في عالم اتخاذ القرار المبني على البيانات، التنبؤ بالسلسلة الزمنية يعد أمرًا أساسيًا في تمكين الشركات من استخدام أنماط البيانات التاريخية لتوقع النتائج المستقبلية. سواء كنت تعمل في إدارة مخاطر الأصول، أو التداول، أو التنبؤ بالطقس، أو التنبؤ بالطلب على الطاقة، أو مراقبة العلامات الحيوية، أو تحليل حركة المرور، فإن القدرة على التنبؤ بدقة أمر بالغ الأهمية لتحقيق النجاح.
في هذه التطبيقات، يمكن أن تحتوي على بيانات السلاسل الزمنية ثقيل الذيل التوزيعات، حيث ذيول تمثل القيم المتطرفة. يعد التنبؤ الدقيق في هذه المناطق أمرًا مهمًا في تحديد مدى احتمال وقوع حدث متطرف وما إذا كان يجب إطلاق إنذار أم لا. ومع ذلك، فإن هذه القيم المتطرفة تؤثر بشكل كبير على تقدير التوزيع الأساسي، مما يجعل التنبؤ القوي أمرًا صعبًا. تعتمد المؤسسات المالية على نماذج قوية للتنبؤ بالقيم المتطرفة مثل انهيارات السوق. وفي قطاعات الطاقة والطقس والرعاية الصحية، تتيح التنبؤات الدقيقة للأحداث النادرة ولكنها شديدة التأثير مثل الكوارث الطبيعية والأوبئة التخطيط الفعال وتخصيص الموارد. يمكن أن يؤدي إهمال سلوك الذيل إلى خسائر وفرص ضائعة وتهديد السلامة. يساعد تحديد أولويات الدقة في الوصول إلى تنبؤات موثوقة وقابلة للتنفيذ. في هذا المنشور، نقوم بتدريب نموذج قوي للتنبؤ بالسلاسل الزمنية قادر على التقاط مثل هذه الأحداث المتطرفة باستخدام الأمازون SageMaker.
لتدريب هذا النموذج بشكل فعال، قمنا بإنشاء بنية أساسية MLOps لتبسيط عملية تطوير النموذج من خلال أتمتة المعالجة المسبقة للبيانات، وهندسة الميزات، وضبط المعلمات الفائقة، واختيار النموذج. تعمل هذه الأتمتة على تقليل الأخطاء البشرية وتحسين إمكانية التكرار وتسريع دورة تطوير النموذج. ومن خلال خط التدريب، يمكن للشركات دمج البيانات الجديدة بكفاءة وتكييف نماذجها مع الظروف المتطورة، مما يساعد على ضمان بقاء التوقعات موثوقة وحديثة.
بعد تدريب نموذج التنبؤ بالسلاسل الزمنية، فإن نشره داخل نقطة النهاية يمنح إمكانات التنبؤ في الوقت الفعلي. يمكّنك هذا من اتخاذ قرارات مستنيرة وسريعة الاستجابة بناءً على أحدث البيانات. علاوة على ذلك، فإن نشر النموذج في نقطة النهاية يتيح إمكانية التوسع، لأن العديد من المستخدمين والتطبيقات يمكنهم الوصول إلى النموذج واستخدامه في وقت واحد. ومن خلال اتباع هذه الخطوات، يمكن للشركات الاستفادة من قوة التنبؤ القوي بالسلاسل الزمنية لاتخاذ قرارات مستنيرة والبقاء في المقدمة في بيئة سريعة التغير.
نظرة عامة على الحل
يعرض هذا الحل التدريب على نموذج التنبؤ بالسلاسل الزمنية، المصمم خصيصًا للتعامل مع القيم المتطرفة والتباين في البيانات باستخدام الشبكة التلافيفية الزمنية (TCN) مع توزيع Spliced Binned Pareto (SBP).. لمزيد من المعلومات حول إصدار متعدد الوسائط من هذا الحل، راجع العلم وراء مقياس النجاح الجديد لـ NFL Next Gen Stats. لتوضيح فعالية توزيع SBP بشكل أكبر، قمنا بمقارنته بنفس نموذج TCN ولكن باستخدام توزيع غاوسي بدلاً من ذلك.
تستفيد هذه العملية بشكل كبير من ميزات MLOps من SageMaker، الذي يعمل على تبسيط سير عمل علوم البيانات من خلال الاستفادة من البنية التحتية السحابية القوية لـ AWS. في الحل الذي لدينا نستخدم الضبط التلقائي لنموذج Amazon SageMaker للبحث عن المعلمات الفائقة، تجارب Amazon SageMaker لإدارة التجارب، سجل نموذج Amazon SageMaker لإدارة إصدارات النماذج، و خطوط أنابيب Amazon SageMaker لتنسيق العملية. نقوم بعد ذلك بنشر نموذجنا على نقطة نهاية SageMaker للحصول على تنبؤات في الوقت الفعلي.
يوضح الرسم البياني التالي بنية خط أنابيب التدريب.
ويوضح الرسم البياني التالي خط أنابيب الاستدلال.
يمكنك العثور على الكود الكامل في جيثب ريبو. لتنفيذ الحل، قم بتشغيل الخلايا SBP_main.ipynb
.
انقر هنا لفتح وحدة تحكم AWS والمتابعة.
خط أنابيب SageMaker
تقدم SageMaker Pipelines خدمة سهلة الاستخدام بايثون SDK لإنشاء مسارات عمل متكاملة للتعلم الآلي (ML). تتكون مسارات العمل هذه، والتي يتم تمثيلها على شكل رسوم بيانية غير دورية موجهة (DAGs)، من خطوات ذات أنواع وتبعيات مختلفة. باستخدام SageMaker Pipelines، يمكنك تبسيط عملية التدريب وتقييم النماذج الشاملة، مما يعزز الكفاءة وإمكانية التكرار في سير عمل تعلم الآلة لديك.
يبدأ مسار التدريب بإنشاء مجموعة بيانات تركيبية مقسمة إلى مجموعات تدريب وتحقق واختبار. يتم استخدام مجموعة التدريب لتدريب نموذجين من TCN، أحدهما يستخدم توزيع مقسم بينيد-باريتو والآخر يستخدم التوزيع الغوسي. يخضع كلا النموذجين لضبط المعلمة الفائقة باستخدام مجموعة التحقق من الصحة لتحسين كل نموذج. بعد ذلك، يتم إجراء تقييم مقابل مجموعة الاختبار لتحديد النموذج ذو أدنى جذر متوسط مربع للخطأ (RMSE). يتم تحميل النموذج الذي يتمتع بأفضل مقياس دقة إلى سجل النموذج.
ويوضح الرسم البياني التالي خطوات خط الأنابيب.
دعونا نناقش الخطوات بمزيد من التفصيل.
توليد البيانات
تولد الخطوة الأولى في خط أنابيبنا مجموعة بيانات اصطناعية، والتي تتميز بشكل موجة جيبية وضوضاء غير متماثلة ثقيلة الذيل. تم إنشاء البيانات باستخدام عدد من المعلمات، مثل درجات الحرية، ومضاعف الضوضاء، ومعلمة المقياس. تؤثر هذه العناصر على شكل توزيع البيانات، وتعدل التباين العشوائي في بياناتنا، وتضبط انتشار توزيع البيانات لدينا، على التوالي.
يتم إنجاز مهمة معالجة البيانات هذه باستخدام معالج PyTorch، الذي يقوم بتشغيل كود PyTorch (generator_data.py) داخل حاوية يديرها SageMaker. توجد البيانات والعناصر الأخرى ذات الصلة بتصحيح الأخطاء بشكل افتراضي خدمة تخزين أمازون البسيطة (Amazon S3) المرتبطة بحساب SageMaker. يمكن العثور على سجلات لكل خطوة في المسار في الأمازون CloudWatch.
الشكل التالي هو عينة من البيانات التي تم إنشاؤها بواسطة خط الأنابيب.
يمكنك استبدال الإدخال بمجموعة واسعة من بيانات السلاسل الزمنية، مثل التوزيع المتماثل أو غير المتماثل أو الخفيف أو الثقيل أو متعدد الوسائط. تتيح قوة النموذج إمكانية تطبيقه على نطاق واسع من مشكلات السلاسل الزمنية، بشرط توفر ملاحظات كافية.
تدريب نموذجي
بعد إنشاء البيانات، نقوم بتدريب اثنين من شبكات TCN: أحدهما يستخدم توزيع SBP والآخر يستخدم التوزيع الغوسي. يستخدم توزيع SBP توزيعًا منفصلاً كقاعدة تنبؤية، حيث يتم تقسيم المحور الحقيقي إلى صناديق منفصلة، ويتنبأ النموذج باحتمالية وقوع ملاحظة داخل كل سلة. تتيح هذه المنهجية التقاط حالات عدم التماثل والأنماط المتعددة لأن احتمالية كل سلة مستقلة. يظهر مثال على التوزيع المهمل في الشكل التالي.
يعد التوزيع التنبئي المحذوف على اليسار قويًا بالنسبة للأحداث المتطرفة لأن احتمالية السجل لا تعتمد على المسافة بين المتوسط المتوقع والنقطة المرصودة، ويختلف عن التوزيعات البارامترية مثل Gaussian أو Student's t. ولذلك، فإن الحدث المتطرف الذي تمثله النقطة الحمراء لن يؤدي إلى تحيز الوسط المكتسب للتوزيع. ومع ذلك، فإن الحدث المتطرف سيكون احتماله صفر. لالتقاط الأحداث المتطرفة، قمنا بتشكيل توزيع SBP من خلال تحديد الذيل السفلي عند الكمية الخامسة والذيل العلوي عند الكمية 5، واستبدال كلا الذيلين بتوزيعات باريتو المعممة الموزونة (GPD)، والتي يمكنها تحديد مدى احتمالية الحدث. ستقوم TCN بإخراج المعلمات الخاصة بقاعدة التوزيع المهملة ومخلفات GPD.
بحث المعلمات الفائقة
للحصول على الإخراج الأمثل، نستخدم ضبط تلقائي للنموذج للعثور على أفضل نسخة من النموذج من خلال ضبط فرط المعلمة. تم دمج هذه الخطوة في SageMaker Pipelines وتسمح بالتشغيل المتوازي لوظائف التدريب المتعددة، باستخدام أساليب مختلفة ونطاقات المعلمات الفائقة المحددة مسبقًا. والنتيجة هي اختيار أفضل نموذج بناءً على مقياس النموذج المحدد، وهو RMSE. في مسارنا، نقوم على وجه التحديد بضبط معدل التعلم وعدد فترات التدريب لتحسين أداء نموذجنا. من خلال إمكانية ضبط المعلمات الفائقة في SageMaker، فإننا نزيد احتمالية تحقيق نموذجنا للدقة والتعميم الأمثل للمهمة المحددة.
نظرًا للطبيعة الاصطناعية لبياناتنا، فإننا نحتفظ بطول السياق ومدة التسليم كمعلمات ثابتة. يشير طول السياق إلى عدد الخطوات الزمنية التاريخية التي تم إدخالها في النموذج، ويمثل المهلة الزمنية عدد الخطوات الزمنية في أفق التنبؤ لدينا. بالنسبة لنموذج التعليمات البرمجية، نقوم فقط بضبط معدل التعلم وعدد العصور لتوفير الوقت والتكلفة.
يتم الحفاظ على المعلمات الخاصة بـ SBP ثابتة بناءً على اختبارات مكثفة أجراها المؤلفون على الورقة الأصلية عبر مجموعات بيانات مختلفة:
- عدد الصناديق (100) - تحدد هذه المعلمة عدد الخانات المستخدمة لنموذج قاعدة التوزيع. يتم الحفاظ عليه عند 100، والذي أثبت أنه أكثر فعالية عبر العديد من الصناعات.
- الذيل المئوي (0.05) – يدل هذا على حجم توزيعات باريتو المعممة عند الذيل. مثل المعلمة السابقة، تم اختبار هذا بشكل شامل وتبين أنه الأكثر كفاءة.
التجارب
تم دمج عملية المعلمة الفائقة مع تجارب SageMaker، مما يساعد على تنظيم تجارب تعلم الآلة التكرارية وتحليلها ومقارنتها، مما يوفر رؤى وتسهيل تتبع النماذج الأفضل أداءً. التعلم الآلي هو عملية تكرارية تتضمن العديد من التجارب التي تشمل اختلافات البيانات واختيارات الخوارزمية وضبط المعلمات الفائقة. تعمل هذه التجارب على تحسين دقة النموذج بشكل تدريجي. ومع ذلك، فإن العدد الكبير من الدورات التدريبية وتكرارات النماذج يمكن أن يجعل من الصعب تحديد النماذج الأفضل أداءً وإجراء مقارنات ذات معنى بين التجارب الحالية والسابقة. تعالج SageMaker Experiments هذه المشكلة من خلال التتبع التلقائي لوظائف ضبط المعلمات الفائقة لدينا والسماح لنا بالحصول على مزيد من التفاصيل والرؤى حول عملية الضبط، كما هو موضح في لقطة الشاشة التالية.
تقييم النموذج
تخضع النماذج للتدريب وضبط المعلمات الفائقة، ويتم تقييمها لاحقًا عبر تقييم النصي. تستخدم هذه الخطوة مجموعة الاختبار، التي تختلف عن مرحلة ضبط المعلمة الفائقة، لقياس دقة النموذج في العالم الحقيقي. يتم استخدام RMSE لتقييم دقة التنبؤات.
لمقارنة التوزيع، نستخدم مخطط الاحتمالية (PP)، الذي يقيم التوافق بين التوزيعات الفعلية مقابل التوزيعات المتوقعة. يشير قرب النقاط من القطر إلى التوافق التام. تُظهر مقارناتنا بين توزيعات SBP وGaussian المتوقعة مقابل التوزيع الفعلي أن تنبؤات SBP تتوافق بشكل أوثق مع البيانات الفعلية.
كما يمكننا أن نلاحظ، فإن SBP لديه RMSE أقل على القاعدة، والذيل السفلي، والذيل العلوي. أدى توزيع SBP إلى تحسين دقة التوزيع الغاوسي بنسبة 61% على القاعدة، و56% على الذيل السفلي، و30% على الذيل العلوي. بشكل عام، توزيع SBP له نتائج أفضل بكثير.
اختيار النموذج
نحن نستخدم خطوة شرطية في SageMaker Pipelines لتحليل تقارير تقييم النموذج، واختيار النموذج ذي أقل RMSE لتحسين دقة التوزيع. يتم تحويل النموذج المحدد إلى كائن نموذج SageMaker، وتجهيزه للنشر. يتضمن ذلك إنشاء حزمة نموذجية تحتوي على معلمات مهمة وتعبئتها في ملف نموذج.
نموذج التسجيل
ثم يتم تحميل النموذج المحدد إلى سجل نموذج SageMaker، والذي يلعب دورًا حاسمًا في إدارة النماذج الجاهزة للإنتاج. فهو يقوم بتخزين النماذج، وتنظيم إصدارات النماذج، والتقاط بيانات التعريف الأساسية والعناصر مثل صور الحاوية، ويتحكم في حالة الموافقة لكل نموذج. باستخدام السجل، يمكننا نشر النماذج بكفاءة في بيئات SageMaker التي يمكن الوصول إليها وإنشاء أساس للتكامل المستمر وخطوط أنابيب النشر المستمر (CI/CD).
الإستنباط
عند الانتهاء من مسار التدريب الخاص بنا، يتم بعد ذلك نشر نموذجنا باستخدام خدمات استضافة SageMaker، والتي تمكن من إنشاء نقطة نهاية الاستدلال للتنبؤات في الوقت الحقيقي. تتيح نقطة النهاية هذه التكامل السلس مع التطبيقات والأنظمة، مما يوفر الوصول عند الطلب إلى القدرات التنبؤية للنموذج من خلال واجهة HTTPS الآمنة. يمكن استخدام التنبؤات في الوقت الفعلي في سيناريوهات مثل أسعار الأسهم وتوقعات الطلب على الطاقة. توفر نقطة النهاية الخاصة بنا توقعات من خطوة واحدة لبيانات السلاسل الزمنية المقدمة، والتي يتم تقديمها كنسب مئوية ووسيط، كما هو موضح في الشكل والجدول التاليين.
1st المئين | 5th المئين | متوسط | 95th المئين | 99th المئين |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
تنظيف
بعد تشغيل هذا الحل، تأكد من تنظيف أي موارد AWS غير ضرورية لتجنب التكاليف غير المتوقعة. يمكنك تنظيف هذه الموارد باستخدام SageMaker Python SDK، والتي يمكن العثور عليها في نهاية دفتر الملاحظات. ومن خلال حذف هذه الموارد، فإنك تمنع فرض رسوم إضافية على الموارد التي لم تعد تستخدمها.
وفي الختام
يمكن أن يؤثر الحصول على توقعات دقيقة بشكل كبير على التخطيط المستقبلي للشركة ويمكنه أيضًا توفير حلول لمجموعة متنوعة من المشكلات في مختلف الصناعات. لقد أظهر استكشافنا للتنبؤ القوي بالسلاسل الزمنية باستخدام MLOps على SageMaker طريقة للحصول على تنبؤ دقيق وكفاءة مسار تدريب مبسط.
أظهر نموذجنا، المدعوم بشبكة تلافيفية زمنية مع توزيع Spliced Binned Pareto، الدقة والقدرة على التكيف مع القيم المتطرفة من خلال تحسين RMSE بنسبة 61% على القاعدة، و56% على الذيل السفلي، و30% على الذيل العلوي على نفس المستوى. TCN مع توزيع غاوسي. هذه الأرقام تجعلها حلاً موثوقًا لاحتياجات التنبؤ في العالم الحقيقي.
يوضح المسار قيمة أتمتة ميزات MLOps. يمكن أن يؤدي ذلك إلى تقليل الجهد البشري اليدوي، وتمكين إمكانية التكرار، وتسريع نشر النموذج. تجعل ميزات SageMaker، مثل SageMaker Pipelines، والضبط التلقائي للنماذج، وتجارب SageMaker، وسجل نماذج SageMaker، ونقاط النهاية، هذا ممكنًا.
يستخدم الحل الخاص بنا TCN مصغرًا، مما يعمل على تحسين عدد قليل فقط من المعلمات الفائقة مع عدد محدود من الطبقات، والتي تكون كافية لتسليط الضوء على أداء النموذج بشكل فعال. بالنسبة لحالات الاستخدام الأكثر تعقيدًا، فكر في استخدام PyTorch أو المكتبات الأخرى المستندة إلى PyTorch لإنشاء TCN أكثر تخصيصًا يتوافق مع احتياجاتك الخاصة. بالإضافة إلى ذلك، سيكون من المفيد استكشاف أشياء أخرى ميزات سيج ميكر لتعزيز وظائف خط الأنابيب الخاص بك بشكل أكبر. لأتمتة عملية النشر بشكل كامل، يمكنك استخدام مجموعة تطوير سحابة AWS (AWS CDK) أو تكوين سحابة AWS.
لمزيد من المعلومات حول التنبؤ بالسلاسل الزمنية على AWS، راجع ما يلي:
لا تتردد في ترك تعليق مع أي أفكار أو أسئلة!
حول المؤلف
نيك بيسو هو مهندس التعلم الآلي في AWS Professional Services. يقوم بحل التحديات التنظيمية والتقنية المعقدة باستخدام علوم وهندسة البيانات. بالإضافة إلى ذلك، فهو يبني وينشر نماذج الذكاء الاصطناعي/التعلم الآلي على سحابة AWS. ويمتد شغفه إلى ميله إلى السفر والتجارب الثقافية المتنوعة.
ألستون تشان هو مهندس تطوير البرمجيات في Amazon Ads. يقوم ببناء مسارات التعلم الآلي وأنظمة التوصية لتوصيات المنتج على صفحة التفاصيل. وخارج العمل، يستمتع بتطوير الألعاب وتسلق الصخور.
ماريا مسعود متخصص في بناء خطوط أنابيب البيانات وتصورات البيانات في AWS Commerce Platform. تتمتع بخبرة في التعلم الآلي، وتغطي معالجة اللغة الطبيعية، ورؤية الكمبيوتر، وتحليل السلاسل الزمنية. ماريا متحمسة للاستدامة في القلب، وتستمتع بأعمال البستنة واللعب مع كلبها أثناء فترة توقفها.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 100
- المرتبة الرابعة
- 7
- a
- القدرة
- من نحن
- تسريع
- يسرع
- الوصول
- يمكن الوصول
- إنجاز
- حسابي
- دقة
- دقيق
- بدقة
- يحقق
- في
- يقدم
- اسيكليك
- تكيف
- إضافة
- وبالإضافة إلى ذلك
- عناوين
- ضد
- قدما
- AI / ML
- إنذار
- خوارزمية
- محاذاة
- يحاذي
- توزيع
- السماح
- يسمح
- على طول
- أيضا
- أمازون
- الأمازون SageMaker
- أمازون ويب سيرفيسز
- an
- تحليل
- تحليل
- و
- توقع
- أي وقت
- ذو صلة
- التطبيقات
- موافقة
- هندسة معمارية
- هي
- AS
- تقييم
- يقيم
- الأصول
- أسوشيتد
- At
- الكتاب
- أتمتة
- أوتوماتيك
- تلقائيا
- أتمتة
- أتمتة
- متاح
- تجنب
- AWS
- الخدمات المهنية AWS
- محور
- قاعدة
- على أساس
- BE
- لان
- كان
- سلوك
- وراء
- مفيد
- الفوائد
- أفضل
- أفضل
- ما بين
- انحياز
- BIN
- على حد سواء
- واسع
- ابني
- يبني
- الأعمال
- لكن
- زر
- by
- CAN
- قدرات
- قدرة
- قادر على
- أسر
- يلتقط
- اسر
- الحالات
- خلايا
- التحديات
- تحدي
- متغير
- تتميز
- اسعارنا محددة من قبل وزارة العمل
- الخيارات
- انقر
- التسلق
- عن كثب
- سحابة
- البنية التحتية السحابية
- الكود
- التعليق
- تجارة
- قارن
- مقارنة
- إكمال
- إكمال
- مجمع
- تسوية
- الكمبيوتر
- رؤية الكمبيوتر
- حالة
- الشروط
- أجرت
- نظر
- كنسولات
- ثابت
- بناء
- وعاء
- سياق الكلام
- متواصل
- تحويلها
- التكلفة
- التكاليف
- تغطية
- خلق
- خلق
- خلق
- خلق
- حرج
- حاسم
- ثقافي
- حالياًّ
- حسب الطلب
- دورة
- البيانات
- معالجة المعلومات
- علم البيانات
- تعتمد على البيانات
- قواعد البيانات
- التاريخ
- اتخاذ القرار
- القرارات
- الترتيب
- تحديد
- الطلب
- توقعات الطلب
- تظاهر
- يوضح
- ترمز
- التبعيات
- تابع
- نشر
- نشر
- نشر
- نشر
- ينشر
- تصميم
- التفاصيل
- تفاصيل
- حدد
- يحدد
- تحديد
- التطوير التجاري
- مختلف
- اختلاف
- توجه
- الكوارث
- بحث
- مسافة
- خامد
- توزيع
- التوزيعات
- عدة
- منقسم
- كلب
- DOT
- الوقت الضائع
- أثناء
- كل
- الطُرق الفعّالة
- على نحو فعال
- فعالية
- كفاءة
- فعال
- بكفاءة
- جهد
- عناصر
- توظيف
- توظف
- إمباورز
- تمكين
- تمكن
- تمكين
- يشمل
- النهاية
- النهائي إلى نهاية
- نقطة النهاية
- طاقة
- مهندس
- الهندسة
- تعزيز
- تعزيز
- ضمان
- متحمس
- البيئة
- البيئات
- عهود
- خطأ
- أساسي
- إنشاء
- تقييم
- تقييم
- تقييم
- الحدث/الفعالية
- أحداث
- المتطورة
- مثال
- خبرة
- تجارب
- خبرة
- استكشاف
- اكتشف
- يمتد
- واسع
- أقصى
- تيسير
- هبوط
- الميزات
- المميزات
- قليل
- الشكل
- الأرقام
- مالي
- المؤسسات المالية
- الاسم الأول
- تناسب
- اتباع
- متابعيك
- في حالة
- توقعات
- التوقعات
- النموذج المرفق
- وجدت
- دورة تأسيسية
- مجانا
- حرية
- تبدأ من
- تماما
- وظيفة
- إضافي
- علاوة على ذلك
- مستقبل
- ربح
- لعبة
- تطوير اللعبة
- مقياس
- الجنرال
- ولدت
- يولد
- توليد
- جيل
- معطى
- Go
- يحكم
- GPD
- منح
- الرسوم البيانية
- مقبض
- ظفيرة
- تسخير
- يملك
- he
- الرعاية الصحية
- قلب
- يساعد
- لها
- هنا
- تسليط الضوء
- جدا
- له
- تاريخي
- الأفق
- استضافة
- كيفية
- لكن
- HTML
- HTTPS
- الانسان
- ضبط Hyperparameter
- تحديد
- يوضح
- صور
- التأثير
- تنفيذ
- أهمية
- تحسن
- يحسن
- تحسين
- in
- دمج
- القيمة الاسمية
- مستقل
- يشير
- الصناعات
- تأثير
- معلومات
- وأبلغ
- البنية التحتية
- إدخال
- تبصر
- رؤى
- بدلًا من ذلك
- المؤسسات
- المتكاملة
- التكامل
- السطح البيني
- إلى
- تنطوي
- IT
- التكرارات
- انها
- وظيفة
- المشــاريــع
- JPG
- م
- حفظ
- أبقى
- القفل
- لغة
- كبير
- طبقات
- قيادة
- تعلم
- تعلم
- يترك
- اليسار
- الطول
- المكتبات
- مثل
- أرجحية
- على الأرجح
- محدود
- تقع
- يعد
- خسائر
- خفض
- أدنى
- آلة
- آلة التعلم
- جعل
- القيام ب
- إدارة
- تمكن
- إدارة
- إدارة
- كتيب
- ماري
- تجارة
- تعطل السوق
- تعني
- ذات مغزى
- البيانات الوصفية
- طريقة
- آلية العمل
- طرق
- متري
- افتقد
- ML
- MLOps
- نموذج
- عارضات ازياء
- وسائط
- مراقبة
- الأكثر من ذلك
- أكثر
- متعدد
- طبيعي
- معالجة اللغات الطبيعية
- الطبيعة
- إحتياجات
- إهمال
- شبكة
- جديد
- التالي
- الجنرال القادم
- اتحاد كرة القدم الأميركي
- لا
- ضجيج
- مفكرة
- عدد
- كثير
- موضوع
- رصد
- تحصل
- of
- عروض
- on
- على الطلب
- ONE
- فقط
- جاكيت
- الفرص
- الأمثل
- الأمثل
- تحسين
- or
- التنظيمية
- تنظم
- أصلي
- أخرى
- لنا
- النتائج
- الناتج
- في الخارج
- على مدى
- الكلي
- صفقة
- التعبئة والتغليف
- صفحة
- الأوبئة
- ورق
- موازية
- المعلمة
- المعلمات
- باريتو
- مرور
- شغف
- الماضي
- أنماط
- أداء
- خط أنابيب
- تخطيط
- المنصة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- لعب
- يلعب
- البوينت
- نقاط
- ممكن
- منشور
- قوة
- مدعوم
- قوي
- تنبأ
- وتوقع
- تنبؤ
- تنبؤات
- تتوقع
- قدم
- منع
- سابق
- السعر
- ترتيب الاولويات
- مشاكل
- عملية المعالجة
- معالجة
- المنتج
- الإنتــاج
- محترف
- ثبت
- تزود
- المقدمة
- ويوفر
- توفير
- بايثون
- pytorch
- رفع
- عشوائية
- نطاق
- بسرعة
- معدل
- استعداد
- الاستعداد
- حقيقي
- العالم الحقيقي
- في الوقت الحقيقي
- الأخيرة
- توصية مجاناً
- ساندي خ. ميليك
- أحمر
- تخفيض
- يقلل
- الرجوع
- يشير
- صقل
- المناطق
- سجل
- ذات الصلة
- الخدمة الموثوقة
- اعتمد
- لا تزال
- يحل محل
- التقارير
- مثل
- ممثلة
- يمثل
- مورد
- الموارد
- على التوالي
- استجابة
- نتيجة
- النتائج
- المخاطرة
- نماذج إدارة المخاطر
- قوي
- متانة
- صخرة
- النوع
- جذر
- يجري
- يدير
- السلامة
- sagemaker
- خطوط الأنابيب SageMaker
- نفسه
- حفظ
- التدرجية
- حجم
- سيناريوهات
- علوم
- سيناريو
- الإستراحة
- سلس
- بحث
- قطاعات
- تأمين
- مختار
- اختيار
- مسلسلات
- خدمة
- خدماتنا
- طقم
- باكجات
- الشكل
- هي
- إظهار
- أظهرت
- إشارة
- بشكل ملحوظ
- الاشارات
- معا
- المقاس
- تطبيقات الكمبيوتر
- تطوير البرمجيات
- حل
- الحلول
- يحل
- تتخصص
- محدد
- على وجه التحديد
- محدد
- انقسم
- انتشار
- مربع
- المسرح
- الحالة
- إقامة
- خطوة
- خطوات
- مخزون
- تخزين
- فروعنا
- تبسيط
- تبسيط
- بعد ذلك
- تحقيق النجاح
- هذه
- كاف
- بالتأكيد
- الاستدامة
- اصطناعي
- أنظمة
- جدول
- مهمة
- تقني
- تجربه بالعربي
- اختبار
- الاختبار
- أن
- •
- العالم
- من مشاركة
- then
- وبالتالي
- تشبه
- عبر
- الوقت
- السلاسل الزمنية
- إلى
- تتبع الشحنة
- تجارة
- حركة المرور
- قطار
- متدرب
- قادة الإيمان
- سفر
- اثنان
- أنواع
- خضع
- غير متوقع
- غير ضروري
- تم التحميل
- us
- تستخدم
- مستعمل
- سهل الاستعمال
- المستخدمين
- استخدام
- الاستفادة من
- يستخدم
- استخدام
- التحقق من صحة
- قيمنا
- القيم
- تشكيلة
- مختلف
- الإصدار
- الإصدارات
- بواسطة
- رؤيتنا
- حيوي
- vs
- وكان
- we
- الطقس
- الويب
- خدمات ويب
- سواء
- التي
- واسع
- سوف
- مع
- في غضون
- للعمل
- سير العمل
- سير العمل
- عامل
- العالم
- سوف
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت
- صفر