Η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση (ML) έχουν υιοθετηθεί ευρέως σε επιχειρήσεις και κυβερνητικούς οργανισμούς. Η επεξεργασία μη δομημένων δεδομένων έχει γίνει ευκολότερη με τις εξελίξεις στην επεξεργασία φυσικής γλώσσας (NLP) και τις φιλικές προς το χρήστη υπηρεσίες AI/ML, όπως Textract Amazon, Μεταγραφή Amazon, να Κατανοήστε το Amazon. Οι οργανισμοί άρχισαν να χρησιμοποιούν υπηρεσίες AI/ML όπως το Amazon Comprehend για να δημιουργήσουν μοντέλα ταξινόμησης με τα μη δομημένα δεδομένα τους για να λάβουν βαθιές πληροφορίες που δεν είχαν πριν. Αν και μπορείτε να χρησιμοποιήσετε προεκπαιδευμένα μοντέλα με ελάχιστη προσπάθεια, χωρίς σωστή επιμέλεια δεδομένων και συντονισμό μοντέλων, δεν μπορείτε να συνειδητοποιήσετε τα πλήρη οφέλη των μοντέλων AI/ML.
Σε αυτήν την ανάρτηση, εξηγούμε πώς να δημιουργήσετε και να βελτιστοποιήσετε ένα προσαρμοσμένο μοντέλο ταξινόμησης χρησιμοποιώντας το Amazon Comprehend. Αυτό το αποδεικνύουμε χρησιμοποιώντας μια προσαρμοσμένη ταξινόμηση Amazon Comprehend για τη δημιουργία ενός μοντέλου προσαρμοσμένης ταξινόμησης πολλαπλών ετικετών και παρέχουμε οδηγίες σχετικά με τον τρόπο προετοιμασίας του συνόλου δεδομένων εκπαίδευσης και συντονισμού του μοντέλου ώστε να ανταποκρίνεται σε μετρήσεις απόδοσης, όπως ακρίβεια, ακρίβεια, ανάκληση και βαθμολογία F1. Χρησιμοποιούμε τα τεχνουργήματα εξόδου προπόνησης του μοντέλου Amazon Comprehend σαν μια μήτρα σύγχυσης για να ρυθμίσουμε την απόδοση του μοντέλου και να σας καθοδηγήσουμε στη βελτίωση των δεδομένων προπόνησής σας.
Επισκόπηση λύσεων
Αυτή η λύση παρουσιάζει μια προσέγγιση για τη δημιουργία ενός βελτιστοποιημένου μοντέλου προσαρμοσμένης ταξινόμησης χρησιμοποιώντας το Amazon Comprehend. Περνάμε από διάφορα βήματα, όπως η προετοιμασία δεδομένων, η δημιουργία μοντέλου, η μετρική ανάλυση απόδοσης μοντέλου και η βελτιστοποίηση των συμπερασμάτων με βάση την ανάλυσή μας. Χρησιμοποιούμε ένα Amazon Sage Maker σημειωματάριο και την Κονσόλα διαχείρισης AWS για να ολοκληρώσετε μερικά από αυτά τα βήματα.
Πραγματοποιούμε επίσης βέλτιστες πρακτικές και τεχνικές βελτιστοποίησης κατά την προετοιμασία δεδομένων, τη δημιουργία μοντέλων και τη ρύθμιση μοντέλων.
Προϋποθέσεις
Εάν δεν διαθέτετε παρουσία σημειωματάριου SageMaker, μπορείτε να δημιουργήσετε ένα. Για οδηγίες, ανατρέξτε στο Δημιουργήστε μια παρουσία Notebook Amazon SageMaker.
Προετοιμάστε τα δεδομένα
Για αυτήν την ανάλυση, χρησιμοποιούμε το σύνολο δεδομένων ταξινόμησης τοξικών σχολίων από Kaggle. Αυτό το σύνολο δεδομένων περιέχει 6 ετικέτες με 158,571 σημεία δεδομένων. Ωστόσο, κάθε ετικέτα έχει μόνο λιγότερο από το 10% των συνολικών δεδομένων ως θετικά παραδείγματα, με δύο από τις ετικέτες να έχουν λιγότερο από 1%.
Μετατρέπουμε το υπάρχον σύνολο δεδομένων Kaggle στο Μορφή CSV δύο στηλών Amazon Comprehend με τις ετικέτες χωρισμένες χρησιμοποιώντας έναν οριοθέτη σωλήνα (|). Το Amazon Comprehend αναμένει τουλάχιστον μία ετικέτα για κάθε σημείο δεδομένων. Σε αυτό το σύνολο δεδομένων, συναντάμε πολλά σημεία δεδομένων που δεν εμπίπτουν σε καμία από τις παρεχόμενες ετικέτες. Δημιουργούμε μια νέα ετικέτα που ονομάζεται καθαρή και εκχωρούμε σε αυτήν την ετικέτα οποιοδήποτε από τα σημεία δεδομένων που δεν είναι τοξικά να είναι θετικά. Τέλος, χωρίσαμε τα επιμελημένα σύνολα δεδομένων σε σύνολα δεδομένων εκπαίδευσης και δοκιμής χρησιμοποιώντας έναν διαχωρισμό αναλογίας 80/20 ανά ετικέτα.
Θα χρησιμοποιήσουμε το σημειωματάριο Data-Preparation. Τα παρακάτω βήματα χρησιμοποιούν το σύνολο δεδομένων Kaggle και προετοιμάζουν τα δεδομένα για το μοντέλο μας.
- Στην κονσόλα SageMaker, επιλέξτε Υποδείγματα σημειωματάριου στο παράθυρο πλοήγησης.
- Επιλέξτε την παρουσία του φορητού υπολογιστή που έχετε διαμορφώσει και επιλέξτε Άνοιγμα του Jupyter.
- Στις Νέα μενού, επιλέξτε τερματικό.
- Εκτελέστε τις ακόλουθες εντολές στο τερματικό για να πραγματοποιήσετε λήψη των απαιτούμενων τεχνουργημάτων για αυτήν την ανάρτηση:
- Κλείστε το παράθυρο του τερματικού.
Θα πρέπει να δείτε τρία σημειωματάρια και τρένο.csv αρχεία.
- Επιλέξτε το σημειωματάριο Data-Preparation.ipynb.
- Εκτελέστε όλα τα βήματα στο σημειωματάριο.
Αυτά τα βήματα προετοιμάζουν το ακατέργαστο σύνολο δεδομένων Kaggle για να χρησιμεύσει ως επιμελημένη εκπαίδευση και δοκιμαστικά σύνολα δεδομένων. Τα επιλεγμένα σύνολα δεδομένων θα αποθηκευτούν στο σημειωματάριο και Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
Λάβετε υπόψη τις ακόλουθες οδηγίες προετοιμασίας δεδομένων όταν ασχολείστε με μεγάλης κλίμακας σύνολα δεδομένων πολλαπλών ετικετών:
- Τα σύνολα δεδομένων πρέπει να έχουν τουλάχιστον 10 δείγματα ανά ετικέτα.
- Το Amazon Comprehend δέχεται έως και 100 ετικέτες. Αυτό είναι ένα ήπιο όριο που μπορεί να αυξηθεί.
- Βεβαιωθείτε ότι το αρχείο δεδομένων είναι σωστά μορφοποιημένο με τον κατάλληλο οριοθέτη. Οι λανθασμένοι οριοθέτες μπορούν να εισάγουν κενές ετικέτες.
- Όλα τα σημεία δεδομένων πρέπει να έχουν ετικέτες.
- Τα σύνολα δεδομένων εκπαίδευσης και δοκιμής θα πρέπει να έχουν ισορροπημένη κατανομή δεδομένων ανά ετικέτα. Μην χρησιμοποιείτε τυχαία διανομή γιατί μπορεί να εισάγει μεροληψία στα σύνολα δεδομένων εκπαίδευσης και δοκιμής.
Δημιουργήστε ένα προσαρμοσμένο μοντέλο ταξινόμησης
Χρησιμοποιούμε τα επιμελημένα σύνολα δεδομένων εκπαίδευσης και δοκιμής που δημιουργήσαμε κατά το βήμα προετοιμασίας δεδομένων για να δημιουργήσουμε το μοντέλο μας. Τα ακόλουθα βήματα δημιουργούν ένα μοντέλο προσαρμοσμένης ταξινόμησης πολλαπλών ετικετών του Amazon Comprehend:
- Στην κονσόλα Amazon Comprehend, επιλέξτε Προσαρμοσμένη ταξινόμηση στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργία νέου μοντέλου.
- Για Ονομα μοντέλου, εισάγετε τοξική-ταξινόμηση-μοντέλο.
- Για Όνομα έκδοσης, εισαγάγετε 1.
- Για Σχολιασμός και μορφή δεδομένων, επιλέξτε Χρήση της λειτουργίας πολλαπλών ετικετών.
- Για Δεδομένα εκπαίδευσης, εισαγάγετε τη θέση του επιλεγμένου συνόλου δεδομένων εκπαίδευσης στο Amazon S3.
- Επιλέξτε Δοκιμαστικό σύνολο δεδομένων που παρείχε ο πελάτης και εισαγάγετε τη θέση των επιλεγμένων δεδομένων δοκιμής στο Amazon S3.
- Για Δεδομένα εξόδου, εισαγάγετε τη θέση Amazon S3.
- Για IAM ρόλο, Επιλέξτε Δημιουργήστε έναν ρόλο IAM, καθορίστε το επίθημα του ονόματος ως "comprehend-blog".
- Επιλέξτε Δημιουργία για να ξεκινήσετε την εκπαίδευση και τη δημιουργία μοντέλου προσαρμοσμένης ταξινόμησης.
Το παρακάτω στιγμιότυπο οθόνης δείχνει τις λεπτομέρειες του μοντέλου προσαρμοσμένης ταξινόμησης στην κονσόλα Amazon Comprehend.
Συντονιστείτε για την απόδοση του μοντέλου
Το παρακάτω στιγμιότυπο οθόνης δείχνει τις μετρήσεις απόδοσης του μοντέλου. Περιλαμβάνει βασικές μετρήσεις όπως η ακρίβεια, η ανάκληση, η βαθμολογία F1, η ακρίβεια και πολλά άλλα.
Αφού εκπαιδευτεί και δημιουργηθεί το μοντέλο, θα δημιουργήσει το αρχείο output.tar.gz, το οποίο περιέχει τις ετικέτες από το σύνολο δεδομένων καθώς και τον πίνακα σύγχυσης για κάθε μία από τις ετικέτες. Για να ρυθμίσετε περαιτέρω την απόδοση πρόβλεψης του μοντέλου, πρέπει να κατανοήσετε το μοντέλο σας με τις πιθανότητες πρόβλεψης για κάθε κατηγορία. Για να το κάνετε αυτό, πρέπει να δημιουργήσετε μια εργασία ανάλυσης για να προσδιορίσετε τις βαθμολογίες που έχει εκχωρήσει το Amazon Comprehend σε καθένα από τα σημεία δεδομένων.
Ολοκληρώστε τα παρακάτω βήματα για να δημιουργήσετε μια εργασία ανάλυσης:
- Στην κονσόλα Amazon Comprehend, επιλέξτε Εργασίες ανάλυσης στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργήστε εργασία.
- Για Όνομα, εισαγω
toxic_train_data_analysis_job
. - Για Τύπος ανάλυσης, επιλέξτε Προσαρμοσμένη ταξινόμηση.
- Για Ταξινόμηση μοντέλα και σφόνδυλοι, καθορίστε
toxic-classification-model
. - Για Εκδοχή, καθορίστε 1.
- Για Εισαγωγή δεδομένων S3 θέση, εισαγάγετε τη θέση του επιμελημένου αρχείου δεδομένων εκπαίδευσης.
- Για Μορφή εισόδου, επιλέξτε Ένα έγγραφο ανά γραμμή.
- Για Θέση δεδομένων εξόδου S3, εισαγάγετε την τοποθεσία.
- Για Δικαιώματα πρόσβασης, Επιλέξτε Χρησιμοποιήστε έναν υπάρχοντα ρόλο IAM και επιλέξτε τον ρόλο που δημιουργήθηκε προηγουμένως.
- Επιλέξτε Δημιουργήστε εργασία για να ξεκινήσει η εργασία ανάλυσης.
- Επιλέξτε το Εργασίες ανάλυσης για να δείτε τις λεπτομέρειες της εργασίας. Σημειώστε το αναγνωριστικό εργασίας κάτω από τα στοιχεία εργασίας. Θα χρησιμοποιήσουμε το αναγνωριστικό εργασίας στο επόμενο βήμα μας.
Επαναλάβετε τα βήματα για την έναρξη της εργασίας ανάλυσης για τα επιμελημένα δεδομένα δοκιμής. Χρησιμοποιούμε τα αποτελέσματα πρόβλεψης από τις εργασίες ανάλυσής μας για να μάθουμε για τις πιθανότητες πρόβλεψης του μοντέλου μας. Σημειώστε τα αναγνωριστικά θέσεων εργασίας για εργασίες κατάρτισης και ανάλυσης δοκιμών.
Χρησιμοποιούμε το Model-Threshold-Analysis.ipynb σημειωματάριο για να δοκιμάσετε τις εξόδους σε όλα τα πιθανά κατώφλια και να βαθμολογήσετε την έξοδο με βάση την πιθανότητα πρόβλεψης χρησιμοποιώντας το scikit-learn's precision_recall_curve
λειτουργία. Επιπλέον, μπορούμε να υπολογίσουμε τη βαθμολογία F1 σε κάθε όριο.
Θα χρειαστούμε το αναγνωριστικό εργασίας ανάλυσης Amazon Comprehend ως είσοδο Μοντέλο-Όριο-Ανάλυση σημειωματάριο. Μπορείτε να λάβετε τα αναγνωριστικά εργασίας από την κονσόλα Amazon Comprehend. Εκτελέστε όλα τα βήματα στο Μοντέλο-Όριο-Ανάλυση σημειωματάριο για την τήρηση των ορίων για όλες τις τάξεις.
Παρατηρήστε πώς η ακρίβεια αυξάνεται καθώς ανεβαίνει το κατώφλι, ενώ το αντίστροφο συμβαίνει με την ανάκληση. Για να βρούμε την ισορροπία μεταξύ των δύο, χρησιμοποιούμε το σκορ F1 όπου έχει ορατές κορυφές στην καμπύλη τους. Οι κορυφές στη βαθμολογία F1 αντιστοιχούν σε ένα συγκεκριμένο όριο που μπορεί να βελτιώσει την απόδοση του μοντέλου. Παρατηρήστε πώς οι περισσότερες από τις ετικέτες πέφτουν γύρω στο 0.5 για το όριο, εκτός από την ετικέτα απειλής, η οποία έχει όριο γύρω στο 0.04.
Στη συνέχεια, μπορούμε να χρησιμοποιήσουμε αυτό το όριο για συγκεκριμένες ετικέτες που έχουν χαμηλή απόδοση μόνο με το προεπιλεγμένο όριο 0.5. Με τη χρήση των βελτιστοποιημένων ορίων, τα αποτελέσματα του μοντέλου στα δεδομένα δοκιμής βελτιώνονται για την απειλή της ετικέτας από 0.00 σε 0.24. Χρησιμοποιούμε τη μέγιστη βαθμολογία F1 στο όριο ως σημείο αναφοράς για να προσδιορίσουμε το θετικό έναντι του αρνητικού για αυτήν την ετικέτα αντί για ένα κοινό σημείο αναφοράς (μια τυπική τιμή όπως > 0.7) για όλες τις ετικέτες.
Χειρισμός υποεκπροσωπούμενων τάξεων
Μια άλλη προσέγγιση που είναι αποτελεσματική για ένα μη ισορροπημένο σύνολο δεδομένων είναι υπερδειγματοληψίας. Με την υπερδειγματοληψία της υποεκπροσωπούμενης κατηγορίας, το μοντέλο βλέπει την υποεκπροσωπούμενη κατηγορία πιο συχνά και τονίζει τη σημασία αυτών των δειγμάτων. Χρησιμοποιούμε το Υπερδειγματοληψία-υπερεκπροσωπείται.ipynb σημειωματάριο για τη βελτιστοποίηση των συνόλων δεδομένων.
Για αυτό το σύνολο δεδομένων, δοκιμάσαμε πώς αλλάζει η απόδοση του μοντέλου στο σύνολο δεδομένων αξιολόγησης καθώς παρέχουμε περισσότερα δείγματα. Χρησιμοποιούμε την τεχνική της υπερδειγματοληψίας για να αυξήσουμε την εμφάνιση υποεκπροσωπούμενων κλάσεων για να βελτιώσουμε την απόδοση.
Στη συγκεκριμένη περίπτωση, δοκιμάσαμε σε 10, 25, 50, 100, 200 και 500 θετικά παραδείγματα. Παρατηρήστε ότι παρόλο που επαναλαμβάνουμε τα σημεία δεδομένων, βελτιώνουμε εγγενώς την απόδοση του μοντέλου τονίζοντας τη σημασία της υποεκπροσωπούμενης κατηγορίας.
Κόστος
Με το Amazon Comprehend, πληρώνετε όσο προχωράτε με βάση τον αριθμό των χαρακτήρων κειμένου που έχουν υποστεί επεξεργασία. Αναφέρομαι σε Τιμοκατάλογος Amazon για το πραγματικό κόστος.
εκκαθάριση
Όταν ολοκληρώσετε τον πειραματισμό με αυτήν τη λύση, καθαρίστε τους πόρους σας για να διαγράψετε όλους τους πόρους που έχουν αναπτυχθεί σε αυτό το παράδειγμα. Αυτό σας βοηθά να αποφύγετε το συνεχιζόμενο κόστος στον λογαριασμό σας.
Συμπέρασμα
Σε αυτήν την ανάρτηση, παρέχουμε βέλτιστες πρακτικές και καθοδήγηση σχετικά με την προετοιμασία δεδομένων, τη ρύθμιση μοντέλων χρησιμοποιώντας πιθανότητες πρόβλεψης και τεχνικές για τον χειρισμό υποεκπροσωπούμενων κατηγοριών δεδομένων. Μπορείτε να χρησιμοποιήσετε αυτές τις βέλτιστες πρακτικές και τεχνικές για να βελτιώσετε τις μετρήσεις απόδοσης του προσαρμοσμένου μοντέλου ταξινόμησης Amazon Comprehend.
Για περισσότερες πληροφορίες σχετικά με το Amazon Comprehend, επισκεφτείτε Πόροι προγραμματιστών Amazon Comprehend για να βρείτε πόρους βίντεο και αναρτήσεις ιστολογίου και ανατρέξτε σε AWS Comprehend FAQ.
Σχετικά με τους Συγγραφείς
Σάτυα Μπαλακρισνάν είναι αρχιτέκτονας παράδοσης πελατών Sr. στην ομάδα Επαγγελματικών Υπηρεσιών της AWS, που ειδικεύεται σε λύσεις δεδομένων και ML. Συνεργάζεται με ομοσπονδιακούς οικονομικούς πελάτες των ΗΠΑ. Είναι παθιασμένος με τη δημιουργία ρεαλιστικών λύσεων για την επίλυση επιχειρηματικών προβλημάτων των πελατών. Στον ελεύθερο χρόνο του, του αρέσει να βλέπει ταινίες και να κάνει πεζοπορία με την οικογένειά του.
Πρίγκιπας Μαλλάρι είναι Επιστήμονας Δεδομένων NLP στην ομάδα Επαγγελματικών Υπηρεσιών της AWS, που ειδικεύεται στις εφαρμογές του NLP για πελάτες του δημόσιου τομέα. Είναι παθιασμένος με τη χρήση της ML ως εργαλείου που επιτρέπει στους πελάτες να είναι πιο παραγωγικοί. Στον ελεύθερο χρόνο του, του αρέσει να παίζει βιντεοπαιχνίδια και να αναπτύσσει ένα με τους φίλους του.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/improve-prediction-quality-in-custom-classification-models-with-amazon-comprehend/
- :έχει
- :είναι
- :που
- $UP
- 1
- 10
- 100
- 200
- 24
- 25
- 50
- 500
- 7
- 9
- a
- ΠΛΗΡΟΦΟΡΙΕΣ
- Αποδέχεται
- Λογαριασμός
- ακρίβεια
- απέναντι
- πραγματικός
- Επιπλέον
- Υιοθεσία
- εξελίξεις
- AI
- AI / ML
- Όλα
- επιτρέπουν
- Επίσης
- Αν και
- Amazon
- Κατανοήστε το Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- ανάλυση
- και
- κάθε
- εφαρμογές
- Εφαρμογές NLP
- πλησιάζω
- ΕΙΝΑΙ
- γύρω
- AS
- Ενεργητικό
- ανατεθεί
- At
- αποφύγετε
- AWS
- Υπόλοιπο
- βασίζονται
- BE
- επειδή
- γίνονται
- πριν
- αναφοράς
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- μεταξύ
- προκατάληψη
- Μπλοκ
- Μηνύματα Blog
- χτίζω
- Κτίριο
- επιχείρηση
- by
- που ονομάζεται
- CAN
- Μπορεί να πάρει
- περίπτωση
- Αλλαγές
- χαρακτήρες
- Επιλέξτε
- τάξη
- τάξεις
- ταξινόμηση
- πελάτες
- σχόλιο
- Κοινός
- πλήρης
- κατανοώ
- Υπολογίστε
- έχει ρυθμιστεί
- σύγχυση
- πρόξενος
- Περιέχει
- συνεχίζοντας
- μετατρέψετε
- Δικαστικά έξοδα
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- επιμέλεια
- επιμέλεια
- καμπύλη
- έθιμο
- πελάτης
- Πελάτες
- ημερομηνία
- σημεία δεδομένων
- Προετοιμασία δεδομένων
- επιστήμονας δεδομένων
- σύνολα δεδομένων
- μοιρασιά
- βαθύς
- Προεπιλογή
- διανομή
- αποδεικνύουν
- αναπτυχθεί
- καθέκαστα
- Προσδιορίστε
- Εργολάβος
- ανάπτυξη
- διανομή
- do
- έγγραφο
- Μην
- κατεβάσετε
- κατά την διάρκεια
- κάθε
- ευκολότερη
- Αποτελεσματικός
- προσπάθεια
- τονίζει
- δίνοντας έμφαση
- εισάγετε
- Εταιρεία
- εκτίμηση
- παράδειγμα
- παραδείγματα
- Εκτός
- εκτελέσει
- υφιστάμενα
- αναμένει
- Εξηγήστε
- f1
- Πτώση
- οικογένεια
- Ομοσπονδιακός
- Αρχεία
- Αρχεία
- Τελικά
- οικονομικός
- Εύρεση
- Εξής
- Για
- φίλους
- από
- πλήρη
- λειτουργία
- περαιτέρω
- Games
- παράγουν
- παίρνω
- Go
- πηγαίνει
- Κυβέρνηση
- καθοδήγηση
- καθοδηγήσει
- κατευθυντήριων γραμμών
- λαβή
- Έχω
- που έχει
- he
- βοηθά
- του
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- ID
- προσδιορίσει
- ids
- σπουδαιότητα
- βελτίωση
- βελτίωση
- in
- περιλαμβάνει
- Συμπεριλαμβανομένου
- Αυξάνουν
- αυξημένη
- πληροφορίες
- εκ φύσεως
- εισαγωγή
- ιδέες
- παράδειγμα
- αντί
- οδηγίες
- Νοημοσύνη
- σε
- εισαγάγει
- IT
- Δουλειά
- Θέσεις εργασίας
- μόλις
- Κλειδί
- επιγραφή
- Ετικέτες
- Γλώσσα
- μεγάλης κλίμακας
- ΜΑΘΑΊΝΩ
- μάθηση
- ελάχιστα
- μείον
- Μου αρέσει
- LIMIT
- τοποθεσία
- μηχανή
- μάθηση μηχανής
- κάνω
- διαχείριση
- σημάδι
- Μήτρα
- max
- ανώτατο όριο
- Γνωρίστε
- Μενού
- μετρικός
- Metrics
- ενδέχεται να
- ελάχιστος
- ελάχιστο
- ML
- μοντέλο
- μοντέλα
- περισσότερο
- πλέον
- Κινηματογράφος
- πρέπει
- όνομα
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Πλοήγηση
- Ανάγκη
- αρνητικός
- Νέα
- επόμενη
- nlp
- σημειωματάριο
- Ειδοποίηση..
- αριθμός
- παρατηρούμε
- περιστατικό
- of
- συχνά
- on
- ONE
- αποκλειστικά
- βελτιστοποίηση
- Βελτιστοποίηση
- βελτιστοποιημένη
- βελτιστοποίηση
- οργανώσεις
- δικός μας
- παραγωγή
- παράθυρο
- Ειδικότερα
- παθιασμένος
- Πληρωμή
- για
- επίδοση
- επιλέξτε
- σωλήνας
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- σας παρακαλούμε
- Σημείο
- σημεία
- θετικός
- δυνατός
- Θέση
- Δημοσιεύσεις
- πρακτικές
- πραγματιστική
- Ακρίβεια
- πρόβλεψη
- προετοιμασία
- Προετοιμάστε
- δώρα
- προηγουμένως
- προβλήματα
- Επεξεργασμένο
- μεταποίηση
- παραγωγικός
- επαγγελματίας
- κατάλληλος
- παρέχουν
- παρέχεται
- δημόσιο
- ποιότητα
- τυχαίος
- αναλογία
- Ακατέργαστος
- συνειδητοποιήσουν
- παραπέμπω
- απαιτείται
- Υποστηρικτικό υλικό
- Αποτελέσματα
- Ρόλος
- σοφός
- Επιστήμονας
- σκορ
- τομέας
- δείτε
- δει
- βλέπει
- εξυπηρετούν
- Υπηρεσίες
- διάφοροι
- θα πρέπει να
- Δείχνει
- Απλούς
- Μαλακός
- λύση
- Λύσεις
- SOLVE
- μερικοί
- ειδικευμένη
- συγκεκριμένες
- διαίρεση
- πρότυπο
- Εκκίνηση
- ξεκίνησε
- Βήμα
- Βήματα
- χώρος στο δίσκο
- αποθηκεύονται
- τέτοιος
- Πάρτε
- τεχνική
- τεχνικές
- τερματικό
- δοκιμή
- δοκιμαστεί
- κείμενο
- από
- ότι
- Η
- τους
- τότε
- Αυτοί
- αυτοί
- αυτό
- εκείνοι
- απειλή
- τρία
- κατώφλι
- Μέσω
- ώρα
- προς την
- εργαλείο
- Σύνολο
- εκπαιδευμένο
- Εκπαίδευση
- δύο
- υπό
- υποεκπροσωπούνται
- καταλαβαίνω
- us
- Ομοσπονδιακή των ΗΠΑ
- χρήση
- φιλική προς το χρήστη
- χρησιμοποιώντας
- αξία
- Βίντεο
- βιντεοπαιχνίδια
- Δες
- ορατός
- Επίσκεψη
- vs
- παρακολουθείτε
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- πότε
- Ποιό
- ενώ
- διαδεδομένη
- θα
- παράθυρο
- με
- χωρίς
- λειτουργεί
- Εσείς
- Σας
- zephyrnet
- Zip