في كتابه كتاب لماذا، تدعو Judea Pearl إلى تدريس مبادئ السبب والنتيجة للآلات من أجل تعزيز ذكائها. إن إنجازات التعلم العميق هي في الأساس مجرد نوع من الانحناءات ، في حين يمكن استخدام السببية للكشف عن التفاعلات بين أنظمة العالم تحت قيود مختلفة دون اختبار الفرضيات مباشرة. يمكن أن يوفر هذا إجابات تقودنا إلى AGI (الذكاء الاصطناعي المعمم).
يقترح هذا الحل إطارًا للاستدلال السببي باستخدام شبكات Bayesian لتمثيل التبعيات السببية واستخلاص استنتاجات سببية بناءً على صور الأقمار الصناعية المرصودة وبيانات التجارب التجريبية في شكل محاكاة لظروف الطقس والتربة. ال دراسة حالة هي العلاقة السببية بين استخدام الأسمدة القائمة على النيتروجين وإنتاجية الذرة.
تتم معالجة صور القمر الصناعي باستخدام مصمم لغرض معين قدرات Amazon SageMaker الجغرافية المكانية ومُخصب بمصمم حسب الطلب أمازون SageMaker معالجة عمليات. يتم نشر محرك الاستدلال السببي مع الاستدلال غير المتزامن لـ Amazon SageMaker.
في هذا المنشور ، نوضح كيفية إنشاء هذا التحليل المضاد باستخدام أمازون سيج ميكر جومب ستارت حلول.
حل نظرة عامة
يوضح الرسم البياني التالي بنية تدفق العمل من البداية إلى النهاية.
المتطلبات الأساسية المسبقة
أنت في حاجة إلى حساب AWS لاستخدام هذا الحل.
لتشغيل حل JumpStart 1P هذا ونشر البنية التحتية لحساب AWS الخاص بك ، تحتاج إلى إنشاء ملف أمازون ساجميكر ستوديو المثال (الرجوع إلى على متن الطائرة إلى Amazon SageMaker Domain). عندما يكون مثيل Studio جاهزًا ، اتبع التعليمات الموجودة في سيج ميكر جومب ستارت لإطلاق حل Crop Yield Counterfactuals.
لاحظ أن هذا الحل متاح حاليًا في منطقة غرب الولايات المتحدة (أوريغون) فقط.
الاستدلال السببي
تدور السببية حول فهم التغيير ، ولكن كيفية إضفاء الطابع الرسمي على ذلك في الإحصاء والتعلم الآلي (ML) ليس تمرينًا تافهًا.
في دراسة إنتاجية المحاصيل هذه ، قد يتم الخلط بين النيتروجين المضاف كسماد ونتائج المحصول. وبالمثل ، يمكن أيضًا الخلط بين النيتروجين المضاف كسماد ونتائج ترشيح النيتروجين ، بمعنى أن سببًا شائعًا يمكن أن يفسر ارتباطهما. ومع ذلك ، فإن الارتباط ليس سببية. إذا علمنا أي العوامل الملحوظة تربك الارتباط ، فإننا نأخذ في الحسبان ، ولكن ماذا لو كانت هناك متغيرات خفية أخرى مسؤولة عن الالتباس؟ إن تقليل كمية الأسمدة لن يقلل بالضرورة من النيتروجين المتبقي ؛ وبالمثل ، فإنه قد لا يقلل بشكل كبير من المحصول ، في حين أن التربة والظروف المناخية يمكن أن تكون العوامل الملحوظة التي تربك الارتباط. كيفية التعامل مع الالتباس هي المشكلة المركزية للاستدلال السببي. تقنية قدمها RA Fisher تسمى محاكمة معشاة يهدف إلى كسر الإرباك المحتمل.
ومع ذلك ، في حالة عدم وجود تجارب معشاة ذات شواهد ، هناك حاجة للاستدلال السببي المحض من بيانات المراقبة. هناك طرق لربط الأسئلة السببية بالبيانات في الدراسات القائمة على الملاحظة عن طريق كتابة نموذج رسومي سببي لما نفترضه على أنه كيف تحدث الأشياء. يتضمن ذلك الادعاء بأن عمليات العبور المقابلة ستلتقط التبعيات المقابلة ، مع تلبية المعيار الرسومي للجهل الشرطي (إلى أي مدى يمكننا التعامل مع السببية على أنها ارتباط قائم على الافتراضات السببية). بعد أن نفترض الهيكل ، يمكننا استخدام الثوابت الضمنية للتعلم من البيانات القائمة على الملاحظة وإدخال الأسئلة السببية ، واستنتاج الادعاءات السببية دون تجارب تحكم عشوائية.
يستخدم هذا الحل كلاً من البيانات من تجارب التحكم العشوائية المحاكاة (RCTs) بالإضافة إلى بيانات المراقبة من صور الأقمار الصناعية. تم استخدام سلسلة من عمليات المحاكاة التي أجريت على مدى آلاف الحقول وسنوات عديدة في إلينوي (الولايات المتحدة) لدراسة استجابة الذرة لزيادة معدلات النيتروجين لمجموعة واسعة من تغيرات الطقس والتربة التي شوهدت في المنطقة. يتناول محدودية استخدام البيانات التجريبية المحدودة في عدد التربة والسنوات التي يمكن استكشافها باستخدام محاكاة المحاصيل لسيناريوهات الزراعة المختلفة والمناطق الجغرافية. تمت معايرة قاعدة البيانات والتحقق من صحتها باستخدام بيانات من أكثر من 400 تجربة في المنطقة. تم تحديد تركيز النيتروجين الأولي في التربة بشكل عشوائي بين نطاق معقول.
بالإضافة إلى ذلك ، تم تعزيز قاعدة البيانات بملاحظات من صور الأقمار الصناعية ، في حين يتم اشتقاق إحصاءات المنطقة من المؤشرات الطيفية من أجل تمثيل التغيرات المكانية والزمانية في الغطاء النباتي ، والتي تُرى عبر المناطق الجغرافية والمراحل الفينولوجية.
الاستدلال السببي مع شبكات بايزي
تستخدم النماذج السببية الهيكلية (SCMs) نماذج رسومية لتمثيل التبعيات السببية من خلال دمج كل من المدخلات التي تحركها البيانات والمدخلات البشرية. يُقترح نوع معين من النموذج السببي للهيكل يسمى شبكات بايز لنمذجة ديناميكيات علم الظواهر المحصولية باستخدام التعبيرات الاحتمالية من خلال تمثيل المتغيرات كعقد والعلاقات بين المتغيرات كحواف. العقد هي مؤشرات على نمو المحاصيل والتربة والظروف الجوية ، وتمثل الحواف بينهما علاقات سببية مكانية وزمانية. العقد الأصلية هي معلمات مرتبطة بالحقل (بما في ذلك يوم البذر والمساحة المزروعة) ، والعقد الفرعية هي المحصول ، وامتصاص النيتروجين ، ومقاييس ترشيح النيتروجين.
لمزيد من المعلومات، يرجى الرجوع إلى توصيف قاعدة البيانات و توجيه لتحديد مراحل نمو الذرة.
يلزم بضع خطوات لإنشاء نموذج شبكات بايزي (مع السببية) قبل أن نتمكن من استخدامه للتحليل الوقائي والتداخلي. يتم تعلم بنية النموذج السببي في البداية من البيانات ، في حين يتم استخدام الخبرة في الموضوع (الأدبيات الموثوقة أو المعتقدات التجريبية) لافتراض التبعيات الإضافية والاستقلالية بين المتغيرات العشوائية ومتغيرات التدخل ، بالإضافة إلى التأكيد على أن الهيكل سببي.
باستخدام لا دموع، خوارزمية التحسين المستمر للتعلم الهيكلي ، يتم تعلم بنية الرسم البياني التي تصف التبعيات الشرطية بين المتغيرات من البيانات ، مع مجموعة من القيود المفروضة على الحواف ، والعقد الأصلية ، والعقد الفرعية غير المسموح بها في النموذج السببي. هذا يحافظ على التبعيات الزمنية بين المتغيرات. انظر الكود التالي:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
ترميز الخطوة التالية معرفة المجال في النماذج وتلتقط ديناميكيات الفينولوجيا ، مع تجنب العلاقات الزائفة. تحليل العلاقات الخطية المتعددة ، والتباين في تحليل عامل الخط ، واستخدام أهمية الميزة العالمية الشكل يتم إجراء التحليل لاستخراج رؤى وقيود على متغيرات الإجهاد المائي (التوسع ، الفينولوجيا ، والتمثيل الضوئي حول التنقل) ، ومتغيرات الطقس والتربة ، والمؤشرات الطيفية ، والمؤشرات القائمة على النيتروجين:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
تدعم شبكات Bayesian في CausalNex التوزيعات المنفصلة فقط. يتم تحديد أي ميزات مستمرة ، أو ميزات مع عدد كبير من الفئات ، قبل تحويل شبكة Bayesian:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
بعد مراجعة الهيكل ، يمكن تعلم التوزيع الاحتمالي الشرطي لكل متغير بالنظر إلى أبويه من البيانات ، في خطوة تسمى تقدير الاحتمالية:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
أخيرًا ، يتم استخدام الهيكل والاحتمالات لإجراء الاستدلال بالمراقبة على y ، بعد الحتمية خوارزمية شجرة التوصيل (JTA) ، والقيام بالتدخلات باستخدام افعل حساب التفاضل والتكامل. الاستدلال غير المتزامن لـ SageMaker يسمح بانتظار الطلبات الواردة ومعالجتها بشكل غير متزامن. يعتبر هذا الخيار مثاليًا لكل من سيناريوهات الاستدلال المرصود والواقعي ، حيث لا يمكن موازاة العملية ، وبالتالي يستغرق وقتًا كبيرًا لتحديث الاحتمالات عبر الشبكة ، على الرغم من إمكانية تشغيل استعلامات متعددة بشكل متوازٍ. انظر الكود التالي:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
لمزيد من التفاصيل ، يرجى الرجوع إلى نص الاستدلال.
النموذج السببي مفكرة هو دليل خطوة بخطوة حول تشغيل الخطوات السابقة.
معالجة البيانات الجغرافية المكانية
وظائف مراقبة الأرض (EOJs) مرتبطة ببعضها البعض للحصول على صور القمر الصناعي وتحويلها ، في حين تُستخدم العمليات المصممة لغرض معين والنماذج المدربة مسبقًا لإزالة السحابة ، والفسيفساء ، وعمليات الرياضيات ، وإعادة التشكيل. في هذا القسم ، نناقش بمزيد من التفصيل خطوات المعالجة الجغرافية المكانية.
مجال الاهتمام
في الشكل التالي ، تمثل المضلعات الخضراء المقاطعات المحددة ، والشبكة البرتقالية هي خريطة قاعدة البيانات (شبكة من خلايا 10 × 10 كم حيث تُجرى التجارب في المنطقة) ، وشبكة المربعات الرمادية هي 100 كم × 100 كم شبكة التبليط Sentinel-2 UTM.
تُستخدم النقاط المكانية لرسم خريطة لقاعدة البيانات المحاكاة بصور القمر الصناعي المقابلة ، وتراكب المضلعات من 10 كم × 10 كم من الخلايا التي تقسم ولاية إلينوي (حيث تُجرى التجارب في المنطقة) ، ومضلعات المقاطعات ، و 100 كم × 100 كم Sentinel- 2 بلاط UTM. لتحسين خط أنابيب معالجة البيانات الجغرافية المكانية ، تم تحديد عدد قليل من مربعات Sentinel-2 القريبة أولاً. بعد ذلك ، يتم تراكب الأشكال الهندسية المجمعة للبلاط والخلايا من أجل الحصول على منطقة الاهتمام (RoI). يتم تحديد المقاطعات ومعرفات الخلايا التي تمت ملاحظتها بشكل كامل داخل RoI لتشكيل هندسة المضلع التي تم تمريرها إلى EOJs.
النطاق الزمني
في هذا التمرين ، تنقسم دورة فينولوجيا الذرة إلى ثلاث مراحل: المراحل الخضرية v5 إلى R1 (الظهور ، أطواق الأوراق ، والشرابة) ، والمراحل الإنجابية R1 إلى R4 (الحرير ، والبثور ، والحليب ، والعجين) والمراحل الإنجابية R5 (تنبعيد) و R6 (النضج الفسيولوجي). يتم الحصول على زيارات أقمار صناعية متتالية لكل مرحلة من مراحل علم الظواهر خلال نطاق زمني مدته أسبوعين ومنطقة اهتمام محددة مسبقًا (مقاطعات مختارة) ، مما يتيح التحليل المكاني والزماني لصور القمر الصناعي. يوضح الشكل التالي هذه المقاييس.
إزالة السحابة
تستخدم إزالة السحابة لبيانات Sentinel-2 نموذج تجزئة دلالي قائم على ML لتحديد السحب في الصورة ، حيث يتم استبدال وحدات البكسل السحابية بقيمة -9999 (قيمة nodata):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
بعد إنشاء EOJ ، يتم إرجاع ARN واستخدامها لأداء عملية Geomosaic اللاحقة.
للحصول على حالة الوظيفة ، يمكنك تشغيل sg_client.get_earth_observation_job(Arn = response['Arn']).
الفسيفساء الأرضية
يتم استخدام Geomosaic EOJ لدمج الصور من زيارات الأقمار الصناعية المتعددة في فسيفساء كبيرة ، عن طريق الكتابة فوق nodata أو وحدات البكسل الشفافة (بما في ذلك وحدات البكسل الغائمة) بالبكسل من الطوابع الزمنية الأخرى:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
بعد إنشاء EOJ ، يتم إرجاع ARN واستخدامها لأداء عملية إعادة التشكيل اللاحقة.
جارى الاختزال
تُستخدم إعادة التشكيل لتقليل دقة الصورة الجغرافية المكانية لمطابقة دقة أقنعة المحاصيل (إعادة قياس دقة 10-30 م):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
بعد إنشاء EOJ ، يتم إرجاع ARN واستخدامها لأداء العملية الحسابية التالية في النطاق.
الفرقة الرياضية
تُستخدم عمليات رياضيات النطاق لتحويل الملاحظات من نطاقات طيفية متعددة إلى نطاق واحد. يتضمن المؤشرات الطيفية التالية:
- مؤشر الضعف الاقتصادي2 - فهرس الغطاء النباتي المحسن ثنائي النطاق
- DGVI - دليل الاختلاف المعمم في الغطاء النباتي
- نديمي - مؤشر رطوبة الفروق الطبيعي
- NDVI - فهرس الغطاء النباتي الفروق الطبيعي
- NDWI - مؤشر ماء الفروق الطبيعي
انظر الكود التالي:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
إحصائيات المنطقة
يتم إثراء المؤشرات الطيفية باستخدام أمازون SageMaker معالجة، حيث يتم استخدام المنطق المخصص المستند إلى GDAL للقيام بما يلي:
- دمج المؤشرات الطيفية في فسيفساء واحدة متعددة القنوات
- إعادة إسقاط الفسيفساء إلى قناع المحاصيلإسقاط
- قم بتطبيق قناع الاقتصاص وأعد إسقاط الفسيفساء إلى CRC لمضلعات الخلايا
- حساب إحصائيات المنطقة للمضلعات المحددة (10 كم × 10 كم من الخلايا)
مع التوزيع المتوازي للبيانات ، يتم توزيع البيانات الواضحة (لكل مرحلة من مراحل المحصول الفينولوجية) عبر عدة حالات باستخدام ShardedByS3Key
نوع توزيع البيانات S3. لمزيد من التفاصيل ، يرجى الرجوع إلى ميزة استخراج النص.
المعالجة الجغرافية المكانية مفكرة هو دليل خطوة بخطوة حول تشغيل الخطوات السابقة.
يوضح الشكل التالي قنوات RGB لزيارات الأقمار الصناعية المتتالية التي تمثل المراحل الخضرية والتكاثرية لدورة فينولوجيا الذرة ، مع (يمين) وبدون أقنعة محصول (يسار) (CW 20 و 26 و 33 ، 2018 وسط إلينوي).
في الشكل التالي ، المؤشرات الطيفية (NDVI, مؤشر الضعف الاقتصادي2, نديمي) من زيارات الأقمار الصناعية المتتالية تمثل المراحل الخضرية والإنجابية لدورة فينولوجيا الذرة (CW 20 و 26 و 33 ، 2018 وسط إلينوي).
تنظيف
إذا لم تعد ترغب في استخدام هذا الحل ، يمكنك حذف الموارد التي أنشأها. بعد نشر الحل في الاستوديو ، اختر حذف كافة الموارد لحذف جميع الموارد القياسية التي تم إنشاؤها عند بدء تشغيل الحل تلقائيًا ، بما في ذلك حاوية S3.
وفي الختام
يوفر هذا الحل مخططًا لحالات الاستخدام حيث يكون الاستدلال السببي مع شبكات Bayesian هو المنهجية المفضلة للإجابة على الأسئلة السببية من مجموعة من البيانات والمدخلات البشرية. يتضمن دفق العمل التنفيذ الفعال لمحرك الاستدلال ، الذي يضع الاستعلامات والتدخلات الواردة في طوابير ويعالجها بشكل غير متزامن. يمكّن الجانب المعياري من إعادة استخدام المكونات المختلفة ، بما في ذلك المعالجة الجغرافية المكانية مع العمليات المصممة لغرض معين والنماذج المدربة مسبقًا ، وإثراء صور الأقمار الصناعية بعمليات GDAL المصممة خصيصًا ، وهندسة الميزات متعددة الوسائط (المؤشرات الطيفية والبيانات الجدولية).
بالإضافة إلى ذلك ، يمكنك استخدام هذا الحل كقالب لبناء نماذج المحاصيل الشبكية حيث يتم إجراء إدارة الأسمدة النيتروجينية وتحليل السياسة البيئية.
لمزيد من المعلومات ، راجع قوالب الحل واتبع توجيه لإطلاق حل Crop Yield Counterfactuals في منطقة غرب الولايات المتحدة (أوريغون). الرمز متاح في جيثب ريبو.
الاستشهادات
ألماني ماندريني ، سوتيريوس ف.أرتشونتوليس ، كاميرون م. بيتلكوف ، تارو مينو ، نيكولاس ف.مارتن ،
مجموعة بيانات محاكاة لاستجابة الذرة للنيتروجين على مدى آلاف الحقول وسنوات عديدة في إلينوي ،
البيانات باختصار ، المجلد 40 ، 2022 ، 107753 ، ISSN 2352-3409
موارد مفيدة
حول المؤلف
بول بارنا هو أحد كبار علماء البيانات في مختبرات النماذج الأولية للتعلم الآلي 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/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :يكون
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- من نحن
- الإنجازات
- حسابي
- كسب
- المكتسبة
- في
- نشط
- وأضاف
- إضافة
- إضافي
- عناوين
- دعاة
- بعد
- AGI
- وتهدف
- خوارزمية
- الكل
- يسمح
- بالرغم ان
- أمازون
- الأمازون SageMaker
- أمازون سيج ميكر جومب ستارت
- من بين
- كمية
- تحليل
- و
- الأجوبة
- في أى مكان
- تطبيق
- هندسة معمارية
- هي
- المنطقة
- حول
- AS
- جانب
- تأكيد
- جمعية
- At
- تلقائيا
- متاح
- تجنب
- AWS
- سوار الساعة
- على أساس
- بايزي
- BE
- قبل
- ما بين
- الأزرق
- كتاب
- استراحة
- واسع
- نساعدك في بناء
- ابني
- by
- تسمى
- CAN
- قدرات
- أسر
- يلتقط
- الحالات
- الفئات
- سبب
- خلايا
- مركزي
- بالسلاسل
- تغيير
- التغييرات
- قنوات
- طفل
- اختار
- ادعاء
- مطالبات
- سحابة
- الكود
- الياقات
- مجموعة
- مشترك
- مكونات
- من التركيز
- الشروط
- أجرت
- التواصل
- على التوالي
- القيود
- متواصل
- مراقبة
- ذو شاهد
- المقابلة
- استطاع
- خلق
- خلق
- محصول
- حاليا
- منحنى
- على
- مبنية خصيصا
- دورة
- البيانات
- معالجة المعلومات
- عالم البيانات
- تعتمد على البيانات
- قاعدة البيانات
- يوم
- عميق
- التعلم العميق
- شرح
- نشر
- مستمد
- التفاصيل
- تفاصيل
- فرق
- مباشرة
- بحث
- وزعت
- توزيع
- التوزيعات
- منقسم
- نطاق
- بشكل جذري
- رسم
- دينامية
- كل
- تأثير
- ظهور
- تمكن
- تمكين
- النهائي إلى نهاية
- محرك
- الهندسة
- تعزيز
- المخصب
- بيئي
- السياسة البيئية
- أساسيا
- ممارسة
- توسع
- خبير
- خبرة
- شرح
- اكتشف
- التعبيرات
- تمديد
- استخراج
- العوامل
- زراعة
- الميزات
- المميزات
- قليل
- مجال
- الشكل
- اتباع
- متابعيك
- في حالة
- النموذج المرفق
- الإطار
- تبدأ من
- تماما
- إضافي
- توليد
- المناطق الجغرافية
- دولار فقط واحصل على خصم XNUMX% على جميع
- GitHub جيثب:
- معطى
- العالمية
- رسم بياني
- الرمادي
- أخضر
- شبكة
- التسويق
- توجيه
- مقبض
- يحدث
- يملك
- مخفي
- كيفية
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- الانسان
- المثالي
- تحديد
- تحديد
- إلينوي
- صورة
- صور
- التأثير
- التنفيذ
- ضمني
- استيراد
- أهمية
- مفروض
- فرض
- in
- يشمل
- بما فيه
- الوارد
- دمج
- في ازدياد
- من مؤشرات
- المؤشرات
- معلومات
- البنية التحتية
- في البداية
- في البداية
- رؤى
- مثل
- تعليمات
- رؤيتنا
- التفاعلات
- مصلحة
- تدخل
- أدخلت
- IT
- انها
- وظيفة
- علم
- المعرفة
- مختبرات
- كبير
- إطلاق
- إطلاق
- قيادة
- تعلم
- تعلم
- تعلم
- تحديد
- محدود
- أدب
- يعد
- آلة
- آلة التعلم
- الآلات
- صنع
- القيام ب
- إدارة
- رسم خريطة
- مارتن
- قناع
- ماسكات
- مباراة
- الرياضيات
- أمر
- نضج
- دمج
- آلية العمل
- المقاييس
- ربما
- الحليب
- ML
- نموذج
- عارضات ازياء
- وحدات
- الأكثر من ذلك
- متعدد
- الاسم
- ناسا
- قرب
- بالضرورة
- حاجة
- شبكة
- الشبكات
- التالي
- نيكولا
- العقدة
- توزيع العقدة
- العقد
- عدد
- تحصل
- of
- on
- عملية
- عمليات
- التحسين
- الأمثل
- خيار
- برتقال
- طلب
- ولاية أوريغون
- أخرى
- موازية
- المعلمات
- الآباء
- خاص
- مرت
- نفذ
- البناء الضوئي
- خط أنابيب
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- قابس
- سياسة
- المضلع
- ممكن
- منشور
- المفضل
- مبادئ
- قبل
- المشكلة
- عملية المعالجة
- معالجتها
- العمليات
- معالجة
- HAS
- الملكية
- المقترح
- يقترح
- النماذج
- تزود
- ويوفر
- بحت
- الأسئلة المتكررة
- عشوائية
- عشوائي
- نطاق
- الأجور
- استعداد
- معقول
- أحمر
- تخفيض
- تقليص
- منطقة
- صلة
- العلاقات
- إزالة
- استبدال
- مثل
- تمثل
- طلبات
- مطلوب
- دقة الشاشة
- الموارد
- استجابة
- مسؤول
- استعرض
- RGB
- العائد على الاستثمار
- يجري
- تشغيل
- sagemaker
- الأقمار الصناعية
- سيناريوهات
- عالم
- القسم
- تقسيم
- مختار
- كبير
- إحساس
- مسلسلات
- طقم
- عدة
- يظهر
- وبالمثل
- عزباء
- حل
- الحلول
- بعض
- مكاني
- طيفي
- المربعات
- المسرح
- مراحل
- معيار
- الولايه او المحافظه
- المحافظة
- إحصائيات
- الحالة
- خطوة
- خطوات
- إجهاد
- بناء
- دراسات
- ستوديو
- دراسة
- موضوع
- لاحق
- الدعم
- أنظمة
- مع الأخذ
- القلقاس
- التدريس
- قالب
- الاختبار
- أن
- •
- الرسم البياني
- الدولة
- العالم
- من مشاركة
- منهم
- وبالتالي
- تشبه
- الأشياء
- الآلاف
- ثلاثة
- عبر
- طوال
- الوقت
- إلى
- سويا
- قطار
- تحول
- تحويل
- شفاف
- علاج
- محاكمة
- محاكمات
- افضل
- في جامعة كاليفورنيا
- كشف
- مع
- فهم
- وحدة
- متحد
- الولايات المتحدة
- تحديث
- تحديث
- us
- تستخدم
- التحقق من صحة
- قيمنا
- مختلف
- الزيارات
- حجم
- مياه
- طرق
- الطقس
- أسابيع
- حسن
- West Side
- ابحث عن
- التي
- في حين
- سوف
- مع
- في غضون
- بدون
- العالم
- جاري الكتابة
- X
- سنوات
- التوزيعات للسهم الواحد
- عائدات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت