ব্যবহারকারীর স্বীকৃতির জন্য এই নিবন্ধের মেশিন লার্নিং মডেলগুলিতে ব্যবহৃত কীস্ট্রোক গতিবিদ্যা হল আচরণগত বায়োমেট্রিক্স৷ কীস্ট্রোক ডায়নামিক্স স্বতন্ত্র উপায় ব্যবহার করে যা প্রত্যেক ব্যক্তি তাদের পরিচয় নিশ্চিত করতে টাইপ করে। এটি কী-প্রেস এবং কী-রিলিজে 2টি কীস্ট্রোক ইভেন্ট বিশ্লেষণ করে সম্পন্ন করা হয় — যা টাইপিং প্যাটার্ন বের করতে কম্পিউটার কীবোর্ডে একটি কীস্ট্রোক তৈরি করে।  নিবন্ধটি পরীক্ষা করবে কিভাবে এই ML মডেলগুলি বাস্তব জীবনের পরিস্থিতিতে ব্যবহার করা যেতে পারে একজন ব্যবহারকারীর ভবিষ্যদ্বাণী করতে।  পূর্ববর্তী নিবন্ধটি বর্ণনা করেছে যে কিভাবে আমরা 3 ML মডেলকে প্রশিক্ষণ দিতে পারি, 100 জন ব্যবহারকারীর কাছ থেকে +880 কীবোর্ড ইনপুটের একটি সেটে যাকে একই পাঠ্য 12 বার লিখতে বলা হয়েছিল।   https://hackernoon.com/the-application-of-ml-models-in-user-recognition-via-keystroke-dynamics?embedable=true  বাস্তব জীবনের পরিস্থিতি অনুকরণ করতে আমরা যে অ্যাপগুলি ব্যবহার করব।   স্থাপত্য    : বাস্তব জীবনের পরিস্থিতি পরীক্ষা করার জন্য আমরা ব্যবহার করব  +  . স্যান্ডবক্স   পোস্টম্যান   ফ্লাস্ক    : যখন আমরা এই অ্যাপ্লিকেশনটিকে উত্পাদনে স্থানান্তর করতে চাই তখন আমরা কেবল ফ্লাস্ক কোডের বিটগুলিকে একটি কোড দিয়ে প্রতিস্থাপন করতে পারি  . উত্পাদন   এডব্লিউএস ল্যাম্বদা  ফ্লাস্ক হল একটি ওয়েব-ফ্রেমওয়ার্ক যা আমরা Lambda + API গেটওয়ের প্রতিলিপি করতে ব্যবহার করতে পারি।  Lambda হল AWS-এ হোস্ট করা একটি সার্ভারবিহীন ওয়েব-পরিষেবা, যা বিভিন্ন ভাষায় লেখা ইভেন্ট চালিত কোড চালাতে পারে, তবে এই অ্যাপের জন্য আমরা পাইথন ব্যবহার করব।  ডেটা প্রবাহ হল:  আমরা আইডেন্টিফিকেশন ডেটা সহ হেডার লোড করি এবং আমরা যে মডেলটি ব্যবহার করতে চাই, এটি মূলত আমাদের     আমরা   যোগ করব (শুধুমাত্র পণ্য) json পেলোড। হেডারে অনুমোদন কী  আমরা ফ্লাস্ক অ্যাপ/এপিআই গেটওয়েতে HTTP POST পদ্ধতির অনুরোধ করি  এপিআই গেটওয়ে অথরিজাইটন কী (এপিআই কী) পরীক্ষা করে এবং যদি এটি অনুরোধ গ্রহণ করে, প্রক্রিয়াকরণের জন্য ল্যাম্বডাকে   পাঠায় পেলোড  FlaskApp/Lambda অন্তর্নিহিত কোড চালায়  রিটার্ন   আমরা যা পাই তা হল ভবিষ্যদ্বাণী করা ব্যবহারকারীর আইডি যদি ইভেন্ট সফল হয়, অন্যথায় আমরা একটি ত্রুটি বার্তা পাই  বডিতে  পূর্বে উল্লিখিত সমস্ত কোড আপনি Github প্রকল্প পৃষ্ঠায় খুঁজে পেতে পারেন:   https://github.com/BogdanAlinTudorache/KeystrokeDynamics  পোস্টম্যানের অনুরোধ  কাঁচা   { "info": { "_postman_id": "c62ddbda-e487-432f-998a-4dfc9313f0fa", "name": "BogdanTudorache", "schema": "https://schema.getpostman.com/json/collection/v2.1.0/collection.json" }, "item": [ { "name": "predict_user", "request": { "method": "POST", "header": [], "body": { "mode": "raw", "raw": "{\n \"Model\": \"RF\",\n \"HT\": {\n \"Mean\": 48.43,\n \"STD\": 23.34\n },\n \"PPT\": {\n \"Mean\": 120.43,\n \"STD\": 37.41\n },\n \"RRT\": {\n \"Mean\": 124.43,\n \"STD\": 45.34\n },\n \"RPT\": {\n \"Mean\": 132.56,\n \"STD\": 47.12\n }\n}", "options": { "raw": { "language": "json" } } }, "url": { "raw": "http://127.0.0.1:5000", "protocol": "http", "host": [ "127", "0", "0", "1" ], "port": "5000" } }, "response": [] } ] }   আপনি GitHub থেকে ফাইলটি ডাউনলোড করতে পারেন।  শরীর   { "Model": "RF", "HT": { "Mean": 48.43, "STD": 23.34 }, "PPT": { "Mean": 120.43, "STD": 37.41 }, "RRT": { "Mean": 124.43, "STD": 45.34 }, "RPT": { "Mean": 132.56, "STD": 47.12 } }   ফ্লাস্ক অ্যাপ / ল্যাম্বডা অ্যাপ  যদি আমরা AWS-এ সবকিছু সরানোর আগে প্রক্রিয়াটি স্যান্ডবক্স পরীক্ষা করতে চাই তবে আমাদের অবশ্যই ফ্লাস্ক ব্যবহার করে একটি এন্ড-টু-এন্ড কল প্রতিলিপি করতে হবে।  ফ্লাস্ক অ্যাপ কিভাবে শুরু করবেন?  GitHub-এ, আপনি flask_lambda_function.py-এর সম্পূর্ণ সংস্করণ পাবেন এবং যেকোনো IDE-তে আপনাকে স্ক্রিপ্টটি চালাতে হবে কারণ এটি স্বয়ংক্রিয়ভাবে ফ্লাস্ক অ্যাপ চালু করবে।  আমার ক্ষেত্রে, আমি ইন্টেলিজে আইডিয়া ব্যবহার করছি তাই আমি কেবল স্ক্রিপ্টটি চালাই (ডান ক্লিক করুন → রান):   একটি বাস্তব-জীবনের দৃশ্যকল্প পরীক্ষা করা হচ্ছে  একবার স্ক্রিপ্টটি IDE এর নীচের অংশে শুরু হলে আপনি পাইথন কনসোল দেখতে পাবেন যে ওয়েবসার্ভিসটি লোকালহোস্ট এবং পোর্ট 5000 এ শুরু হয়েছে (আমি মনে করি এটি ডিফল্ট তবে এটিও কনফিগার করা যেতে পারে)।   এখন যখনই আমরা একটি HTTP অনুরোধ POST করি, তখন আমাদের বাস্তব জীবনের দৃশ্যের অনুকরণ করে ফ্লাস্ক অ্যাপটি ট্রিগার হবে।  অনুরোধ পোস্ট করুন:   পাইথন কনসোল উত্তর:   পোস্টম্যান প্রতিক্রিয়া:   কোড DeepDive   @app.route('/', methods=['GET', 'POST']) def index(): # Bellow code should be uncommented when running in AWS:Lambda # above should be commented as well as flask import + app definition # def lambda_handler(event, context): """ Lambda handler: When a request hits the API gateway linked to this lambda_function this is the function that gets called. The request data is passed as the event variable which is a dictionary object, in this case it the json of the POST request from which we extract the body details """ # Parses the details from the POST request: extracts model and input data # Based on model it imports the trained model from local # Outputs the predicted user based on input data try: prediction = functions.predict_user(request.get_json()) # Below code should be uncommented when running from AWS, above should be commented. # prediction = functions.predict_user(event) return jsonify({'statuscode': 200, 'status': 'success', 'predicted user': str(prediction) }) except Exception as e: return jsonify({'statuscode': 400, 'status': 'error', 'message': str(e)})  উপরের কোডটি ফ্লাস্ক-অ্যাপে সেট করা হয়েছে তবে কিছু লাইনে মন্তব্য ও মন্তব্য না করে আপনি সহজেই Lambda-এ যেতে পারেন।  গঠনটি খুবই সহজ, আমরা কেবল অন্য একটি ফাংশনকে কল করছি, যা হল predict_user() এবং POST অনুরোধ থেকে json বডি ইনপুট হিসাবে প্রদান করে।  predict_user()   def predict_user(event): """ Gets the input details from the body of the POST request and returns the predicted user """ # Print the event for debugging purposes print(event) # Check if the message has the correct body structure if ['Model', 'HT', 'PPT', 'RRT', 'RPT'] == list(event.keys()): print(f"Model is:", event['Model']) if event["Model"] == "SVM": # Load the trained SVM model from the joblib file model_path = os.path.join(basedir, 'models', 'svm_model.joblib') model = joblib.load(model_path) elif event["Model"] == "RF": # Load the trained Random Forest model from the joblib file model_path = os.path.join(basedir, 'models', 'rf_model.joblib') model = joblib.load(model_path) elif event["Model"] == "XGBoost": # Load the trained XGBoost model from the joblib file model_path = os.path.join(basedir, 'models', 'xgb_model.joblib') model = joblib.load('model_path') # Extract the features from the event dictionary features = [ event['HT']['Mean'], event['HT']['STD'], event['PPT']['Mean'], event['PPT']['STD'], event['RRT']['Mean'], event['RRT']['STD'], event['RPT']['Mean'], event['RPT']['STD'] ] # Make a prediction using the loaded model and the extracted features prediction = model.predict([features]) # Return the predicted user return prediction[0]  এই ফাংশনটি সরলভাবে লেখা হয়েছে, মডেল প্যারামিটারের উপর নির্ভর করে আমরা নির্দিষ্ট প্রাক-প্রশিক্ষিত এমএল মডেল লোড করার সিদ্ধান্ত নিই।  প্রাক-প্রশিক্ষিত মডেলের সাহায্যে আমরা ব্যবহারকারীর ভবিষ্যদ্বাণী করি এবং অনুরোধকারীকে ফেরত দেই। (   ) শেষ পোস্টম্যান প্রতিক্রিয়া ছবি দেখুন  মডেলদের প্রশিক্ষণ এই নিবন্ধের   করা হয়েছে,   । প্রথম অংশে উপরের লিঙ্কটি দেখুন  আপনি যদি নিবন্ধটি পছন্দ করেন এবং আমাকে সমর্থন করতে চান তবে নিশ্চিত করুন:   🔔 আমাকে অনুসরণ করুন  বোগদান টুডোরাচে   🔔 আমার সাথে সংযোগ করুন:   |  LinkedIn রেডডিট

This story contains new, firsthand information uncovered by the writer.

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Autonomous content aggregator platform

Read My Stories

গল্পের মূল ভাষায় এই অডিও তৈরি!

অতিদীর্ঘ; পড়তে

Get Free Unlimited IP Geo Data With IPinfo Lite

কীস্ট্রোক ডায়নামিক্স — ব্যবহারকারীর পূর্বাভাস দেওয়া — ল্যাম্বডা অ্যাপ

About Author

মন্তব্য

আসে ট্যাগ

এই নিবন্ধটি উপস্থাপন করা হয়েছে

Related Stories

আয় করতে ট্যাপ করুন: টেলিগ্রাম সোলানার আগে পরবর্তী 10 বিলিয়ন ক্রিপ্টো ব্যবহারকারীদের অনবোর্ড করতে পারে

ক্রিপ্টো গ্রোথ: কার্যকরী ব্যবহারকারী ব্যক্তিত্ব তৈরি করা

ফ্লোকির ভালহাল্লা ভারতের শ্রীলঙ্কা সফরের সহযোগী স্পনসর হিসেবে যোগ দিয়েছেন

ফোরাম থেকে ফিড পর্যন্ত: কীভাবে সোশ্যাল মিডিয়া অ্যালগরিদম ডিজিটাল ইন্টারঅ্যাকশনকে আকার দেয়

আয় করতে ট্যাপ করুন: টেলিগ্রাম সোলানার আগে পরবর্তী 10 বিলিয়ন ক্রিপ্টো ব্যবহারকারীদের অনবোর্ড করতে পারে

ক্রিপ্টো গ্রোথ: কার্যকরী ব্যবহারকারী ব্যক্তিত্ব তৈরি করা

ফ্লোকির ভালহাল্লা ভারতের শ্রীলঙ্কা সফরের সহযোগী স্পনসর হিসেবে যোগ দিয়েছেন

ফোরাম থেকে ফিড পর্যন্ত: কীভাবে সোশ্যাল মিডিয়া অ্যালগরিদম ডিজিটাল ইন্টারঅ্যাকশনকে আকার দেয়

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps