ਤੇ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਅਧਿਕਾਰਾਂ ਆਦਿ ਵਾਲੇ ਲੋਕਾਂ ਨੂੰ ਟਰੈਕ ਕਰਨ ਲਈ ਵਰਕਸਟੇਸ਼ਨਾਂ 'ਤੇ। ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਲਿਖਿਆ ਹੈ ਇਵੈਂਟਲੌਗ ਵਿੰਡੋਜ਼ ਵਿੱਚ ਸ਼ੱਕੀ ਘਟਨਾਵਾਂ ਬਾਰੇ, ਜਿਸ ਨੂੰ ਇੱਥੇ ਇਕੱਠਾ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਗਰਮੀ ਦੇ ਨਕਸ਼ੇ ਦੇ ਹੇਠਾਂ ਵਿਗਾੜਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਹੈ, ਹਰੇਕ ਤੋਂ ਤੁਸੀਂ ਵਿਸਤ੍ਰਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸਿੰਗਲ ਮੀਟ੍ਰਿਕ ਦ੍ਰਿਸ਼ 'ਤੇ ਸਵਿਚ ਕਰ ਸਕਦੇ ਹੋ।

ਦੀ ਆਬਾਦੀ

ਵੱਖ-ਵੱਖ ਮੈਟ੍ਰਿਕਸ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਵਿੱਚ ਵਿਗਾੜਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ, ਲਚਕੀਲੇ ਸਟੈਕ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਜਨਸੰਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਹੁੰਦਾ ਹੈ। ਇਹ ਇਸਦੀ ਮਦਦ ਨਾਲ ਹੈ ਕਿ ਤੁਸੀਂ ਦੂਜਿਆਂ ਦੇ ਮੁਕਾਬਲੇ ਸਰਵਰ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਅਸਧਾਰਨ ਮੁੱਲਾਂ ਦੀ ਖੋਜ ਕਰ ਸਕਦੇ ਹੋ ਜਦੋਂ, ਉਦਾਹਰਨ ਲਈ, ਟੀਚਾ ਸਿਸਟਮ ਲਈ ਬੇਨਤੀਆਂ ਦੀ ਗਿਣਤੀ ਵਧਦੀ ਹੈ.

ਇਸ ਦ੍ਰਿਸ਼ਟਾਂਤ ਵਿੱਚ, ਜਨਸੰਖਿਆ ਖੇਤਰ ਉਸ ਮੁੱਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਮੈਟ੍ਰਿਕਸ ਸੰਬੰਧਿਤ ਹੋਵੇਗਾ। ਇਸ ਕੇਸ ਵਿੱਚ ਇਹ ਪ੍ਰਕਿਰਿਆ ਦਾ ਨਾਮ ਹੈ. ਨਤੀਜੇ ਵਜੋਂ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਹਰੇਕ ਪ੍ਰਕਿਰਿਆ ਦੇ ਪ੍ਰੋਸੈਸਰ ਲੋਡ ਨੇ ਇੱਕ ਦੂਜੇ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ।

ਕਿਰਪਾ ਕਰਕੇ ਨੋਟ ਕਰੋ ਕਿ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਡੇਟਾ ਦਾ ਗ੍ਰਾਫ ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ ਅਤੇ ਮਲਟੀ ਮੈਟ੍ਰਿਕ ਵਾਲੇ ਕੇਸਾਂ ਤੋਂ ਵੱਖਰਾ ਹੈ। ਇਹ ਕਿਬਾਨਾ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਡੇਟਾ ਦੇ ਮੁੱਲਾਂ ਦੀ ਵੰਡ ਦੀ ਇੱਕ ਸੁਧਾਰੀ ਧਾਰਨਾ ਲਈ ਡਿਜ਼ਾਈਨ ਦੁਆਰਾ ਕੀਤਾ ਗਿਆ ਸੀ।

ਗ੍ਰਾਫ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਪ੍ਰਕਿਰਿਆ ਨੇ ਅਸਧਾਰਨ ਵਿਵਹਾਰ ਕੀਤਾ ਤਣਾਅ (ਤਰੀਕੇ ਨਾਲ, ਇੱਕ ਵਿਸ਼ੇਸ਼ ਉਪਯੋਗਤਾ ਦੁਆਰਾ ਤਿਆਰ) ਸਰਵਰ ਤੇ poipu, ਜਿਸ ਨੇ ਇਸ ਵਿਗਾੜ ਦੇ ਵਾਪਰਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ (ਜਾਂ ਇੱਕ ਪ੍ਰਭਾਵਕ ਬਣ ਗਿਆ)।

ਤਕਨੀਕੀ

ਵਧੀਆ ਟਿਊਨਿੰਗ ਦੇ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ। ਐਡਵਾਂਸਡ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਾਲ, ਕਿਬਾਨਾ ਵਿੱਚ ਵਾਧੂ ਸੈਟਿੰਗਾਂ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ। ਰਚਨਾ ਮੀਨੂ ਵਿੱਚ ਐਡਵਾਂਸਡ ਟਾਇਲ 'ਤੇ ਕਲਿੱਕ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਟੈਬਾਂ ਵਾਲੀ ਇਹ ਵਿੰਡੋ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ। ਟੈਬ ਜੌਬ ਵੇਰਵੇ ਅਸੀਂ ਇਸਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਛੱਡ ਦਿੱਤਾ ਹੈ, ਇੱਥੇ ਬੁਨਿਆਦੀ ਸੈਟਿੰਗਾਂ ਹਨ ਜੋ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਨਾਲ ਸਬੰਧਤ ਨਹੀਂ ਹਨ।

В ਸੰਖੇਪ_ਗਿਣਤੀ_ਫੀਲਡ_ਨਾਮ ਵਿਕਲਪਿਕ ਤੌਰ 'ਤੇ, ਤੁਸੀਂ ਏਕੀਕ੍ਰਿਤ ਮੁੱਲਾਂ ਵਾਲੇ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਇੱਕ ਖੇਤਰ ਦਾ ਨਾਮ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ। ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਪ੍ਰਤੀ ਮਿੰਟ ਘਟਨਾਵਾਂ ਦੀ ਗਿਣਤੀ। IN ਵਰਗੀਕਰਨ_ਫੀਲਡ_ਨਾਮ ਦਸਤਾਵੇਜ਼ ਤੋਂ ਇੱਕ ਖੇਤਰ ਦਾ ਨਾਮ ਅਤੇ ਮੁੱਲ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਕੁਝ ਵੇਰੀਏਬਲ ਮੁੱਲ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਇਸ ਖੇਤਰ 'ਤੇ ਮਾਸਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਤੁਸੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਡੇਟਾ ਨੂੰ ਉਪ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡ ਸਕਦੇ ਹੋ। ਬਟਨ ਵੱਲ ਧਿਆਨ ਦਿਓ ਡਿਟੈਕਟਰ ਸ਼ਾਮਲ ਕਰੋ ਪਿਛਲੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ. ਹੇਠਾਂ ਇਸ ਬਟਨ ਨੂੰ ਦਬਾਉਣ ਦਾ ਨਤੀਜਾ ਹੈ।

ਇੱਥੇ ਇੱਕ ਖਾਸ ਕੰਮ ਲਈ ਅਨੋਮਾਲੀ ਡਿਟੈਕਟਰ ਨੂੰ ਕੌਂਫਿਗਰ ਕਰਨ ਲਈ ਸੈਟਿੰਗਾਂ ਦਾ ਇੱਕ ਵਾਧੂ ਬਲਾਕ ਹੈ। ਅਸੀਂ ਅਗਲੇ ਲੇਖਾਂ ਵਿੱਚ ਖਾਸ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ (ਖਾਸ ਤੌਰ 'ਤੇ ਸੁਰੱਖਿਆ ਵਾਲੇ) ਬਾਰੇ ਚਰਚਾ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੇ ਹਾਂ। ਉਦਾਹਰਣ ਲਈ, ਇੱਕ ਨਜ਼ਰ ਮਾਰੋ ਵੱਖ ਕੀਤੇ ਕੇਸਾਂ ਵਿੱਚੋਂ ਇੱਕ। ਇਹ ਘੱਟ ਹੀ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਮੁੱਲਾਂ ਦੀ ਖੋਜ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ ਅਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ ਦੁਰਲੱਭ ਫੰਕਸ਼ਨ.

ਖੇਤਰ ਵਿੱਚ ਫੰਕਸ਼ਨ ਤੁਸੀਂ ਵਿਗਾੜਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਇੱਕ ਖਾਸ ਫੰਕਸ਼ਨ ਚੁਣ ਸਕਦੇ ਹੋ। ਸਿਵਾਏ ਦੁਰਲੱਭ, ਇੱਥੇ ਕੁਝ ਹੋਰ ਦਿਲਚਸਪ ਫੰਕਸ਼ਨ ਹਨ - ਦਿਨ ਦਾ ਸਮਾਂ и ਹਫ਼ਤੇ ਦਾ_ਸਮਾਂ. ਉਹ ਕ੍ਰਮਵਾਰ ਦਿਨ ਜਾਂ ਹਫ਼ਤੇ ਦੌਰਾਨ ਮੈਟ੍ਰਿਕਸ ਦੇ ਵਿਵਹਾਰ ਵਿੱਚ ਵਿਗਾੜਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਨ। ਹੋਰ ਵਿਸ਼ਲੇਸ਼ਣ ਫੰਕਸ਼ਨ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਹੈ.

В ਖੇਤਰ_ਨਾਮ ਦਸਤਾਵੇਜ਼ ਦੇ ਖੇਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸ 'ਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਵੇਗਾ। ਦੁਆਰਾ_ਫੀਲਡ_ਨਾਮ ਇੱਥੇ ਦਰਸਾਏ ਗਏ ਦਸਤਾਵੇਜ਼ ਖੇਤਰ ਦੇ ਹਰੇਕ ਵਿਅਕਤੀਗਤ ਮੁੱਲ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ ਨਤੀਜਿਆਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਭਰਦੇ ਹੋ ਓਵਰ_ਫੀਲਡ_ਨਾਮ ਤੁਹਾਨੂੰ ਆਬਾਦੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਮਿਲਦਾ ਹੈ ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਉੱਪਰ ਚਰਚਾ ਕੀਤੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਵਿੱਚ ਇੱਕ ਮੁੱਲ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹੋ partition_field_name, ਫਿਰ ਦਸਤਾਵੇਜ਼ ਦੇ ਇਸ ਖੇਤਰ ਲਈ ਹਰੇਕ ਮੁੱਲ ਲਈ ਵੱਖਰੀ ਬੇਸਲਾਈਨ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਵੇਗੀ (ਮੁੱਲ ਹੋ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਸਰਵਰ ਦਾ ਨਾਮ ਜਾਂ ਸਰਵਰ 'ਤੇ ਪ੍ਰਕਿਰਿਆ)। IN exclude_frequent ਚੁਣ ਸਕਦੇ ਹਨ ਸਾਰੇ ਜ ਕਿਸੇ ਨੂੰ ਨਾ ਚੁਣੋ, ਜਿਸਦਾ ਅਰਥ ਹੋਵੇਗਾ ਅਕਸਰ ਮੌਜੂਦ ਦਸਤਾਵੇਜ਼ ਖੇਤਰ ਮੁੱਲਾਂ ਨੂੰ ਛੱਡ ਕੇ (ਜਾਂ ਸਮੇਤ)।

ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਲਚਕੀਲੇ ਸਟੈਕ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਬਾਰੇ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਸੰਖੇਪ ਇੱਕ ਵਿਚਾਰ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ; ਪਰਦੇ ਪਿੱਛੇ ਅਜੇ ਵੀ ਬਹੁਤ ਸਾਰੇ ਵੇਰਵੇ ਬਾਕੀ ਹਨ। ਟਿੱਪਣੀਆਂ ਵਿੱਚ ਸਾਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਲਚਕੀਲੇ ਸਟੈਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਹੜੇ ਮਾਮਲਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਕਾਮਯਾਬ ਹੋਏ ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਹੜੇ ਕੰਮਾਂ ਲਈ ਵਰਤਦੇ ਹੋ। ਸਾਡੇ ਨਾਲ ਸੰਪਰਕ ਕਰਨ ਲਈ, ਤੁਸੀਂ Habré ਜਾਂ 'ਤੇ ਨਿੱਜੀ ਸੰਦੇਸ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ ਵੈੱਬਸਾਈਟ 'ਤੇ ਫੀਡਬੈਕ ਫਾਰਮ.

ਸਰੋਤ: www.habr.com