এই তিন-অংশের সিরিজটি দেখায় কিভাবে গ্রাফ নিউরাল নেটওয়ার্ক (GNN) ব্যবহার করতে হয় এবং আমাজন নেপচুন ব্যবহার করে সিনেমা সুপারিশ জেনারেট করতে আইএমডিবি এবং বক্স অফিস মোজো মুভি/টিভি/ওটিটি লাইসেন্সযোগ্য ডেটা প্যাকেজ, যা 1 বিলিয়নের বেশি ব্যবহারকারীর রেটিং সহ বিনোদন মেটাডেটার একটি বিস্তৃত পরিসর প্রদান করে; 11 মিলিয়নেরও বেশি কাস্ট এবং ক্রু সদস্যদের জন্য ক্রেডিট; 9 মিলিয়ন সিনেমা, টিভি, এবং বিনোদন শিরোনাম; এবং 60 টিরও বেশি দেশ থেকে বিশ্বব্যাপী বক্স অফিস রিপোর্টিং ডেটা। অনেক AWS মিডিয়া এবং বিনোদন গ্রাহকরা IMDb ডেটার মাধ্যমে লাইসেন্স করে AWS ডেটা এক্সচেঞ্জ বিষয়বস্তু আবিষ্কারের উন্নতি করতে এবং গ্রাহকের ব্যস্ততা এবং ধারণ বাড়াতে।
In পার্ট 1, আমরা GNN-এর অ্যাপ্লিকেশনগুলি নিয়ে আলোচনা করেছি এবং কীভাবে আমাদের IMDb ডেটাকে অনুসন্ধানের জন্য রূপান্তর ও প্রস্তুত করতে হয়। এই পোস্টে, আমরা পার্ট 3-এ আমাদের ক্যাটালগ-এর বাইরে অনুসন্ধান পরিচালনা করতে ব্যবহৃত এমবেডিং তৈরি করতে নেপচুন ব্যবহার করার প্রক্রিয়া নিয়ে আলোচনা করেছি। আমরাও ওপারে যাই আমাজন নেপচুন এমএল, নেপচুনের মেশিন লার্নিং (ML) বৈশিষ্ট্য এবং আমরা আমাদের উন্নয়ন প্রক্রিয়ায় যে কোড ব্যবহার করি। পার্ট 3-এ, আমরা কীভাবে আমাদের নলেজ গ্রাফ এম্বেডিংগুলিকে একটি ক্যাটালগ-এর বাইরের অনুসন্ধান ব্যবহারের ক্ষেত্রে প্রয়োগ করতে হয় তার মধ্য দিয়ে চলেছি।
সমাধান ওভারভিউ
বড় সংযুক্ত ডেটাসেটগুলিতে প্রায়ই মূল্যবান তথ্য থাকে যা শুধুমাত্র মানুষের অন্তর্দৃষ্টির উপর ভিত্তি করে প্রশ্নগুলি ব্যবহার করে বের করা কঠিন হতে পারে। এমএল কৌশল কোটি কোটি সম্পর্কের সাথে গ্রাফে লুকানো সম্পর্ক খুঁজে পেতে সাহায্য করতে পারে। এই পারস্পরিক সম্পর্কগুলি পণ্যের সুপারিশ, ক্রেডিট প্রাপ্যতা ভবিষ্যদ্বাণী, জালিয়াতি সনাক্তকরণ এবং অন্যান্য ব্যবহারের ক্ষেত্রে সহায়ক হতে পারে।
নেপচুন ML সপ্তাহের পরিবর্তে ঘন্টার মধ্যে বড় গ্রাফগুলিতে দরকারী ML মডেলগুলি তৈরি করা এবং প্রশিক্ষণ দেওয়া সম্ভব করে তোলে৷ এটি সম্পন্ন করার জন্য, নেপচুন এমএল দ্বারা চালিত GNN প্রযুক্তি ব্যবহার করে আমাজন সেজমেকার এবং ডিপ গ্রাফ লাইব্রেরি (DGL) (যা হলো ওপেন সোর্স) GNN হল কৃত্রিম বুদ্ধিমত্তার একটি উদীয়মান ক্ষেত্র (উদাহরণস্বরূপ, দেখুন গ্রাফ নিউরাল নেটওয়ার্কের উপর একটি ব্যাপক সমীক্ষা) DGL এর সাথে GNN ব্যবহার করার বিষয়ে একটি হ্যান্ডস-অন টিউটোরিয়ালের জন্য, দেখুন ডিপ গ্রাফ লাইব্রেরি সহ গ্রাফ নিউরাল নেটওয়ার্ক শেখা.
এই পোস্টে, আমরা এম্বেডিং তৈরি করতে আমাদের পাইপলাইনে নেপচুন কীভাবে ব্যবহার করব তা দেখাই।
নিম্নলিখিত চিত্রটি ডাউনলোড থেকে এমবেডিং জেনারেশন পর্যন্ত IMDb ডেটার সামগ্রিক প্রবাহকে চিত্রিত করে৷
সমাধানটি বাস্তবায়ন করতে আমরা নিম্নলিখিত AWS পরিষেবাগুলি ব্যবহার করি:
এই পোস্টে, আমরা আপনাকে নিম্নোক্ত উচ্চ-স্তরের পদক্ষেপের মধ্য দিয়ে চলেছি:
- পরিবেশ ভেরিয়েবল সেট আপ করুন
- একটি রপ্তানি কাজ তৈরি করুন।
- একটি ডেটা প্রসেসিং কাজ তৈরি করুন।
- একটি প্রশিক্ষণ কাজ জমা দিন.
- এম্বেডিং ডাউনলোড করুন।
নেপচুন এমএল কমান্ডের জন্য কোড
আমরা এই সমাধান বাস্তবায়নের অংশ হিসাবে নিম্নলিখিত কমান্ডগুলি ব্যবহার করি:
আমরা ব্যাবহার করি neptune_ml export
স্থিতি পরীক্ষা করতে বা নেপচুন এমএল এক্সপোর্ট প্রক্রিয়া শুরু করতে, এবং neptune_ml training
একটি নেপচুন এমএল মডেল প্রশিক্ষণ কাজের স্থিতি শুরু করতে এবং পরীক্ষা করতে।
এই এবং অন্যান্য কমান্ড সম্পর্কে আরও তথ্যের জন্য, পড়ুন আপনার নোটবুকে নেপচুন ওয়ার্কবেঞ্চ ম্যাজিক ব্যবহার করা.
পূর্বশর্ত
এই পোস্টটি অনুসরণ করতে, আপনার নিম্নলিখিতগুলি থাকা উচিত:
- An এডাব্লুএস অ্যাকাউন্ট
- SageMaker, Amazon S3, এবং AWS CloudFormation এর সাথে পরিচিতি
- নেপচুন ক্লাস্টারে গ্রাফ ডেটা লোড করা হয়েছে (দেখুন পার্ট 1 আরও তথ্যের জন্য)
পরিবেশ ভেরিয়েবল সেট আপ করুন
আমরা শুরু করার আগে, আপনাকে নিম্নলিখিত ভেরিয়েবল সেট করে আপনার পরিবেশ সেট আপ করতে হবে: s3_bucket_uri
এবং processed_folder
. s3_bucket_uri
পার্ট 1 এ ব্যবহৃত বালতির নাম এবং processed_folder
রপ্তানি কাজ থেকে আউটপুট জন্য Amazon S3 অবস্থান.
একটি রপ্তানি কাজ তৈরি করুন
পার্ট 1-এ, আমরা Neptune DB ক্লাস্টার থেকে প্রয়োজনীয় বিন্যাসে Amazon S3-এ আমাদের ডেটা রপ্তানি করার জন্য একটি SageMaker নোটবুক এবং রপ্তানি পরিষেবা তৈরি করেছি।
এখন আমাদের ডেটা লোড করা হয়েছে এবং রপ্তানি পরিষেবা তৈরি করা হয়েছে, আমাদের একটি রপ্তানি কাজ তৈরি করতে হবে এটি শুরু করুন। এটি করার জন্য, আমরা ব্যবহার করি NeptuneExportApiUri
এবং রপ্তানি কাজের জন্য পরামিতি তৈরি করুন। নিম্নলিখিত কোডে, আমরা ভেরিয়েবল ব্যবহার করি expo
এবং export_params
। সেট expo
তোমার NeptuneExportApiUri
মান, যা আপনি খুঁজে পেতে পারেন আউটপুট আপনার CloudFormation স্ট্যাকের ট্যাব। জন্য export_params
, আমরা আপনার নেপচুন ক্লাস্টারের এন্ডপয়েন্ট ব্যবহার করি এবং এর জন্য মান প্রদান করি outputS3path
, যা রপ্তানি কাজ থেকে আউটপুট জন্য Amazon S3 অবস্থান.
রপ্তানি কাজ জমা দিতে নিম্নলিখিত কমান্ড ব্যবহার করুন:
রপ্তানি কাজের স্থিতি পরীক্ষা করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:
আপনার কাজ শেষ হওয়ার পরে, সেট করুন processed_folder
প্রক্রিয়াকৃত ফলাফলের Amazon S3 অবস্থান প্রদানের জন্য পরিবর্তনশীল:
একটি ডেটা প্রসেসিং কাজ তৈরি করুন
এখন রপ্তানি সম্পন্ন হয়েছে, আমরা নেপচুন এমএল প্রশিক্ষণ প্রক্রিয়ার জন্য ডেটা প্রস্তুত করার জন্য একটি ডেটা প্রসেসিং কাজ তৈরি করি। এটি কয়েকটি ভিন্ন উপায়ে করা যেতে পারে। এই পদক্ষেপের জন্য, আপনি পরিবর্তন করতে পারেন job_name
এবং modelType
ভেরিয়েবল, কিন্তু অন্য সব পরামিতি একই থাকতে হবে। এই কোডের প্রধান অংশ হল modelType
প্যারামিটার, যা হয় ভিন্ন ভিন্ন গ্রাফ মডেল হতে পারে (heterogeneous
) বা জ্ঞান গ্রাফ (kge
).
রপ্তানি চাকরিও অন্তর্ভুক্ত training-data-configuration.json
. আপনি প্রশিক্ষণের জন্য প্রদান করতে চান না এমন কোনো নোড বা প্রান্ত যোগ করতে বা সরাতে এই ফাইলটি ব্যবহার করুন (উদাহরণস্বরূপ, যদি আপনি দুটি নোডের মধ্যে লিঙ্কটি পূর্বাভাস দিতে চান, আপনি এই কনফিগারেশন ফাইলটিতে সেই লিঙ্কটি সরাতে পারেন)। এই ব্লগ পোস্টের জন্য আমরা মূল কনফিগারেশন ফাইল ব্যবহার করি। অতিরিক্ত তথ্যের জন্য, দেখুন একটি প্রশিক্ষণ কনফিগারেশন ফাইল সম্পাদনা করা হচ্ছে.
নিম্নলিখিত কোড দিয়ে আপনার ডেটা প্রসেসিং কাজ তৈরি করুন:
রপ্তানি কাজের স্থিতি পরীক্ষা করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:
একটি প্রশিক্ষণ কাজ জমা দিন
প্রক্রিয়াকরণ কাজ সম্পূর্ণ হওয়ার পরে, আমরা আমাদের প্রশিক্ষণ কাজ শুরু করতে পারি, যেখানে আমরা আমাদের এম্বেডিং তৈরি করি। আমরা ml.m5.24xlarge-এর একটি উদাহরণের সুপারিশ করি, কিন্তু আপনি আপনার কম্পিউটিং প্রয়োজন অনুসারে এটি পরিবর্তন করতে পারেন। নিম্নলিখিত কোড দেখুন:
আমরা প্রশিক্ষণ কাজের জন্য আইডি পেতে training_results পরিবর্তনশীল প্রিন্ট করি। আপনার কাজের স্থিতি পরীক্ষা করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:
%neptune_ml training status --job-id {training_results['id']} --store-to training_status_results
এম্বেডিং ডাউনলোড করুন
আপনার প্রশিক্ষণের কাজ শেষ হওয়ার পরে, শেষ ধাপ হল আপনার কাঁচা এম্বেডিং ডাউনলোড করা। নিম্নলিখিত ধাপগুলি আপনাকে দেখায় কিভাবে কেজিই ব্যবহার করে তৈরি এমবেডিং ডাউনলোড করতে হয় (আপনি RGCN এর জন্য একই প্রক্রিয়া ব্যবহার করতে পারেন)।
নিম্নলিখিত কোডে, আমরা ব্যবহার করি neptune_ml.get_mapping()
এবং get_embeddings()
ম্যাপিং ফাইল ডাউনলোড করতে (mapping.info
) এবং কাঁচা এমবেডিং ফাইল (entity.npy
) তারপরে আমাদের উপযুক্ত এম্বেডিংগুলিকে তাদের সংশ্লিষ্ট আইডিগুলিতে ম্যাপ করতে হবে।
RGCNs ডাউনলোড করতে, মডেল টাইপ প্যারামিটার সেট সহ ডেটা প্রক্রিয়াকরণ করে একটি নতুন প্রশিক্ষণ কাজের নামের সাথে একই প্রক্রিয়া অনুসরণ করুন heterogeneous
, তারপর মডেলনেম প্যারামিটার সেট করে আপনার মডেলকে প্রশিক্ষণ দিন rgcn
দেখ এখানে আরো বিস্তারিত জানার জন্য. একবার যে শেষ হয়, কল get_mapping
এবং get_embeddings
আপনার নতুন ডাউনলোড করার জন্য ফাংশন mapping.info এবং entity.npy নথি পত্র. আপনার কাছে সত্তা এবং ম্যাপিং ফাইল থাকার পরে, CSV ফাইল তৈরি করার প্রক্রিয়াটি অভিন্ন।
অবশেষে, আপনার পছন্দসই Amazon S3 অবস্থানে আপনার এম্বেডিং আপলোড করুন:
নিশ্চিত করুন যে আপনি এই S3 অবস্থানটি মনে রেখেছেন, আপনাকে এটি অংশ 3-এ ব্যবহার করতে হবে।
পরিষ্কার কর
যখন আপনি সমাধানটি ব্যবহার করে ফেলেন, চলমান চার্জ এড়াতে যে কোনও সংস্থান পরিষ্কার করতে ভুলবেন না।
উপসংহার
এই পোস্টে, আমরা আলোচনা করেছি কিভাবে IMDb ডেটা থেকে GNN এম্বেডিং প্রশিক্ষণের জন্য নেপচুন ML ব্যবহার করতে হয়।
নলেজ গ্রাফ এম্বেডিংয়ের কিছু সম্পর্কিত অ্যাপ্লিকেশন হল ক্যাটালগ-এর বাইরে অনুসন্ধান, বিষয়বস্তু সুপারিশ, লক্ষ্যযুক্ত বিজ্ঞাপন, অনুপস্থিত লিঙ্কগুলির পূর্বাভাস, সাধারণ অনুসন্ধান এবং সমগোত্রীয় বিশ্লেষণের মত ধারণা। ক্যাটালগের বাইরে অনুসন্ধান হল আপনার মালিকানাধীন নয় এমন বিষয়বস্তু অনুসন্ধান করার প্রক্রিয়া এবং আপনার ক্যাটালগে থাকা বিষয়বস্তু খুঁজে বের করার বা সুপারিশ করার প্রক্রিয়া যা ব্যবহারকারী যতটা সম্ভব অনুসন্ধান করেছে। আমরা পার্ট 3-এ ক্যাটালগের বাইরের অনুসন্ধানে গভীরভাবে ডুব দিই।
লেখক সম্পর্কে
ম্যাথু রোডস আমি অ্যামাজন এমএল সলিউশন ল্যাবে কাজ করি একজন ডেটা সায়েন্টিস্ট৷ তিনি মেশিন লার্নিং পাইপলাইন তৈরিতে বিশেষজ্ঞ যেটিতে প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং কম্পিউটার ভিশনের মতো ধারণা জড়িত।
দিব্যা ভার্গবী আমাজন এমএল সলিউশন ল্যাবে একজন ডেটা সায়েন্টিস্ট এবং মিডিয়া এবং এন্টারটেইনমেন্ট ভার্টিক্যাল লিড, যেখানে তিনি মেশিন লার্নিং ব্যবহার করে AWS গ্রাহকদের জন্য উচ্চ-মূল্যের ব্যবসায়িক সমস্যার সমাধান করেন। তিনি ইমেজ/ভিডিও বোঝার, জ্ঞান গ্রাফ সুপারিশ সিস্টেম, ভবিষ্যদ্বাণীমূলক বিজ্ঞাপন ব্যবহারের ক্ষেত্রে কাজ করেন।
গৌরব রেলে তিনি অ্যামাজন এমএল সলিউশন ল্যাব-এর একজন ডেটা সায়েন্টিস্ট, যেখানে তিনি বিভিন্ন ভার্টিকাল জুড়ে এডাব্লুএস গ্রাহকদের সাথে তাদের ব্যবসায়ের চ্যালেঞ্জগুলি সমাধান করার জন্য মেশিন লার্নিং এবং এডাব্লুএস ক্লাউড পরিষেবাদির ব্যবহারকে ত্বরান্বিত করতে কাজ করেন works
করণ সিন্দওয়ানি অ্যামাজন এমএল সলিউশন ল্যাবের একজন ডেটা সায়েন্টিস্ট, যেখানে তিনি গভীর শিক্ষার মডেল তৈরি এবং স্থাপন করেন। তিনি কম্পিউটার ভিশনের ক্ষেত্রে বিশেষজ্ঞ। অবসর সময়ে, তিনি হাইকিং উপভোগ করেন।
সোজি আদেশিনা তিনি AWS-এর একজন ফলিত বিজ্ঞানী যেখানে তিনি জালিয়াতি এবং অপব্যবহারের অ্যাপ্লিকেশন, নলেজ গ্রাফ, সুপারিশকারী সিস্টেম এবং জীবন বিজ্ঞানের জন্য গ্রাফ কাজগুলিতে মেশিন লার্নিংয়ের জন্য গ্রাফ নিউরাল নেটওয়ার্ক-ভিত্তিক মডেল তৈরি করেন। তার অবসর সময়ে, তিনি পড়া এবং রান্না উপভোগ করেন।
বিদ্যা সাগর রবিপতি তিনি আমাজন ML সলিউশন ল্যাবের একজন ম্যানেজার, যেখানে তিনি বৃহৎ-স্কেল ডিস্ট্রিবিউটেড সিস্টেমে তার বিশাল অভিজ্ঞতা এবং বিভিন্ন শিল্প উল্লম্ব জুড়ে AWS গ্রাহকদের তাদের AI এবং ক্লাউড গ্রহণকে ত্বরান্বিত করতে সাহায্য করার জন্য মেশিন লার্নিংয়ের প্রতি তার আবেগকে কাজে লাগান।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/part-2-power-recommendations-and-search-using-an-imdb-knowledge-graph/
- 1
- 10
- 100
- 11
- 116
- 7
- 9
- a
- সম্পর্কে
- অপব্যবহার
- দ্রুততর করা
- দিয়ে
- অতিরিক্ত
- অতিরিক্ত তথ্য
- গ্রহণ
- বিজ্ঞাপন
- পর
- AI
- সব
- একা
- মর্দানী স্ত্রীলোক
- অ্যামাজন এমএল সলিউশন ল্যাব
- বিশ্লেষণ
- এবং
- অ্যাপ্লিকেশন
- ফলিত
- প্রয়োগ করা
- যথাযথ
- এলাকায়
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- ডেস্কটপ AWS
- ভিত্তি
- মধ্যে
- বিলিয়ন
- কোটি কোটি
- ব্লগ
- বক্স
- বক্স অফিস
- নির্মাণ করা
- ভবন
- তৈরী করে
- ব্যবসায়
- কল
- কেস
- মামলা
- তালিকা
- চ্যালেঞ্জ
- পরিবর্তন
- চার্জ
- চেক
- ঘনিষ্ঠ
- মেঘ
- মেঘ গ্রহণ
- মেঘ পরিষেবা
- গুচ্ছ
- কোড
- দল
- সম্পূর্ণ
- ব্যাপক
- কম্পিউটার
- কম্পিউটার ভিশন
- কম্পিউটিং
- ধারণা
- আচার
- কনফিগারেশন
- সংযুক্ত
- বিষয়বস্তু
- অনুরূপ
- দেশ
- সৃষ্টি
- নির্মিত
- ধার
- ক্রেডিট
- ক্রেতা
- ক্রেতা প্রবৃত্তি
- গ্রাহকদের
- উপাত্ত
- তথ্য প্রক্রিয়াজাতকরণ
- তথ্য বিজ্ঞানী
- ডেটাসেট
- গভীর
- গভীর জ্ঞানার্জন
- গভীর
- স্থাপন
- বিস্তারিত
- উন্নয়ন
- বিকাশ
- ডিজিএল
- বিভিন্ন
- আবিষ্কার
- আলোচনা করা
- আলোচনা
- বণ্টিত
- বিতরণ সিস্টেম
- Dont
- ডাউনলোড
- পারেন
- শিরীষের গুঁড়ো
- শেষপ্রান্ত
- প্রবৃত্তি
- বিনোদন
- সত্তা
- পরিবেশ
- থার (eth)
- উদাহরণ
- অভিজ্ঞতা
- রপ্তানি
- নির্যাস
- বৈশিষ্ট্য
- কয়েক
- ক্ষেত্র
- ফাইল
- নথি পত্র
- আবিষ্কার
- আবিষ্কার
- প্রবাহ
- অনুসরণ করা
- অনুসরণ
- বিন্যাস
- প্রতারণা
- থেকে
- সম্পূর্ণ
- ক্রিয়াকলাপ
- সাধারণ
- উত্পাদন করা
- প্রজন্ম
- পাওয়া
- বিশ্বব্যাপী
- Go
- চিত্রলেখ
- গ্রাফ
- হাত
- কঠিন
- সাহায্য
- সহায়ক
- গোপন
- উচ্চস্তর
- ঘন্টার
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTPS দ্বারা
- মানবীয়
- অভিন্ন
- চিহ্নিতকরণের
- বাস্তবায়ন
- বাস্তবায়ন
- উন্নত করা
- in
- অন্তর্ভুক্ত
- সুদ্ধ
- বৃদ্ধি
- সূচক
- শিল্প
- তথ্য
- তথ্য
- উদাহরণ
- পরিবর্তে
- বুদ্ধিমত্তা
- জড়িত করা
- IT
- কাজ
- JSON
- চাবি
- জ্ঞান
- গবেষণাগার
- ভাষা
- বড়
- বড় আকারের
- গত
- নেতৃত্ব
- শিক্ষা
- ওঠানামায়
- লাইব্রেরি
- লাইসেন্স
- জীবন
- জীবন বিজ্ঞান
- LINK
- লিঙ্ক
- অবস্থান
- মেশিন
- মেশিন লার্নিং
- প্রধান
- তৈরি করে
- পরিচালক
- অনেক
- মানচিত্র
- ম্যাপিং
- মিডিয়া
- মধ্যম
- সদস্য
- মেটাডাটা
- মিলিয়ন
- অনুপস্থিত
- ML
- মডেল
- মডেল
- অধিক
- চলচ্চিত্র
- নাম
- প্রাকৃতিক
- স্বাভাবিক ভাষা প্রক্রিয়াকরণ
- প্রয়োজন
- চাহিদা
- নেপচুন
- নেটওয়ার্ক ভিত্তিক
- নেটওয়ার্ক
- নিউরাল নেটওয়ার্ক
- নতুন
- নোড
- নোটবই
- দপ্তর
- নিরন্তর
- মূল
- অন্যান্য
- সামগ্রিক
- নিজের
- প্যাকেজ
- স্থিতিমাপ
- পরামিতি
- অংশ
- আবেগ
- পাইপলাইন
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- সম্ভব
- পোস্ট
- ক্ষমতা
- চালিত
- ভবিষ্যদ্বাণী করা
- পূর্বাভাসের
- প্রস্তুত করা
- প্রিন্ট
- সমস্যা
- প্রক্রিয়া
- প্রক্রিয়াজাতকরণ
- পণ্য
- প্রোফাইল
- প্রদান
- উপলব্ধ
- পরিসর
- সৈনিকগণ
- কাঁচা
- পড়া
- সুপারিশ করা
- সুপারিশ
- সুপারিশ
- সুপারিশ
- সংশ্লিষ্ট
- সম্পর্ক
- থাকা
- মনে রাখা
- অপসারণ
- প্রতিবেদন
- প্রয়োজনীয়
- Resources
- ফলাফল
- স্মৃতিশক্তি
- ঋষি নির্মাতা
- একই
- বিজ্ঞান
- বিজ্ঞানী
- সার্চ
- অনুসন্ধানের
- ক্রম
- সেবা
- সেবা
- সেট
- বিন্যাস
- উচিত
- প্রদর্শনী
- সমাধান
- সলিউশন
- সমাধান
- solves
- বিশেষ
- গাদা
- শুরু
- অবস্থা
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- দোকান
- জমা
- এমন
- মামলা
- জরিপ
- সিস্টেম
- লক্ষ্যবস্তু
- কাজ
- প্রযুক্তি
- প্রযুক্তিঃ
- সার্জারির
- ক্ষেত্র
- তাদের
- দ্বারা
- সময়
- শিরোনাম
- থেকে
- রেলগাড়ি
- প্রশিক্ষণ
- রুপান্তর
- সত্য
- অভিভাবকসংবঁধীয়
- tv
- বোধশক্তি
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহারকারী
- দামি
- মূল্য
- সুবিশাল
- সংস্করণ
- উল্লম্ব
- দৃষ্টি
- উপায়
- সপ্তাহ
- কি
- যে
- ব্যাপক
- প্রশস্ত পরিসর
- ইচ্ছা
- কাজ
- কাজ
- আপনার
- zephyrnet