Esta publicación presenta y compara opciones y prácticas recomendadas sobre cómo administrar paquetes de Python y entornos virtuales en Estudio Amazon SageMaker cuadernos Un público Repositorio GitHub proporciona ejemplos prácticos para cada uno de los enfoques presentados.
Amazon SageMaker Studio es un entorno de desarrollo integrado (IDE) basado en la web para el aprendizaje automático (ML) que le permite crear, entrenar, depurar, implementar y monitorear sus modelos de ML. Studio proporciona todas las herramientas que necesita para llevar sus modelos desde la preparación de datos hasta la experimentación y la producción mientras aumenta su productividad.
Cuadernos de estudio son cuadernos colaborativos de Jupyter que puede iniciar rápidamente porque no necesita configurar instancias informáticas ni almacenamiento de archivos de antemano. Cuando abre un bloc de notas en Studio, se le solicita que configure su entorno eligiendo una imagen de SageMaker, un kernel, un tipo de instancia y, opcionalmente, un script de configuración del ciclo de vida que se ejecuta al iniciar la imagen.
Para obtener más detalles sobre los conceptos de portátiles de Studio y otros aspectos de la arquitectura, consulte Sumérjase en la arquitectura de los portátiles de Amazon SageMaker Studio.
Los cuadernos de Studio están diseñados para ayudarlo en todas las fases de su desarrollo de ML, por ejemplo, ideación, experimentación y puesta en funcionamiento de un flujo de trabajo de ML. Studio viene con imágenes que incluyen lo último SDK de Amazon SageMaker Python y, según el tipo de imagen, otros paquetes y recursos específicos, como las bibliotecas de marco Spark, MXNet o PyTorch, y sus dependencias requeridas. Cada imagen puede albergar una o varias granos, que pueden ser diferentes entornos virtuales para el desarrollo.
Para garantizar el mejor ajuste para su proceso y fases de desarrollo, acceder a marcos de ML específicos o más recientes, o para cumplir con los requisitos de gobierno y acceso a datos, puede personalizar los entornos de notebook preconstruidos o crear nuevos entornos utilizando sus propias imágenes y kernels.
Esta publicación considera los siguientes enfoques para personalizar los entornos de Studio mediante la administración de paquetes y la creación de entornos virtuales de Python en los portátiles de Studio:
- Usar una imagen de aplicación personalizada de Studio KernelGateway
- Utilice las configuraciones del ciclo de vida de los portátiles de Studio
- Usa el estudio Sistema de archivos elástico de Amazon (Amazon EFS) volumen para persistir entornos Conda
- Uso
pip install
Núcleos de aplicaciones y notebooks de Studio KernelGateway
Una de las principales diferencias de la arquitectura de los portátiles Studio en comparación con Instancias de notebook de SageMaker es que los kernels de las notebooks de Studio se ejecutan en un contenedor Docker, llamado Contenedor de imágenes de SageMaker, en lugar de hospedarse directamente en Nube informática elástica de Amazon (Amazon EC2), que es el caso de las instancias de notebook de SageMaker.
El siguiente diagrama muestra las relaciones entre KernelGateway, núcleos de notebook e imágenes de SageMaker. (Para más información, ver Utilice los cuadernos de Amazon SageMaker Studio.)
Debido a esta diferencia, hay algunos detalles sobre cómo crear y administrar entornos virtuales en portátiles Studio, por ejemplo, el uso de entornos Conda o la persistencia de entornos de desarrollo ML entre reinicios del kernel.
Las siguientes secciones explican en detalle cada uno de los cuatro enfoques de personalización del entorno, brindan ejemplos prácticos y recomiendan casos de uso para cada opción.
Requisitos previos
Para comenzar con los ejemplos y probar los enfoques de personalización por su cuenta, necesita un dominio de SageMaker activo y al menos un perfil de usuario en el dominio. Si no tiene un dominio, consulte las instrucciones en Incorporación al dominio de Amazon SageMaker.
Imágenes de aplicaciones personalizadas de Studio KernelGateway
Una imagen de la aplicación Studio KernelGateway es un contenedor de Docker que identifica los kernels, los paquetes de idioma y otras dependencias necesarias para ejecutar un Jupyter Notebook en Studio. Utiliza estas imágenes para crear entornos en los que luego ejecuta cuadernos de Jupyter. Studio proporciona muchas imágenes integradas para que usted lo use
Si necesita una funcionalidad diferente, marcos específicos o paquetes de biblioteca, puede traer sus propias imágenes personalizadas (BYOI) a Studio.
Puede crear imágenes de aplicaciones y versiones de imágenes, adjuntar versiones de imágenes a su dominio y hacer que una aplicación esté disponible para todos los usuarios del dominio o para perfiles de usuario específicos. Puede administrar las imágenes de la aplicación a través de la consola de SageMaker, el AWS SDK para Python (Boto3), y el Interfaz de línea de comandos de AWS (CLI de AWS). La imagen personalizada debe almacenarse en un Registro de contenedores elásticos de Amazon (Amazon ECR) repositorio.
Los principales beneficios de este enfoque son un alto nivel de control de versiones y reproducibilidad de un entorno de tiempo de ejecución de ML y disponibilidad inmediata de paquetes de biblioteca porque están instalados en la imagen. Puede implementar pruebas integrales, gobernanza, medidas de seguridad y automatización de CI/CD para producir imágenes de aplicaciones personalizadas. Tener instantáneas de los entornos de desarrollo facilita y hace cumplir las prácticas de seguridad y medidas de seguridad de su organización.
El proporcionado cuaderno implementa un proceso de creación de imágenes de aplicaciones para entornos basados en Conda. El cuaderno demuestra cómo puede crear imágenes de múltiples entornos para que los usuarios de la aplicación puedan tener una selección de kernels en los que pueden ejecutar sus cuadernos.
Configurar una imagen de aplicación personalizada
Debe ejecutar este cuaderno como una instancia de cuaderno de SageMaker para permitir el uso local de Docker y ejecutar los comandos de Docker en el cuaderno. Alternativamente al uso de instancias de notebook o scripts de shell, puede usar el CLI de compilación de imágenes de Studio para trabajar con Docker en Studio. La CLI de Studio Image Build le permite crear imágenes de Docker compatibles con SageMaker directamente desde sus entornos de Studio mediante el uso de Construcción de código AWS.
Si no tiene una instancia de SageMaker Notebook, siga las instrucciones en Crear una instancia de portátil de Amazon SageMaker para comenzar.
También debe asegurarse de que el rol de ejecución que utiliza para una instancia de notebook tenga los permisos necesarios para las operaciones de dominio de Amazon ECR y SageMaker:
Para crear una imagen personalizada con dos núcleos, cada uno con su propio entorno virtual Conda, el portátil implementa los siguientes pasos:
- Definir los entornos Conda. El entorno Conda debe tener instalado un paquete de kernel Jupyter, por ejemplo,
ipykernel
para el núcleo de Python. - Defina un Dockerfile. Considere la imagen personalizada de SageMaker Especificaciones al crear su propia imagen.
- Cree una imagen de Docker compatible con Studio e inserte la imagen en el repositorio de ECR.
- Créar un Imagen de SageMaker con la imagen de Docker del repositorio de ECR y cree una versión de imagen inicial. Cada vez que actualice la imagen en Amazon ECR, se debe crear una nueva versión de la imagen.
- Actualice un dominio de SageMaker existente para usar esta imagen. Para esta operación, el rol de ejecución necesita la
UpdateDomain
permiso. La imagen está inmediatamente disponible para todos los perfiles de usuario del dominio. Si desea que la imagen esté disponible solo para un perfil de usuario específico, puede utilizar elUpdateUserProfile
Llamada API en lugar deUpdateDomain
. - Más información la imagen personalizada en Studio. Inicie un nuevo cuaderno y elija la nueva imagen en el menú desplegable de selección de imágenes.
Studio reconoce automáticamente los entornos de Conda en su imagen como kernels correspondientes en el menú desplegable de selección de kernel en la Configurar el entorno del cuaderno Widget
Consulte estos cuadernos de muestra para obtener más ejemplos y casos de uso sobre la implementación de imágenes de aplicaciones personalizadas.
Limpiar
Para evitar cargos, debe detener las instancias de notebook activas de SageMaker. Para obtener instrucciones, consulte Limpiar.
Implementar un proceso de creación de imágenes automatizado
Como ya se mencionó, puede usar el CLI de compilación de imágenes de Studio para implementar un proceso de CI/CD automatizado de creación e implementación de imágenes de aplicaciones con CodeBuild y CLI de sm-docker. Abstrae la configuración de sus entornos de compilación de Docker configurando automáticamente los servicios subyacentes y el flujo de trabajo necesarios para crear imágenes de Docker.
Casos de uso recomendados
El enfoque de imagen de aplicación personalizada es una buena opción para los siguientes escenarios cuando se usa un entorno de notebook Studio:
- Entornos estables y controlados para producción o uso de desarrollo sensible
- Entornos sin acceso a Internet, donde desea empaquetar previamente todos los recursos y bibliotecas necesarios en la imagen
- Alto índice de reutilización ambiental y baja tasa de cambios en los entornos.
- Alta escala de operaciones de ciencia de datos, docenas o cientos de desarrolladores o equipos que necesitan acceso a entornos personalizados estandarizados
- Usar bibliotecas que no se pueden configurar en las imágenes propias de SageMaker
- Requisitos para usar imágenes personalizadas para un sistema operativo diferente o un lenguaje de programación diferente
- Gobernanza centralizada y desarrollo del entorno mediante canalizaciones de CI/CD automatizadas
Limitaciones de este enfoque
Este enfoque requiere un proceso de creación de imágenes de varios pasos que incluye pruebas, lo que podría ser excesivo para entornos más pequeños o muy dinámicos. Además, considere las siguientes limitaciones del enfoque:
- Se necesita un esfuerzo inicial para agregar nuevos paquetes o crear nuevas versiones de una imagen. Como mitigación, puede personalizar la imagen personalizada existente con pip, incluso si no es persistente.
- Adjuntar una nueva imagen personalizada o agregar una nueva versión al dominio requiere la
UpdateDomain
permiso, que normalmente no se adjunta al rol de ejecución del perfil de usuario. Recomendamos usar una canalización automatizada con un rol de ejecución dedicado para realizar esta operación o dar permiso para actualizar un dominio a un usuario o rol de administrador dedicado. - Se trata de un gran esfuerzo manual para la creación de imágenes. Recomendamos implementar una canalización automatizada si produce y actualiza imágenes personalizadas con frecuencia.
- Si usa entornos Conda, es posible que encuentre problemas en el entorno Docker. Para ver un ejemplo, consulte Activar un entorno Conda en su Dockerfile. Es posible que no todos los comandos de Conda funcionen en el entorno virtual del portátil. Sin embargo, este enfoque de personalización de Studio no se limita a los entornos basados en Conda.
- No puede cambiar manualmente entre entornos Conda en el portátil; debe cambiar los núcleos en el widget de configuración del entorno del portátil.
Considere también que hay valores predeterminados cuotas de 30 imágenes personalizadas por dominio y 5 imágenes por perfil de usuario. Estos son límites flexibles y se pueden aumentar.
Las siguientes secciones describen enfoques más ligeros que pueden ser más adecuados para otros casos de uso.
Configuraciones del ciclo de vida de las notebooks de Studio
creativo configuraciones de ciclo de vida defina un script de shell que se ejecute en cada reinicio de la aplicación de puerta de enlace del kernel y pueda instalar los paquetes necesarios. El principal beneficio es que un científico de datos puede elegir qué script ejecutar para personalizar el contenedor con nuevos paquetes. Esta opción no requiere reconstruir el contenedor y, en la mayoría de los casos, no requiere una imagen personalizada porque puede personalizar el los preconstruidos.
Establecer un proceso de configuración del ciclo de vida
Este proceso tarda alrededor de 5 minutos en completarse. La publicación demuestra cómo usar las configuraciones del ciclo de vida a través de la consola de SageMaker. El provisto cuaderno muestra cómo implementar lo mismo programáticamente usando Boto3.
- En la consola de SageMaker, elija Configuraciones de ciclo de vida en el panel de navegación.
- En creativo pestaña, elegir Crear configuración.
El primer paso para crear la configuración del ciclo de vida es seleccionar el tipo.
- Para este caso de uso de instalación de dependencias cada vez que se crea una aplicación de puerta de enlace del kernel de Jupyter, elija Aplicación de puerta de enlace del núcleo Jupyter y elige Siguiente.
- Nombre, introduzca un nombre para la configuración.
- En Scripts sección, defina el script que se ejecutará cuando se inicie el núcleo. Para este ejemplo, la biblioteca PyArrow se instalará con el siguiente script:
- Elige Crear configuración.
Ahora que se ha creado la configuración, debe adjuntarse a un dominio o perfil de usuario. Cuando se adjunta al dominio, todos los perfiles de usuario de ese dominio lo heredan, mientras que cuando se adjunta a un perfil de usuario, se limita a ese perfil específico. Para este tutorial, usamos la ruta de dominio de Studio.
- Elige dominios en el panel de navegación y abra su dominio existente.
- En Entorno pestaña, en el Configuraciones de ciclo de vida para aplicaciones personales de Studio sección, elija Adjuntar.
- Fuente, seleccione Configuración existente.
- Seleccione la configuración del ciclo de vida que creó y elija Adjuntar al dominio.
Ahora que se ha realizado toda la configuración, es hora de probar el script en Studio.
- Inicie Studio y en el lanzador pestaña, ubique el Cuadernos y recursos informáticos sección y elija Cambio de entorno para seleccionar la configuración del ciclo de vida que creó.
- Guión de puesta en marcha, elija la configuración del ciclo de vida que creó y luego elija Seleccione.
- Elige Crear cuaderno.
También puede configurar la configuración del ciclo de vida para que se ejecute de forma predeterminada en el Configuraciones de ciclo de vida para aplicaciones personales de Studio sección de la Dominio .
Dentro del nuevo cuaderno, estarán disponibles las dependencias instaladas en el script de inicio.
Casos de uso recomendados
Este enfoque es liviano pero también poderoso porque le permite controlar la configuración del entorno de su computadora portátil a través de scripts de shell. Los casos de uso que mejor se ajustan a este enfoque son los siguientes:
- Integración de instalaciones de paquetes en la configuración del ciclo de vida del portátil que debe ejecutarse en cada inicio del kernel.
- Entornos sin acceso a internet. Use configuraciones de ciclo de vida para configurar un entorno para acceder a repositorios de paquetes y artefactos locales o de seguridad, como Código de AWS Artifact.
- Si ya usa configuraciones de ciclo de vida, puede ampliarlas para incluir la instalación del paquete.
- Instalación de algunos paquetes adicionales además de imágenes de aplicaciones integradas o personalizadas.
- Cuando necesita un tiempo de comercialización más corto que con las imágenes de aplicaciones personalizadas.
Limitaciones de este enfoque
Las principales limitaciones son un gran esfuerzo para administrar los scripts de configuración del ciclo de vida a escala y una instalación lenta de paquetes. Dependiendo de cuántos paquetes estén instalados y cuán grandes sean, el script de ciclo de vida podría incluso agotarse. También hay opciones limitadas para la personalización de scripts ad hoc por parte de los usuarios, como científicos de datos o ingenieros de ML, debido a los permisos del rol de ejecución del perfil de usuario.
Consulte Ejemplos de configuración del ciclo de vida de SageMaker Studio para obtener más muestras y casos de uso.
Persista los entornos de Conda en el volumen de Studio EFS
Los dominios de SageMaker y Studio usan un volumen EFS como una capa de almacenamiento persistente. Puede guardar sus entornos Conda en este volumen EFS. Estos entornos son persistentes entre el kernel, la aplicación o el reinicio de Studio. Studio selecciona automáticamente todos los entornos como núcleos KernelGateway.
Este es un proceso sencillo para un científico de datos, pero hay un retraso de 1 minuto para que el entorno aparezca en la lista de núcleos seleccionables. También puede haber problemas con el uso de entornos para aplicaciones de puerta de enlace del kernel que tienen diferentes requisitos informáticos, por ejemplo, un entorno basado en CPU en una aplicación basada en GPU.
Consulte Entornos Conda personalizados en SageMaker Studio para obtener instrucciones detalladas. El repositorio de GitHub de la publicación también contiene un cuaderno con la guía paso a paso.
Cree entornos persistentes de Conda en un volumen de Studio EFS
Este recorrido debe tomar alrededor de 10 minutos.
- En Studio, elija Inicio en el panel de navegación.
- Elige Lanzador abierto.
- Dentro del Lanzador, ubique el Cuadernos y recursos informáticos .
- Verifique que la imagen de SageMaker seleccionada sea una imagen de kernel propia compatible con Conda, como "Ciencia de datos".
- Elige Abrir terminal de imagen para abrir una ventana de terminal con un nuevo kernel.
Aparece un mensaje que dice "Iniciando terminal de imagen..." y después de unos momentos, el nuevo terminal se abrirá en una nueva pestaña.
- Dentro de la terminal, ejecute los siguientes comandos:
Estos comandos tardarán unos 3 minutos en ejecutarse y crearán un directorio en el volumen EFS para almacenar los entornos Conda, crear el nuevo entorno Conda y activarlo, instalar el ipykernel
dependencias (sin esta dependencia, esta solución no funcionará), y finalmente cree un archivo de configuración de Conda (.condarc
), que contiene la referencia al nuevo directorio del entorno de Conda. Debido a que este es un nuevo entorno de Conda, no se instalan dependencias adicionales. Para instalar otras dependencias, puede modificar el conda install
línea o espere a que terminen los siguientes comandos e instale cualquier dependencia adicional mientras se encuentra dentro del entorno de Conda.
- Para este ejemplo, instalamos la biblioteca NumPy ejecutando el siguiente comando en la ventana del terminal:
Ahora que se creó el entorno de Conda y se instalaron las dependencias, puede crear un cuaderno que utilice este entorno de Conda persistente en Amazon EFS.
- En Studio Launcher, seleccione Crear cuaderno.
- Desde el nuevo cuaderno, elija el núcleo "Python 3 (Ciencia de datos)".
- Núcleo, elija el entorno Conda recién creado, luego elija Seleccione.
Si al principio no hay opción para el nuevo entorno de Conda, esto podría deberse a que tarda unos minutos en propagarse.
De vuelta en el cuaderno, el nombre del núcleo habrá cambiado en la esquina superior derecha, y dentro de una celda puede probar que las dependencias instaladas están disponibles.
Casos de uso recomendados
Los siguientes casos de uso son los que mejor se adaptan a este enfoque:
- Entornos sin acceso a Internet, con todas las dependencias preinstaladas en los entornos persistentes de Conda
- Entornos ad hoc que necesitan persistencia entre sesiones de kernel
- Prueba de imágenes personalizadas de SageMaker en Studio antes de crear una imagen de Docker y enviarla a Amazon ECR
Limitaciones de este enfoque
Aunque este enfoque tiene usos prácticos, considere las siguientes limitaciones:
- Puede haber problemas de rendimiento con Amazon EFS en muchos archivos pequeños, lo cual es muy común cuando se administran paquetes de Python.
- Puede ser un desafío compartir entornos persistentes entre los perfiles de usuario de Studio.
- Puede ser un desafío reutilizar entornos persistentes.
- Puede ser un desafío abordar la gestión a escala.
- El enfoque funciona solo con imágenes propias de SageMaker basadas en Conda, por ejemplo, "Ciencia de datos", "Ciencia de datos 2.0" y "Ciencia de datos 3.0". Para obtener una lista de todas las imágenes disponibles, consulte Imágenes disponibles de Amazon SageMaker.
Instalación de pip
Puede instalar paquetes directamente en el entorno predeterminado de Conda o en el entorno predeterminado de Python.
Créar un setup.py
or requirements.txt
archivo con todas las dependencias requeridas y ejecutar %pip install .-r requirement.txt
. Debe ejecutar este comando cada vez que reinicie el kernel o vuelva a crear una aplicación.
Este enfoque se recomienda para la experimentación ad hoc porque estos entornos no son persistentes.
Para obtener más detalles sobre el uso de la pip install
comando y limitaciones, consulte Instale bibliotecas externas y kernels en Amazon SageMaker Studio.
Casos de uso recomendados
Este enfoque es una forma estándar de instalar paquetes para personalizar el entorno de su computadora portátil. Los casos de uso recomendados se limitan al uso que no sea de producción para la experimentación ad hoc en un cuaderno:
- Experimentación ad hoc en portátiles Studio
- Entornos no productivos y no sensibles, entornos sandbox
- Entornos con acceso a internet
Limitaciones de este enfoque
Las principales limitaciones de este enfoque son:
- Algunos entornos empresariales bloquean todas las conexiones de Internet de entrada y salida y no puede usar
pip install
para extraer paquetes de Python o necesita configurar un modo fuera de línea - Menor reproducibilidad de los entornos.
- Debe esperar hasta que los paquetes se descarguen e instalen
- Sin persistencia entre reinicios de imagen
Conclusión
SageMaker Studio ofrece una amplia gama de posibilidades de personalización de los entornos de desarrollo. Cada rol de usuario, como un científico de datos; un ingeniero de ML, MLOps o DevOps; y un administrador puede elegir el enfoque más adecuado en función de sus necesidades, lugar en el ciclo de desarrollo y barandillas empresariales.
La siguiente tabla resume los enfoques presentados junto con sus casos de uso preferidos y sus principales limitaciones.
Enfoque | Persistencia | Casos de uso de mejor ajuste | Limitaciones |
Trae tu propia imagen | Permanente, transferible entre perfiles de usuario y dominios |
|
|
Configuraciones de ciclo de vida | Permanente, transferible entre perfiles de usuario y dominios |
|
|
Entornos de Conda en el volumen de Studio EFS | Permanente, no transferible entre perfiles de usuario o dominios |
|
|
Instalación de pip | Transitorio, sin persistencia entre la imagen o los reinicios de Studio, no transferible entre perfiles de usuario o dominios |
|
|
Todavía es el día 1. El entorno virtual del mundo real y la administración de Python son mucho más complejos que estos cuatro enfoques, pero esta publicación lo ayuda con los primeros pasos para desarrollar su propio caso de uso.
Puede encontrar más casos de uso, detalles y ejemplos prácticos en los siguientes recursos:
Sobre los autores
Yevgueniy Ilyin es arquitecto de soluciones en Amazon Web Services (AWS). Tiene más de 20 años de experiencia trabajando en todos los niveles de desarrollo de software y arquitectura de soluciones y ha utilizado lenguajes de programación desde COBOL y Assembler hasta .NET, Java y Python. Desarrolla y codifica soluciones nativas en la nube con un enfoque en big data, análisis e ingeniería de datos.
alex gracia es un arquitecto de soluciones en Amazon Web Services (AWS) que se ocupa de los negocios nativos digitales de Fintech. Con sede en Londres, Alex trabaja con algunas de las Fintech líderes del Reino Unido y disfruta apoyando su uso de AWS para resolver problemas comerciales e impulsar el crecimiento futuro. Anteriormente, Alex trabajó como desarrollador de software y líder tecnológico en empresas emergentes de Fintech en Londres y, más recientemente, se especializó en las soluciones de aprendizaje automático de AWS.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/
- :es
- $ UP
- 1
- 10
- 100
- 11
- 20 años
- 7
- 8
- a
- Nuestra Empresa
- enviados
- de la máquina
- Mi Cuenta
- la columna Acción
- lector activo
- Ad
- Adicionales
- dirección
- Admin
- Después
- alex
- Todos
- permite
- ya haya utilizado
- Amazon
- Amazon EC2
- Amazon SageMaker
- Estudio Amazon SageMaker
- Amazon Web Services
- Servicios Web de Amazon (AWS)
- Analytics
- y
- abejas
- applicación
- Aparecer
- Aplicación
- enfoque
- enfoques
- aplicaciones
- arquitectura
- somos
- en torno a
- AS
- aspectos
- At
- adjuntar
- autoría
- Confirmación de Viaje
- automáticamente
- Automatización
- disponibilidad
- Hoy Disponibles
- AWS
- basado
- BE
- porque
- antes
- es el beneficio
- beneficios
- MEJOR
- mejores
- entre
- Big
- Big Data
- Bloquear
- impulsar
- llevar
- general
- build
- Construir la
- incorporado
- negocios
- by
- llamar al
- , que son
- PUEDEN
- case
- cases
- retos
- desafiante
- Cambios
- cargos
- Elige
- la elección de
- Soluciones
- COBOL
- colaboración
- Algunos
- en comparación con
- compatible
- completar
- integraciones
- exhaustivo
- Calcular
- conceptos
- Configuración
- Conexiones
- Considerar
- considera
- Consola
- Envase
- contiene
- control
- controlado
- controles
- Esquina
- Correspondiente
- podría
- Para crear
- creado
- Creamos
- creación
- personalizado
- personalización
- personalizan
- Cycle
- datos
- acceso a los datos
- Preparación de datos
- Ciencia de los datos
- científico de datos
- día
- a dedicados
- profundo
- Predeterminado
- retrasar
- demuestra
- Dependencia
- Dependiente
- desplegar
- despliegue
- describir
- diseñado
- detalle
- detallado
- detalles
- Developer
- desarrolladores
- el desarrollo
- Desarrollo
- desarrolla el
- un cambio
- diferencias
- una experiencia diferente
- digital
- directamente
- Docker
- No
- dominio
- dominios
- No
- descargar
- decenas
- lugar de trabajo dinámico
- cada una
- efecto
- esfuerzo
- ingeniero
- Ingeniería
- certificados
- garantizar
- Participar
- Empresa
- Entorno
- ambientes
- Incluso
- Cada
- ejemplo
- ejemplos
- ejecución
- existente
- experience
- Explicar
- ampliar
- externo
- facilita
- pocos
- Archive
- archivos
- Finalmente
- Encuentre
- acabado
- Fintech
- startups fintech
- Fintechs
- Nombre
- primeros pasos
- cómodo
- Focus
- seguir
- siguiendo
- Marco conceptual
- marcos
- frecuentemente
- Desde
- Combustible
- a la fatiga
- Además
- futuras
- crecimiento futuro
- puerta
- obtener
- GitHub
- Donar
- Dorado
- candidato
- gobierno
- Incremento
- guía
- emprendedor
- Tienen
- es
- ayuda
- Alta
- fortaleza
- organizado
- Cómo
- Como Hacer
- Sin embargo
- HTML
- http
- HTTPS
- Cientos
- identifica
- imagen
- imágenes
- inmediata
- inmediatamente
- implementar
- implementación
- implementación
- implementos
- importar
- in
- incluir
- Incluye
- aumentado
- información
- inicial
- instalar
- instalado
- instalando
- ejemplo
- Instrucciones
- COMPLETAMENTE
- Internet
- Acceso a Internet
- involucra
- cuestiones
- IT
- Java
- jpg
- idioma
- Idiomas
- large
- más reciente
- lanzamiento
- .
- Lead
- líder
- aprendizaje
- Permíteme
- Nivel
- bibliotecas
- Biblioteca
- ciclo de vida
- ligero
- LIMITE LAS
- limitaciones
- Limitada
- límites
- línea
- Lista
- local
- localmente
- Londres
- Largo
- MIRADAS
- Baja
- máquina
- máquina de aprendizaje
- Inicio
- para lograr
- gestionan
- gestionado
- Management
- administrar
- manual
- a mano
- muchos
- Mercado
- mencionado
- Menú
- mensaje
- podría
- Min
- mitigación
- ML
- MLOps
- modelos
- modificar
- Momentos
- Monitorear
- más,
- MEJOR DE TU
- múltiples
- nombre
- nativo
- Navegación
- necesario
- ¿ Necesita ayuda
- red
- Nuevo
- Next
- normalmente
- cuaderno
- numpy
- of
- Ofertas
- digital fuera de línea.
- on
- ONE
- habiertos
- Inteligente
- Operaciones
- Optión
- Opciones
- OS
- Otro
- EL DESARROLLADOR
- paquete
- paquetes
- página
- cristal
- parámetros
- Realizar
- actuación
- permiso
- permisos
- persistencia
- con
- Selecciones
- industrial
- Colocar
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- posible
- Publicación
- poderoso
- Metodología
- prácticas
- preferido
- presentó
- regalos
- previamente
- problemas
- tratamiento
- producir
- Producción
- productividad
- Mi Perfil
- Perfiles
- Programación
- lenguajes de programación
- proporcionar
- previsto
- proporciona un
- público
- Push
- Emprendedor
- Python
- piñón
- con rapidez
- distancia
- Rate
- más bien
- proporción
- mundo real
- recientemente
- reconoce
- recomiendan
- recomendado
- relaciones
- repositorio
- exigir
- Requisitos
- requisito
- Requisitos
- requiere
- Recurso
- Recursos
- Función
- Ruta
- Ejecutar
- correr
- sabio
- mismo
- arenero
- Guardar
- Escala
- escenarios
- Ciencia:
- Científico
- los científicos
- guiones
- Sdk
- Sección
- (secciones)
- EN LINEA
- seleccionado
- selección
- sensible
- Servicios
- set
- pólipo
- Configure
- Compartir
- Cáscara
- tienes
- Shows
- soltero
- lento
- chica
- menores
- So
- Soft
- Software
- Desarrollo de software ad-hoc
- a medida
- Soluciones
- RESOLVER
- algo
- Spark
- especializándose
- soluciones y
- estable
- estándar
- comienzo
- fundó
- comienza
- inicio
- Startups
- Posicionamiento
- paso
- pasos
- Sin embargo
- Detener
- STORAGE
- tienda
- almacenados
- sencillo
- estudio
- tal
- adecuado
- SOPORTE
- Apoyar
- Switch
- mesa
- ¡Prepárate!
- toma
- equipos
- tecnología
- terminal
- test
- pruebas
- esa
- La
- su
- Les
- Estas
- equipo
- a
- parte superior
- Entrenar
- Formación
- subyacente
- Actualizar
- Uso
- utilizan el
- caso de uso
- Usuario
- usuarios
- versión
- vía
- Virtual
- volumen
- esperar
- tutorial
- Camino..
- web
- servicios web
- Basado en la Web
- que
- mientras
- QUIENES
- seguirá
- dentro de
- sin
- Actividades:
- trabajado
- trabajando
- funciona
- años
- Usted
- tú
- zephyrnet