Wrangler de datos de Amazon SageMaker reduce el tiempo que lleva recopilar y preparar datos para el aprendizaje automático (ML) de semanas a minutos. Puede optimizar el proceso de ingeniería de funciones y preparación de datos con SageMaker Data Wrangler y finalizar cada etapa del flujo de trabajo de preparación de datos (incluida la selección, purificación, exploración, visualización y procesamiento de datos a escala) dentro de una única interfaz visual. Los datos frecuentemente se guardan en lagos de datos que pueden ser administrados por Formación del lago AWS, lo que le brinda la capacidad de implementar un control de acceso detallado mediante un sencillo procedimiento de concesión o revocación. SageMaker Data Wrangler admite un control de acceso a datos detallado con Lake Formation y Atenea amazónica conexiones.
Nos complace anunciar que SageMaker Data Wrangler ahora admite el uso de Lake Formation con EMR de Amazon para proporcionar esta restricción de acceso a datos detallada.
Los profesionales de datos, como los científicos de datos, quieren utilizar el poder de Apache Spark, Colmenay presto ejecutándose en Amazon EMR para una rápida preparación de datos; sin embargo, la curva de aprendizaje es empinada. Nuestros clientes querían poder conectarse a Amazon EMR para ejecutar consultas SQL ad hoc en Hive o Presto para consultar datos en el metastore interno o externo (como el Catálogo de datos de AWS Glue) y preparar datos con unos pocos clics.
En esta publicación, mostramos cómo utilizar Lake Formation como capacidad central de gobernanza de datos y Amazon EMR como motor de consulta de big data para permitir el acceso a SageMaker Data Wrangler. Las capacidades de Lake Formation simplifican la seguridad y la gestión de lagos de datos distribuidos en múltiples cuentas a través de un enfoque centralizado, proporcionando un control de acceso detallado.
Resumen de la solución
Demostramos esta solución con un caso de uso de extremo a extremo utilizando un conjunto de datos de muestra, el modelo de datos TPC. Estos datos representan datos de transacciones de productos e incluyen información como datos demográficos de clientes, inventario, ventas web y promociones. Para demostrar los permisos de acceso a datos detallados, consideramos a los siguientes dos usuarios:
- David, científico de datos del equipo de marketing. Tiene la tarea de construir un modelo sobre la segmentación de clientes y solo se le permite acceder a datos de clientes no confidenciales.
- Tina, científica de datos del equipo de ventas. Tiene la tarea de crear el modelo de pronóstico de ventas y necesita acceso a los datos de ventas para la región en particular. También está ayudando al equipo de productos con la innovación y, por lo tanto, también necesita acceso a los datos del producto.
La arquitectura se implementa de la siguiente manera:
- Lake Formation administra el lago de datos y los datos sin procesar están disponibles en Servicio de almacenamiento simple de Amazon (Amazon S3) cubos
- Amazon EMR se utiliza para consultar los datos del lago de datos y realizar la preparación de datos mediante Spark
- Gestión de identidades y accesos de AWS (IAM) los roles se utilizan para gestionar el acceso a datos utilizando Lake Formation
- SageMaker Data Wrangler se utiliza como interfaz visual única para consultar y preparar los datos de forma interactiva.
El siguiente diagrama ilustra esta arquitectura. La cuenta A es la cuenta del lago de datos que alberga todos los datos listos para ML obtenidos mediante procesos de extracción, transformación y carga (ETL). La cuenta B es la cuenta de ciencia de datos donde un grupo de científicos de datos compila y ejecuta transformaciones de datos utilizando SageMaker Data Wrangler. Para que SageMaker Data Wrangler en la Cuenta B tenga acceso a las tablas de datos en el lago de datos de la Cuenta A a través de los permisos de Lake Formation, debemos activar los derechos necesarios.
Puede utilizar el proporcionado Formación en la nube de AWS stack para configurar los componentes arquitectónicos de esta solución.
Requisitos previos
Antes de comenzar, asegúrese de tener los siguientes requisitos previos:
- An Cuenta de AWS
- Un usuario de IAM con acceso de administrador
- Un cubo S3
Aprovisione recursos con AWS CloudFormation
Proporcionamos una plantilla de CloudFormation que implementa los servicios en la arquitectura para realizar pruebas de un extremo a otro y facilitar implementaciones repetidas. Los resultados de esta plantilla son los siguientes:
- Un depósito S3 para el lago de datos.
- Un clúster de EMR con funciones de tiempo de ejecución de EMR habilitadas. Para obtener más detalles sobre el uso de roles de tiempo de ejecución con Amazon EMR, consulte Configurar roles de tiempo de ejecución para los pasos de Amazon EMR. La asociación de roles de tiempo de ejecución con clústeres de EMR se admite en Amazon EMR 6.9. Asegúrese de que la siguiente configuración esté en su lugar:
- Cree una configuración de seguridad en Amazon EMR.
- La política de confianza de la función de tiempo de ejecución de EMR debe permitir que el perfil de instancia EC2 de EMR asuma la función.
- La función del perfil de instancia EMR EC2 debería poder asumir las funciones de tiempo de ejecución de EMR.
- El clúster EMR debe crearse con cifrado en tránsito.
- Roles de IAM para acceder a los datos en el lago de datos, con permisos detallados:
- Rol de acceso a datos de marketing
- Rol de acceso a datos de ventas
- An Dominio de estudio de Amazon SageMaker y dos perfiles de usuario. Las funciones de ejecución de SageMaker Studio para los usuarios les permiten asumir sus funciones de tiempo de ejecución de EMR correspondientes.
- Una configuración del ciclo de vida para permitir la selección del rol a utilizar para la conexión EMR.
- Una base de datos de Lake Formation poblada con los datos de TPC.
- Recursos de red necesarios para la configuración, como VPC, subredes y grupos de seguridad.
Cree certificados de cifrado de Amazon EMR para los datos en tránsito
Con la versión 4.8.0 o posterior de Amazon EMR, tiene la opción de especificar artefactos para cifrar datos en tránsito mediante una configuración de seguridad. Creamos manualmente certificados PEM, los incluimos en un archivo .zip, lo subimos a un depósito S3 y luego hacemos referencia al archivo .zip en Amazon S3. Probablemente desee configurar el archivo PEM de clave privada para que sea un certificado comodín que permita el acceso al dominio de VPC en el que residen sus instancias de clúster. Por ejemplo, si su clúster reside en la región us-east-1, puede especificar un nombre común en la configuración del certificado que permita el acceso al clúster especificando CN=*.ec2.internal
en la definición del sujeto del certificado. Si su clúster reside en us-west-2
, podrías especificar CN=*.us-west-2.compute.internal
.
Ejecute los siguientes comandos usando la terminal de su sistema. Esto generará certificados PEM y los recopilará en un archivo .zip:
Subir my-certs.zip
a un depósito de S3 en la misma región en la que pretende ejecutar este ejercicio. Copie el URI de S3 para el archivo cargado. Lo necesitará al iniciar la plantilla de CloudFormation.
Este ejemplo es solo una demostración de prueba de concepto. No se recomienda el uso de certificados autofirmados y presenta un riesgo potencial de seguridad. Para los sistemas de producción, utilice una autoridad de certificación (CA) de confianza para emitir certificados.
Implementar la plantilla de CloudFormation
Para implementar la solución, complete los siguientes pasos:
- Inicia sesión en el Consola de administración de AWS como usuario de IAM, preferiblemente un usuario administrador.
- Elige Pila de lanzamiento para lanzar la plantilla de CloudFormation:
- Elige Siguiente.
- Nombre de pila, ingrese un nombre para la pila.
- Tiempo de inactividad, ingrese un valor para el tiempo de espera de inactividad del clúster EMR (para evitar pagar por el clúster cuando no se utiliza).
- S3CertsZip, ingrese un URI de S3 con la clave de cifrado EMR.
Para obtener instrucciones para generar una clave y un archivo .zip específico para su región, consulte Proporcionar certificados para cifrar datos en tránsito con cifrado de Amazon EMR. Si va a realizar la implementación en el este de EE. UU. (Norte de Virginia), recuerde utilizar CN=*.ec2.internal. Para obtener más información, consulte Cree claves y certificados para el cifrado de datos.. Asegúrese de cargar el archivo .zip en un depósito S3 en la misma región que su implementación de la pila de CloudFormation.
- En la página de revisión, seleccione la casilla de verificación para confirmar que AWS CloudFormation podría crear recursos.
- Elige Crear pila.
Espere hasta que el estado de la pila cambie de CREATE_IN_PROGRESS a CREAR_COMPLETO. El proceso suele tardar entre 10 y 15 minutos.
Una vez creada la pila, permita que Amazon EMR consulte Lake Formation actualizando el Filtrado de datos externos ajustes en la formación del lago. Para obtener instrucciones, consulte Comenzando con la Formación del Lago. Especifique Amazon EMR para Valores de etiqueta de sesión e ingrese su ID de cuenta de AWS en ID de cuenta de AWS.
Permisos de acceso a datos de prueba
Ahora que cuenta con la infraestructura necesaria, puede verificar que los dos usuarios de SageMaker Studio tengan acceso a datos granulares. Para revisar, David no debería tener acceso a ninguna información privada sobre sus clientes. Tina tiene acceso a información sobre ventas. Pongamos a prueba cada tipo de usuario.
Prueba el perfil de usuario de David
Para probar su acceso a los datos con el perfil de usuario de David, complete los siguientes pasos:
- En la consola de SageMaker, elija dominios en el panel de navegación.
- Desde el dominio de SageMaker Studio, inicie SageMaker Studio desde el perfil de usuario david-non-SENSITIVE-CLIENTE.
- En su entorno de SageMaker Studio, cree un Wrangler de datos de Amazon SageMaker fluir y elegir Importe y prepare datos visualmente.
Alternativamente, en el Archive menú, seleccione Nuevo, A continuación, elija Flujo de administrador de datos.
Analizamos estos pasos para crear un flujo de datos en detalle más adelante en esta publicación.
Prueba el perfil de usuario de Tina
La función de ejecución de SageMaker Studio de Tina le permite acceder a la base de datos de Lake Formation utilizando dos funciones de ejecución de EMR. Esto se logra enumerando los ARN de las funciones en un archivo de configuración en el directorio de archivos de Tina. Estos roles se pueden establecer usando Configuraciones del ciclo de vida de SageMaker Studio para conservar los roles en los reinicios de la aplicación. Para probar el acceso de Tina, complete los siguientes pasos:
- En la consola de SageMaker, navegue hasta el dominio de SageMaker Studio.
- Inicie SageMaker Studio desde el perfil de usuario
tina-sales-electronics
.
Es una buena práctica cerrar cualquier sesión anterior de SageMaker Studio en su navegador al cambiar de perfil de usuario. Solo puede haber una sesión de usuario activa de SageMaker Studio a la vez.
- Cree un flujo de datos de Data Wrangler.
En las siguientes secciones, mostramos la creación de un flujo de datos dentro de SageMaker Data Wrangler y la conexión a Amazon EMR como fuente de datos. David y Tina tendrán experiencias similares con la preparación de datos, excepto los permisos de acceso, por lo que verán tablas diferentes.
Crear un flujo de datos de SageMaker Data Wrangler
En esta sección, cubrimos la conexión al clúster de EMR existente creado a través de la plantilla de CloudFormation como una fuente de datos en SageMaker Data Wrangler. Para fines de demostración utilizamos el perfil de usuario de David.
Para crear su flujo de datos, complete los siguientes pasos:
- En la consola de SageMaker, elija dominios en el panel de navegación.
- Elija StudioDomain, que se creó ejecutando la plantilla CloudFormation.
- Seleccione un perfil de usuario (para este ejemplo, el de David) e inicie SageMaker Studio.
- Elige Open Studio.
- En SageMaker Studio, cree un nuevo flujo de datos y elija Importe y prepare datos visualmente.
Alternativamente, en el Archive menú, seleccione Nuevo, A continuación, elija Flujo de administrador de datos.
La creación de un nuevo flujo puede tardar unos minutos. Una vez creado el flujo, verá el Importar fechas .
- Para agregar Amazon EMR como fuente de datos en SageMaker Data Wrangler, en la Añadir fuente de datos menú, seleccione EMR de Amazon.
Puede explorar todos los clústeres de EMR que su función de ejecución de SageMaker Studio tiene permisos para ver. Tiene dos opciones para conectarse a un clúster: una es a través de la interfaz de usuario interactiva y la otra es primero crear un secreto usando Director de secretos de AWS con una URL JDBC, incluida la información del clúster EMR, y luego proporcione el ARN secreto de AWS almacenado en la interfaz de usuario para conectarse a Presto o Hive. En esta publicación, utilizamos el primer método.
- Seleccione cualquiera de los clústeres que desee utilizar y luego elija Siguiente.
- Seleccione qué punto final desea utilizar.
- Ingrese un nombre para identificar su conexión, como
emr-iam-connection
, A continuación, elija Siguiente.
- Seleccione AMI como su tipo de autenticación y elija Contacto.
Cuando esté conectado, podrá ver de forma interactiva un árbol de base de datos y una vista previa o esquema de una tabla. También puede consultar, explorar y visualizar datos de Amazon EMR. Para obtener una vista previa, verá un límite de 100 registros de forma predeterminada. Después de proporcionar una declaración SQL en el editor de consultas y elegir Ejecutar, la consulta se ejecuta en el motor de Amazon EMR Hive para obtener una vista previa de los datos. Elegir Cancelar consulta para cancelar las consultas en curso si están tomando un tiempo inusualmente largo.
- Accedamos a los datos de la tabla para los que David no tiene permisos.
La consulta dará como resultado el mensaje de error. “Unable to fetch table dl_tpc_web_sales. Insufficient Lake Formation permission(s) on dl_tpc_web_sales.”
El último paso es importar los datos. Cuando esté listo con los datos consultados, tiene la opción de actualizar la configuración de muestreo para la selección de datos según el tipo de muestreo (FirstK, aleatorio o estratificado) y el tamaño de muestreo para importar datos a Data Wrangler.
- Elige Importa para importar los datos.
En la página siguiente, puede agregar varias transformaciones y análisis esenciales al conjunto de datos.
- Navegue hasta el flujo de datos y agregue más pasos al flujo según sea necesario para transformaciones y análisis.
Puedes ejecutar un informe de conocimiento de datos para identificar problemas de calidad de datos y obtener recomendaciones para solucionar esos problemas. Veamos algunos ejemplos de transformaciones.
- En Flujo de datos vista, debería ver que estamos utilizando Amazon EMR como fuente de datos mediante el conector de Hive.
- Elija el signo más junto a Tipos de datos y elige Agregar transformación.
Exploremos los datos y apliquemos una transformación. por ejemplo, el c_login
La columna está vacía y no agregará valor como característica. Eliminemos la columna.
- En todos los pasos panel, elija Agregar paso.
- Elige Administrar columnas.
- Transformar, escoger Columna de caída.
- Columnas para soltar, elegir la
c_login
columna. - Elige Vista previa, A continuación, elija Añada.
- Verifique el paso expandiendo el Columna de caída .
Puede continuar agregando pasos según las diferentes transformaciones requeridas para su conjunto de datos. Volvamos a nuestro flujo de datos. Ahora puedes ver el Columna de caída bloque que muestra la transformación que realizamos.
Los profesionales del aprendizaje automático dedican mucho tiempo a elaborar código de ingeniería de características, aplicándolo a sus conjuntos de datos iniciales, entrenando modelos en los conjuntos de datos diseñados y evaluando la precisión del modelo. Dada la naturaleza experimental de este trabajo, incluso el proyecto más pequeño dará lugar a múltiples iteraciones. El mismo código de ingeniería de características a menudo se ejecuta una y otra vez, desperdiciando tiempo y recursos informáticos al repetir las mismas operaciones. En organizaciones grandes, esto puede causar una pérdida de productividad aún mayor porque diferentes equipos a menudo ejecutan trabajos idénticos o incluso escriben código de ingeniería de funciones duplicado porque no tienen conocimiento del trabajo anterior. Para evitar el reprocesamiento de características, podemos exportar nuestras características transformadas a Tienda de funciones de Amazon SageMaker. Para obtener más información, consulte Nuevo: almacenar, descubrir y compartir funciones de aprendizaje automático con Amazon SageMaker Feature Store.
- Elija el signo más junto a Columna de caída.
- Elige Exportar a y Tienda de características de SageMaker (a través de Jupyter Notebook).
Puede exportar fácilmente las funciones generadas a SageMaker Feature Store especificándolas como destino. Puede guardar las funciones en un grupo de funciones existente o crear uno nuevo. Para obtener más información, consulte Cree y almacene fácilmente funciones en Amazon SageMaker sin código.
Ahora hemos creado funciones con SageMaker Data Wrangler y las hemos almacenado en SageMaker Feature Store. Mostramos un flujo de trabajo de ejemplo para la ingeniería de funciones en la interfaz de usuario de SageMaker Data Wrangler.
Limpiar
Si su trabajo con SageMaker Data Wrangler está completo, elimine los recursos que creó para evitar incurrir en tarifas adicionales.
- En SageMaker Studio, cierre todas las pestañas, luego en la Archive menú, seleccione Cerrar.
- Cuando se le solicite, elija Apagar todo.
El apagado puede tardar unos minutos según el tipo de instancia. Asegúrese de que se eliminen todas las aplicaciones asociadas con cada perfil de usuario. Si no se eliminaron, elimine manualmente la aplicación asociada a cada perfil de usuario creado con la plantilla de CloudFormation.
- En la consola de Amazon S3, vacíe los depósitos de S3 que se crearon a partir de la plantilla de CloudFormation al aprovisionar clústeres.
Los depósitos deben tener el mismo prefijo que el nombre de la pila de lanzamiento de CloudFormation y cf-templates-.
- En la consola de Amazon EFS, elimine el sistema de archivos de SageMaker Studio.
Puede confirmar que tiene el sistema de archivos correcto eligiendo el ID del sistema de archivos y confirmando la etiqueta ManagedByAmazonSageMakerResource
en Etiquetas .
- En la consola de AWS CloudFormation, seleccione la pila que creó y elija Borrar.
Recibirá un mensaje de error, que es lo esperado. Volveremos a esto y lo limpiaremos en los pasos siguientes.
- Identifique la VPC que fue creada por la pila de CloudFormation, denominada dw-emr-y siga las indicaciones para eliminar la VPC.
- Vuelva a la consola de AWS CloudFormation y vuelva a intentar la eliminación de la pila para dw-emr-.
Todos los recursos provistos por la plantilla de CloudFormation descritos en esta publicación ahora se han eliminado de su cuenta.
Conclusión
En esta publicación, repasamos cómo aplicar un control de acceso detallado con Lake Formation y acceder a los datos utilizando Amazon EMR como fuente de datos en SageMaker Data Wrangler, cómo transformar y analizar un conjunto de datos y cómo exportar los resultados a un flujo de datos para su uso en un cuaderno Jupyter. Después de visualizar nuestro conjunto de datos con las funciones analíticas integradas de SageMaker Data Wrangler, mejoramos aún más nuestro flujo de datos. El hecho de que hayamos creado una canalización de preparación de datos sin escribir una sola línea de código es significativo.
Para comenzar con SageMaker Data Wrangler, consulte Prepare datos de AA con Amazon SageMaker Data Wrangler.
Acerca de los autores
Ajjay Govindaram es arquitecto sénior de soluciones en AWS. Trabaja con clientes estratégicos que usan AI/ML para resolver problemas comerciales complejos. Su experiencia radica en brindar dirección técnica y asistencia en el diseño para implementaciones de aplicaciones de IA/ML de modestas a grandes escalas. Su conocimiento abarca desde arquitectura de aplicaciones hasta big data, análisis y aprendizaje automático. Le gusta escuchar música mientras descansa, experimentar el aire libre y pasar tiempo con sus seres queridos.
Isha Dua es un Arquitecto de Soluciones Sénior con sede en el Área de la Bahía de San Francisco. Ayuda a los clientes empresariales de AWS a crecer mediante la comprensión de sus objetivos y desafíos, y los guía sobre cómo pueden diseñar sus aplicaciones de forma nativa en la nube al tiempo que garantizan la resiliencia y la escalabilidad. Le apasionan las tecnologías de aprendizaje automático y la sostenibilidad ambiental.
Parto Patel es arquitecto senior de soluciones en AWS en el área de la Bahía de San Francisco. Parth guía a los clientes empresariales para acelerar su viaje a la nube y ayudarlos a adoptar y crecer en la nube de AWS con éxito. Le apasionan las tecnologías de aprendizaje automático, la sostenibilidad ambiental y la modernización de aplicaciones.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- ChartPrime. Eleve su juego comercial con ChartPrime. Accede Aquí.
- Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/apply-fine-grained-data-access-controls-with-aws-lake-formation-in-amazon-sagemaker-data-wrangler/
- :posee
- :es
- :no
- :dónde
- $ UP
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 20
- 202
- 22
- 7
- 8
- 9
- a
- capacidad
- Poder
- Nuestra Empresa
- acelerar
- de la máquina
- el acceso
- Conforme
- Mi Cuenta
- Cuentas
- la exactitud
- alcanzado
- a través de
- lector activo
- Ad
- add
- la adición de
- Adicionales
- Admin
- adoptar
- Después
- de nuevo
- AI / ML
- Todos
- permitir
- permite
- también
- Amazon
- EMR de Amazon
- Amazon SageMaker
- Wrangler de datos de Amazon SageMaker
- Amazon Web Services
- an
- análisis
- Pruebas analíticas
- Analytics
- analizar
- y
- Anunciar
- cualquier
- applicación
- Aplicación
- aplicaciones
- Aplicá
- La aplicación de
- enfoque
- aplicaciones
- arquitectónico
- arquitectura
- somos
- Reservada
- AS
- Ayuda
- asociado
- asumir
- At
- Autenticación
- autoridad
- Hoy Disponibles
- evitar
- AWS
- Formación en la nube de AWS
- Formación del lago AWS
- Atrás
- basado
- Bay
- BE
- porque
- esto
- "Ser"
- Big
- Big Data
- Box
- cada navegador
- Construir la
- incorporado
- by
- CA
- PUEDEN
- capacidades
- capacidad
- case
- Causa
- central
- centralizado
- certificado
- certificados
- de Padi
- retos
- Cambios
- comprobar
- Elige
- la elección de
- Cerrar
- Soluciones
- Médico
- código
- recoger
- Columna
- cómo
- Algunos
- completar
- integraciones
- componentes
- Calcular
- concepto
- Configuración
- Confirmar
- Contacto
- conectado
- Conectándote
- conexión
- Conexiones
- Considerar
- Consola
- continue
- control
- controles
- correcta
- Correspondiente
- podría
- Protectora
- Para crear
- creado
- Creamos
- curva
- cliente
- datos de los clientes
- Clientes
- datos
- acceso a los datos
- Lago de datos
- Preparación de datos
- Ciencia de los datos
- científico de datos
- Base de datos
- conjuntos de datos
- David
- Predeterminado
- definición
- Demografía
- demostrar
- desplegar
- Desplegando
- despliegue
- Despliegues
- despliega
- descrito
- Diseño
- destino
- detalle
- detalles
- una experiencia diferente
- dirección
- descrubrir
- discutir
- distribuidos
- No
- dominio
- cada una
- pasan fácilmente
- Este
- editor
- habilitar
- facilita
- permite
- cifrado
- de extremo a extremo
- Punto final
- Motor
- Ingeniería
- mejorado
- asegurando que
- Participar
- Empresa
- Entorno
- ambientales
- Sostenibilidad Ambiental
- error
- esencial
- evaluación
- Incluso
- ejemplo
- Excepto
- ejecución
- Haz ejercicio
- existente
- en expansión
- esperado
- experience
- Experiencias
- experimentando
- experimental
- exploración
- explorar
- exportar
- externo
- extraerlos
- facilitar
- hecho
- RÁPIDO
- Feature
- Caracteristicas
- Costes
- pocos
- Archive
- acabado
- Nombre
- Fijar
- de tus señales
- seguir
- siguiendo
- siguiente
- Pronóstico
- formación
- Francisco
- frecuentemente
- Desde
- promover
- generar
- generado
- obtener
- dado
- Diezmos y Ofrendas
- Go
- Goals
- candidato
- gobierno
- conceder
- mayor
- Grupo procesos
- Grupo
- Crecer
- Guías
- Ahorrar
- Tienen
- he
- ayuda
- ayudando
- ayuda
- aquí
- su
- Colmena
- casas
- Cómo
- Como Hacer
- Sin embargo
- HTML
- http
- HTTPS
- ID
- idéntico
- Identifique
- Identidad
- Idle
- if
- ilustra
- implementar
- implementado
- importar
- importador
- in
- incluir
- incluye
- Incluye
- información
- EN LA MINA
- inicial
- Innovation
- penetración
- ejemplo
- Instrucciones
- la intención de
- interactivo
- Interfaz
- interno
- dentro
- inventario
- cuestiones
- IT
- iteraciones
- Empleo
- jpg
- mantenido
- Clave
- claves
- especialistas
- lago
- large
- Gran escala
- Apellidos
- luego
- lanzamiento
- lanzamiento
- Lead
- aprendizaje
- se encuentra
- ciclo de vida
- que otros
- LIMITE LAS
- línea
- Escucha Activa
- listado
- carga
- Largo
- largo tiempo
- Mira
- de
- Lote
- ser querido
- máquina
- máquina de aprendizaje
- para lograr
- gestionan
- gestionado
- Management
- gestiona
- administrar
- manera
- a mano
- Marketing
- Menú
- mensaje
- Método
- podría
- Min
- ML
- modelo
- modelos
- modesto
- más,
- múltiples
- Música
- debe
- nombre
- Llamado
- Naturaleza
- Navegar
- Navegación
- necesario
- ¿ Necesita ayuda
- Nuevo
- Next
- no
- cuaderno
- ahora
- obtenido
- of
- a menudo
- on
- ONE
- las
- en marcha
- , solamente
- Operaciones
- Optión
- Opciones
- or
- solicite
- para las fiestas.
- Otro
- "nuestr
- al exterior
- Más de
- página
- cristal
- particular
- apasionado
- pago
- Realizar
- realizado
- permisos
- industrial
- Colocar
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- más
- política
- poblado
- Publicación
- posible
- industria
- preparación
- Preparar
- requisitos previos
- regalos
- Vista previa
- anterior
- Anterior
- privada
- información privada
- clave privada
- problemas
- procedimientos
- en costes
- tratamiento
- Producto
- Producción
- productividad
- Productos
- profesionales
- Mi Perfil
- Perfiles
- proyecto
- Promos
- prueba
- prueba de concepto
- proporcionar
- previsto
- proporcionando
- fines
- poner
- calidad
- consultas
- azar
- Crudo
- ready
- recepción
- recomendaciones
- recomendado
- archivos
- reduce
- región
- ,
- recordarlo
- Remoto
- repetido
- representa
- Requisitos
- resiliencia y se la estamos enseñando a nuestro hijos e hijas.
- Recursos
- descansando
- restricción
- resultado
- Resultados
- una estrategia SEO para aparecer en las búsquedas de Google.
- derechos
- Riesgo
- Función
- También soy miembro del cuerpo docente de World Extreme Medicine (WEM) y embajadora europea de igualdad para The Transformational Travel Council (TTC). En mi tiempo libre, soy una incansable aventurera, escaladora, patrona de día, buceadora y defensora de la igualdad de género en el deporte y la aventura. En XNUMX, fundé Almas Libres, una ONG nacida para involucrar, educar y empoderar a mujeres y niñas a través del deporte urbano, la cultura y la tecnología.
- rsa
- Ejecutar
- correr
- s
- sabio
- ventas
- mismo
- Conjunto de datos de muestra
- San
- San Francisco
- Guardar
- Escalabilidad
- Escala
- Ciencia:
- Científico
- los científicos
- Secreto
- Sección
- (secciones)
- asegurar
- EN LINEA
- ver
- segmentación
- selección
- mayor
- Servicios
- Sesión
- sesiones
- set
- ajustes
- Configure
- Compartir
- ella
- tienes
- Mostrar
- mostrar
- mostró
- firmar
- importante
- similares
- sencillos
- simplificar
- soltero
- Tamaño
- So
- a medida
- Soluciones
- RESOLVER
- algo
- Fuente
- soluciones y
- pasar
- Gastos
- montón
- Etapa
- fundó
- Posicionamiento
- Estado
- paso
- pasos
- STORAGE
- tienda
- almacenados
- sencillo
- Estratégico
- aerodinamizar
- estudio
- sujeto
- subredes
- posterior
- Con éxito
- tal
- Soportado
- soportes
- seguro
- Sostenibilidad
- te
- Todas las funciones a su disposición
- mesa
- ETIQUETA
- ¡Prepárate!
- toma
- toma
- equipo
- equipos
- Técnico
- Tecnologías
- plantilla
- terminal
- test
- Pruebas
- esa
- La
- su
- Les
- luego
- Ahí.
- por lo tanto
- Estas
- ellos
- así
- aquellos
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- a
- Formación
- transaccional
- Transformar
- transformaciones
- transformado
- transformadas
- tránsito
- árbol
- Confía en
- de confianza
- dos
- tipo
- ui
- bajo
- comprensión
- hasta
- Actualizar
- actualización
- subido
- Enlance
- us
- utilizan el
- caso de uso
- usado
- Usuario
- usuarios
- usando
- generalmente
- propuesta de
- diversos
- verificar
- versión
- vía
- Ver
- Virginia
- visualización
- quieres
- deseado
- fue
- we
- web
- servicios web
- Semanas
- WELL
- fuimos
- tuvieron
- cuando
- que
- mientras
- QUIENES
- seguirá
- dentro de
- sin
- Actividades:
- flujo de trabajo
- funciona
- escribir
- la escritura
- Usted
- tú
- zephyrnet
- Zip