Η Amazon SageMaker Python SDK είναι μια βιβλιοθήκη ανοιχτού κώδικα για εκπαίδευση και ανάπτυξη μοντέλων μηχανικής μάθησης (ML). Amazon Sage Maker. Οι εταιρικοί πελάτες σε αυστηρά ελεγχόμενους κλάδους, όπως η υγειονομική περίθαλψη και η χρηματοδότηση, στήνουν προστατευτικά κιγκλιδώματα για να διασφαλίσουν ότι τα δεδομένα τους είναι κρυπτογραφημένα και η κυκλοφορία δεν διασχίζει το Διαδίκτυο. Για να διασφαλιστεί ότι η εκπαίδευση του SageMaker και η ανάπτυξη των μοντέλων ML ακολουθούν αυτά τα προστατευτικά κιγκλιδώματα, είναι κοινή πρακτική να τίθενται περιορισμοί στο λογαριασμό ή Οργανισμοί AWS επίπεδο μέσω πολιτικών ελέγχου υπηρεσιών και Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) πολιτικές για την επιβολή της χρήσης συγκεκριμένων ρόλων IAM, Εικονικό ιδιωτικό σύννεφο Amazon διαμορφώσεις (Amazon VPC) και Υπηρεσία διαχείρισης κλειδιών AWS πλήκτρα (AWS KMS). Σε τέτοιες περιπτώσεις, οι επιστήμονες δεδομένων πρέπει να παρέχουν αυτές τις παραμέτρους στον κώδικα εκπαίδευσης και ανάπτυξης του μοντέλου ML με μη αυτόματο τρόπο, σημειώνοντας τα υποδίκτυα, τις ομάδες ασφαλείας και τα κλειδιά KMS. Αυτό επιβαρύνει τους επιστήμονες δεδομένων να θυμούνται να προσδιορίζουν αυτές τις διαμορφώσεις, να εκτελούν με επιτυχία τις εργασίες τους και να αποφεύγουν τη λήψη σφαλμάτων Απαγόρευσης πρόσβασης.
Ξεκινώντας με το SageMaker Python SDK έκδοση 2.148.0, μπορείτε τώρα να διαμορφώσετε τις προεπιλεγμένες τιμές για παραμέτρους όπως ρόλους IAM, VPC και κλειδιά KMS. Οι διαχειριστές και οι τελικοί χρήστες μπορούν να αρχικοποιήσουν τα πρωτόγονα υποδομής AWS με προεπιλογές που καθορίζονται σε ένα αρχείο διαμόρφωσης σε μορφή YAML. Μόλις ρυθμιστεί, το Python SDK κληρονομεί αυτόματα αυτές τις τιμές και τις διαδίδει στις υποκείμενες κλήσεις API του SageMaker, όπως π.χ. CreateProcessingJob()
, CreateTrainingJob()
, να CreateEndpointConfig()
, χωρίς να απαιτούνται πρόσθετες ενέργειες. Το SDK υποστηρίζει επίσης πολλά αρχεία διαμόρφωσης, επιτρέποντας στους διαχειριστές να ορίσουν ένα αρχείο διαμόρφωσης για όλους τους χρήστες και οι χρήστες μπορούν να το παρακάμψουν μέσω μιας διαμόρφωσης σε επίπεδο χρήστη που μπορεί να αποθηκευτεί σε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), Σύστημα αρχείων ελαστικού Amazon (Amazon EFS) για Στούντιο Amazon SageMaker, ή το τοπικό σύστημα αρχείων του χρήστη.
Σε αυτήν την ανάρτηση, σας δείχνουμε πώς να δημιουργείτε και να αποθηκεύετε το προεπιλεγμένο αρχείο διαμόρφωσης στο Studio και να χρησιμοποιείτε τη δυνατότητα προεπιλογών SDK για να δημιουργήσετε τους πόρους σας στο SageMaker.
Επισκόπηση λύσεων
Επιδεικνύουμε αυτή τη νέα δυνατότητα με ένα από άκρο σε άκρο AWS CloudFormation πρότυπο που δημιουργεί την απαιτούμενη υποδομή και δημιουργεί έναν τομέα Studio στο αναπτυσσόμενο VPC. Επιπλέον, δημιουργούμε κλειδιά KMS για την κρυπτογράφηση των τόμων που χρησιμοποιούνται σε εργασίες εκπαίδευσης και επεξεργασίας. Τα βήματα είναι τα εξής:
- Εκκινήστε τη στοίβα CloudFormation στον λογαριασμό σας. Εναλλακτικά, εάν θέλετε να εξερευνήσετε αυτήν τη δυνατότητα σε έναν υπάρχοντα τομέα ή σημειωματάριο SageMaker, παραλείψτε αυτό το βήμα.
- Συμπληρώστε το
config.yaml
αρχείο και αποθηκεύστε το αρχείο στην προεπιλεγμένη θέση. - Εκτελέστε ένα δείγμα σημειωματάριου με μια περίπτωση χρήσης ML από άκρο σε άκρο, συμπεριλαμβανομένης της επεξεργασίας δεδομένων, της εκπαίδευσης μοντέλων και των συμπερασμάτων.
- Παράκαμψη των προεπιλεγμένων τιμών διαμόρφωσης.
Προϋποθέσεις
Πριν ξεκινήσετε, βεβαιωθείτε ότι έχετε λογαριασμό AWS και χρήστη ή ρόλο IAM με δικαιώματα διαχειριστή. Εάν είστε επιστήμονας δεδομένων και μεταβιβάζετε παραμέτρους υποδομής σε πόρους στο σημειωματάριό σας, μπορείτε να παραλείψετε το επόμενο βήμα της ρύθμισης του περιβάλλοντος σας και να ξεκινήσετε τη δημιουργία του αρχείου διαμόρφωσης.
Για να χρησιμοποιήσετε αυτήν τη δυνατότητα, φροντίστε να αναβαθμίσετε την έκδοση του SageMaker SDK εκτελώντας pip install --upgrade sagemaker
.
Ρυθμίστε το περιβάλλον
Για να αναπτύξετε μια πλήρη υποδομή, συμπεριλαμβανομένης της δικτύωσης και ενός τομέα Studio, ολοκληρώστε τα ακόλουθα βήματα:
- Κλωνοποιήστε το Αποθετήριο GitHub.
- Συνδεθείτε στον λογαριασμό σας AWS και ανοίξτε την κονσόλα AWS CloudFormation.
- Για να αναπτύξετε τους πόρους δικτύου, επιλέξτε Δημιουργία στοίβας.
- Ανεβάστε το πρότυπο κάτω από
setup/vpc_mode/01_networking.yaml
. - Δώστε ένα όνομα για τη στοίβα (για παράδειγμα,
networking-stack
) και ολοκληρώστε τα υπόλοιπα βήματα για να δημιουργήσετε τη στοίβα. - Για να αναπτύξετε τον τομέα Studio, επιλέξτε Δημιουργία στοίβας πάλι.
- Ανεβάστε το πρότυπο κάτω από
setup/vpc_mode/02_sagemaker_studio.yaml
. - Δώστε ένα όνομα για τη στοίβα (για παράδειγμα,
sagemaker-stack
), και δώστε το όνομα της στοίβας δικτύου όταν σας ζητηθείCoreNetworkingStackName
παράμετρος. - Συνεχίστε με τα υπόλοιπα βήματα, επιλέξτε τις επιβεβαιώσεις για πόρους IAM και δημιουργήστε τη στοίβα.
Όταν η κατάσταση και των δύο στοίβων ενημερωθεί σε ΔΗΜΙΟΥΡΓΙΑ_COMPLETE, προχωρήστε στο επόμενο βήμα.
Δημιουργήστε το αρχείο διαμόρφωσης
Για να χρησιμοποιήσετε την προεπιλεγμένη διαμόρφωση για το SageMaker Python SDK, δημιουργείτε ένα αρχείο config.yaml στη μορφή που αναμένει το SDK. Για τη μορφή του αρχείου config.yaml, ανατρέξτε στο Δομή αρχείου διαμόρφωσης. Ανάλογα με το περιβάλλον εργασίας σας, όπως τα σημειωματάρια Studio, τα στιγμιότυπα του SageMaker ή το τοπικό σας IDE, μπορείτε είτε να αποθηκεύσετε το αρχείο διαμόρφωσης στην προεπιλεγμένη θέση είτε να παρακάμψετε τις προεπιλογές περνώντας μια θέση αρχείου διαμόρφωσης. Για τις προεπιλεγμένες θέσεις για άλλα περιβάλλοντα, ανατρέξτε στο Τοποθεσίες αρχείων διαμόρφωσης. Τα παρακάτω βήματα παρουσιάζουν τη ρύθμιση για ένα περιβάλλον φορητού υπολογιστή Studio.
Για να δημιουργήσετε εύκολα το config.yaml
αρχείο, εκτελέστε τα ακόλουθα κελιά στο τερματικό του συστήματος Studio, αντικαθιστώντας τα σύμβολα κράτησης θέσης με τα ονόματα στοίβας CloudFormation από το προηγούμενο βήμα:
Αυτό το σενάριο συμπληρώνει αυτόματα το αρχείο YAML, αντικαθιστώντας τα σύμβολα κράτησης θέσης με τις προεπιλογές υποδομής και αποθηκεύει το αρχείο στον αρχικό φάκελο. Στη συνέχεια, αντιγράφει το αρχείο στην προεπιλεγμένη θέση για τους φορητούς υπολογιστές Studio. Το αρχείο διαμόρφωσης που προκύπτει θα πρέπει να μοιάζει με την ακόλουθη μορφή:
Εάν έχετε ρυθμίσει έναν υπάρχοντα τομέα και διαμόρφωση δικτύου, δημιουργήστε το config.yaml
αρχείο στην απαιτούμενη μορφή και αποθηκεύστε το στην προεπιλεγμένη θέση για τους φορητούς υπολογιστές Studio.
Λάβετε υπόψη ότι αυτές οι προεπιλογές απλώς συμπληρώνουν αυτόματα τις τιμές διαμόρφωσης για τις κατάλληλες κλήσεις SageMaker SDK και δεν επιβάλλουν τον χρήστη σε κάποιο συγκεκριμένο VPC, υποδίκτυο ή ρόλο. Ως διαχειριστής, εάν θέλετε οι χρήστες σας να χρησιμοποιούν μια συγκεκριμένη διαμόρφωση ή ρόλο, χρησιμοποιήστε Κλειδιά κατάστασης IAM για να επιβάλετε τις προεπιλεγμένες τιμές.
Επιπλέον, κάθε κλήση API μπορεί να έχει τις δικές της διαμορφώσεις. Για παράδειγμα, στο προηγούμενο δείγμα αρχείου διαμόρφωσης, μπορείτε να καθορίσετε vpc-a
και subnet-a
για θέσεις εργασίας κατάρτισης και προσδιορίστε vpc-b
και subnet-c
, subnet-d
για εργασίες επεξεργασίας.
Εκτελέστε ένα δείγμα σημειωματάριου
Τώρα που έχετε ορίσει το αρχείο διαμόρφωσης, μπορείτε να ξεκινήσετε την εκτέλεση των φορητών υπολογιστών κατασκευής μοντέλων και εκπαίδευσης ως συνήθως, χωρίς να χρειάζεται να ορίσετε ρητά παραμέτρους δικτύου και κρυπτογράφησης, για τις περισσότερες λειτουργίες SDK. Βλέπω Υποστηριζόμενα API και παράμετροι για μια πλήρη λίστα υποστηριζόμενων κλήσεων και παραμέτρων API.
Στο Studio, επιλέξτε το εικονίδιο File Explorer στο παράθυρο πλοήγησης και ανοίξτε 03_feature_engineering/03_feature_engineering.ipynb
, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Εκτελέστε τα κελιά του σημειωματάριου ένα προς ένα και παρατηρήστε ότι δεν καθορίζετε καμία πρόσθετη διαμόρφωση. Όταν δημιουργείτε το αντικείμενο του επεξεργαστή, θα δείτε τις εξόδους κελιών όπως το ακόλουθο παράδειγμα.
Όπως μπορείτε να δείτε στην έξοδο, η προεπιλεγμένη διαμόρφωση εφαρμόζεται αυτόματα στην εργασία επεξεργασίας, χωρίς να χρειάζεται πρόσθετη είσοδος από τον χρήστη.
Όταν εκτελείτε το επόμενο κελί για την εκτέλεση του επεξεργαστή, μπορείτε επίσης να επαληθεύσετε ότι οι προεπιλογές έχουν οριστεί προβάλλοντας την εργασία στην κονσόλα SageMaker. Επιλέγω Εργασίες επεξεργασίας υπό Επεξεργασία στο παράθυρο πλοήγησης, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Επιλέξτε την εργασία επεξεργασίας με το πρόθεμα end-to-end-ml-sm-proc
, και θα πρέπει να μπορείτε να δείτε τη δικτύωση και την κρυπτογράφηση που έχουν ήδη διαμορφωθεί.
Μπορείτε να συνεχίσετε να τρέχετε τα υπόλοιπα σημειωματάρια για να εκπαιδεύσετε και να αναπτύξετε το μοντέλο και θα παρατηρήσετε ότι οι προεπιλογές υποδομής εφαρμόζονται αυτόματα τόσο για τις εργασίες εκπαίδευσης όσο και για τα μοντέλα.
Παράκαμψη του προεπιλεγμένου αρχείου ρυθμίσεων
Μπορεί να υπάρχουν περιπτώσεις όπου ένας χρήστης πρέπει να παρακάμψει την προεπιλεγμένη διαμόρφωση, για παράδειγμα, να πειραματιστεί με δημόσια πρόσβαση στο Διαδίκτυο ή να ενημερώσει τη διαμόρφωση δικτύου εάν εξαντληθούν οι διευθύνσεις IP του υποδικτύου. Σε τέτοιες περιπτώσεις, το Python SDK σάς επιτρέπει επίσης να παρέχετε μια προσαρμοσμένη τοποθεσία για το αρχείο διαμόρφωσης, είτε σε τοπικό χώρο αποθήκευσης, είτε μπορείτε να υποδείξετε μια τοποθεσία στο Amazon S3. Σε αυτή την ενότητα, εξερευνούμε ένα παράδειγμα.
Ανοίξτε το user-configs.yaml
αρχείο στον αρχικό σας κατάλογο και ενημερώστε το EnableNetworkIsolation
αξία σε True
, Σύμφωνα με το TrainingJob
τμήμα.
Τώρα, ανοίξτε το ίδιο σημειωματάριο και προσθέστε το ακόλουθο κελί στην αρχή του σημειωματάριου:
Με αυτό το κελί, υποδεικνύετε τη θέση του αρχείου διαμόρφωσης στο SDK. Τώρα, όταν δημιουργείτε το αντικείμενο του επεξεργαστή, θα παρατηρήσετε ότι η προεπιλεγμένη διαμόρφωση έχει παρακαμφθεί για να ενεργοποιηθεί η απομόνωση δικτύου και η εργασία επεξεργασίας θα αποτύχει στη λειτουργία απομόνωσης δικτύου.
Μπορείτε να χρησιμοποιήσετε την ίδια μεταβλητή περιβάλλοντος παράκαμψης για να ορίσετε τη θέση του αρχείου διαμόρφωσης εάν χρησιμοποιείτε το τοπικό σας περιβάλλον, όπως το VSCode.
Εντοπισμός σφαλμάτων και ανάκτηση προεπιλογών
Για γρήγορη αντιμετώπιση προβλημάτων, εάν αντιμετωπίσετε σφάλματα κατά την εκτέλεση κλήσεων API από τον φορητό υπολογιστή σας, η έξοδος κυψέλης εμφανίζει τις εφαρμοσμένες προεπιλεγμένες διαμορφώσεις, όπως φαίνεται στην προηγούμενη ενότητα. Για να προβάλετε την ακριβή κλήση Boto3 που δημιουργήθηκε για να προβάλετε τις τιμές χαρακτηριστικών που μεταβιβάστηκαν από το προεπιλεγμένο αρχείο διαμόρφωσης, μπορείτε να κάνετε εντοπισμό σφαλμάτων ενεργοποιώντας την καταγραφή Boto3. Για να ενεργοποιήσετε την καταγραφή, εκτελέστε το ακόλουθο κελί στο επάνω μέρος του σημειωματάριου:
Οποιεσδήποτε επόμενες κλήσεις Boto3 θα καταγράφονται με το πλήρες αίτημα, ορατό κάτω από την ενότητα σώματος στο αρχείο καταγραφής.
Μπορείτε επίσης να προβάλετε τη συλλογή των προεπιλεγμένων διαμορφώσεων χρησιμοποιώντας το session.sagemaker_config
τιμή όπως φαίνεται στο ακόλουθο παράδειγμα.
Τέλος, εάν χρησιμοποιείτε το Boto3 για να δημιουργήσετε τους πόρους σας στο SageMaker, μπορείτε να ανακτήσετε τις προεπιλεγμένες τιμές διαμόρφωσης χρησιμοποιώντας το sagemaker_config
μεταβλητός. Για παράδειγμα, για να εκτελέσετε την εργασία επεξεργασίας 03_feature_engineering.ipynb
χρησιμοποιώντας το Boto3, μπορείτε να εισαγάγετε τα περιεχόμενα του παρακάτω κελιού στο ίδιο σημειωματάριο και να εκτελέσετε το κελί:
Αυτοματοποιήστε τη δημιουργία αρχείου διαμόρφωσης
Για τους διαχειριστές, η δημιουργία του αρχείου διαμόρφωσης και η αποθήκευση του αρχείου σε κάθε παρουσίαση σημειωματάριου SageMaker ή προφίλ χρήστη του Studio μπορεί να είναι μια αποθαρρυντική εργασία. Αν και μπορείτε να προτείνετε στους χρήστες να χρησιμοποιούν ένα κοινό αρχείο που είναι αποθηκευμένο σε μια προεπιλεγμένη θέση S3, επιβαρύνει τους επιστήμονες δεδομένων για τον καθορισμό της παράκαμψης.
Για να αυτοματοποιηθεί αυτό, οι διαχειριστές μπορούν να χρησιμοποιήσουν το SageMaker Lifecycle Configurations (LCC). Για προφίλ χρηστών ή περιπτώσεις φορητών υπολογιστών Studio, μπορείτε να επισυνάψετε το ακόλουθο δείγμα σεναρίου LCC ως προεπιλεγμένο LCC για την προεπιλεγμένη εφαρμογή Jupyter Server του χρήστη:
Βλέπω Χρησιμοποιήστε τις διαμορφώσεις κύκλου ζωής για το Amazon SageMaker Studio or Προσαρμόστε μια παρουσία σημειωματάριου για οδηγίες σχετικά με τη δημιουργία και τη ρύθμιση ενός προεπιλεγμένου σεναρίου κύκλου ζωής.
εκκαθάριση
Όταν τελειώσετε τον πειραματισμό με αυτήν τη δυνατότητα, καθαρίστε τους πόρους σας για να αποφύγετε την καταβολή πρόσθετου κόστους. Εάν έχετε παράσχει νέους πόρους όπως ορίζεται σε αυτήν την ανάρτηση, ολοκληρώστε τα ακόλουθα βήματα για να καθαρίσετε τους πόρους σας:
- Τερματίστε τις εφαρμογές Studio για το προφίλ χρήστη. Βλέπω Τερματίστε και ενημερώστε τις εφαρμογές SageMaker Studio και Studio για οδηγίες. Βεβαιωθείτε ότι όλες οι εφαρμογές έχουν διαγραφεί πριν διαγράψετε τη στοίβα.
- Διαγράψτε τον τόμο EFS που δημιουργήθηκε για τον τομέα Studio. Μπορείτε να προβάλετε τον τόμο EFS που είναι συνδεδεμένος με τον τομέα χρησιμοποιώντας α Περιγράψτε τον τομέα Κλήση API.
- Διαγράψτε τη στοίβα τομέα του Studio.
- Διαγράψτε τις ομάδες ασφαλείας που δημιουργήθηκαν για τον τομέα Studio. Μπορείτε να τα βρείτε στο Amazon Elastic Compute Cloud κονσόλα (Amazon EC2), με τα ονόματα security-group-for-inbound-nfs-d-xxx και security-group-for-outbound-nfs-d-xxx
- Διαγράψτε τη στοίβα δικτύου.
Συμπέρασμα
Σε αυτήν την ανάρτηση, συζητήσαμε τη διαμόρφωση και τη χρήση προεπιλεγμένων τιμών για βασικές παραμέτρους υποδομής χρησιμοποιώντας το SageMaker Python SDK. Αυτό επιτρέπει στους διαχειριστές να ορίζουν προεπιλεγμένες διαμορφώσεις για τους επιστήμονες δεδομένων, εξοικονομώντας έτσι χρόνο για τους χρήστες και τους διαχειριστές, εξαλείφοντας το βάρος του επαναλαμβανόμενου καθορισμού παραμέτρων και καταλήγοντας σε πιο λιτό και πιο διαχειρίσιμο κώδικα. Για την πλήρη λίστα των υποστηριζόμενων παραμέτρων και API, βλ Διαμόρφωση και χρήση προεπιλογών με το SageMaker Python SDK. Για οποιεσδήποτε ερωτήσεις και συζητήσεις, εγγραφείτε στο Κοινότητα Machine Learning & AI.
Σχετικά με τους Συγγραφείς
Giuseppe Angelo Porcelli είναι Κύριος Αρχιτέκτονας Λύσεων Specialist Machine Learning για τις Υπηρεσίες Ιστού της Amazon. Με πολλά χρόνια μηχανικής λογισμικού με υπόβαθρο ML, συνεργάζεται με πελάτες οποιουδήποτε μεγέθους για να κατανοήσει σε βάθος τις επιχειρηματικές και τεχνικές τους ανάγκες και να σχεδιάσει λύσεις AI και Machine Learning που αξιοποιούν καλύτερα το AWS Cloud και τη στοίβα Machine Learning της Amazon. Έχει εργαστεί σε έργα σε διαφορετικούς τομείς, όπως MLOps, Computer Vision, NLP, και περιλαμβάνει ένα ευρύ σύνολο υπηρεσιών AWS. Στον ελεύθερο χρόνο του, ο Τζουζέπε απολαμβάνει το ποδόσφαιρο.
Μπρούνο Πίστον είναι AI/ML Specialist Solutions Architect για την AWS με έδρα το Μιλάνο. Συνεργάζεται με πελάτες οποιουδήποτε μεγέθους για να τους βοηθήσει να κατανοήσουν σε βάθος τις τεχνικές τους ανάγκες και να σχεδιάσουν λύσεις τεχνητής νοημοσύνης και μηχανικής μάθησης που κάνουν την καλύτερη χρήση του AWS Cloud και της στοίβας Machine Learning Amazon. Το πεδίο εξειδίκευσής του είναι η μηχανική μάθηση από άκρο σε άκρο, η μηχανική μάθηση βιομηχανοποίηση και τα MLOps. Του αρέσει να περνά χρόνο με τους φίλους του και να εξερευνά νέα μέρη, καθώς και να ταξιδεύει σε νέους προορισμούς.
Ντούργκα Σούρι είναι αρχιτέκτονας ML Solutions στην ομάδα Amazon SageMaker Service SA. Είναι παθιασμένη να κάνει τη μηχανική μάθηση προσβάσιμη σε όλους. Στα 4 χρόνια της στο AWS, βοήθησε στη δημιουργία πλατφορμών AI/ML για εταιρικούς πελάτες. Όταν δεν εργάζεται, λατρεύει τις βόλτες με μοτοσικλέτα, τα μυθιστορήματα μυστηρίου και τις μεγάλες βόλτες με το 5χρονο γεροδεμένο της.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
- Αγορά και πώληση μετοχών σε εταιρείες PRE-IPO με το PREIPO®. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/configure-and-use-defaults-for-amazon-sagemaker-resources-with-the-sagemaker-python-sdk/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 10
- 100
- 20
- 30
- 60
- 7
- 9
- a
- Ικανός
- Σχετικα
- πρόσβαση
- προσιτός
- Λογαριασμός
- ενεργειών
- προσθέτω
- Επιπλέον
- Πρόσθετος
- διευθύνσεις
- διαχειριστές
- πάλι
- AI
- AI / ML
- Όλα
- Επιτρέποντας
- επιτρέπει
- ήδη
- Επίσης
- Αν και
- Amazon
- Amazon EC2
- Εκμάθηση μηχανών του Αμαζονίου
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- και
- κάθε
- api
- APIs
- app
- εφαρμοσμένος
- κατάλληλος
- εφαρμογές
- ΕΙΝΑΙ
- AS
- At
- αποδίδουν
- αυτοματοποίηση
- αυτομάτως
- αποφύγετε
- AWS
- AWS CloudFormation
- φόντο
- βασίζονται
- BE
- ήταν
- πριν
- Αρχή
- ΚΑΛΎΤΕΡΟΣ
- σώμα
- και οι δύο
- ευρύς
- Κτίριο
- βάρος
- επιχείρηση
- by
- κλήση
- κλήσεις
- CAN
- περίπτωση
- περιπτώσεις
- CD
- Κύτταρα
- Επιλέξτε
- πελάτης
- Backup
- κωδικός
- συλλογή
- Κοινός
- πλήρης
- Υπολογίστε
- υπολογιστή
- Computer Vision
- κατάσταση
- διαμόρφωση
- πρόξενος
- περιεχόμενα
- ΣΥΝΕΧΕΙΑ
- έλεγχος
- ελέγχεται
- Δικαστικά έξοδα
- θα μπορούσε να
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- δημιουργία
- Τη στιγμή
- έθιμο
- Πελάτες
- ημερομηνία
- επεξεργασία δεδομένων
- επιστήμονας δεδομένων
- Προεπιλογή
- προεπιλογές
- αποδεικνύουν
- Σε συνάρτηση
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- Υπηρεσίες
- προορισμοί
- διαφορετικές
- συζήτηση
- συζητήσεις
- οθόνες
- Όχι
- τομέα
- domains
- γίνεται
- Μην
- κάτω
- κάθε
- εύκολα
- ηχώ
- είτε
- εξάλειψη
- ενεργοποιήσετε
- κρυπτογραφημένα
- κρυπτογράφηση
- τέλος
- από άκρη σε άκρη
- Τελικό σημείο
- επιβάλλω
- Μηχανική
- εξασφαλίζω
- εισάγετε
- Εταιρεία
- Περιβάλλον
- περιβάλλοντα
- λάθη
- όλοι
- παράδειγμα
- υφιστάμενα
- αναμένει
- πείραμα
- εξειδίκευση
- διερευνήσει
- εξερευνητής
- Εξερευνώντας
- ΑΠΟΤΥΓΧΑΝΩ
- ψευδής
- Χαρακτηριστικό
- πεδίο
- Αρχεία
- Αρχεία
- χρηματοδότηση
- Εύρεση
- ακολουθήστε
- Εξής
- εξής
- ποδόσφαιρο
- Για
- μορφή
- Δωρεάν
- φίλους
- από
- πλήρη
- λειτουργίες
- παίρνω
- να πάρει
- Git
- Ομάδα
- Έχω
- που έχει
- he
- υγειονομική περίθαλψη
- βοήθησε
- βοήθεια
- αυτήν
- του
- Αρχική
- Πως
- Πώς να
- HTML
- http
- HTTPS
- ICON
- Ταυτότητα
- if
- εισαγωγή
- in
- Συμπεριλαμβανομένου
- βιομηχανίες
- Υποδομή
- εισαγωγή
- εγκαθιστώ
- παράδειγμα
- οδηγίες
- περιβάλλον λειτουργίας
- Internet
- Πρόσβαση στο Ίντερνετ
- σε
- συμμετοχή
- IP
- Διευθύνσεις IP
- απομόνωση
- IT
- ΤΟΥ
- Δουλειά
- Θέσεις εργασίας
- ενταχθούν
- jpg
- Κλειδί
- πλήκτρα
- large
- μάθηση
- Επίπεδο
- Βιβλιοθήκη
- κύκλος ζωής
- Μου αρέσει
- Λιστα
- τοπικός
- τοποθεσία
- θέσεις
- κούτσουρο
- καταγραφεί
- ξύλευση
- Μακριά
- ματιά
- αγαπά
- μηχανή
- μάθηση μηχανής
- κάνω
- Κατασκευή
- διαχείριση
- χειροκίνητα
- MILAN
- ML
- MLOps
- Τρόπος
- μοντέλο
- μοντέλα
- περισσότερο
- πλέον
- μοτοσυκλέτα
- πολλαπλούς
- Μυστήριο
- όνομα
- ονόματα
- Πλοήγηση
- Ανάγκη
- που απαιτούνται
- χρειάζονται
- ανάγκες
- δίκτυο
- δικτύωσης
- Νέα
- επόμενη
- nlp
- Όχι.
- σημειωματάριο
- Ειδοποίηση..
- σημειώνοντας
- τώρα
- αντικείμενο
- of
- on
- μια φορά
- ONE
- ανοίξτε
- ανοικτού κώδικα
- or
- OS
- ΑΛΛΑ
- έξω
- παραγωγή
- καταπατώ
- δική
- παράθυρο
- παράμετρος
- παράμετροι
- πέρασε
- Πέρασμα
- παθιασμένος
- πληρώνουν
- Μέρη
- Πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- Σημείο
- Πολιτικές
- Θέση
- πρακτική
- προηγούμενος
- Κύριος
- ιδιωτικός
- προνόμια
- μεταποίηση
- Επεξεργαστής
- Προφίλ ⬇️
- προφίλ
- έργα
- παρέχουν
- δημόσιο
- Βάζει
- Python
- Ερωτήσεις
- Γρήγορα
- συνιστώ
- υπόλοιπα
- θυμάμαι
- ζητήσει
- απαιτείται
- Υποστηρικτικό υλικό
- απάντησης
- περιορισμούς
- με αποτέλεσμα
- Ρόλος
- ρόλους
- τρέξιμο
- τρέξιμο
- s
- SA
- σοφός
- ίδιο
- Αποθήκευση
- οικονομία
- Επιστήμονας
- επιστήμονες
- SDK
- Τμήμα
- ασφάλεια
- δείτε
- υπηρεσία
- Υπηρεσίες
- Συνεδρίαση
- σειρά
- τον καθορισμό
- setup
- διάφοροι
- αυτή
- θα πρέπει να
- δείχνουν
- βιτρίνα
- παρουσιάζεται
- παρόμοιες
- Απλούς
- απλά
- Μέγεθος
- λογισμικό
- τεχνολογία λογισμικού
- Λύσεις
- κάτι
- ειδικός
- συγκεκριμένες
- καθορίζεται
- Δαπάνες
- σωρός
- Στοίβες
- Εκκίνηση
- ξεκίνησε
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- στούντιο
- υποδίκτυο
- υποδίκτυα
- μεταγενέστερος
- Επιτυχώς
- τέτοιος
- υποστηριζόνται!
- Υποστηρίζει
- σύστημα
- Έργο
- Τεχνικός
- πρότυπο
- τερματικό
- ότι
- Η
- τους
- Τους
- τότε
- εκ τούτου
- Αυτοί
- αυτό
- Μέσω
- σφικτά
- ώρα
- προς την
- κορυφή
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Τρένο
- Εκπαίδευση
- ΣΤΡΟΦΗ
- Στροφή
- υπό
- υποκείμενες
- καταλαβαίνω
- Ενημέρωση
- αναβάθμισης
- Χρήση
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- Χρήστες
- χρησιμοποιώντας
- αξία
- Αξίες
- επαληθεύει
- εκδοχή
- μέσω
- Δες
- προβολή
- Πραγματικός
- ορατός
- όραμα
- τόμος
- όγκους
- θέλω
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- πότε
- θα
- με
- χωρίς
- Εργασία
- εργάστηκαν
- εργαζόμενος
- λειτουργεί
- γιαμ
- χρόνια
- Εσείς
- Σας
- zephyrnet