প্রকল্প সম্পর্কে

PyTorch Forecasting হলো অত্যাধুনিক ডিপ লার্নিং আর্কিটেকচার ব্যবহার করে টাইম সিরিজ পূর্বাভাসের জন্য একটি ওপেন-সোর্স, MIT-লাইসেন্সযুক্ত প্যাকেজ। এটি PyTorch এবং PyTorch Lightning-এর উপর নির্মিত, তাই প্রশিক্ষণ CPU, একটি GPU বা একাধিক GPU-তে স্বয়ংক্রিয় লগিংসহ চালানো যায়। প্রকল্পটি বাস্তব-জগতের অ্যাপ্লিকেশন এবং গবেষণা—উভয়কেই লক্ষ্য করে। এর ঘোষিত লক্ষ্য হলো পেশাদারদের জন্য সর্বোচ্চ নমনীয়তাসহ একটি উচ্চ-স্তরের API এবং শিক্ষানবিশদের জন্য সংবেদনশীল ডিফল্ট। README-তে বর্ণিত মূল উপাদানগুলো: - একটি টাইম সিরিজ ডেটাসেট ক্লাস যা ভেরিয়েবল ট্রান্সফরমেশন, অনুপস্থিত মান, র্যান্ডমাইজড সাবস্যাম্পলিং এবং একাধিক হিস্টরি দৈর্ঘ্য বিমূর্ত করে। - একটি বেস মডেল ক্লাস যা টাইম সিরিজ মডেলের মৌলিক প্রশিক্ষণ, TensorBoard লগিং এবং প্রকৃত বনাম পূর্বাভাস ও ডিপেন্ডেন্সি প্লটের মতো জেনেরিক ভিজ্যুয়ালাইজেশন প্রদান করে। - বাস্তব-জগতের ডিপ্লয়মেন্টের জন্য উন্নত একাধিক নিউরাল নেটওয়ার্ক আর্কিটেকচার, সাথে অন্তর্নির্মিত ব্যাখ্যা ক্ষমতা। - মাল্টি-হরাইজন টাইম সিরিজ মেট্রিক। - optuna দিয়ে হাইপারপ্যারামিটার টিউনিং। উপলব্ধ মডেলগুলোর মধ্যে রয়েছে Temporal Fusion Transformer, N-BEATS, N-HiTS, DeepAR এবং PatchTST, সাথে LSTM, GRU, একটি MLP ডিকোডার এবং একটি naive latest-value predictor-এর মতো সরল বেসলাইন। ডকুমেন্টেশনে মডেলগুলোর তুলনা দেওয়া আছে। একটি টিউটোরিয়ালে নতুন মডেল ও কাস্টম কম্পোনেন্ট কীভাবে বাস্তবায়ন করতে হয় তা ব্যাখ্যা করা হয়েছে। ইনস্টলেশন pip (`pip install pytorch-forecasting`) বা conda-forge থেকে conda-এর মাধ্যমে। Windows-এ প্রথমে PyTorch ইনস্টল করতে হবে। একটি ঐচ্ছিক এক্সট্রা MQF2 মাল্টিভেরিয়েট কোয়ান্টাইল লস ইনস্টল করে। ব্যবহার মূলত pandas DataFrame-কে একটি TimeSeriesDataSet-এ রূপান্তরের কেন্দ্রে আবর্তিত, যার জন্য টার্গেট, একটি টাইম সিরিজ ID এবং একটি একদিকে বর্ধমান টাইম ইনডেক্সের কলাম প্রয়োজন। ডেটাসেট এনকোডার ও প্রেডিকশন দৈর্ঘ্য এবং স্ট্যাটিক, জানা ও অজানা কোভেরিয়েট নির্ধারণ করে। নরমালাইজেশন পুনর্ব্যবহারের জন্য প্রশিক্ষণ ডেটাসেট থেকে ভ্যালিডেশন ডেটাসেট তৈরি করা যায়। ডেটাসেটগুলো ডেটালোডারে রূপান্তরিত হয়, এবং মডেলগুলো PyTorch Lightning Trainer দিয়ে প্রশিক্ষণ দেওয়া হয়, যার মধ্যে early stopping, learning rate monitoring এবং Lightning Tuner-এর মাধ্যমে learning rate finding অন্তর্ভুক্ত। README-তে ডকুমেন্টেশন, টিউটোরিয়াল, রিলিজ নোট, একটি Discord কমিউনিটি এবং একটি Towards Data Science নিবন্ধের লিঙ্ক রয়েছে। প্রকল্পটিকে একটি GC.OS স্পনসরড প্রকল্প হিসেবে বর্ণনা করা হয়েছে।