En su libro El libro de por qué, Judea Pearl aboga por enseñar principios de causa y efecto a las máquinas para mejorar su inteligencia. Los logros del aprendizaje profundo son esencialmente solo un tipo de ajuste de curvas, mientras que la causalidad podría usarse para descubrir interacciones entre los sistemas del mundo bajo varias restricciones sin probar hipótesis directamente. Esto podría proporcionar respuestas que nos lleven a AGI (inteligencia artificial generalizada).
Esta solución propone un marco de inferencia causal utilizando redes bayesianas para representar dependencias causales y sacar conclusiones causales basadas en imágenes satelitales observadas y datos de pruebas experimentales en forma de condiciones climáticas y del suelo simuladas. El ejemplo es la relación causal entre la aplicación de fertilizantes nitrogenados y los rendimientos de maíz.
Las imágenes satelitales se procesan utilizando Capacidades geoespaciales de Amazon SageMaker y enriquecido con Procesamiento de Amazon SageMaker operaciones. El motor de inferencia causal se despliega con Inferencia asincrónica de Amazon SageMaker.
En esta publicación, demostramos cómo crear este análisis contrafactual utilizando JumpStart de Amazon SageMaker automatizadas.
Resumen de la solución
El siguiente diagrama muestra la arquitectura para el flujo de trabajo de un extremo a otro.
Requisitos previos
Necesitas una Cuenta de AWS para usar esta solución.
Para ejecutar esta solución JumpStart 1P y tener la infraestructura implementada en su cuenta de AWS, debe crear una cuenta activa Estudio Amazon SageMaker ejemplo (consulte Incorporación al dominio de Amazon SageMaker). Cuando su instancia de Studio esté lista, siga las instrucciones en Inicio rápido de SageMaker para lanzar la solución de contrafactuales de rendimiento de cultivos.
Tenga en cuenta que esta solución está disponible actualmente solo en la región EE. UU. Oeste (Oregón).
inferencia causal
La causalidad tiene que ver con comprender el cambio, pero cómo formalizar esto en estadísticas y aprendizaje automático (ML) no es un ejercicio trivial.
En este estudio de rendimiento de cultivos, el nitrógeno agregado como fertilizante y los resultados de rendimiento podrían confundirse. De manera similar, el nitrógeno agregado como fertilizante y los resultados de la lixiviación de nitrógeno también podrían confundirse, en el sentido de que una causa común puede explicar su asociación. Sin embargo, la asociación no es causalidad. Si sabemos qué factores observados confunden la asociación, los explicamos, pero ¿qué pasa si hay otras variables ocultas responsables de la confusión? Reducir la cantidad de fertilizante no necesariamente reducirá el nitrógeno residual; del mismo modo, podría no disminuir drásticamente el rendimiento, mientras que las condiciones del suelo y del clima podrían ser los factores observados que confunden la asociación. Cómo manejar la confusión es el problema central de la inferencia causal. Una técnica introducida por RA Fisher llamada ensayo controlado aleatorio tiene como objetivo romper posibles confusiones.
Sin embargo, en ausencia de ensayos controlados aleatorios, existe la necesidad de una inferencia causal puramente a partir de datos observacionales. Hay formas de conectar las preguntas causales con los datos en estudios observacionales escribiendo el modelo gráfico causal sobre lo que postulamos como cómo suceden las cosas. Esto implica afirmar que los recorridos correspondientes capturarán las dependencias correspondientes, mientras se satisface el criterio gráfico de ignorabilidad condicional (hasta qué punto podemos tratar la causalidad como una asociación basada en los supuestos causales). Después de haber postulado la estructura, podemos usar las invariancias implícitas para aprender de los datos de observación y conectar preguntas causales, infiriendo afirmaciones causales sin ensayos controlados aleatorios.
Esta solución utiliza tanto datos de ensayos controlados aleatorios (RCT) simulados como datos de observación de imágenes satelitales. Se utiliza una serie de simulaciones realizadas en miles de campos y varios años en Illinois (Estados Unidos) para estudiar la respuesta del maíz al aumento de las tasas de nitrógeno para una amplia combinación de variaciones climáticas y del suelo observadas en la región. Aborda la limitación del uso de datos de prueba limitados en la cantidad de suelos y años que puede explorar mediante el uso de simulaciones de cultivos de varios escenarios agrícolas y geografías. La base de datos fue calibrada y validada utilizando datos de más de 400 ensayos en la región. La concentración inicial de nitrógeno en el suelo se fijó aleatoriamente dentro de un rango razonable.
Además, la base de datos se mejora con observaciones de imágenes satelitales, mientras que las estadísticas zonales se derivan de índices espectrales para representar cambios espacio-temporales en la vegetación, vistos a través de geografías y fases fenológicas.
Inferencia causal con redes bayesianas
Los modelos causales estructurales (SCM, por sus siglas en inglés) utilizan modelos gráficos para representar las dependencias causales mediante la incorporación de entradas tanto humanas como basadas en datos. Se propone un tipo particular de modelo causal de estructura llamado redes bayesianas para modelar la dinámica de la fenología del cultivo usando expresiones probabilísticas representando variables como nodos y relaciones entre variables como bordes. Los nodos son indicadores del crecimiento de los cultivos, el suelo y las condiciones climáticas, y los bordes entre ellos representan relaciones causales espacio-temporales. Los nodos principales son parámetros relacionados con el campo (incluido el día de siembra y el área plantada), y los nodos secundarios son métricas de rendimiento, consumo de nitrógeno y lixiviación de nitrógeno.
Para obtener más información, consulte la caracterización de la base de datos y del guía para identificar las etapas de crecimiento del maíz.
Se requieren algunos pasos para construir un modelo de redes bayesianas (con CausalNex) antes de que podamos usarlo para el análisis contrafáctico e intervencionista. La estructura del modelo causal se aprende inicialmente a partir de los datos, mientras que la experiencia en la materia (bibliografía confiable o creencias empíricas) se utiliza para postular dependencias e independencias adicionales entre las variables aleatorias y las variables de intervención, además de afirmar que la estructura es causal.
Usar SIN LÁGRIMAS, un algoritmo de optimización continua para el aprendizaje de estructuras, la estructura del gráfico que describe las dependencias condicionales entre las variables se aprende a partir de los datos, con un conjunto de restricciones impuestas en los bordes, los nodos principales y los nodos secundarios que no están permitidos en el modelo causal. Esto preserva las dependencias temporales entre variables. Ver el siguiente código:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
El siguiente paso codifica el conocimiento del dominio en modelos y captura la dinámica de la fenología, al tiempo que evita relaciones espurias. Análisis de multicolinealidad, análisis de factor de inflación de variación e importancia de característica global usando FORMA Se realizan análisis para extraer información y limitaciones sobre las variables de estrés hídrico (expansión, fenología y fotosíntesis alrededor de la floración), variables climáticas y del suelo, índices espectrales e indicadores basados en nitrógeno:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Las redes bayesianas en CausalNex solo admiten distribuciones discretas. Cualquier entidad continua, o entidad con un gran número de categorías, se discretiza antes de ajustar la red bayesiana:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
Después de revisar la estructura, la distribución de probabilidad condicional de cada variable dados sus padres se puede aprender de los datos, en un paso llamado estimación de probabilidad:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Finalmente, la estructura y las verosimilitudes se utilizan para realizar inferencias observacionales sobre la marcha, siguiendo un modelo determinista. Algoritmo de árbol de unión (JTA), y hacer intervenciones usando hacer-cálculo. Inferencia asincrónica de SageMaker permite poner en cola las solicitudes entrantes y procesarlas de forma asíncrona. Esta opción es ideal tanto para escenarios de inferencia de observación como contrafácticos, donde el proceso no se puede paralelizar, por lo que se necesita mucho tiempo para actualizar las probabilidades en toda la red, aunque se pueden ejecutar varias consultas en paralelo. Ver el siguiente código:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Para más detalles, consulte el guion de inferencia.
El modelo causal cuaderno es una guía paso a paso para ejecutar los pasos anteriores.
Procesamiento de datos geoespaciales
Trabajos de observación de la Tierra (EOJ) se encadenan para adquirir y transformar imágenes satelitales, mientras que las operaciones especialmente diseñadas y los modelos preentrenados se utilizan para la eliminación de nubes, la creación de mosaicos, las operaciones matemáticas de banda y el remuestreo. En esta sección, discutimos con más detalle los pasos del procesamiento geoespacial.
Áreas de interés
En la siguiente figura, los polígonos verdes son los condados seleccionados, la cuadrícula naranja es el mapa de la base de datos (una cuadrícula de celdas de 10 x 10 km donde se realizan los ensayos en la región) y la cuadrícula de cuadrados en escala de grises es el mapa de 100 km x 100 km. Rejilla de alicatado Sentinel-2 UTM.
Los archivos espaciales se utilizan para mapear la base de datos simulada con las imágenes satelitales correspondientes, polígonos superpuestos de celdas de 10 km x 10 km que dividen el estado de Illinois (donde se realizan los ensayos en la región), polígonos de condados y Sentinel de 100 km x 100 km. 2 tejas UTM. Para optimizar la tubería de procesamiento de datos geoespaciales, primero se seleccionan algunos mosaicos Sentinel-2 cercanos. A continuación, las geometrías agregadas de mosaicos y celdas se superponen para obtener la región de interés (RoI). Los condados y los ID de celda que se observan completamente dentro del RoI se seleccionan para formar la geometría del polígono que se pasa a los EOJ.
Intervalo de tiempo
Para este ejercicio, el ciclo fenológico del maíz se divide en tres etapas: las etapas vegetativas v5 a R1 (emergencia, collares de hojas y panoja), las etapas reproductivas R1 a R4 (estigmas, ampollas, leche y masa) y las etapas reproductivas R5 (abollado) y R6 (madurez fisiológica). Se adquieren visitas satelitales consecutivas para cada etapa fenológica dentro de un rango de tiempo de 2 semanas y un área de interés predefinida (condados seleccionados), lo que permite el análisis espacial y temporal de las imágenes satelitales. La siguiente figura ilustra estas métricas.
Eliminación de nubes
La eliminación de nubes para los datos de Sentinel-2 utiliza un modelo de segmentación semántica basado en ML para identificar nubes en la imagen, donde los píxeles nublados se reemplazan por un valor -9999 (valor sin datos):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Después de que se crea el EOJ, el ARN se devuelve y se usa para realizar la operación de geomosaico posterior.
Para obtener el estado de un trabajo, puede ejecutar sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaico
El geomosaico EOJ se usa para fusionar imágenes de múltiples visitas satelitales en un gran mosaico, sobrescribiendo nodatos o píxeles transparentes (incluidos los píxeles nublados) con píxeles de otras marcas de tiempo:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Después de crear el EOJ, se devuelve el ARN y se usa para realizar la operación de remuestreo posterior.
Remuestreo
El remuestreo se utiliza para reducir la resolución de la imagen geoespacial para que coincida con la resolución de las máscaras de recorte (reescalado de resolución de 10 a 30 m):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Después de crear el EOJ, se devuelve el ARN y se usa para realizar la operación matemática de banda subsiguiente.
matemáticas de la banda
Las operaciones matemáticas de banda se utilizan para transformar las observaciones de múltiples bandas espectrales a una sola banda. Incluye los siguientes índices espectrales:
- EVI2 – Índice de vegetación mejorado de dos bandas
- DGVI – Índice de Vegetación de Diferencia Generalizada
- NDMI – Índice de humedad de diferencia normalizada
- NDVI – Índice de vegetación de diferencia normalizada
- INDW – Índice de agua de diferencia normalizada
Ver el siguiente código:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Estadísticas zonales
Los índices espectrales se enriquecen aún más utilizando Procesamiento de Amazon SageMaker, donde la lógica personalizada basada en GDAL se usa para hacer lo siguiente:
- Fusionar el índices espectrales en un único mosaico multicanal
- Reproyecte el mosaico a la máscara de cultivoproyección de
- Aplique la máscara de recorte y vuelva a proyectar el mosaico en el CRC de los polígonos de las celdas.
- Calcular estadísticas zonales para polígonos seleccionados (celdas de 10 km x 10 km)
Con la distribución de datos en paralelo, los archivos de manifiesto (para cada etapa fenológica del cultivo) se distribuyen en varias instancias utilizando el ShardedByS3Key
Tipo de distribución de datos S3. Para más detalles, consulte el secuencia de comandos de extracción de características.
El procesamiento geoespacial cuaderno es una guía paso a paso para ejecutar los pasos anteriores.
La siguiente figura muestra canales RGB de visitas satelitales consecutivas que representan las etapas vegetativas y reproductivas del ciclo fenológico del maíz, con (derecha) y sin (izquierda) máscaras de cultivos (CW 20, 26 y 33, 2018 Central Illinois).
En la siguiente figura, los índices espectrales (NDVI, EVI2, NDMI) de visitas satelitales consecutivas representan las etapas vegetativas y reproductivas del ciclo fenológico del maíz (CW 20, 26 y 33, 2018 Central Illinois).
Limpiar
Si ya no desea utilizar esta solución, puede eliminar los recursos que creó. Una vez implementada la solución en Studio, elija Eliminar todos los recursos para eliminar automáticamente todos los recursos estándar que se crearon al iniciar la solución, incluido el depósito S3.
Conclusión
Esta solución proporciona un modelo para casos de uso donde la inferencia causal con redes bayesianas es la metodología preferida para responder preguntas causales a partir de una combinación de datos e insumos humanos. El flujo de trabajo incluye una implementación eficiente del motor de inferencia, que pone en cola las consultas e intervenciones entrantes y las procesa de forma asincrónica. El aspecto modular permite la reutilización de varios componentes, incluido el procesamiento geoespacial con operaciones especialmente diseñadas y modelos preentrenados, el enriquecimiento de imágenes satelitales con operaciones GDAL personalizadas e ingeniería de características multimodales (índices espectrales y datos tabulares).
Además, puede utilizar esta solución como plantilla para crear modelos de cultivos cuadriculados en los que se lleven a cabo la gestión de fertilizantes nitrogenados y el análisis de políticas medioambientales.
Para obtener más información, consulte Plantillas de solución y seguir el guía para lanzar la solución Crop Yield Counterfactuals en la región EE.UU. Oeste (Oregón). El código está disponible en el Repositorio GitHub.
Citaciones
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Conjunto de datos simulados de la respuesta del maíz al nitrógeno en miles de campos y varios años en Illinois,
Resumen de datos, Volumen 40, 2022, 107753, ISSN 2352-3409
Recursos útiles
Acerca de los autores
Pablo Barna es científico de datos sénior en los laboratorios de creación de prototipos de aprendizaje automático en 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/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :es
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Nuestra Empresa
- logros
- Mi Cuenta
- adquirir
- adquirido
- a través de
- lector activo
- adicional
- adición
- Adicionales
- direcciones
- los defensores
- Después
- AGI
- paquete de capacitación DWoVH
- algoritmo
- Todos
- permite
- Aunque
- Amazon
- Amazon SageMaker
- JumpStart de Amazon SageMaker
- entre
- cantidad
- análisis
- y
- respuestas
- dondequiera
- Aplicación
- arquitectura
- somos
- Reservada
- en torno a
- AS
- aspecto
- Afirmando
- Asociación
- At
- automáticamente
- Hoy Disponibles
- evitar
- AWS
- BANDA
- basado
- Bayesiano
- BE
- antes
- entre
- Azul
- primer libro
- Descanso
- general
- build
- Construir la
- by
- , que son
- PUEDEN
- capacidades
- capturar
- capturas
- cases
- categoría
- Causa
- Células
- central
- encadenado
- el cambio
- Cambios
- canales
- sus hijos
- Elige
- alegando
- reclamaciones
- Soluciones
- código
- Collares
- combinación
- Algunos
- componentes
- concentración
- condiciones
- llevado a cabo
- Contacto
- consecutivo
- restricciones
- continuo
- control
- controlado
- Correspondiente
- podría
- Para crear
- creado
- cultivo
- En la actualidad
- curva
- personalizado
- Custom-construido
- Cycle
- datos
- proceso de datos
- científico de datos
- basada en datos
- Base de datos
- día
- profundo
- deep learning
- demostrar
- desplegado
- Derivado
- detalle
- detalles
- un cambio
- directamente
- discutir
- distribuidos
- distribuciones
- dividido
- dominio
- drásticamente,
- dibujar
- dinámica
- cada una
- efecto
- aparición
- permite
- permitiendo
- de extremo a extremo
- Motor
- Ingeniería
- mejorado
- enriquecido
- ambientales
- política ambiental
- esencialmente
- Haz ejercicio
- expansión
- experto
- Experiencia
- Explicar
- explorar
- expresiones
- extensión
- extraerlos
- factores importantes
- de la agricultura
- Feature
- Caracteristicas
- pocos
- Terrenos
- Figura
- seguir
- siguiendo
- formulario
- Marco conceptual
- Desde
- completamente
- promover
- generar
- geografías
- obtener
- GitHub
- dado
- Buscar
- gráfica
- Escala de grises
- Verde
- Cuadrícula
- Crecimiento
- guía
- encargarse de
- suceder
- Tienen
- Oculto
- Cómo
- Como Hacer
- Sin embargo
- HTML
- http
- HTTPS
- humana
- ideal
- Identifique
- identificar
- Illinois
- imagen
- imágenes
- Impacto
- implementación
- implícito
- importar
- importancia
- Impuesta
- imponente
- in
- incluye
- Incluye
- Entrante
- incorporando
- creciente
- indicadores
- Indices
- información
- EN LA MINA
- inicial
- posiblemente
- Insights
- ejemplo
- Instrucciones
- Intelligence
- interacciones
- intereses
- intervención
- Introducido
- IT
- SUS
- Trabajos
- Saber
- especialistas
- labs
- large
- lanzamiento
- lanzamiento
- Lead
- APRENDE:
- aprendido
- aprendizaje
- la limitación
- Limitada
- literatura
- por más tiempo
- máquina
- máquina de aprendizaje
- Máquinas
- hecho
- Realizar
- Management
- mapa
- Martin
- máscara
- Mascarillas
- Match
- las matemáticas
- Materia
- madurez
- ir
- Metodología
- Métrica
- podría
- Leche
- ML
- modelo
- modelos
- modulares
- más,
- múltiples
- nombre
- NASA
- Cerca
- necesariamente
- ¿ Necesita ayuda
- del sistema,
- telecomunicaciones
- Next
- Nicolas
- nodo
- Distribución de nodos
- nodos
- número
- obtener
- of
- on
- Inteligente
- Operaciones
- optimización
- Optimización
- Optión
- Naranja
- solicite
- Oregón
- Otro
- Paralelo
- parámetros
- padres.
- particular
- pasado
- (PDF)
- Realizar
- Fotosíntesis
- industrial
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- enchufe
- política
- Polígono
- posible
- Publicación
- preferido
- principios
- Anterior
- Problema
- Procesado
- en costes
- tratamiento
- propiedades
- perfecta
- propuesto
- propone
- prototipado
- proporcionar
- proporciona un
- puramente
- Preguntas
- azar
- Aleatorizado
- distancia
- Tarifas
- ready
- mejor
- Rojo
- reducir
- la reducción de
- región
- relación
- Relaciones
- eliminación
- reemplazados
- representar
- que representa
- solicitudes
- Requisitos
- Resolución
- Recursos
- respuesta
- responsable
- revisado
- RGB
- ROI
- Ejecutar
- correr
- sabio
- satélite
- escenarios
- Científico
- Sección
- segmentación
- seleccionado
- mayor
- sentido
- Serie
- set
- Varios
- Shows
- Del mismo modo
- soltero
- a medida
- Soluciones
- algo
- Espacial
- Espectral
- cuadrados
- Etapa
- etapas
- estándar
- Estado
- Zonas
- statistics
- Estado
- paso
- pasos
- estrés
- estructura
- estudios
- estudio
- ESTUDIO
- sujeto
- posterior
- SOPORTE
- Todas las funciones a su disposición
- toma
- taro
- Educación
- plantilla
- Pruebas
- esa
- La
- La gráfica
- El Estado
- el mundo
- su
- Les
- de este modo
- Estas
- cosas
- miles
- Tres
- 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.
- a lo largo de
- equipo
- a
- juntos
- Entrenar
- Transformar
- transformadora
- transparente
- sorpresa
- juicio
- ensayos
- de confianza
- UCLA
- descubrir
- bajo
- comprensión
- unidad
- United
- Estados Unidos
- Actualizar
- actualización
- us
- utilizan el
- validado
- propuesta de
- diversos
- Visitas
- volumen
- Agua
- formas
- Tiempo
- Semanas
- WELL
- West
- ¿
- que
- mientras
- seguirá
- dentro de
- sin
- mundo
- la escritura
- X
- años
- Rendimiento
- los rendimientos
- Usted
- tú
- zephyrnet