الأمازون الأحمر هو مستودع البيانات السحابي الأكثر شيوعًا والذي يستخدمه عشرات الآلاف من العملاء لتحليل إكسابايت من البيانات كل يوم. يقوم العديد من الممارسين بتوسيع مجموعات بيانات الانزياح الأحمر هذه على نطاق واسع لاستخدام التعلم الآلي (ML) الأمازون SageMaker، خدمة تعلّم آلي مُدارة بالكامل ، مع متطلبات تطوير الميزات دون اتصال بطريقة الكود أو بطريقة التعليمات البرمجية المنخفضة / بدون رمز ، وتخزين البيانات المميزة من Amazon Redshift ، وتحقيق ذلك على نطاق واسع في بيئة الإنتاج.
في هذا المنشور ، نعرض لك ثلاثة خيارات لإعداد بيانات مصدر Redshift على نطاق واسع في SageMaker ، بما في ذلك تحميل البيانات من Amazon Redshift ، وتنفيذ هندسة الميزات ، واستيعاب الميزات في متجر ميزات Amazon SageMaker:
إذا كنت من مستخدمي AWS Glue وترغب في القيام بالعملية بشكل تفاعلي ، ففكر في الخيار أ. إذا كنت معتادًا على SageMaker وتكتب رمز Spark ، فقد يكون الخيار B هو خيارك. إذا كنت تريد إجراء العملية بطريقة منخفضة الكود / بدون رمز ، فيمكنك اتباع الخيار ج.
تستخدم Amazon Redshift SQL لتحليل البيانات المهيكلة وشبه المهيكلة عبر مستودعات البيانات وقواعد البيانات التشغيلية ومخازن البيانات ، وذلك باستخدام الأجهزة المصممة من AWS و ML لتقديم أفضل أداء سعري على أي نطاق.
SageMaker Studio هو أول بيئة تطوير متكاملة (IDE) لـ ML. يوفر واجهة مرئية واحدة قائمة على الويب حيث يمكنك تنفيذ جميع خطوات تطوير ML ، بما في ذلك إعداد البيانات وبناء النماذج والتدريب ونشرها.
AWS Glue هي خدمة تكامل بيانات بدون خادم تسهل اكتشاف البيانات وإعدادها ودمجها لأغراض التحليلات والتعلم الآلي وتطوير التطبيقات. يمكّنك AWS Glue من جمع البيانات وتحويلها وتنظيفها وإعدادها بسلاسة للتخزين في بحيرات البيانات وخطوط البيانات الخاصة بك باستخدام مجموعة متنوعة من الإمكانات ، بما في ذلك تحويلات مدمجة.
حل نظرة عامة
يوضح الرسم البياني التالي بنية الحل لكل خيار.
المتطلبات الأساسية المسبقة
لمتابعة الأمثلة الواردة في هذا المنشور ، تحتاج إلى إنشاء موارد AWS المطلوبة. للقيام بذلك ، نحن نقدم تكوين سحابة AWS لإنشاء حزمة تحتوي على الموارد. عند إنشاء الحزمة ، تنشئ AWS عددًا من الموارد في حسابك:
- مجال SageMaker ، والذي يتضمن امتداد ملف نظام ملفات أمازون المرن حجم (Amazon EFS)
- قائمة بالمستخدمين المصرح لهم ومجموعة متنوعة من الأمان والتطبيق والسياسة و سحابة أمازون الافتراضية الخاصة (Amazon VPC)
- مجموعة الانزياح الأحمر
- سر الانزياح الأحمر
- اتصال AWS Glue لـ Amazon Redshift
- An AWS لامدا وظيفة لإعداد الموارد المطلوبة وأدوار التنفيذ والسياسات
تأكد من أنه ليس لديك بالفعل مجالين من مجالات SageMaker Studio في المنطقة حيث تقوم بتشغيل قالب CloudFormation. هذا هو الحد الأقصى المسموح به لعدد المجالات في كل منطقة مدعومة.
انشر قالب CloudFormation
أكمل الخطوات التالية لنشر قالب CloudFormation:
- احفظ قالب CloudFormation sm-redshift-demo-vpc-cfn-v1.yaml محليا.
- في وحدة تحكم AWS CloudFormation ، اختر إنشاء مكدس.
- في حالة تحضير القالب، حدد النموذج جاهز.
- في حالة مصدر النموذج، حدد قم بتحميل ملف قالب.
- اختار اختر ملف وانتقل إلى الموقع على جهاز الكمبيوتر الخاص بك حيث تم تنزيل قالب CloudFormation واختر الملف.
- أدخل اسم مكدس ، مثل
Demo-Redshift
. - على تكوين خيارات المكدس الصفحة ، اترك كل شيء افتراضيًا واختر التالى.
- على التقيم الصفحة ، حدد أقر بأن AWS CloudFormation قد تنشئ موارد IAM بأسماء مخصصة واختر إنشاء مكدس.
يجب أن ترى مكدس CloudFormation جديدًا بالاسم Demo-Redshift
يتم إنشاؤه. انتظر حتى تكون حالة المكدس CREATE_COMPLETE (حوالي 7 دقائق) قبل الانتقال. يمكنك الانتقال إلى المكدس الموارد للتحقق من موارد AWS التي تم إنشاؤها.
قم بتشغيل استوديو SageMaker
أكمل الخطوات التالية لبدء تشغيل مجال SageMaker Studio الخاص بك:
- في وحدة تحكم SageMaker ، اختر المجالات في جزء التنقل.
- اختر المجال الذي قمت بإنشائه كجزء من CloudFormation stack (
SageMakerDemoDomain
). - اختار إطلاق و الاستوديو.
يمكن أن يستغرق تحميل هذه الصفحة من دقيقة إلى دقيقتين عند الوصول إلى SageMaker Studio لأول مرة ، وبعد ذلك ستتم إعادة توجيهك إلى الصفحة الرئيسية علامة التبويب.
قم بتنزيل مستودع GitHub
أكمل الخطوات التالية لتنزيل GitHub repo:
- في دفتر SageMaker ، على ملف قم بتقديم القائمة، اختر جديد و محطة.
- في المحطة ، أدخل الأمر التالي:
يمكنك الآن رؤية ملف amazon-sagemaker-featurestore-redshift-integration
مجلد في جزء التنقل في SageMaker Studio.
قم بإعداد عرض الدُفعات باستخدام موصل Spark
أكمل الخطوات التالية لإعداد عرض المجموعة:
- في SageMaker Studio ، افتح دفتر الملاحظات 1-تحميل Jar.ipynb مع
amazon-sagemaker-featurestore-redshift-integration
. - إذا تمت مطالبتك باختيار kernel ، فاختر العلوم البيانات كالصورة و بيثون 3 كالنواة ، ثم اختر أختار.
- بالنسبة إلى دفاتر الملاحظات التالية ، اختر نفس الصورة والنواة باستثناء دفتر ملاحظات AWS Glue Interactive Sessions (4a).
- قم بتشغيل الخلايا بالضغط على SHIFT + ENTER في كل خلية.
أثناء تشغيل الكود ، تظهر علامة النجمة (*) بين الأقواس المربعة. عند الانتهاء من تشغيل الرمز ، سيتم استبدال * بالأرقام. هذا الإجراء قابل للتطبيق أيضًا لجميع أجهزة الكمبيوتر المحمولة الأخرى.
قم بإعداد المخطط وتحميل البيانات إلى Amazon Redshift
الخطوة التالية هي إعداد المخطط وتحميل البيانات من خدمة تخزين أمازون البسيطة (Amazon S3) إلى Amazon Redshift. للقيام بذلك ، قم بتشغيل دفتر الملاحظات 2-loadredshiftdata.ipynb.
قم بإنشاء متاجر الميزات في متجر ميزات SageMaker
لإنشاء متاجر الميزات الخاصة بك ، قم بتشغيل دفتر الملاحظات 3- createFeatureStore.ipynb.
نفذ هندسة الميزات واستوعب الميزات في متجر ميزات SageMaker
في هذا القسم ، نقدم خطوات جميع الخيارات الثلاثة لتنفيذ هندسة الميزات واستيعاب الميزات المعالجة في متجر SageMaker Feature Store.
الخيار أ: استخدم SageMaker Studio مع جلسة تفاعلية بدون خادم AWS Glue
أكمل الخطوات التالية للخيار أ:
- في SageMaker Studio ، افتح دفتر الملاحظات 4a- الغراء- int-session.ipynb.
- إذا تمت مطالبتك باختيار kernel ، فاختر SparkAnalytics 2.0 تحديث كالصورة و الغراء Python [PySpark and Ray] كالنواة ، ثم اختر أختار.
قد تستغرق عملية إعداد البيئة بعض الوقت حتى تكتمل.
الخيار ب: استخدام وظيفة معالجة SageMaker مع Spark
في هذا الخيار ، نستخدم وظيفة معالجة SageMaker مع برنامج Spark لتحميل مجموعة البيانات الأصلية من Amazon Redshift ، وتنفيذ هندسة الميزات ، واستيعاب البيانات في متجر SageMaker Feature Store. للقيام بذلك ، افتح دفتر الملاحظات 4b- معالجة- rs-to-fs.ipynb في بيئة SageMaker Studio الخاصة بك.
هنا نستخدم RedshiftDatasetDefinition
لاسترداد مجموعة البيانات من مجموعة الانزياح الأحمر. RedshiftDatasetDefinition
هو أحد أنواع المدخلات لوظيفة المعالجة ، والتي توفر واجهة بسيطة للممارسين لتكوين المعلمات المتعلقة بالاتصال Redshift مثل المعرف ، وقاعدة البيانات ، والجدول ، وسلسلة الاستعلام ، والمزيد. يمكنك بسهولة إنشاء اتصال Redshift الخاص بك باستخدام RedshiftDatasetDefinition
دون الحفاظ على اتصال بدوام كامل. نستخدم أيضًا ملف مكتبة موصل شرارة متجر SageMaker Feature Store في مهمة المعالجة للاتصال بـ SageMaker Feature Store في بيئة موزعة. باستخدام موصل Spark هذا ، يمكنك بسهولة إدخال البيانات إلى متجر مجموعة الميزات عبر الإنترنت وغير المتصل من Spark DataFrame. يحتوي هذا الموصل أيضًا على وظيفة لتحميل تعريفات الميزات تلقائيًا للمساعدة في إنشاء مجموعات الميزات. قبل كل شيء ، يوفر لك هذا الحل طريقة Spark أصلية لتنفيذ خط أنابيب بيانات شامل من Amazon Redshift إلى SageMaker. يمكنك تنفيذ أي هندسة ميزات في سياق Spark واستيعاب الميزات النهائية في متجر ميزات SageMaker في مشروع Spark واحد فقط.
لاستخدام موصل SageMaker Feature Store Spark ، نقوم بتوسيع ملف حاوية سبارك SageMaker مع sagemaker-feature-store-pyspark
المثبتة. في البرنامج النصي Spark ، استخدم أمر النظام القابل للتنفيذ للتشغيل pip install
، قم بتثبيت هذه المكتبة في بيئتك المحلية ، واحصل على المسار المحلي لتبعية ملف JAR. في واجهة برمجة التطبيقات الخاصة بوظيفة المعالجة ، قم بتوفير هذا المسار لمعامل submit_jars
إلى عقدة كتلة Spark التي تنشئها مهمة المعالجة.
في البرنامج النصي Spark الخاص بمهمة المعالجة ، قرأنا أولاً ملفات مجموعة البيانات الأصلية من Amazon S3 ، والتي تخزن مؤقتًا مجموعة البيانات غير المحملة من Amazon Redshift كوسيط. ثم نقوم بتنفيذ هندسة الميزات بطريقة شرارة واستخدامها feature_store_pyspark
لاستيعاب البيانات في متجر الميزات غير المتصل.
لوظيفة المعالجة ، نحن نقدم أ ProcessingInput
مع redshift_dataset_definition
. نحن هنا نبني هيكلًا وفقًا للواجهة ، ونوفر تكوينات متعلقة بالاتصال Redshift. يمكنك استخدام query_string
لتصفية مجموعة البيانات الخاصة بك عن طريق SQL وإلغاء تحميلها على Amazon S3. انظر الكود التالي:
تحتاج إلى الانتظار 6-7 دقائق لكل مهمة معالجة بما في ذلك USER
, PLACE
و RATING
مجموعات البيانات.
لمزيد من التفاصيل حول وظائف SageMaker Processing ، راجع معالجة البيانات.
بالنسبة إلى حلول SageMaker الأصلية لمعالجة الميزات من Amazon Redshift ، يمكنك أيضًا استخدام معالجة الميزات في SageMaker Feature Store ، وهو مخصص للبنية التحتية الأساسية بما في ذلك توفير بيئات الحوسبة وإنشاء خطوط أنابيب SageMaker وصيانتها لتحميل البيانات واستيعابها. يمكنك التركيز فقط على تعريفات معالج الميزات الخاصة بك والتي تتضمن وظائف التحويل ، ومصدر Amazon Redshift ، ومصرف SageMaker Feature Store. تتم إدارة الجدولة وإدارة الوظائف وأعباء العمل الأخرى في الإنتاج بواسطة SageMaker. ميزة خطوط أنابيب المعالج هي خطوط أنابيب SageMaker ، لذا فإن ملف آليات المراقبة القياسية والتكامل متوفرة.
الخيار ج: استخدم SageMaker Data Wrangler
يسمح لك SageMaker Data Wrangler باستيراد البيانات من مصادر بيانات مختلفة بما في ذلك Amazon Redshift للحصول على طريقة منخفضة / بدون رمز لإعداد بياناتك وتحويلها وتميزها. بعد الانتهاء من إعداد البيانات ، يمكنك استخدام SageMaker Data Wrangler لتصدير الميزات إلى متجر ميزات SageMaker.
هناك بعض إدارة الهوية والوصول AWS (IAM) التي تسمح لـ SageMaker Data Wrangler بالاتصال بـ Amazon Redshift. أولاً ، أنشئ دور IAM (على سبيل المثال ، redshift-s3-dw-connect
) يتضمن سياسة وصول Amazon S3. بالنسبة لهذا المنشور ، قمنا بإرفاق ملف AmazonS3FullAccess
السياسة لدور IAM. إذا كانت لديك قيود على الوصول إلى حاوية S3 محددة ، فيمكنك تحديدها في سياسة الوصول الخاصة بخدمة Amazon S3. لقد أرفقنا دور IAM بمجموعة الانزياح الأحمر التي أنشأناها سابقًا. بعد ذلك ، قم بإنشاء سياسة لـ SageMaker للوصول إلى Amazon Redshift من خلال الحصول على بيانات اعتماد المجموعة الخاصة بها ، وإرفاق السياسة بدور SageMaker IAM. تبدو السياسة على النحو التالي:
بعد هذا الإعداد ، يتيح لك SageMaker Data Wrangler الاستعلام عن Amazon Redshift وإخراج النتائج في حاوية S3. للحصول على إرشادات للاتصال بمجموعة Redshift والاستعلام عن البيانات واستيرادها من Amazon Redshift إلى SageMaker Data Wrangler ، يرجى الرجوع إلى استيراد البيانات من Amazon Redshift.
تقدم SageMaker Data Wrangler مجموعة مختارة من أكثر من 300 تحويل بيانات مسبقة الصنع لحالات الاستخدام الشائعة مثل حذف الصفوف المكررة ، واحتساب البيانات المفقودة ، والتشفير الساخن ، ومعالجة بيانات السلاسل الزمنية. يمكنك أيضًا إضافة تحويلات مخصصة في الباندا أو PySpark. في مثالنا ، قمنا بتطبيق بعض التحويلات مثل عمود الإسقاط ، وفرض نوع البيانات ، والترميز الترتيبي على البيانات.
عند اكتمال تدفق البيانات ، يمكنك تصديرها إلى متجر ميزات SageMaker. في هذه المرحلة ، تحتاج إلى إنشاء مجموعة ميزات: أعط مجموعة الميزات اسمًا ، وحدد كلاً من التخزين عبر الإنترنت وغير متصل ، وقم بتوفير اسم حاوية S3 لاستخدامها في المتجر غير المتصل ، وتوفير دور له إمكانية الوصول إلى متجر الميزات SageMaker . أخيرًا ، يمكنك إنشاء وظيفة ، والتي تنشئ مهمة معالجة SageMaker التي تدير تدفق SageMaker Data Wrangler لاستيعاب الميزات من مصدر بيانات Redshift إلى مجموعة الميزات الخاصة بك.
فيما يلي تدفق بيانات واحد من طرف إلى طرف في سيناريو هندسة ميزات PLACE.
استخدم متجر SageMaker Feature Store للتدريب والتنبؤ بالنموذج
لاستخدام متجر SageMaker Feature store للتدريب على النموذج والتنبؤ به ، افتح دفتر الملاحظات 5-التصنيف-باستخدام-ميزة-groups.ipynb.
بعد تحويل بيانات Redshift إلى ميزات وإدخالها في متجر SageMaker Feature Store ، تتوفر الميزات للبحث والاكتشاف عبر فرق من علماء البيانات المسؤولين عن العديد من نماذج ML وحالات الاستخدام المستقلة. يمكن لهذه الفرق استخدام الميزات للنمذجة دون الحاجة إلى إعادة إنشاء خطوط الأنابيب الهندسية أو إعادة تشغيلها. تتم إدارة مجموعات الميزات وقياسها بشكل مستقل ، ويمكن إعادة استخدامها وضمها معًا بغض النظر عن مصدر البيانات الأولية.
تتمثل الخطوة التالية في بناء نماذج ML باستخدام الميزات المحددة من مجموعة ميزات واحدة أو عدة مجموعات. أنت من يقرر مجموعات الميزات التي يجب استخدامها لنماذجك. هناك خياران لإنشاء مجموعة بيانات ML من مجموعات الميزات ، وكلاهما يستخدم SageMaker Python SDK:
- استخدم واجهة برمجة تطبيقات DatasetBuilder لـ SageMaker Feature Store - متجر ميزات SageMaker
DatasetBuilder
تسمح API لعلماء البيانات بإنشاء مجموعات بيانات ML من مجموعة ميزات واحدة أو أكثر في المتجر غير المتصل. يمكنك استخدام API لإنشاء مجموعة بيانات من مجموعة ميزات مفردة أو متعددة ، وإخراجها كملف CSV أو Pandas DataFrame. انظر رمز المثال التالي:
- قم بتشغيل استعلامات SQL باستخدام وظيفة athena_query في FeatureGroup API - هناك خيار آخر وهو استخدام كتالوج بيانات AWS Glue المصمم تلقائيًا لواجهة FeatureGroup API. تشتمل واجهة برمجة تطبيقات FeatureGroup على ملف
Athena_query
الدالة التي تنشئ مثيل AthenaQuery لتشغيل سلاسل استعلام SQL المعرفة من قبل المستخدم. ثم تقوم بتشغيل استعلام Athena وتنظيم نتيجة الاستعلام في pandas DataFrame. يتيح لك هذا الخيار تحديد استعلامات SQL أكثر تعقيدًا لاستخراج المعلومات من مجموعة ميزات. انظر رمز المثال التالي:
بعد ذلك ، يمكننا دمج البيانات التي تم الاستعلام عنها من مجموعات الميزات المختلفة في مجموعة البيانات النهائية الخاصة بنا للتدريب والاختبار النموذجي. لهذا المنصب ، نستخدمه تحويل دفعة للاستدلال النموذجي. يتيح لك التحويل الدفعي الحصول على استنتاج نموذج على جزء كبير من البيانات في Amazon S3 ، ويتم تخزين نتيجة الاستدلال في Amazon S3 أيضًا. للحصول على تفاصيل حول تدريب النموذج والاستدلال ، راجع دفتر الملاحظات 5-التصنيف-باستخدام-ميزة-groups.ipynb.
قم بتشغيل استعلام ارتباط على نتائج التنبؤ في Amazon Redshift
أخيرًا ، نقوم بالاستعلام عن نتيجة الاستنتاج وضمها إلى ملفات تعريف المستخدمين الأصلية في Amazon Redshift. للقيام بذلك ، نستخدم طيف الأمازون للانزياح الأحمر للانضمام إلى نتائج التنبؤ بالدُفعات في Amazon S3 مع بيانات Redshift الأصلية. للحصول على التفاصيل ، راجع تشغيل الكمبيوتر المحمول 6-قراءة-النتائج-في-الانزياح الأحمر.
تنظيف
في هذا القسم ، نقدم خطوات تنظيف الموارد التي تم إنشاؤها كجزء من هذا المنشور لتجنب الرسوم المستمرة.
قم بإيقاف تشغيل تطبيقات SageMaker
أكمل الخطوات التالية لإغلاق مواردك:
- في SageMaker Studio ، على ملف قم بتقديم القائمة، اختر إيقاف.
- في مجلة تأكيد الاغلاق الحوار، اختر اغلاق الكل المضي قدما.
- بعد تلقي رسالة "تم إيقاف الخادم" ، يمكنك إغلاق علامة التبويب هذه.
احذف التطبيقات
أكمل الخطوات التالية لحذف تطبيقاتك:
- في وحدة تحكم SageMaker ، في جزء التنقل ، اختر المجالات.
- على المجالات الصفحة ، اختر
SageMakerDemoDomain
. - في صفحة تفاصيل المجال ، تحت ملفات تعريف المستخدم، اختر المستخدم
sagemakerdemouser
. - في مجلة تطبيقات القسم ، في اكشن العمود ، اختر حذف التطبيق لأي تطبيقات نشطة.
- تأكد من أن الحالة يقول العمود حذف لجميع التطبيقات.
احذف وحدة تخزين EFS المرتبطة بمجال SageMaker الخاص بك
حدد موقع وحدة تخزين EFS على وحدة تحكم SageMaker وقم بحذفها. للحصول على تعليمات ، راجع قم بإدارة حجم تخزين Amazon EFS الخاص بك في SageMaker Studio.
احذف دلاء S3 الافتراضية لبرنامج SageMaker
احذف حاويات S3 الافتراضية (sagemaker-<region-code>-<acct-id>
) لـ SageMaker إذا كنت لا تستخدم SageMaker في تلك المنطقة.
احذف مكدس CloudFormation
احذف حزمة CloudFormation في حساب AWS الخاص بك لتنظيف جميع الموارد ذات الصلة.
وفي الختام
في هذا المنشور ، أظهرنا بيانات شاملة وتدفق ML من مستودع بيانات Redshift إلى SageMaker. يمكنك بسهولة استخدام تكامل AWS الأصلي للمحركات المصممة لغرض معين لمتابعة رحلة البيانات بسلاسة. تفحص ال مدونة AWS لمزيد من الممارسات حول إنشاء ميزات ML من مستودع بيانات حديث.
حول المؤلف
أخيليش دوبي، مهندس حلول تحليلات أقدم في AWS ، يمتلك أكثر من عقدين من الخبرة في العمل مع قواعد البيانات ومنتجات التحليلات. يتضمن دوره الأساسي التعاون مع عملاء المؤسسات لتصميم حلول قوية لتحليل البيانات مع تقديم إرشادات تقنية شاملة حول مجموعة واسعة من خدمات AWS Analytics و AI / ML.
رن قوه هو مهندس حلول متخصص في البيانات في مجالات الذكاء الاصطناعي التوليدي والتحليلات و AI / ML التقليدي في AWS ، منطقة الصين الكبرى.
شيري دينج مهندس حلول متخصص في الذكاء الاصطناعي / التعلم الآلي. لديها خبرة واسعة في التعلم الآلي مع درجة الدكتوراه في علوم الكمبيوتر. تعمل بشكل أساسي مع عملاء القطاع العام في مختلف تحديات الأعمال المتعلقة بالذكاء الاصطناعي / تعلم الآلة ، مما يساعدهم على تسريع رحلة التعلم الآلي الخاصة بهم على سحابة AWS. عندما لا تساعد العملاء ، فإنها تستمتع بالأنشطة الخارجية.
مارك روي هو مهندس رئيسي لتعلم الآلة في AWS ، يساعد العملاء على تصميم وبناء حلول AI / ML. يغطي عمل Mark مجموعة واسعة من حالات استخدام ML ، مع اهتمام أساسي برؤية الكمبيوتر والتعلم العميق وتوسيع ML عبر المؤسسة. لقد ساعد الشركات في العديد من الصناعات ، بما في ذلك التأمين والخدمات المالية والإعلام والترفيه والرعاية الصحية والمرافق والتصنيع. يحمل مارك ست شهادات AWS ، بما في ذلك شهادة التخصص في ML. قبل انضمامه إلى AWS ، كان مارك مهندسًا معماريًا ومطورًا وقائدًا في مجال التكنولوجيا لأكثر من 25 عامًا ، بما في ذلك 19 عامًا في الخدمات المالية.
- 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 السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- تشارت بريم. ارفع مستوى لعبة التداول الخاصة بك مع ChartPrime. الوصول هنا.
- BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/build-ml-features-at-scale-with-amazon-sagemaker-feature-store-using-data-from-amazon-redshift/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 100
- 11
- 12
- 15%
- 19
- 23
- 25
- 7
- a
- من نحن
- فوق
- تسريع
- الوصول
- الوصول
- وفقا
- حسابي
- نقر
- في
- اكشن
- نشط
- أنشطة
- تضيف
- بعد
- AI
- AI / ML
- الكل
- السماح
- سمح
- يسمح
- سابقا
- أيضا
- أمازون
- الأمازون الأحمر
- الأمازون SageMaker
- أمازون ويب سيرفيسز
- an
- تحليلات
- تحليل
- و
- آخر
- أي وقت
- API
- يبدو
- تطبيق
- تطوير التطبيقات
- تطبيقي
- ما يقرب من
- التطبيقات
- هندسة معمارية
- هي
- AS
- أسوشيتد
- At
- يرفق
- مخول
- تلقائيا
- متاح
- تجنب
- AWS
- تكوين سحابة AWS
- غراء AWS
- قاعدة
- BE
- قبل
- يجري
- أفضل
- ما بين
- على حد سواء
- نساعدك في بناء
- ابني
- الأعمال
- by
- CAN
- قدرات
- الحالات
- الأقسام
- خلايا
- الشهادات
- الشهادات
- التحديات
- اسعارنا محددة من قبل وزارة العمل
- التحقق
- الصين
- خيار
- اختار
- عميل
- اغلاق
- سحابة
- كتلة
- الكود
- التعاون
- جمع
- عمود
- دمج
- مشترك
- الشركات
- إكمال
- معقد
- شامل
- إحصاء
- الكمبيوتر
- علوم الكمبيوتر
- رؤية الكمبيوتر
- تأكيد
- التواصل
- صلة
- نظر
- كنسولات
- يحتوي
- سياق الكلام
- استمر
- استطاع
- يغطي
- خلق
- خلق
- يخلق
- خلق
- أوراق اعتماد
- على
- العملاء
- البيانات
- تحليلات البيانات
- تحضير البيانات
- قاعدة البيانات
- قواعد البيانات
- قواعد البيانات
- يوم
- عقود
- تقرر
- عميق
- التعلم العميق
- الترتيب
- حدد
- التعاريف
- الدرجة العلمية
- نقل
- تظاهر
- التبعية
- نشر
- نشر
- تصميم
- تفاصيل
- تطوير
- المطور
- التطوير التجاري
- مختلف
- اكتشف
- اكتشاف
- وزعت
- do
- نطاق
- المجالات
- لا
- إلى أسفل
- بإمكانك تحميله
- قطرة
- كل
- في وقت سابق
- بسهولة
- سهل
- تأثير
- تمكن
- النهائي إلى نهاية
- تطبيق
- الهندسة
- محركات
- أدخل
- مشروع
- ترفيه
- البيئة
- البيئات
- إنشاء
- كل
- كل يوم
- كل شىء
- مثال
- أمثلة
- إلا
- الخبره في مجال الغطس
- خبرة
- تصدير
- مد
- إطالة
- واسع
- خبرة واسعة
- استخراج
- مألوف
- الميزات
- عقار مميز
- مجموعة الميزات
- المميزات
- قم بتقديم
- ملفات
- تصفية
- نهائي
- أخيرا
- مالي
- الخدمات المالية
- نهاية
- الاسم الأول
- لأول مرة
- تدفق
- تركز
- اتباع
- متابعيك
- في حالة
- تبدأ من
- بالإضافة إلى
- تماما
- وظيفة
- وظيفة
- وظائف
- توليدي
- الذكاء الاصطناعي التوليدي
- دولار فقط واحصل على خصم XNUMX% على جميع
- الحصول على
- GitHub جيثب:
- منح
- Go
- أكبر
- تجمع
- مجموعات
- توجيه
- معالجة
- يحدث
- أجهزة التبخير
- يملك
- وجود
- he
- الرعاية الصحية
- مساعدة
- ساعد
- مساعدة
- هنا
- له
- يحمل
- HTML
- HTTP
- HTTPS
- معرف
- هوية
- if
- يوضح
- صورة
- تنفيذ
- استيراد
- in
- تتضمن
- يشمل
- بما فيه
- مستقل
- بشكل مستقل
- الصناعات
- معلومات
- البنية التحتية
- إدخال
- تثبيت
- تثبيت
- مثل
- تعليمات
- التأمين
- المتكاملة
- التكامل
- التفاعلية
- مصلحة
- السطح البيني
- إلى
- IT
- انها
- وظيفة
- المشــاريــع
- الانضمام
- انضم
- انضمام
- رحلة
- JPG
- م
- واحد فقط
- إطلاق
- زعيم
- تعلم
- يترك
- المكتبة
- مثل
- قائمة
- تحميل
- جار التحميل
- محلي
- محليا
- موقع
- تبدو
- آلة
- آلة التعلم
- في الأساس
- الحفاظ على
- جعل
- يصنع
- تمكن
- إدارة
- تصنيع
- كثير
- علامة
- مارك
- أقصى
- مايو..
- آليات
- الوسائط
- متوسط
- القائمة
- دمج
- الرسالة
- ربما
- دقيقة
- مفقود
- ML
- نموذج
- تصميم
- عارضات ازياء
- تقدم
- مراقبة
- الأكثر من ذلك
- أكثر
- الاكثر شهره
- يتحرك
- متعدد
- الاسم
- محلي
- التنقل
- قائمة الإختيارات
- حاجة
- جديد
- التالي
- العقدة
- مفكرة
- الآن
- عدد
- أرقام
- of
- الوهب
- عروض
- حاليا
- on
- ONE
- جارية
- online
- فقط
- جاكيت
- تشغيل
- خيار
- مزيد من الخيارات
- or
- أصلي
- أخرى
- لنا
- خارج
- الناتج
- على مدى
- صفحة
- الباندا
- خبز
- المعلمة
- المعلمات
- جزء
- مسار
- نفذ
- أداء
- رسالة دكتوراه
- خط أنابيب
- المكان
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- البوينت
- سياسة
- الرائج
- منشور
- الممارسات
- تنبؤ
- إعداد
- إعداد
- يقدم
- الضغط
- ابتدائي
- رئيسي
- قبل
- خاص
- عملية المعالجة
- معالجتها
- معالجة
- المعالج
- الإنتــاج
- المنتجات
- ملامح
- تنفيذ المشاريع
- تزود
- ويوفر
- توفير
- جمهور
- بايثون
- الاستفسارات
- نطاق
- RAY
- عرض
- بغض النظر
- منطقة
- ذات صلة
- رن
- استبدال
- مطلوب
- المتطلبات الأساسية
- مورد
- الموارد
- مسؤول
- القيود
- نتيجة
- النتائج
- قوي
- النوع
- الأدوار
- روي
- يجري
- تشغيل
- يدير
- sagemaker
- خطوط الأنابيب SageMaker
- نفسه
- يقول
- حجم
- التحجيم
- سيناريو
- جدولة
- علوم
- العلماء
- الإستراحة
- بسلاسة
- بحث
- القسم
- القطاع
- أمن
- انظر تعريف
- مختار
- اختيار
- كبير
- مسلسلات
- Serverless
- الخدمة
- خدماتنا
- دورات
- طقم
- إعدادات
- الإعداد
- هي
- ينبغي
- إظهار
- غلق
- الاشارات
- عزباء
- SIX
- So
- حل
- الحلول
- بعض
- مصدر
- مصادر
- شرارة
- متخصص
- تخصص
- محدد
- مربع
- كومة
- ملخص الحساب
- الحالة
- خطوة
- خطوات
- تخزين
- متجر
- تخزين
- فروعنا
- خيط
- بناء
- منظم
- ستوديو
- هذه
- مدعومة
- بالتأكيد
- نظام
- جدول
- أخذ
- فريق
- تقني
- تكنولوجيا
- قالب
- عشرات
- محطة
- الاختبار
- من
- أن
- •
- المصدر
- من مشاركة
- منهم
- then
- هناك.
- تشبه
- الآلاف
- ثلاثة
- عبر
- الوقت
- السلاسل الزمنية
- الطابع الزمني
- إلى
- سويا
- تقليدي
- قادة الإيمان
- تحول
- تحول
- التحولات
- تحول
- اثنان
- نوع
- مع
- التي تقوم عليها
- بيانات المنبع
- تستخدم
- مستعمل
- مستخدم
- المستخدمين
- يستخدم
- استخدام
- خدمات
- استخدام
- تشكيلة
- مختلف
- الإصدار
- افتراضي
- رؤيتنا
- حجم
- انتظر
- تريد
- وكان
- طريق..
- we
- الويب
- خدمات ويب
- على شبكة الإنترنت
- حسن
- كان
- ابحث عن
- متى
- التي
- في حين
- واسع
- مدى واسع
- سوف
- مع
- بدون
- للعمل
- عامل
- أعمال
- سوف
- جاري الكتابة
- يامل
- سنوات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت