أمازون سيج ميكر جومب ستارت هو مركز التعلم الآلي (ML) التابع لـ SageMaker الذي يوفر نماذج مدربة مسبقًا ومتاحة للجمهور لمجموعة واسعة من أنواع المشكلات لمساعدتك على البدء في التعلم الآلي.
يعتبر فهم سلوك العملاء من أهم أولويات كل عمل تجاري اليوم. يمكن أن يساعد اكتساب نظرة ثاقبة حول سبب وكيفية شراء العملاء على زيادة الأرباح. يعتبر اضطراب العملاء مشكلة تواجهها مجموعة واسعة من الشركات ، من الاتصالات السلكية واللاسلكية إلى الخدمات المصرفية ، حيث يُفقد العملاء عادة أمام المنافسين. من مصلحة الشركة أن تحتفظ بالعملاء الحاليين بدلاً من اكتساب عملاء جدد ، لأن جذب عملاء جدد يكلف أكثر بكثير. عند محاولة الاحتفاظ بالعملاء ، غالبًا ما تركز الشركات جهودها على العملاء الذين من المرجح أن يغادروا. يمكن أن تحتوي سجلات دردشة دعم العملاء وسلوك المستخدم على مؤشرات قيمة حول احتمالية إنهاء العميل للخدمة. في هذا الحل ، نقوم بتدريب ونشر نموذج التنبؤ بالتخبط الذي يستخدم أحدث نموذج لمعالجة اللغة الطبيعية (NLP) للعثور على إشارات مفيدة في النص. بالإضافة إلى المدخلات النصية ، يستخدم هذا النموذج مدخلات البيانات المنظمة التقليدية مثل الحقول العددية والفئوية.
تعد تعددية الوسائط مجالًا بحثيًا متعدد التخصصات يتناول بعض الأهداف الأصلية للذكاء الاصطناعي من خلال دمج ونمذجة طرائق متعددة. يهدف هذا المنشور إلى بناء نموذج يمكنه معالجة المعلومات وربطها من طرائق متعددة مثل الميزات الجدولية والنصية.
نوضح لك كيفية تدريب ونشر واستخدام نموذج تنبؤ متخبط قام بمعالجة الميزات العددية والفئوية والنصية لعمل توقعه. على الرغم من أننا نتعمق في حالة استخدام التنبؤ بالتخبط في هذا المنشور ، يمكنك استخدام هذا الحل كقالب لتعميم الضبط الدقيق للنماذج المدربة مسبقًا باستخدام مجموعة البيانات الخاصة بك ، ثم تشغيل تحسين المعلمة الفائقة (HPO) لاحقًا لتحسين الدقة. يمكنك أيضًا استبدال مجموعة البيانات النموذجية بمجموعة البيانات الخاصة بك وتشغيلها من النهاية إلى النهاية لحل حالات الاستخدام الخاصة بك. الحل الموضح في المنشور متاح على GitHub جيثب:.
قوالب حل JumpStart
أمازون سيج ميكر جومب ستارت يوفر حلولاً شاملة بنقرة واحدة للعديد من حالات استخدام ML الشائعة. استكشف حالات الاستخدام التالية لمزيد من المعلومات حول قوالب الحلول المتوفرة:
تغطي قوالب حل JumpStart مجموعة متنوعة من حالات الاستخدام ، حيث يتم تقديم العديد من قوالب الحلول المختلفة في ظل كل منها (يوجد حل فهم المستند هذا ضمن حالة استخدام "استخراج البيانات من المستندات وتحليلها").
اختر قالب الحل الأنسب لحالة الاستخدام من صفحة JumpStart المقصودة. لمزيد من المعلومات حول حلول محددة لكل حالة استخدام وكيفية تشغيل حل JumpStart ، راجع قوالب الحل.
حل نظرة عامة
يوضح الشكل التالي كيف يمكنك استخدام هذا الحل مع الأمازون SageMaker عناصر. تُستخدم وظائف تدريب SageMaker لتدريب نماذج البرمجة اللغوية العصبية المختلفة ، ويتم استخدام نقاط نهاية SageMaker لنشر النماذج في كل مرحلة. نحن نستخدم خدمة تخزين أمازون البسيطة (Amazon S3) جنبًا إلى جنب مع SageMaker لتخزين بيانات التدريب ومصنوعات النماذج ، و الأمازون CloudWatch لتسجيل مخرجات التدريب ونقطة النهاية.
نحن نقترب من حل مشكلة التنبؤ بالخضخ من خلال الخطوات التالية:
- استكشاف البيانات لإعداد البيانات لتكون جاهزة للتعلم الآلي.
- قم بتدريب نموذج متعدد الوسائط باستخدام ملف تعانق الوجه الجملة المحولات و Scikit-Learn مصنف الغابات العشوائية.
- زيادة تحسين أداء النموذج باستخدام HPO SageMaker ضبط النموذج التلقائي.
- تدريب اثنين نماذج AutoGluon متعددة الوسائط: نموذج مجموعة موزون / مكدس متعدد الوسائط AutoGluon ، ونموذج اندماج AutoGluon متعدد الوسائط.
- تقييم ومقارنة أداء النموذج في بيانات الاختبار الرافض.
المتطلبات الأساسية المسبقة
لتجربة حل في حسابك الخاص ، تأكد من توفر ما يلي:
- حساب AWS. إذا لم يكن لديك حساب ، يمكنك ذلك قم بالتسجيل للحصول على واحد.
- الحل الموضح في المنشور هو جزء من SageMaker JumpStart. لتشغيل حل JumpStart هذا ونشر البنية التحتية لحساب AWS الخاص بك ، يجب عليك إنشاء ملف أمازون ساجميكر ستوديو مثال (انظر على متن الطائرة إلى Amazon SageMaker Studio). عندما يكون مثيل Studio جاهزًا ، استخدم الإرشادات الموجودة في JumpStart لبدء تشغيل الحل.
- عند تشغيل هذا مفكرة في الاستوديو ، يجب عليك التأكد من أن Python 3 (PyTorch 1.10 Python 3.8 وحدة المعالجة المركزية المحسنة) الصورة / النواة المستخدمة.
يمكنك تثبيت الحزم المطلوبة كما هو موضح في الحل لتشغيل هذا الكمبيوتر الدفتري:
افتح حالة استخدام التنبؤ بالمخضبة
في وحدة تحكم الاستوديو ، اختر الحلول والنماذج وأمثلة أجهزة الكمبيوتر المحمولة مع حلول البدء السريع في جزء التنقل. انتقل إلى التوقع المخض مع النص الحل في JumpStart.
يمكننا الآن إلقاء نظرة فاحصة على بعض الأصول المضمنة في هذا الحل.
استكشاف البيانات
لنقم أولاً بتنزيل مجموعة بيانات الاختبار والتحقق من صحتها وتدريبها من حاوية S3 المصدر وتحميلها إلى حاوية S3 الخاصة بنا. توضح لنا لقطة الشاشة التالية 10 ملاحظات لبيانات التدريب.
لنبدأ في استكشاف مجموعة بيانات القطار والتحقق من الصحة.
كما ترى ، لدينا ميزات مختلفة مثل CustServ Calls
, Day Charge
و Day Calls
التي نستخدمها للتنبؤ بالعمود المستهدف y
(سواء ترك العميل الخدمة).
y
كما هو معروف السمة الهدف: السمة التي نريد أن يتنبأ بها نموذج ML. نظرًا لأن السمة الهدف ثنائية ، فإن نموذجنا يقوم بالتنبؤ الثنائي ، المعروف أيضًا باسم التصنيف الثنائي.
هناك 21 ميزة بما في ذلك المتغير الهدف. عدد الأمثلة لبيانات التدريب والتحقق هو 43,000 و 5,000 ، على التوالي.
تُظهر لقطة الشاشة التالية ملخص الإحصائيات لمجموعة بيانات التدريب.
لقد استكشفنا مجموعة البيانات وقمنا بتقسيمها إلى مجموعات تدريب وتحقق واختبار. يتم استخدام مجموعة التدريب والتحقق من الصحة للتدريب و HPO. يتم استخدام مجموعة الاختبار باعتبارها مجموعة الانتظار لتقييم أداء النموذج. نقوم الآن بتنفيذ خطوات هندسة الميزات ثم نلائم النموذج.
تناسب نموذجًا متعدد الوسائط مع محول جملة Hugging Face ومصنف Scikit-Learn العشوائي للغابات
يتكون تدريب النموذج من عنصرين: خطوة هندسة السمات التي تعالج الميزات العددية والفئوية والنصية ، وخطوة ملاءمة النموذج التي تناسب الميزات المحولة إلى Scikit-Learn مصنف الغابات العشوائية.
بالنسبة لهندسة الميزات ، نكمل الخطوات التالية:
- املأ القيم المفقودة للمعالم العددية.
- قم بترميز الميزات الفئوية إلى قيم واحدة ساخنة ، حيث يتم حساب القيم المفقودة كإحدى الفئات لكل معلم.
- إستخدم تعانق الوجه الجملة المحولات لتشفير ميزة النص لتوليد متجه كثيف الأبعاد X ، حيث تعتمد قيمة X على محول جملة معين.
نختار أفضل ثلاثة نماذج من محولات الجملة الأكثر تنزيلًا ونستخدمها في تركيب النموذج التالي و HPO. على وجه التحديد ، نحن نستخدم جميع MiniLM-L6-v2, متعدد qa- mpnet- قاعدة نقطة- v1و إعادة الصياغة- MiniLM-L6-v2. للمعلمات الفائقة لمصنف الغابة العشوائية ، ارجع إلى جيثب ريبو.
الشكل التالي يصور مخطط هندسة النموذج.
هناك العديد من المعلمات الفائقة التي يمكنك ضبطها ، مثل المقدرات n و max-deep و bootstrap. لمزيد من التفاصيل ، راجع جيثب ريبو.
لأغراض العرض ، نحن نستخدم الميزات العددية فقط CustServ Calls
و Account Length
، السمات الفئوية plan
و limit
وميزة النص text
لتناسب النموذج. يجب فصل الميزات المتعددة بـ ،.
ننشر النموذج بعد اكتمال التدريب:
عند الاتصال بنقطة النهاية الجديدة من دفتر الملاحظات ، نستخدم SageMaker SDK متنبئ. A Predictor
تُستخدم لإرسال البيانات إلى نقطة نهاية (كجزء من طلب) وتفسير الاستجابة. يتم استخدام JSON كتنسيق لكل من بيانات الإدخال واستجابة الإخراج لأنه تنسيق نقطة نهاية قياسي ويمكن أن تحتوي استجابة نقطة النهاية على هياكل بيانات متداخلة.
من خلال نشر نموذجنا بنجاح وتكوين المتنبئ الخاص بنا ، يمكننا تجربة نموذج التنبؤ المتضخم على إدخال مثال:
يُظهر الكود التالي الاستجابة (احتمال حدوث تضاؤل) من الاستعلام عن نقطة النهاية:
لاحظ أنه لم تتم معايرة الاحتمال الذي تم إرجاعه بواسطة هذا النموذج. عندما يعطي النموذج احتمالية حدوث اضطراب بنسبة 20٪ ، على سبيل المثال ، فإن هذا لا يعني بالضرورة أن 20٪ من العملاء الذين لديهم احتمال بنسبة 20٪ نتج عنهم اضطراب. تعد المعايرة خاصية مفيدة في ظروف معينة ، ولكنها ليست مطلوبة في الحالات التي يكون فيها التمييز بين حالات عدم التموج وعدم التموج كافيًا. معايرة ClassificationCV تبدأ من Scikit تعلم يمكن استخدامها لمعايرة النموذج.
الآن نقوم بالاستعلام عن نقطة النهاية باستخدام بيانات اختبار الانتظار ، والتي تتكون من 1,939 مثالاً. يلخص الجدول التالي نتائج التقييم لنموذجنا متعدد الوسائط مع محول جملة Hugging Face ومصنف Scikit-Learn العشوائي للغابات.
متري | بيرت + راندوم فورست |
دقة | 0.77463 |
روك الجامعة الأمريكية | 0.75905 |
يعتمد أداء النموذج على تكوينات المعلمات الفائقة. لن يضمن تدريب نموذج بمجموعة واحدة من تكوينات المعلمات الفائقة نموذجًا مثاليًا. نتيجة لذلك ، نقوم بتشغيل عملية HPO في القسم التالي لتحسين أداء النموذج بشكل أكبر.
تناسب نموذج متعدد الوسائط مع HPO
في هذا القسم ، نقوم بتحسين أداء النموذج عن طريق إضافة ضبط HPO مع SageMaker ضبط النموذج التلقائي. يعثر الضبط التلقائي للنموذج SageMaker ، المعروف أيضًا باسم الضبط الفائق للمعلمات ، على أفضل إصدار من النموذج عن طريق تشغيل العديد من مهام التدريب على مجموعة البيانات الخاصة بك باستخدام الخوارزمية ونطاقات المعلمات الفائقة التي تحددها. ثم يختار قيم المعلمة التشعبية التي ينتج عنها نموذج يحقق أفضل أداء ، كما تم قياسه بواسطة مقياس تختاره. يتم تحديد أفضل نموذج والمعلمات التشعبية المقابلة له على بيانات التحقق من الصحة. بعد ذلك ، يتم تقييم أفضل نموذج على بيانات اختبار الانتظار ، وهي نفس بيانات الاختبار التي أنشأناها في القسم السابق. أخيرًا ، نظهر أن أداء النموذج المدرب باستخدام HPO أفضل بكثير من أداء النموذج المدرب بدون HPO.
فيما يلي معلمات تشعبية ثابتة لا نقوم بضبطها والمعلمات التشعبية الديناميكية التي نريد ضبطها ونطاقات البحث الخاصة بها:
نحدد اسم المقياس الموضوعي وتعريف المقياس (باستخدام نمط regex) ونوع الهدف لوظيفة الضبط.
أولاً ، حددنا الهدف على أنه درجة الدقة في بيانات التحقق من الصحة (roc auc score on validation data
) والمقاييس المحددة لوظيفة الضبط من خلال تحديد اسم المقياس الموضوعي والتعبير العادي (regex). يتم استخدام التعبير العادي لمطابقة مخرجات سجل الخوارزمية والتقاط القيم الرقمية للمقاييس.
بعد ذلك ، نحدد نطاقات المعلمات التشعبية لتحديد أفضل قيم المعلمات التشعبية منها. قمنا بتعيين العدد الإجمالي لوظائف التوليف على 10 ووزعنا هذه الوظائف على خمس وظائف مختلفة الأمازون الحوسبة المرنة السحابية مثيلات (Amazon EC2) لتشغيل وظائف الضبط المتوازي.
أخيرًا ، نقوم بتمرير هذه القيم لإنشاء مثيل لكائن SageMaker Estimator ، على غرار ما فعلناه في خطوة التدريب السابقة. بدلاً من استدعاء دالة الملاءمة للكائن Estimator ، نقوم بتمرير الكائن المقدر كمعامل إلى HyperparameterTuner المنشئ واستدعاء الوظيفة المناسبة منه لبدء وظائف التوليف:
عند اكتمال مهمة الضبط ، يمكننا إنشاء جدول ملخص لجميع وظائف الضبط.
بعد اكتمال وظائف الضبط ، ننشر النموذج الذي يعطي أفضل نتيجة قياس تقييم على مجموعة بيانات التحقق من الصحة ، ونقوم بالاستدلال على نفس مجموعة بيانات الاختبار التي أجريناها في القسم السابق ، ونحسب مقاييس التقييم.
متري | بيرت + راندوم فورست | BERT + Random Forest مع HPO |
دقة | 0.77463 | 0.9278 |
روك الجامعة الأمريكية | 0.75905 | 0.79861 |
يمكننا أن نرى أن تشغيل HPO مع الضبط التلقائي للنموذج SageMaker يحسن أداء النموذج بشكل كبير.
بالإضافة إلى HPO ، يعتمد أداء النموذج أيضًا على الخوارزمية. من المهم تدريب خوارزميات متعددة على أحدث طراز ، ومقارنة أدائها على نفس بيانات الاختبار الثابتة ، واختيار أفضل الخوارزميات. لذلك ، نقوم بتدريب اثنين من نماذج AutoGluon متعددة الوسائط في الأقسام التالية.
تناسب طراز AutoGluon متعدد الوسائط مرجح / مكدس
هناك نوعان من الوسائط المتعددة AutoGluon:
- قم بتدريب العديد من النماذج الجدولية بالإضافة إلى ملفات
TextPredictor
نموذج (باستخدامTextPredictor
نموذج من الداخلTabularPredictor
) ، ثم اجمعها إما عن طريق مجموعة مرجحة أو مجموعة مكدسة ، كما هو موضح في AutoGluon-Tabular: AutoML قوي ودقيق للبيانات المنظمة - دمج العديد من نماذج الشبكات العصبية مباشرةً والتعامل مع النص الخام (القادر أيضًا على التعامل مع أعمدة عددية وفئوية إضافية)
نقوم بتدريب نموذج مجموعة متعدد الوسائط موزون أو مكدس أولاً في هذا القسم ، وندرب نموذج شبكة عصبية اندماجية في القسم التالي.
أولاً ، نسترجع صورة تدريب AutoGluon:
بعد ذلك ، نمرر المعلمات الفائقة. على عكس إطارات AutoML الحالية التي تركز بشكل أساسي على النموذج أو تحديد المعلمة الفائقة ، فإن AutoGluonTabular ينجح من خلال تجميع نماذج متعددة وتكديسها في طبقات متعددة. لذلك ، عادةً ما يكون HPO غير مطلوب لنماذج مجموعات AutoGluon.
أخيرًا ، نقوم بإنشاء ملف مقدر SageMaker و اتصل estimator.fit()
لبدء عمل تدريبي:
بعد اكتمال التدريب ، نسترجع صورة الاستدلال AutoGluon ونشر النموذج:
بعد أن ننشر نقاط النهاية ، نستعلم عن نقطة النهاية باستخدام نفس مجموعة الاختبار ونحسب مقاييس التقييم. في الجدول التالي ، يمكننا أن نرى مجموعة AutoGluon متعددة الوسائط تتحسن بنحو 3٪ في ROC AUC مقارنةً بمحول الجملة BERT والغابة العشوائية باستخدام HPO.
متري | بيرت + راندوم فورست | BERT + Random Forest مع HPO | مجموعة AutoGluon متعددة الوسائط |
دقة | 0.77463 | 0.9278 | 0.92625 |
روك الجامعة الأمريكية | 0.75905 | 0.79861 | 0.82918 |
تناسب نموذج الانصهار متعدد الوسائط AutoGluon
يوضح الرسم البياني التالي بنية النموذج. لمزيد من التفاصيل ، انظر AutoMM للنص + جدولي - بداية سريعة.
داخليًا ، نستخدم شبكات مختلفة لتشفير أعمدة النص والأعمدة الفئوية والأعمدة العددية. يتم تجميع الميزات التي تم إنشاؤها بواسطة الشبكات الفردية بواسطة مجمِّع الاندماج المتأخر. يمكن للمُجمِّع إخراج كلٍّ من السجلات أو تنبؤات النتيجة.
هنا ، نستخدم العمود الفقري للغة البرمجة اللغوية العصبية المدربة مسبقًا لاستخراج ميزات النص ثم استخدام برجين آخرين لاستخراج الميزة من العمود الفئوي والعمود العددي.
بالإضافة إلى ذلك ، للتعامل مع حقول نصية متعددة ، نفصل هذه الحقول برمز [SEP] وأصفار و 0 بديلة كمعرفات المقطع ، كما هو موضح في الرسم البياني التالي.
وبالمثل ، نتبع الإرشادات الواردة في القسم السابق لتدريب ونشر نموذج الانصهار متعدد الوسائط AutoGluon:
يلخص الجدول التالي نتائج التقييم لنموذج AutoGluon الانصهار متعدد الوسائط ، جنبًا إلى جنب مع النماذج الثلاثة التي قمنا بتقييمها في الأقسام السابقة. يمكننا أن نرى مجموعة AutoGluon متعددة الوسائط ونماذج الاندماج متعدد الوسائط تحقق أفضل أداء.
المقاييس | بيرت + راندوم فورست | BERT + Random Forest مع HPO | مجموعة AutoGluon متعددة الوسائط | AutoGluon متعدد الوسائط فيوجن |
دقة | 0.77463 | 0.9278 | 0.92625 | 0.9247 |
روك الجامعة الأمريكية | 0.75905 | 0.79861 | 0.82918 | 0.81115 |
لاحظ أن النتائج والأداء النسبي بين هذه النماذج تعتمد على مجموعة البيانات التي تستخدمها للتدريب. هذه النتائج تمثيلية ، وعلى الرغم من أن ميل بعض الخوارزميات إلى الأداء الأفضل يعتمد على العوامل ذات الصلة ، فقد يتغير التوازن في الأداء نظرًا لتوزيع البيانات المختلفة. يمكنك استبدال نموذج مجموعة البيانات ببياناتك الخاصة لتحديد النموذج الأفضل بالنسبة لك.
دفتر تجريبي
يمكنك استخدام دفتر العرض التوضيحي لإرسال بيانات نموذجية إلى نقاط نهاية النموذج التي تم نشرها بالفعل. يسمح لك الكمبيوتر الدفتري التجريبي بسرعة بالحصول على خبرة عملية من خلال الاستعلام عن بيانات المثال. بعد تشغيل حل Churn Prediction with Text ، افتح دفتر الملاحظات التجريبي بالاختيار استخدم نقطة النهاية في دفتر الملاحظات.
تنظيف
عند الانتهاء من هذا الحل ، تأكد من حذف جميع موارد AWS غير المرغوب فيها عن طريق الاختيار حذف كافة الموارد.
لاحظ أنك بحاجة إلى حذف أي موارد إضافية قد تكون أنشأتها في دفتر الملاحظات هذا يدويًا.
وفي الختام
في هذا المنشور ، أوضحنا كيف يمكنك استخدام Sagemaker JumpStart للتنبؤ بالتأثير باستخدام الوسائط المتعددة للنص والميزات الجدولية.
إذا كنت مهتمًا بمعرفة المزيد عن نماذج زبد العملاء ، فراجع المنشورات التالية:
حول المؤلف
الدكتور شين هوانغ هو عالم تطبيقي في Amazon SageMaker JumpStart وخوارزميات Amazon SageMaker المدمجة. يركز على تطوير خوارزميات التعلم الآلي القابلة للتطوير. تتركز اهتماماته البحثية في مجال معالجة اللغة الطبيعية ، والتعلم العميق القابل للتفسير على البيانات المجدولة ، والتحليل القوي لتجميع الزمكان غير المعياري. وقد نشر العديد من الأوراق البحثية في ACL و ICDM ومؤتمرات KDD والجمعية الملكية للإحصاء: مجلة Series A.
راجاكومار سامباثكومار هو مدير الحساب الفني الرئيسي في AWS ، حيث يوفر إرشادات للعملاء حول محاذاة تكنولوجيا الأعمال ويدعم إعادة ابتكار نماذج وعمليات التشغيل السحابية الخاصة بهم. إنه شغوف بالسحابة والتعلم الآلي. راج أيضًا متخصص في التعلم الآلي ويعمل مع عملاء AWS لتصميم ونشر وإدارة أعباء العمل والبنى الخاصة بهم في AWS.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/churn-prediction-using-multimodality-of-text-and-tabular-features-with-amazon-sagemaker-jumpstart/
- 000
- 1
- 10
- 100
- 28
- 7
- 70
- 9
- a
- من نحن
- حسابي
- دقة
- دقيق
- التأهيل
- كسب
- نشط
- إضافة
- إضافي
- عناوين
- بعد
- الوكيل
- مجمع
- وتهدف
- خوارزمية
- خوارزميات
- الكل
- يسمح
- جنبا إلى جنب
- بالرغم ان
- أمازون
- Amazon EC2
- الأمازون SageMaker
- أمازون سيج ميكر جومب ستارت
- تحليل
- تحليل
- و
- تطبيقي
- نهج
- هندسة معمارية
- المنطقة
- مصطنع
- الذكاء الاصطناعي
- ممتلكات
- أوتوماتيك
- AutoML
- متاح
- AWS
- العمود الفقري
- الرصيد
- البنوك والمصارف
- على أساس
- لان
- أفضل
- أفضل
- ما بين
- التمهيد
- نساعدك في بناء
- مدمج
- الأعمال
- يشترى
- دعوة
- دعوة
- دعوات
- قادر على
- أسر
- حمل
- حقيبة
- الحالات
- الفئات
- معين
- فرصة
- تغيير
- التحقق
- اختار
- اختيار
- ظروف
- تصنيف
- أقرب
- سحابة
- المجموعات
- الكود
- عمود
- الأعمدة
- دمج
- مشترك
- الشركات
- الشركة
- قارن
- مقارنة
- المنافسين
- إكمال
- مكونات
- إحصاء
- المؤتمرات
- كنسولات
- وعاء
- عقد
- عقود
- المقابلة
- التكاليف
- بهيكل
- خلق
- خلق
- زبون
- سلوك العملاء
- خدمة العملاء
- دعم العملاء
- العملاء
- البيانات
- صفقة
- تعامل
- قررت
- عميق
- التعلم العميق
- تابع
- يعتمد
- نشر
- نشر
- تصميم
- تفاصيل
- حدد
- تطوير
- فعل
- مختلف
- مباشرة
- نشر
- توزيع
- عامل في حوض السفن
- وثيقة
- لا
- لا
- بإمكانك تحميله
- ديناميكي
- كل
- جهود
- إما
- النهائي إلى نهاية
- نقطة النهاية
- الهندسة
- تقييم
- تقييم
- حتى
- مثال
- أمثلة
- القائمة
- الخبره في مجال الغطس
- شرح
- استكشاف
- اكتشف
- استكشاف
- استكشاف
- استخراج
- جدا
- الوجه
- واجه
- العوامل
- الميزات
- المميزات
- حقل
- مجال
- الشكل
- أخيرا
- ويرى
- الاسم الأول
- تناسب
- تركيبات
- تركز
- ويركز
- اتباع
- متابعيك
- غابة
- شكل
- الأطر
- تبدأ من
- وظيفة
- إضافي
- انصهار
- كسب
- توليد
- ولدت
- دولار فقط واحصل على خصم XNUMX% على جميع
- معطى
- يعطي
- غلوون
- الأهداف
- خير
- النمو
- ضمان
- مقبض
- معالجة
- تشابك الايدى
- مساعدة
- مفيد
- كيفية
- كيفية
- HTML
- HTTPS
- محور
- تحسين Hyperparameter
- ضبط Hyperparameter
- تحديد
- صورة
- استيراد
- أهمية
- تحسن
- in
- شامل
- بما فيه
- القيمة الاسمية
- من مؤشرات
- فرد
- معلومات
- البنية التحتية
- إدخال
- رؤى
- تثبيت
- مثل
- بدلًا من ذلك
- تعليمات
- دمج
- رؤيتنا
- مصلحة
- يستفد
- السريرية
- المشاركة
- مسائل
- IT
- وظيفة
- المشــاريــع
- مجلة
- جسون
- القفل
- نوع
- معروف
- هبوط
- لغة
- إطلاق
- طبقات
- تعلم
- يترك
- الطول
- على الأرجح
- مما سيحدث
- خط
- طويل
- بحث
- آلة
- آلة التعلم
- جعل
- إدارة
- مدير
- يدويا
- كثير
- مباراة
- تعظيم
- أقصى
- متري
- المقاييس
- ربما
- مانع
- مفقود
- ML
- نموذج
- عارضات ازياء
- شهر
- المقبلة.
- الأكثر من ذلك
- أكثر
- متعددة التخصصات
- متعدد
- الاسم
- طبيعي
- معالجة اللغات الطبيعية
- التنقل
- قائمة الإختيارات
- بالضرورة
- حاجة
- شبكة
- الشبكات
- الشبكة العصبية
- جديد
- التالي
- البرمجة اللغوية العصبية
- مفكرة
- عدد
- موضوع
- موضوعي
- عرضت
- ONE
- جاكيت
- عملية
- الأمثل
- التحسين
- الأمثل
- أصلي
- أخرى
- أوجز
- الخاصة
- حزم
- خبز
- أوراق
- موازية
- المعلمة
- جزء
- خاص
- عاطفي
- نمط
- نفذ
- أداء
- العروض
- ينفذ
- للهواتف
- اختيار
- المكان
- خطة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- منشور
- المنشورات
- تنبأ
- تنبؤ
- تنبؤات
- متنبئ
- إعداد
- سابق
- في المقام الأول
- رئيسي
- المشكلة
- عملية المعالجة
- معالجتها
- العمليات
- معالجة
- الملكية
- ويوفر
- توفير
- علانية
- نشرت
- أغراض
- بايثون
- pytorch
- سريع
- بسرعة
- عشوائية
- نطاق
- الخام
- RE
- استعداد
- رجإكس
- منتظم
- ذات الصلة
- يحل محل
- ممثل
- طلب
- مطلوب
- بحث
- الموارد
- استجابة
- استجابة
- نتيجة
- النتائج
- إيرادات
- قوي
- ملكي
- يجري
- تشغيل
- sagemaker
- الضبط التلقائي لنموذج SageMaker
- نفسه
- تحجيم
- عالم
- تعلم الحروف
- الإستراحة
- بحث
- البحث
- القسم
- أقسام
- قطعة
- مختار
- اختيار
- عقوبة
- مسلسلات
- السلسلة أ
- الخدمة
- طقم
- باكجات
- عدة
- ينبغي
- إظهار
- أظهرت
- يظهر
- إشارات
- بشكل ملحوظ
- مماثل
- الاشارات
- So
- جاليات
- حل
- الحلول
- حل
- حل
- بعض
- مصدر
- متخصص
- محدد
- على وجه التحديد
- انقسم
- عدو سريع
- مرصوصة
- التراص
- المسرح
- معيار
- بداية
- بدأت
- دولة من بين الفن
- إحصائي
- إحصائيات
- خطوة
- خطوات
- تخزين
- متجر
- منظم
- ستوديو
- بعد ذلك
- بنجاح
- هذه
- كاف
- ملخص
- الدعم
- دعم
- جدول
- أخذ
- الهدف
- التكنولوجيا
- تقني
- الاتصالات
- قالب
- النماذج
- سياسة الحجب وتقييد الوصول
- تجربه بالعربي
- •
- المنطقة
- المصدر
- من مشاركة
- وبالتالي
- ثلاثة
- إلى
- اليوم
- رمز
- تيشرت
- الإجمالي
- تقليدي
- قطار
- متدرب
- قادة الإيمان
- تحول
- صحيح
- أنواع
- عادة
- مع
- فهم
- غير محدود
- غير مرغوب فيه
- ترقية
- us
- تستخدم
- حالة الاستخدام
- مستخدم
- عادة
- استخدام
- التحقق من صحة
- التحقق من صحة
- القيمة
- قيمنا
- القيم
- تشكيلة
- مختلف
- Ve
- فيريزون
- الإصدار
- بواسطة
- ابحث عن
- سواء
- التي
- من الذى
- واسع
- مدى واسع
- سوف
- بدون
- للعمل
- أعمال
- سوف
- خاطئ
- X
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت