In seinem Buch Das Buch des Warum, Judea Pearl plädiert dafür, Maschinen Prinzipien von Ursache und Wirkung beizubringen, um ihre Intelligenz zu verbessern. Die Errungenschaften des Deep Learning sind im Wesentlichen nur eine Art Kurvenanpassung, während Kausalität verwendet werden könnte, um Wechselwirkungen zwischen den Systemen der Welt unter verschiedenen Einschränkungen aufzudecken, ohne Hypothesen direkt zu testen. Dies könnte Antworten liefern, die uns zu AGI (Künstliche Generalisierte Intelligenz) führen.
Diese Lösung schlägt einen kausalen Inferenzrahmen vor, der Bayes'sche Netzwerke verwendet, um kausale Abhängigkeiten darzustellen und kausale Schlussfolgerungen auf der Grundlage von beobachteten Satellitenbildern und experimentellen Versuchsdaten in Form von simulierten Wetter- und Bodenbedingungen zu ziehen. Der Fallstudie ist der kausale Zusammenhang zwischen stickstoffbasierter Düngung und den Maiserträgen.
Die Satellitenbilder werden mit speziell angefertigten verarbeitet Geodatenfunktionen von Amazon SageMaker und angereichert mit Sonderanfertigungen Amazon SageMaker-Verarbeitung Operationen. Die kausale Inferenz-Engine wird mit bereitgestellt Amazon SageMaker Asynchrone Inferenz.
In diesem Beitrag zeigen wir, wie Sie diese kontrafaktische Analyse erstellen Amazon SageMaker-JumpStart Lösungen
Lösungsüberblick
Das folgende Diagramm zeigt die Architektur für den End-to-End-Workflow.
Voraussetzungen:
Du brauchst ein AWS-Konto um diese Lösung zu verwenden.
Um diese JumpStart 1P-Lösung auszuführen und die Infrastruktur auf Ihrem AWS-Konto bereitzustellen, müssen Sie eine aktive Amazon SageMaker-Studio Beispiel (siehe Integrieren in die Amazon SageMaker-Domäne). Wenn Ihre Studio-Instanz fertig ist, folgen Sie den Anweisungen in SageMaker-JumpStart die Crop Yield Counterfactuals-Lösung einzuführen.
Beachten Sie, dass diese Lösung derzeit nur in der Region USA West (Oregon) verfügbar ist.
Kausalschluss
Bei Kausalität geht es darum, Veränderungen zu verstehen, aber wie man dies in Statistik und maschinellem Lernen (ML) formalisiert, ist keine triviale Übung.
In dieser Ernteertragsstudie könnten der als Dünger zugesetzte Stickstoff und die Ertragsergebnisse verwechselt werden. In ähnlicher Weise könnten der als Düngemittel zugesetzte Stickstoff und die Ergebnisse der Stickstoffauswaschung ebenfalls verwechselt werden, in dem Sinne, dass eine gemeinsame Ursache ihren Zusammenhang erklären kann. Assoziation ist jedoch keine Kausalität. Wenn wir wissen, welche beobachteten Faktoren die Assoziation verwirren, erklären wir sie, aber was ist, wenn es andere versteckte Variablen gibt, die für die Verwirrung verantwortlich sind? Die Reduzierung der Düngermenge wird nicht unbedingt den Reststickstoff reduzieren; Ebenso könnte es den Ertrag nicht drastisch verringern, während die Boden- und Klimabedingungen die beobachteten Faktoren sein könnten, die die Assoziation verwirren. Der Umgang mit Confounding ist das zentrale Problem der kausalen Inferenz. Eine von RA Fisher eingeführte Technik genannt randomisierte, kontrollierte Studie zielt darauf ab, mögliche Verwirrung zu brechen.
In Ermangelung randomisierter Kontrollstudien ist jedoch eine kausale Inferenz ausschließlich aus Beobachtungsdaten erforderlich. Es gibt Möglichkeiten, die kausalen Fragen mit Daten in Beobachtungsstudien zu verbinden, indem das kausale grafische Modell auf das geschrieben wird, was wir postulieren, wie Dinge passieren. Dies beinhaltet die Behauptung, dass die entsprechenden Traversen die entsprechenden Abhängigkeiten erfassen und gleichzeitig das grafische Kriterium für bedingte Ignorierbarkeit erfüllen (inwieweit wir Kausalität als Assoziation basierend auf den kausalen Annahmen behandeln können). Nachdem wir die Struktur postuliert haben, können wir die impliziten Invarianzen verwenden, um aus Beobachtungsdaten zu lernen und kausale Fragen einzufügen, um kausale Behauptungen ohne randomisierte Kontrollversuche abzuleiten.
Diese Lösung verwendet sowohl Daten aus simulierten randomisierten Kontrollstudien (RCTs) als auch Beobachtungsdaten aus Satellitenbildern. Eine Reihe von Simulationen, die über Tausende von Feldern und mehrere Jahre in Illinois (USA) durchgeführt wurden, werden verwendet, um die Maisreaktion auf steigende Stickstoffraten für eine breite Kombination von Wetter- und Bodenvariationen in der Region zu untersuchen. Es befasst sich mit der Einschränkung der Verwendung von Versuchsdaten, die in der Anzahl der Böden und Jahre begrenzt sind, die es untersuchen kann, indem es Erntesimulationen verschiedener landwirtschaftlicher Szenarien und Regionen verwendet. Die Datenbank wurde anhand von Daten aus mehr als 400 Studien in der Region kalibriert und validiert. Die anfängliche Stickstoffkonzentration im Boden wurde zufällig innerhalb eines angemessenen Bereichs eingestellt.
Darüber hinaus wird die Datenbank mit Beobachtungen aus Satellitenbildern erweitert, während zonale Statistiken aus Spektralindizes abgeleitet werden, um räumlich-zeitliche Veränderungen in der Vegetation darzustellen, die über Geographien und phänologische Phasen hinweg gesehen werden.
Kausale Inferenz mit Bayes'schen Netzen
Strukturelle Kausalmodelle (SCMs) verwenden grafische Modelle, um kausale Abhängigkeiten darzustellen, indem sie sowohl datengesteuerte als auch menschliche Eingaben einbeziehen. Eine besondere Art von strukturkausalen Modellen namens Bayes'sche Netzwerke wird vorgeschlagen, um die Dynamik der Pflanzenphänologie unter Verwendung von Wahrscheinlichkeitsausdrücken zu modellieren, indem Variablen als Knoten und Beziehungen zwischen Variablen als Kanten dargestellt werden. Knoten sind Indikatoren für Pflanzenwachstum, Boden- und Wetterbedingungen, und die Kanten zwischen ihnen repräsentieren räumlich-zeitliche Kausalbeziehungen. Die übergeordneten Knoten sind feldbezogene Parameter (einschließlich Saattag und bepflanzter Fläche), und die untergeordneten Knoten sind Messwerte für Ertrag, Stickstoffaufnahme und Stickstoffauswaschung.
Weitere Informationen finden Sie im Abschnitt Datenbankcharakterisierung und für Guide zur Bestimmung der Maiswachstumsstadien.
Es sind einige Schritte erforderlich, um ein Bayes'sches Netzwerkmodell (mit KausalNex), bevor wir sie für kontrafaktische und interventionelle Analysen verwenden können. Die Struktur des kausalen Modells wird zunächst aus Daten gelernt, während Fachexpertise (vertrauenswürdige Literatur oder empirische Überzeugungen) verwendet wird, um zusätzliche Abhängigkeiten und Unabhängigkeiten zwischen Zufallsvariablen und Interventionsvariablen zu postulieren und die Struktur als kausal zu behaupten.
Die richtigen KEINE TRÄNEN, einem kontinuierlichen Optimierungsalgorithmus für das Strukturlernen, wird die Graphstruktur, die bedingte Abhängigkeiten zwischen Variablen beschreibt, aus Daten gelernt, wobei Kanten, übergeordneten Knoten und untergeordneten Knoten eine Reihe von Einschränkungen auferlegt werden, die im kausalen Modell nicht zulässig sind. Dadurch bleiben die zeitlichen Abhängigkeiten zwischen Variablen erhalten. Siehe folgenden Code:
"""
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,
)
Der nächste Schritt codiert Domänenwissen in Modellen und erfasst die Dynamik der Phänologie, während falsche Beziehungen vermieden werden. Multikollinearitätsanalyse, Variationsinflationsfaktoranalyse und globale Merkmalwichtigkeit unter Verwendung FORM Es werden Analysen durchgeführt, um Erkenntnisse und Einschränkungen zu Wasserstressvariablen (Ausdehnung, Phänologie und Photosynthese um die Blüte herum), Wetter- und Bodenvariablen, Spektralindizes und stickstoffbasierten Indikatoren zu extrahieren:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Bayessche Netzwerke in CausalNex unterstützen nur diskrete Verteilungen. Alle kontinuierlichen Features oder Features mit einer großen Anzahl von Kategorien werden vor dem Anpassen des Bayes'schen Netzwerks diskretisiert:
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,
)
Nachdem die Struktur überprüft wurde, kann die bedingte Wahrscheinlichkeitsverteilung jeder Variablen bei gegebenen Eltern in einem Schritt namens aus den Daten gelernt werden Wahrscheinlichkeitsschätzung:
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",
)
Schließlich werden die Struktur und die Wahrscheinlichkeiten verwendet, um eine beobachtende Inferenz im Handumdrehen nach einer deterministischen Methode durchzuführen Junction-Tree-Algorithmus (JTA) und Interventionen mit Kalkül. Asynchrone SageMaker-Inferenz ermöglicht das Einreihen eingehender Anfragen in eine Warteschlange und verarbeitet sie asynchron. Diese Option ist sowohl für Beobachtungsszenarien als auch für kontrafaktische Inferenzszenarien ideal, bei denen der Prozess nicht parallelisiert werden kann und daher viel Zeit in Anspruch nimmt, um die Wahrscheinlichkeiten im gesamten Netzwerk zu aktualisieren, obwohl mehrere Abfragen parallel ausgeführt werden können. Siehe folgenden Code:
"""
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")
Weitere Einzelheiten finden Sie unter Inferenzskript.
Das kausale Modell Notizbuch ist eine Schritt-für-Schritt-Anleitung zum Ausführen der vorhergehenden Schritte.
Geodatenverarbeitung
Erdbeobachtungsjobs (EOJs) werden miteinander verkettet, um Satellitenbilder zu erfassen und zu transformieren, während speziell entwickelte Operationen und vortrainierte Modelle für Wolkenentfernung, Mosaikierung, Bandmathematikoperationen und Resampling verwendet werden. In diesem Abschnitt diskutieren wir detaillierter die Verarbeitungsschritte für Geoinformationen.
Interessengebiet
In der folgenden Abbildung sind grüne Polygone die ausgewählten Landkreise, das orange Gitter ist die Datenbankkarte (ein Gitter aus 10 x 10 km großen Zellen, in denen Versuche in der Region durchgeführt werden) und das Gitter aus Graustufenquadraten ist 100 km x 100 km Sentinel-2 UTM-Kachelraster.
Räumliche Dateien werden verwendet, um die simulierte Datenbank mit entsprechenden Satellitenbildern zu kartieren, wobei Polygone von 10 km x 10 km großen Zellen überlagert werden, die den Bundesstaat Illinois (wo in der Region Versuche durchgeführt werden), Polygone der Grafschaften und 100 km x 100 km Sentinel- 2 UTM-Kacheln. Um die Geodatenverarbeitungspipeline zu optimieren, werden zunächst einige Sentinel-2-Kacheln in der Nähe ausgewählt. Als nächstes werden die aggregierten Geometrien von Kacheln und Zellen überlagert, um den interessierenden Bereich (RoI) zu erhalten. Die Bezirke und die Zell-IDs, die innerhalb des RoI vollständig beobachtet werden, werden ausgewählt, um die Polygongeometrie zu bilden, die an die EOJs weitergegeben wird.
Zeitspanne
Für diese Übung wird der phänologische Zyklus des Maises in drei Stadien unterteilt: die vegetativen Stadien v5 bis R1 (Auflaufen, Blattkragen und Quastenbildung), die reproduktiven Stadien R1 bis R4 (Seiden, Blister, Milch und Teig) und die reproduktiven Stadien R5 (verbeult) und R6 (physiologische Reife). Aufeinanderfolgende Satellitenbesuche werden für jedes Phänologiestadium innerhalb eines Zeitraums von 2 Wochen und einem vordefinierten Interessengebiet (ausgewählte Landkreise) erfasst, was eine räumliche und zeitliche Analyse von Satellitenbildern ermöglicht. Die folgende Abbildung veranschaulicht diese Metriken.
Cloud-Entfernung
Die Wolkenentfernung für Sentinel-2-Daten verwendet ein ML-basiertes semantisches Segmentierungsmodell, um Wolken im Bild zu identifizieren, wobei wolkige Pixel durch den Wert -9999 (Nodata-Wert) ersetzt werden:
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)
Nachdem das EOJ erstellt wurde, wird der ARN zurückgegeben und verwendet, um die nachfolgende Geomosaic-Operation durchzuführen.
Um den Status eines Jobs abzurufen, können Sie ausführen sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaik
Das Geomosaik-EOJ wird verwendet, um Bilder von mehreren Satellitenbesuchen zu einem großen Mosaik zusammenzuführen, indem keine Daten oder transparente Pixel (einschließlich der wolkigen Pixel) mit Pixeln aus anderen Zeitstempeln überschrieben werden:
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)
Nachdem das EOJ erstellt wurde, wird der ARN zurückgegeben und verwendet, um die nachfolgende Resampling-Operation durchzuführen.
Resampling
Resampling wird verwendet, um die Auflösung des Geodatenbilds herunterzuskalieren, um sie an die Auflösung der Schnittmasken anzupassen (Neuskalierung der Auflösung von 10–30 m):
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)
Nachdem das EOJ erstellt wurde, wird der ARN zurückgegeben und verwendet, um die nachfolgende Band-Mathematik-Operation durchzuführen.
Band-Mathematik
Bandmathematische Operationen werden zum Transformieren der Beobachtungen von mehreren Spektralbändern in ein einzelnes Band verwendet. Es enthält die folgenden Spektralindizes:
- EVI2 – Verbesserter Zwei-Band-Vegetationsindex
- GDVI – Verallgemeinerter Differenzvegetationsindex
- NDMI – Normalisierter Differenzfeuchteindex
- NDVI – Normalisierter Differenz-Vegetationsindex
- NDWI – Normalisierter Differenzwasserindex
Siehe folgenden Code:
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)
Zonale Statistiken
Die Spektralindizes werden weiter angereichert mit Amazon SageMaker-Verarbeitung, wobei GDAL-basierte benutzerdefinierte Logik verwendet wird, um Folgendes zu tun:
- Zusammenführen der Spektrale Indizes in ein einziges Mehrkanal-Mosaik
- Reprojizieren Sie das Mosaik auf die Schnittmaske's Projektion
- Wenden Sie die Schnittmaske an und projizieren Sie das Mosaik neu auf den CRC der Zellenpolygone
- Berechnen Sie zonale Statistiken für ausgewählte Polygone (10 km x 10 km Zellen)
Bei der parallelisierten Datenverteilung werden Manifestdateien (für jedes phänologische Stadium der Ernte) mithilfe von auf mehrere Instanzen verteilt ShardedByS3Key
S3-Datenverteilungstyp. Weitere Einzelheiten finden Sie unter Feature-Extraktionsskript.
Die Geodatenverarbeitung Notizbuch ist eine Schritt-für-Schritt-Anleitung zum Ausführen der vorhergehenden Schritte.
Die folgende Abbildung zeigt RGB-Kanäle aufeinanderfolgender Satellitenbesuche, die die vegetativen und reproduktiven Stadien des Maisphänologiezyklus darstellen, mit (rechts) und ohne (links) Erntemasken (KW 20, 26 und 33, 2018 Central Illinois).
In der folgenden Abbildung sind Spektralindizes (NDVI, EVI2, NDMI) aufeinanderfolgender Satellitenbesuche repräsentieren die vegetativen und reproduktiven Stadien des Maisphänologiezyklus (KW 20, 26 und 33, 2018, Zentral-Illinois).
Aufräumen
Wenn Sie diese Lösung nicht mehr verwenden möchten, können Sie die erstellten Ressourcen löschen. Nachdem die Lösung in Studio bereitgestellt wurde, wählen Sie Löschen Sie alle Ressourcen zum automatischen Löschen aller Standardressourcen, die beim Start der Lösung erstellt wurden, einschließlich des S3-Buckets.
Zusammenfassung
Diese Lösung bietet eine Blaupause für Anwendungsfälle, in denen kausale Inferenz mit Bayes'schen Netzwerken die bevorzugte Methode zur Beantwortung kausaler Fragen aus einer Kombination von Daten und menschlichen Eingaben ist. Der Workflow umfasst eine effiziente Implementierung der Inferenz-Engine, die eingehende Anfragen und Interventionen in eine Warteschlange stellt und sie asynchron verarbeitet. Der modulare Aspekt ermöglicht die Wiederverwendung verschiedener Komponenten, einschließlich Geodatenverarbeitung mit speziell entwickelten Operationen und vortrainierten Modellen, Anreicherung von Satellitenbildern mit benutzerdefinierten GDAL-Operationen und multimodales Feature-Engineering (Spektralindizes und tabellarische Daten).
Darüber hinaus können Sie diese Lösung als Vorlage zum Erstellen von gerasterten Pflanzenmodellen verwenden, in denen Stickstoffdüngermanagement und umweltpolitische Analysen durchgeführt werden.
Weitere Informationen finden Sie unter Lösungsvorlagen und folgen Sie den Guide die Crop Yield Counterfactuals-Lösung in der Region USA West (Oregon) einzuführen. Den Code gibt es im GitHub Repo.
Zitate
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Simulierter Datensatz der Reaktion von Mais auf Stickstoff über Tausende von Feldern und mehrere Jahre in Illinois,
Daten in Kürze, Band 40, 2022, 107753, ISSN 2352-3409
Nützliche Adressen
Über die Autoren
Paul Bärna ist Senior Data Scientist bei den Machine Learning Prototyping Labs bei AWS.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :Ist
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Über Uns
- Errungenschaften
- Konto
- erwerben
- erworben
- über
- aktiv
- hinzugefügt
- Zusatz
- Zusätzliche
- Adressen
- Befürworter
- Nach der
- AGI
- Ziel
- Algorithmus
- Alle
- erlaubt
- Obwohl
- Amazon
- Amazon Sage Maker
- Amazon SageMaker-JumpStart
- unter
- Betrag
- Analyse
- und
- Antworten
- von jedem Standort
- Anwendung
- Architektur
- SIND
- Bereich
- um
- AS
- Aussehen
- Behauptung
- Verein
- At
- Im Prinzip so, wie Sie es von Google Maps kennen.
- verfügbar
- Vermeidung von
- AWS
- BAND
- basierend
- Bayesianisch
- BE
- Bevor
- zwischen
- Blau
- buchen
- Break
- breit
- bauen
- Building
- by
- namens
- CAN
- Fähigkeiten
- Erfassung
- Captures
- Fälle
- Kategorien
- Verursachen
- Die Zellen
- Hauptgeschäftsstelle
- angekettet
- Übernehmen
- Änderungen
- Kanäle
- der
- Auswählen
- behauptet
- aus aller Welt
- Cloud
- Code
- Halsbänder
- Kombination
- gemeinsam
- Komponenten
- Konzentration
- Bedingungen
- durchgeführt
- Vernetz Dich
- aufeinanderfolgenden
- Einschränkungen
- kontinuierlich
- Smartgeräte App
- gesteuert
- Dazugehörigen
- könnte
- erstellen
- erstellt
- Ernte
- Zur Zeit
- Kurve
- Original
- Kundenspezifische
- Zyklus
- technische Daten
- Datenverarbeitung
- Datenwissenschaftler
- datengesteuerte
- Datenbase
- Tag
- tief
- tiefe Lernen
- zeigen
- Einsatz
- Abgeleitet
- Detail
- Details
- Unterschied
- Direkt
- diskutieren
- verteilt
- Verteilung
- Ausschüttungen
- geteilt
- Domain
- drastisch
- zeichnen
- Dynamik
- jeder
- bewirken
- Entstehung
- ermöglicht
- ermöglichen
- End-to-End
- Motor
- Entwicklung
- verbesserte
- angereichert
- Umwelt-
- Umweltpolitik
- im Wesentlichen
- Training
- Expansion
- Experte
- Expertise
- Erklären
- ERKUNDEN
- Ausdrücke
- Erweiterung
- Extrakt
- Faktoren
- Landwirtschaft
- Merkmal
- Eigenschaften
- wenige
- Felder
- Abbildung
- folgen
- Folgende
- Aussichten für
- unten stehende Formular
- Unser Ansatz
- für
- voll
- weiter
- erzeugen
- geographien
- bekommen
- GitHub
- gegeben
- Global
- Graph
- Graustufen
- Grün
- Gitter
- Wachstum
- Guide
- Griff
- passieren
- Haben
- versteckt
- Ultraschall
- Hilfe
- aber
- HTML
- http
- HTTPS
- human
- ideal
- identifizieren
- Identifizierung
- Illinois
- Image
- Bilder
- Impact der HXNUMXO Observatorien
- Implementierung
- impliziert
- importieren
- Bedeutung
- auferlegten
- imposant
- in
- Dazu gehören
- Einschließlich
- Eingehende
- einarbeiten
- zunehmend
- Anzeigen
- Indizes
- Information
- Infrastruktur
- Anfangs-
- anfänglich
- Einblicke
- Instanz
- Anleitung
- Intelligenz
- Interaktionen
- Interesse
- Intervention
- eingeführt
- IT
- SEINE
- Job
- Wissen
- Wissen
- Labs
- grosse
- starten
- Start
- führen
- LERNEN
- gelernt
- lernen
- Einschränkung
- Limitiert
- Kataloge
- länger
- Maschine
- Maschinelles Lernen
- Maschinen
- gemacht
- Making
- Management
- Karte
- Martin
- Maske"
- Masken
- Spiel
- Mathe
- Materie
- Reife
- Merge
- Methodik
- Metrik
- könnte
- Milch
- ML
- Modell
- für
- modulare
- mehr
- mehrere
- Name
- NASA
- In der Nähe von
- Notwendig
- Need
- Netzwerk
- Netzwerke
- weiter
- Nicolas
- Knoten
- Knotenverteilung
- Fiber Node
- Anzahl
- erhalten
- of
- on
- Betrieb
- Einkauf & Prozesse
- Optimierung
- Optimieren
- Option
- Orange
- Auftrag
- Oregon
- Andere
- Parallel
- Parameter
- Eltern
- besondere
- Bestanden
- Ausführen
- Photosynthese
- Pipeline
- Plato
- Datenintelligenz von Plato
- PlatoData
- Stecker
- Datenschutzrichtlinien
- Vieleck
- möglich
- Post
- bevorzugt
- Grundsätze
- Vor
- Aufgabenstellung:
- Prozessdefinierung
- Verarbeitet
- anpassen
- Verarbeitung
- immobilien
- Resorts
- vorgeschlage
- schlägt vor
- Prototyping
- die
- bietet
- rein
- Fragen
- zufällig
- Zufällig
- Angebot
- Honorar
- bereit
- vernünftig
- Rot
- Veteran
- Reduzierung
- Region
- Beziehung
- Beziehungen
- Entfernung
- ersetzt
- vertreten
- Darstellen
- Zugriffe
- falls angefordert
- Auflösung
- Downloads
- Antwort
- für ihren Verlust verantwortlich.
- bewertet
- RGB
- ROI
- Führen Sie
- Laufen
- sagemaker
- Satellit
- Szenarien
- Wissenschaftler
- Abschnitt
- Segmentierung
- ausgewählt
- Senior
- Sinn
- Modellreihe
- kompensieren
- mehrere
- Konzerte
- Ähnlich
- Single
- Lösung
- Lösungen
- einige
- räumlich
- Spectral
- Quadrate
- Stufe
- Stufen
- Standard
- Bundesstaat
- Staaten
- Statistiken
- Status
- Schritt
- Shritte
- Der Stress
- Struktur
- Es wurden Studien
- Studio Adressen
- Studie
- Fach
- Folge
- Support
- Systeme und Techniken
- Einnahme
- Taro
- Einführungen
- Vorlage
- Testen
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Der Graph
- Der Staat
- die Welt
- ihr
- Sie
- damit
- Diese
- Tausende
- nach drei
- Durch
- während
- Zeit
- zu
- gemeinsam
- Training
- Transformieren
- Transformieren
- transparent
- behandeln
- Versuch
- Studien
- vertraut
- ucla
- aufdecken
- für
- Verständnis
- Einheit
- Vereinigt
- USA
- Aktualisierung
- Aktualisierung
- us
- -
- validiert
- Wert
- verschiedene
- Besuche
- Volumen
- Wasser
- Wege
- Wetter
- Wochen
- GUT
- West
- Was
- welche
- während
- werden wir
- mit
- .
- ohne
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- Schreiben
- X
- Jahr
- Ausbeute
- Erträge
- Du
- Ihr
- Zephyrnet