Dette indlæg præsenterer og sammenligner muligheder og anbefalede fremgangsmåder for, hvordan man administrerer Python-pakker og virtuelle miljøer i Amazon SageMaker Studio notesbøger. En offentlighed GitHub repo giver praktiske eksempler for hver af de præsenterede tilgange.
Amazon SageMaker Studio er et webbaseret, integreret udviklingsmiljø (IDE) til maskinlæring (ML), der lader dig bygge, træne, fejlsøge, implementere og overvåge dine ML-modeller. Studio giver alle de værktøjer, du har brug for til at tage dine modeller fra dataforberedelse til eksperimentering til produktion, mens du øger din produktivitet.
Studio notesbøger er samarbejdsbaserede Jupyter-notebooks, som du kan starte hurtigt, fordi du ikke behøver at konfigurere computerforekomster og fillagring på forhånd. Når du åbner en notesbog i Studio, bliver du bedt om at konfigurere dit miljø ved at vælge et SageMaker-billede, en kerne, en instanstype og eventuelt et livscykluskonfigurationsscript, der kører ved billedstart.
For flere detaljer om Studio notebook-koncepter og andre aspekter af arkitekturen, se Dyk dybt ned i Amazon SageMaker Studio Notebooks arkitektur.
Studio-notebooks er designet til at støtte dig i alle faser af din ML-udvikling, for eksempel idéskabelse, eksperimentering og operationalisering af en ML-arbejdsgang. Studio leveres med færdigbygget billeder der inkluderer det seneste Amazon SageMaker Python SDK og, afhængigt af billedtypen, andre specifikke pakker og ressourcer, såsom Spark-, MXNet- eller PyTorch-rammebiblioteker og deres nødvendige afhængigheder. Hvert billede kan være vært for et eller flere kerner, som kan være forskellige virtuelle miljøer til udvikling.
For at sikre den bedste pasform til din udviklingsproces og -faser, adgang til specifikke eller nyeste ML-frameworks eller for at opfylde dataadgang og styringskrav, kan du tilpasse de præbyggede notebook-miljøer eller oprette nye miljøer ved hjælp af dine egne billeder og kerner.
Dette indlæg overvejer følgende tilgange til tilpasning af Studio-miljøer ved at administrere pakker og skabe virtuelle Python-miljøer i Studio-notesbøger:
- Brug et brugerdefineret Studio KernelGateway-appbillede
- Brug Studio-notebook-livscykluskonfigurationer
- Brug studiet Amazon Elastic File System (Amazon EFS) volumen til at vedholde Conda-miljøer
- Brug
pip install
Studio KernelGateway-apps og notebook-kerner
En af de vigtigste forskelle i Studio notebooks arkitektur sammenlignet med SageMaker notebook-forekomster er, at Studio notebook-kerner kører i en Docker-beholder, kaldet en SageMaker billedbeholder, i stedet for at være vært direkte på Amazon Elastic Compute Cloud (Amazon EC2) instanser, hvilket er tilfældet med SageMaker notebook instanser.
Følgende diagram viser relationerne mellem KernelGateway, notebookkerner og SageMaker-billeder. (For mere information, se Brug Amazon SageMaker Studio Notebooks.)
På grund af denne forskel er der nogle detaljer om, hvordan du opretter og administrerer virtuelle miljøer i Studio-notebooks, for eksempel brug af Conda-miljøer eller persistens af ML-udviklingsmiljøer mellem genstart af kerne.
De følgende afsnit forklarer hver af de fire miljøtilpasningstilgange i detaljer, giver praktiske eksempler og anbefaler brugstilfælde for hver mulighed.
Forudsætninger
For at komme i gang med eksemplerne og prøve tilpasningsmetoderne på egen hånd, skal du have et aktivt SageMaker-domæne og mindst én brugerprofil i domænet. Hvis du ikke har et domæne, skal du se instruktionerne i Ombord på Amazon SageMaker Domain.
Studio KernelGateway brugerdefinerede app billeder
Et Studio KernelGateway-appbillede er en Docker-container, der identificerer kernerne, sprogpakkerne og andre afhængigheder, der kræves for at køre en Jupyter-notesbog i Studio. Du bruger disse billeder til at skabe miljøer, som du derefter kører Jupyter notesbøger på. Studio giver mange indbyggede billeder for dig at bruge.
Hvis du har brug for anden funktionalitet, specifikke rammer eller bibliotekspakker, kan du medbringe dine egne brugerdefinerede billeder (BYOI) til Studio.
Du kan oprette appbilleder og billedversioner, vedhæfte billedversioner til dit domæne og gøre en app tilgængelig for alle domænebrugere eller for specifikke brugerprofiler. Du kan administrere appbilleder via SageMaker-konsollen AWS SDK til Python (Boto3), og AWS kommandolinjegrænseflade (AWS CLI). Det brugerdefinerede billede skal gemmes i en Amazon Elastic Container Registry (Amazon ECR) repository.
De vigtigste fordele ved denne tilgang er et højt niveau af versionskontrol og reproducerbarhed af et ML runtime miljø og øjeblikkelig tilgængelighed af bibliotekspakker, fordi de er installeret i billedet. Du kan implementere omfattende tests, styring, sikkerhedsrækværk og CI/CD-automatisering for at producere brugerdefinerede appbilleder. At have snapshots af udviklingsmiljøer letter og håndhæver din organisations rækværk og sikkerhedspraksis.
Den tilvejebragte notesbog implementerer en proces til oprettelse af appbilleder til Conda-baserede miljøer. Notesbogen demonstrerer, hvordan du kan oprette multi-miljøbilleder, så brugerne af appen kan have et udvalg af kerner, de kan køre deres notesbøger på.
Konfigurer et brugerdefineret appbillede
Du skal køre denne notesbog som en SageMaker notebook-instans for at tillade brug af Docker lokalt og køre Docker-kommandoer i notesbogen. Alternativt til at bruge notebook-forekomster eller shell-scripts, kan du bruge Studio Image Build CLI at arbejde med Docker i Studio. Studio Image Build CLI lader dig bygge SageMaker-kompatible Docker-billeder direkte fra dine Studio-miljøer ved at bruge AWS CodeBuild.
Hvis du ikke har en SageMaker notebook-instans, skal du følge instruktionerne i Opret en Amazon SageMaker Notebook Instance at komme i gang.
Du skal også sikre dig, at den udførelsesrolle, du bruger til en notebook-forekomst, har de nødvendige tilladelser til Amazon ECR- og SageMaker-domæneoperationer:
For at skabe et brugerdefineret billede med to kerner, hver med deres eget Conda virtuelle miljø, implementerer notebooken følgende trin:
- Definer Conda-miljøerne. Conda-miljøet skal have en Jupyter-kernepakke installeret, f.eks.
ipykernel
til Python-kernen. - Definer en Dockerfile. Overvej det brugerdefinerede SageMaker-billede specifikationer når du laver dit eget billede.
- Byg et Docker-billede, der er kompatibelt med Studio, og skub billedet ind i ECR-lageret.
- Opret en SageMaker billede med Docker-billedet fra ECR-lageret og opret en indledende billedversion. Hver gang du opdaterer billedet i Amazon ECR, skal der oprettes en ny billedversion.
- Opdater et eksisterende SageMaker-domæne for at bruge dette billede. Til denne operation har udførerrollen brug for
UpdateDomain
tilladelse. Billedet er umiddelbart tilgængeligt for alle brugerprofiler på domænet. Hvis du kun vil gøre billedet tilgængeligt for en bestemt brugerprofil, kan du brugeUpdateUserProfile
API-kald i stedet forUpdateDomain
. - Launch det brugerdefinerede billede i Studio. Start en ny notesbog, og vælg det nye billede i rullemenuen til billedvalg.
Studio genkender automatisk Conda-miljøerne i dit billede som tilsvarende kerner i rullemenuen for kernevalg i Konfigurer notebookmiljø widget.
Der henvises til disse eksempler på notesbøger for flere eksempler og use cases på implementering af brugerdefinerede appbilleder.
Ryd op
For at undgå gebyrer skal du stoppe de aktive SageMaker notebook-forekomster. For instruktioner, se Ryd op.
Implementer en automatiseret billedforfattelsesproces
Som allerede nævnt kan du bruge Studio Image Build CLI at implementere en automatiseret CI/CD-proces til oprettelse og implementering af appbilleder med CodeBuild og sm-docker CLI. Det abstraherer opsætningen af dine Docker-byggemiljøer ved automatisk at opsætte de underliggende tjenester og arbejdsgange, der er nødvendige for at bygge Docker-billeder.
Anbefalede anvendelsestilfælde
Den brugerdefinerede app-billedtilgang passer godt til følgende scenarier, når du bruger et Studio-notebook-miljø:
- Stabile og kontrollerede miljøer til produktion eller følsom udviklingsbrug
- Miljøer uden internetadgang, hvor du vil forhåndspakke alle nødvendige ressourcer og biblioteker ind i billedet
- Højt miljøgenbrugsforhold og lav hastighed af ændringer i miljøerne
- Høj skala af datavidenskabelige operationer, snesevis eller hundredvis af udviklere eller teams, der har brug for adgang til standardiserede brugerdefinerede miljøer
- Brug biblioteker, der ikke kan konfigureres på SageMaker-førstepartsbillederne
- Krav til at bruge brugerdefinerede billeder til et andet OS eller andet programmeringssprog
- Centraliseret styring og miljøudvikling ved hjælp af automatiserede CI/CD-pipelines
Begrænsninger ved denne tilgang
Denne tilgang kræver en billedoprettelsesproces i flere trin, herunder test, som kan være overkill for mindre eller meget dynamiske miljøer. Overvej desuden følgende begrænsninger ved tilgangen:
- En forhåndsindsats er nødvendig for at tilføje nye pakker eller oprette nye versioner af et billede. Som afhjælpning kan du tilpasse det eksisterende brugerdefinerede billede med pip, selvom det ikke er vedvarende.
- Vedhæftning af et nyt brugerdefineret billede eller tilføjelse af en ny version til domænet kræver
UpdateDomain
tilladelse, som normalt ikke er knyttet til brugerprofilens udførelsesrolle. Vi anbefaler at bruge en automatiseret pipeline med en dedikeret eksekveringsrolle til at udføre denne handling eller give tilladelse til at opdatere et domæne til en dedikeret administratorbruger eller -rolle. - En høj manuel indsats for billedforfattelse er involveret. Vi anbefaler at implementere en automatiseret pipeline, hvis du producerer og opdaterer brugerdefinerede billeder ofte.
- Hvis du bruger Conda-miljøer, kan du støde på problemer med det i Docker-miljøet. For et eksempel henvises til Aktivering af et Conda-miljø i din Dockerfile. Ikke alle Conda-kommandoer virker muligvis i det virtuelle notebook-miljø. Denne Studio-tilpasningstilgang er dog ikke begrænset til Conda-baserede miljøer.
- Du kan ikke manuelt skifte mellem Conda-miljøer i notebooken; du skal skifte kerner i notebook-miljøets opsætningswidget.
Overvej også, at der er standard kvoter af 30 brugerdefinerede billeder pr. domæne og 5 billeder pr. brugerprofil. Disse er bløde grænser og kan øges.
De næste afsnit beskriver mere lette tilgange, der kan passe bedre til andre brugssager.
Studio notebook livscykluskonfigurationer
studie livscykluskonfigurationer definere et shell-script, der kører ved hver genstart af kernel-gateway-applikationen og kan installere de nødvendige pakker. Den største fordel er, at en dataforsker kan vælge, hvilket script der skal køres for at tilpasse containeren med nye pakker. Denne mulighed kræver ikke genopbygning af containeren og kræver i de fleste tilfælde slet ikke et brugerdefineret billede, fordi du kan tilpasse færdigbyggede.
Konfigurer en livscykluskonfigurationsproces
Denne proces tager omkring 5 minutter at fuldføre. Indlægget demonstrerer, hvordan man bruger livscykluskonfigurationerne via SageMaker-konsollen. Den tilvejebragte notesbog viser, hvordan man implementerer det samme programmæssigt ved hjælp af Boto3.
- Vælg på SageMaker-konsollen Livscykluskonfigurationer i navigationsruden.
- På studie fanebladet, vælg Opret konfiguration.
Det første trin til at oprette livscykluskonfigurationen er at vælge typen.
- For denne brug af installation af afhængigheder, hver gang en Jupyter-kerne-gateway-app oprettes, skal du vælge Jupyter kernel gateway app Og vælg Næste.
- Til Navn, indtast et navn til konfigurationen.
- I Scripts sektion, skal du definere scriptet, der skal køres, når kernen starter. For dette eksempel vil PyArrow-biblioteket blive installeret med følgende script:
- Vælg Opret konfiguration.
Nu hvor konfigurationen er oprettet, skal den knyttes til et domæne eller en brugerprofil. Når det er knyttet til domænet, arver alle brugerprofiler i det pågældende domæne det, mens det, når det er knyttet til en brugerprofil, er omfattet af den specifikke profil. Til denne gennemgang bruger vi Studio-domæneruten.
- Vælg domæner i navigationsruden og åbn dit eksisterende domæne.
- På Miljø fanebladet i Livscykluskonfigurationer for personlige Studio-apps sektion, skal du vælge Vedhæft.
- Til Kilde, Vælg Eksisterende konfiguration.
- Vælg den livscykluskonfiguration, du har oprettet, og vælg Vedhæft til domæne.
Nu hvor al konfigurationen er færdig, er det tid til at teste scriptet i Studio.
- Start Studio og på Launcher fanen, find Notesbøger og computerressourcer sektion, og vælg Skift miljø for at vælge den livscykluskonfiguration, du har oprettet.
- Til Opstartsscript, vælg den livscykluskonfiguration, du har oprettet, og vælg derefter Type.
- Vælg Opret notesbog.
Du kan også indstille livscykluskonfigurationen til at køre som standard i Livscykluskonfigurationer for personlige Studio-apps på startsiden for Domæne .
I den nye notesbog vil de afhængigheder, der er installeret i opstartsscriptet, være tilgængelige.
Anbefalede anvendelsestilfælde
Denne tilgang er let, men også kraftfuld, fordi den giver dig mulighed for at styre opsætningen af dit notebookmiljø via shell-scripts. De use cases, der bedst passer til denne tilgang, er følgende:
- Integrering af pakkeinstallationer i notebook-livscykluskonfigurationen, der skal køre ved hver kernestart.
- Miljøer uden internetadgang. Brug livscykluskonfigurationer til at opsætte et miljø for at få adgang til lokale eller sikkerhedsartefakt- og pakkelager, som f.eks AWS CodeArtifact.
- Hvis du allerede bruger livscykluskonfigurationer, kan du udvide dem til at omfatte pakkeinstallation.
- Installation af et par ekstra pakker oven på indbyggede eller brugerdefinerede app-billeder.
- Når du har brug for en kortere tid til markedsføring end med brugerdefinerede appbilleder.
Begrænsninger ved denne tilgang
De vigtigste begrænsninger er en stor indsats for at administrere livscykluskonfigurationsscripts i skala og langsom installation af pakker. Afhængigt af hvor mange pakker der er installeret, og hvor store de er, kan livscyklusscriptet endda timeout. Der er også begrænsede muligheder for ad hoc-scripttilpasning af brugere, såsom datavidenskabsmænd eller ML-ingeniører, på grund af tilladelser til udførelsesrollen for brugerprofilen.
Der henvises til SageMaker Studio Lifecycle Configuration Samples for flere prøver og use cases.
Vedvarende Conda-miljøer til Studio EFS-volumen
SageMaker-domæner og Studio bruger en EFS-volumen som et vedvarende lagerlag. Du kan gemme dine Conda-miljøer på denne EFS-diskenhed. Disse miljøer er vedvarende mellem genstart af kerne, app eller Studio. Studio opfanger automatisk alle miljøer som KernelGateway-kerner.
Dette er en ligetil proces for en dataforsker, men der er en forsinkelse på 1 minut, før miljøet vises på listen over valgbare kerner. Der kan også være problemer med at bruge miljøer til kerne-gateway-apps, der har forskellige beregningskrav, for eksempel et CPU-baseret miljø på en GPU-baseret app.
Der henvises til Brugerdefinerede Conda-miljøer på SageMaker Studio for detaljerede instruktioner. Indlæggets GitHub-repo indeholder også en notesbog med trin-for-trin guiden.
Skab vedvarende Conda-miljøer på en Studio EFS-diskenhed
Denne gennemgang bør tage omkring 10 minutter.
- På Studio, vælg Home i navigationsruden.
- Vælg Åbn Launcher.
- Find i Launcher Notesbøger og computerressourcer sektion.
- Tjek, at det valgte SageMaker-billede er et Conda-understøttet førsteparts-kernebillede, såsom "Data Science".
- Vælg Åbn billedterminal for at åbne et terminalvindue med en ny kerne.
Der vises en meddelelse, der siger "Starter billedterminal...", og efter et øjeblik åbnes den nye terminal i en ny fane.
- Kør følgende kommandoer i terminalen:
Disse kommandoer vil tage omkring 3 minutter at køre og vil oprette en mappe på EFS-diskenheden til at gemme Conda-miljøerne, oprette det nye Conda-miljø og aktivere det, installere ipykernel
afhængigheder (uden denne afhængighed fungerer denne løsning ikke), og opret til sidst en Conda-konfigurationsfil (.condarc
), som indeholder referencen til det nye Conda-miljøkatalog. Da dette er et nyt Conda-miljø, er der ikke installeret yderligere afhængigheder. For at installere andre afhængigheder kan du ændre conda install
linje eller vent på, at følgende kommandoer afsluttes, og installer eventuelle yderligere afhængigheder, mens du er inde i Conda-miljøet.
- I dette eksempel installerer vi NumPy-biblioteket ved at køre følgende kommando i terminalvinduet:
Nu, hvor Conda-miljøet er oprettet, og afhængighederne er installeret, kan du oprette en notesbog, der bruger dette Conda-miljø, der var vedblivende på Amazon EFS.
- På Studio Launcher skal du vælge Opret notesbog.
- Fra den nye notesbog skal du vælge "Python 3 (Data Science)"-kernen.
- Til kernel, vælg det nyoprettede Conda-miljø, og vælg derefter Type.
Hvis der i første omgang ikke er nogen mulighed for det nye Conda-miljø, kan det skyldes, at det tager et par minutter at udbrede sig.
Tilbage i notesbogen vil kernenavnet være ændret i øverste højre hjørne, og i en celle kan du teste, at de installerede afhængigheder er tilgængelige.
Anbefalede anvendelsestilfælde
Følgende use cases passer bedst til denne tilgang:
- Miljøer uden internetadgang, med alle afhængigheder forudinstalleret i de vedvarende Conda-miljøer
- Ad hoc-miljøer, der har brug for vedholdenhed mellem kernesessioner
- Test af brugerdefinerede SageMaker-billeder i Studio før oprettelse af et Docker-billede og skub til Amazon ECR
Begrænsninger ved denne tilgang
Selvom denne tilgang har praktiske anvendelser, skal du overveje følgende begrænsninger:
- Der kan være ydeevneproblemer med Amazon EFS på mange små filer, hvilket er meget almindeligt, når man administrerer Python-pakker.
- Det kan være udfordrende at dele vedvarende miljøer mellem Studio-brugerprofiler.
- Det kan være udfordrende at genbruge vedvarende miljøer.
- Det kan være udfordrende at håndtere ledelse i stor skala.
- Tilgangen fungerer kun med specifikke Conda-baserede førsteparts SageMaker-billeder, for eksempel "Data Science", "Data Science 2.0" og "Data Science 3.0." Se en liste over alle tilgængelige billeder Tilgængelige Amazon SageMaker-billeder.
Pip installation
Du kan installere pakker direkte i standard Conda-miljøet eller standard Python-miljøet.
Opret en setup.py
or requirements.txt
fil med alle nødvendige afhængigheder og kør %pip install .-r requirement.txt
. Du skal køre denne kommando, hver gang du genstarter kernen eller genskaber en app.
Denne tilgang anbefales til ad hoc-eksperimentering, fordi disse miljøer ikke er vedvarende.
For flere detaljer om brug af pip install
kommando og begrænsninger, se Installer eksterne biblioteker og kerner i Amazon SageMaker Studio.
Anbefalede anvendelsestilfælde
Denne tilgang er en standard måde at installere pakker på for at tilpasse dit notebookmiljø. De anbefalede brugstilfælde er begrænset til ikke-produktionsbrug til ad hoc-eksperimentering i en notesbog:
- Ad hoc-eksperimenter i Studio-notesbøger
- Ikke-produktive og ikke-følsomme miljøer, sandkassemiljøer
- Miljøer med internetadgang
Begrænsninger ved denne tilgang
De vigtigste begrænsninger ved denne tilgang er:
- Nogle virksomhedsmiljøer blokerer alle udgående og indgående internetforbindelser, og du kan ikke bruge
pip install
for at trække Python-pakker eller skal konfigurere en offline-tilstand - Lavere reproducerbarhed af miljøer
- Skal vente, indtil pakker er downloadet og installeret
- Ingen vedholdenhed mellem genstart af billedet
Konklusion
SageMaker Studio tilbyder en bred vifte af mulig tilpasning af udviklingsmiljøer. Hver brugerrolle såsom en dataforsker; en ML-, MLOps- eller DevOps-ingeniør; og en administrator kan vælge den bedst egnede tilgang baseret på deres behov, plads i udviklingscyklussen og virksomhedens autoværn.
Følgende tabel opsummerer de præsenterede tilgange sammen med deres foretrukne anvendelsestilfælde og hovedbegrænsninger.
Tilgang | Vedholdenhed | Best Fit Use Cases | Begrænsninger |
Medbring dit eget billede | Permanent, kan overføres mellem brugerprofiler og domæner |
|
|
Livscykluskonfigurationer | Permanent, kan overføres mellem brugerprofiler og domæner |
|
|
Conda-miljøer på Studio EFS-volumen | Permanent, kan ikke overføres mellem brugerprofiler eller domæner |
|
|
Pip installation | Forbigående, ingen persistens mellem billede eller Studio genstarter, kan ikke overføres mellem brugerprofiler eller domæner |
|
|
Det er stadig dag 1. Det virkelige virtuelle miljø og Python-administration er langt mere kompleks end disse fire tilgange, men dette indlæg hjælper dig med de første trin til at udvikle din egen use case.
Du kan finde flere use cases, detaljer og praktiske eksempler i følgende ressourcer:
Om forfatterne
Yevgeniy Ilyin er Solutions Architect hos Amazon Web Services (AWS). Han har over 20 års erfaring med at arbejde på alle niveauer af softwareudvikling og løsningsarkitektur og har brugt programmeringssprog fra COBOL og Assembler til .NET, Java og Python. Han udvikler og koder cloud native løsninger med fokus på big data, analytics og data engineering.
Alex Grace er Solutions Architect hos Amazon Web Services (AWS), der tager sig af Fintech Digital Native Businesses. Baseret i London arbejder Alex med et par af Storbritanniens førende Fintechs og nyder at støtte deres brug af AWS til at løse forretningsproblemer og fremme fremtidig vækst. Tidligere har Alex arbejdet som softwareudvikler og tech lead hos Fintech startups i London og har på det seneste været specialiseret i AWS' maskinlæringsløsninger.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/
- :er
- $OP
- 1
- 10
- 100
- 11
- 20 år
- 7
- 8
- a
- Om
- abstracts
- adgang
- Konto
- Handling
- aktiv
- Ad
- Yderligere
- adresse
- admin
- Efter
- alex
- Alle
- tillader
- allerede
- Amazon
- Amazon EC2
- Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- Amazon Web Services (AWS)
- analytics
- ,
- api
- app
- vises
- Anvendelse
- tilgang
- tilgange
- apps
- arkitektur
- ER
- omkring
- AS
- aspekter
- At
- vedhæfte
- forfatter
- Automatiseret
- automatisk
- Automation
- tilgængelighed
- til rådighed
- AWS
- baseret
- BE
- fordi
- før
- gavner det dig
- fordele
- BEDSTE
- Bedre
- mellem
- Big
- Big data
- Bloker
- fremme
- bringe
- bred
- bygge
- Bygning
- indbygget
- virksomhed
- virksomheder
- by
- ringe
- kaldet
- CAN
- tilfælde
- tilfælde
- udfordringer
- udfordrende
- Ændringer
- afgifter
- Vælg
- vælge
- Cloud
- COBOL
- kollaborativ
- Fælles
- sammenlignet
- kompatibel
- fuldføre
- komplekse
- omfattende
- Compute
- begreber
- Konfiguration
- Tilslutninger
- Overvej
- anser
- Konsol
- Container
- indeholder
- kontrol
- kontrolleret
- kontrol
- Corner
- Tilsvarende
- kunne
- skabe
- oprettet
- Oprettelse af
- skabelse
- skik
- tilpasning
- tilpasse
- cyklus
- data
- dataadgang
- Dataforberedelse
- datalogi
- dataforsker
- dag
- dedikeret
- dyb
- Standard
- forsinkelse
- demonstrerer
- Afhængighed
- Afhængigt
- indsætte
- implementering
- beskrive
- konstrueret
- detail
- detaljeret
- detaljer
- Udvikler
- udviklere
- udvikling
- Udvikling
- udvikler
- forskel
- forskelle
- forskellige
- digital
- direkte
- displays
- Docker
- Er ikke
- domæne
- Domæner
- Dont
- downloade
- snesevis
- dynamisk
- hver
- effekt
- indsats
- ingeniør
- Engineering
- Ingeniører
- sikre
- Indtast
- Enterprise
- Miljø
- miljøer
- Endog
- Hver
- eksempel
- eksempler
- udførelse
- eksisterende
- erfaring
- Forklar
- udvide
- ekstern
- letter
- få
- File (Felt)
- Filer
- Endelig
- Finde
- slut
- fintech
- fintech opstart
- fintechs
- Fornavn
- første skridt
- passer
- Fokus
- følger
- efter
- Til
- Framework
- rammer
- hyppigt
- fra
- Brændstof
- funktionalitet
- Endvidere
- fremtiden
- fremtidig vækst
- gateway
- få
- GitHub
- Giv
- Golden
- godt
- regeringsførelse
- Vækst
- vejlede
- hands-on
- Have
- have
- hjælper
- Høj
- host
- hostede
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- Hundreder
- identificerer
- billede
- billeder
- umiddelbar
- straks
- gennemføre
- implementering
- gennemføre
- redskaber
- importere
- in
- omfatter
- Herunder
- øget
- oplysninger
- initial
- installere
- installeret
- installation
- instans
- i stedet
- anvisninger
- integreret
- Internet
- Internetadgang
- involverede
- spørgsmål
- IT
- Java
- jpg
- Sprog
- Sprog
- stor
- seneste
- lancere
- lag
- føre
- førende
- læring
- Lets
- Niveau
- niveauer
- biblioteker
- Bibliotek
- livscyklus
- letvægt
- GRÆNSE
- begrænsninger
- Limited
- grænser
- Line (linje)
- Liste
- lokale
- lokalt
- London
- Lang
- UDSEENDE
- Lav
- maskine
- machine learning
- Main
- lave
- administrere
- lykkedes
- ledelse
- styring
- manuel
- manuelt
- mange
- Marked
- nævnte
- Menu
- besked
- måske
- minutter
- afbødning
- ML
- MLOps
- modeller
- ændre
- Moments
- Overvåg
- mere
- mest
- flere
- navn
- indfødte
- Navigation
- nødvendig
- Behov
- behov
- netto
- Ny
- næste
- Normalt
- notesbog
- bedøvet
- of
- Tilbud
- offline
- on
- ONE
- åbent
- drift
- Produktion
- Option
- Indstillinger
- OS
- Andet
- egen
- pakke
- pakker
- side
- brød
- parametre
- Udfør
- ydeevne
- tilladelse
- Tilladelser
- udholdenhed
- personale
- picks
- pipeline
- Place
- plato
- Platon Data Intelligence
- PlatoData
- mulig
- Indlæg
- vigtigste
- Praktisk
- praksis
- foretrækkes
- forelagt
- gaver
- tidligere
- problemer
- behandle
- forarbejdning
- producere
- produktion
- produktivitet
- Profil
- Profiler
- Programmering
- programmeringssprog
- give
- forudsat
- giver
- offentlige
- Skub ud
- Pushing
- Python
- pytorch
- hurtigt
- rækkevidde
- Sats
- hellere
- forholdet
- virkelige verden
- for nylig
- anerkender
- anbefaler
- anbefales
- relationer
- Repository
- kræver
- påkrævet
- krav
- Krav
- Kræver
- ressource
- Ressourcer
- roller
- R
- Kør
- kører
- sagemaker
- samme
- sandkasse
- Gem
- Scale
- scenarier
- Videnskab
- Videnskabsmand
- forskere
- scripts
- SDK
- Sektion
- sektioner
- sikkerhed
- valgt
- valg
- følsom
- Tjenester
- sæt
- indstilling
- setup
- Del
- Shell
- bør
- Shows
- enkelt
- langsom
- lille
- mindre
- So
- Soft
- Software
- softwareudvikling
- løsninger
- Løsninger
- SOLVE
- nogle
- Spark
- specialiseret
- specifikke
- stabil
- standard
- starte
- påbegyndt
- starter
- opstart
- Nystartede
- Statement
- Trin
- Steps
- Stadig
- Stands
- opbevaring
- butik
- opbevaret
- ligetil
- Studio
- sådan
- egnede
- support
- Støtte
- Kontakt
- bord
- Tag
- tager
- hold
- tech
- terminal
- prøve
- tests
- at
- deres
- Them
- Disse
- tid
- til
- værktøjer
- top
- Tog
- Kurser
- underliggende
- Opdatering
- Brug
- brug
- brug tilfælde
- Bruger
- brugere
- udgave
- via
- Virtual
- bind
- vente
- går igennem
- Vej..
- web
- webservices
- web-baseret
- som
- mens
- WHO
- vilje
- med
- inden for
- uden
- Arbejde
- arbejdede
- arbejder
- virker
- år
- Du
- Din
- zephyrnet