La determinación del valor de la vivienda es un ejemplo clásico del uso del aprendizaje automático (ML). Harrison y Rubinfeld (1978) ejercieron una influencia significativa al publicar un artículo innovador y un conjunto de datos que se conoció informalmente como el conjunto de datos de vivienda de Boston. Este trabajo fundamental propuso un método para estimar los precios de la vivienda en función de numerosas dimensiones, incluida la calidad del aire, que fue el foco principal de su investigación. Casi 50 años después, la estimación de los precios de la vivienda se ha convertido en una importante herramienta de enseñanza para estudiantes y profesionales interesados en utilizar datos y ML en la toma de decisiones empresariales.
En esta publicación, analizamos el uso de un modelo de código abierto diseñado específicamente para la tarea de respuesta visual a preguntas (VQA). Con VQA, puede hacer una pregunta sobre una fotografía utilizando lenguaje natural y recibir una respuesta a su pregunta, también en lenguaje sencillo. Nuestro objetivo en esta publicación es inspirar y demostrar lo que es posible usar esta tecnología. Proponemos utilizar esta capacidad con el Amazon SageMaker plataforma de servicios para mejorar la precisión del modelo de regresión en un caso de uso de ML, e independientemente, para el etiquetado automatizado de imágenes visuales.
Proporcionamos un correspondiente Video de Youtube eso demuestra lo que aquí se discute. La reproducción del vídeo comenzará a mitad de camino para resaltar el punto más destacado. Le sugerimos seguir esta lectura con el video para reforzar y obtener una comprensión más rica del concepto.
Modelos de cimentación
Esta solución se centra en el uso de un modelo básico publicado en el repositorio de modelos de Hugging Face. Aquí utilizamos el término modelo de cimentacion para describir una capacidad de inteligencia artificial (IA) que ha sido previamente entrenada en un conjunto grande y diverso de datos. En ocasiones, los modelos básicos pueden estar listos para usarse sin la carga de entrenar un modelo desde cero. Algunos modelos básicos se pueden ajustar, lo que significa enseñarles patrones adicionales que son relevantes para su negocio pero que faltan en el modelo original publicado generalizado. A veces es necesario realizar ajustes para ofrecer respuestas correctas que sean exclusivas de su caso de uso o conjunto de conocimientos.
En Abrazando la cara repositorio, hay varios modelos VQA para elegir. Seleccionamos el modelo con más descargas al momento de escribir este artículo. Aunque esta publicación demuestra la capacidad de utilizar un modelo de un repositorio de modelos de código abierto, el mismo concepto se aplicaría a un modelo que entrenó desde cero o utilizó desde otro proveedor confiable.
Un enfoque moderno para un caso de uso clásico
La estimación del precio de la vivienda se ha realizado tradicionalmente a través de datos tabulares donde las características de la propiedad se utilizan para informar el precio. Aunque puede haber cientos de características a considerar, algunos ejemplos fundamentales son el tamaño de la casa en el espacio terminado, la cantidad de dormitorios y baños y la ubicación de la residencia.
El aprendizaje automático es capaz de incorporar diversas fuentes de entrada más allá de los datos tabulares, como audio, imágenes fijas, vídeo en movimiento y lenguaje natural. En IA, el término multimodal Se refiere al uso de una variedad de tipos de medios, como imágenes y datos tabulares. En esta publicación, mostramos cómo utilizar datos multimodales para encontrar y liberar valor oculto encerrado en el abundante escape digital producido por el mundo moderno de hoy.
Con esta idea en mente, demostramos el uso de modelos de cimentación para extraer características latentes de imágenes de la propiedad. Al utilizar información encontrada en las imágenes, que antes no estaba disponible en los datos tabulares, podemos mejorar la precisión del modelo. Tanto las imágenes como los datos tabulares discutidos en esta publicación estuvieron originalmente disponibles y publicados para GitHub por Ahmed y Moustafa (2016).
Una imagen vale mas que mil palabras
Ahora que entendemos las capacidades de VQA, consideremos las dos imágenes siguientes de cocinas. ¿Cómo evaluaría el valor de la casa a partir de estas imágenes? ¿Cuáles son algunas de las preguntas que te harías? Cada imagen puede provocar docenas de preguntas en tu mente. Algunas de esas preguntas pueden conducir a respuestas significativas que mejoren el proceso de valoración de una vivienda.
Crédito de las fotos Francesca Tosolini (L) y Sidekix Media (R) en Unsplash
La siguiente tabla proporciona ejemplos anecdóticos de interacciones VQA al mostrar preguntas junto con sus respuestas correspondientes. Las respuestas pueden venir en forma de respuestas categóricas, de valor continuo o binarias.
Pregunta de ejemplo | Ejemplo de respuesta del modelo de base |
¿De qué están hechas las encimeras? | granito, azulejo, mármol, laminado, etc. |
¿Es esta una cocina cara? | si no |
¿Cuántos lavabos separados hay? | 0, 1, 2 |
Arquitectura de referencia
En esta publicación, usamos Wrangler de datos de Amazon SageMaker para hacer un conjunto uniforme de preguntas visuales para miles de fotografías en el conjunto de datos. SageMaker Data Wrangler está diseñado específicamente para simplificar el proceso de preparación de datos y la ingeniería de funciones. Al proporcionar más de 300 transformaciones integradas, SageMaker Data Wrangler ayuda a reducir el tiempo que lleva preparar datos tabulares y de imágenes para ML de semanas a minutos. Aquí, SageMaker Data Wrangler combina características de datos del conjunto tabular original con características nacidas de fotografías del modelo básico para el entrenamiento de modelos.
A continuación, construimos un modelo de regresión con el uso de Lienzo de Amazon SageMaker. SageMaker Canvas puede crear un modelo sin escribir ningún código y ofrecer resultados preliminares en tan solo 2 a 15 minutos. En la sección siguiente, proporcionamos una arquitectura de referencia utilizada para hacer posible esta guía de solución.
Muchos modelos populares de Hugging Face y otros proveedores se pueden implementar con un solo clic JumpStart de Amazon SageMaker. Hay cientos de miles de modelos disponibles en estos repositorios. Para esta publicación, elegimos un modelo no disponible en SageMaker JumpStart, que requiere una implementación por parte del cliente. Como se muestra en la siguiente figura, implementamos un modelo de Hugging Face para inferencia usando un Estudio Amazon SageMaker computadora portátil. El cuaderno se utiliza para implementar un punto final para inferencia en tiempo real. El cuaderno utiliza recursos que incluyen el modelo binario Hugging Face, un puntero a una imagen de contenedor y un script inference.py especialmente diseñado que coincide con la entrada y salida esperadas del modelo. Mientras lees esto, la combinación de modelos VQA disponibles puede cambiar. Lo importante es revisar los modelos VQA disponibles, en el momento de leer esto, y estar preparado para implementar el modelo que elija, que tendrá su propio contrato de solicitud y respuesta de API.
Una vez que el punto final de SageMaker proporciona el modelo VQA, utilizamos SageMaker Data Wrangler para organizar la canalización que, en última instancia, combina datos tabulares y características extraídas de las imágenes digitales y remodela los datos para el entrenamiento del modelo. La siguiente figura ofrece una vista de cómo se ejecuta el trabajo de transformación de datos a gran escala.
En la siguiente figura, utilizamos SageMaker Data Wrangler para organizar tareas de preparación de datos y SageMaker Canvas para el entrenamiento de modelos. Primero, SageMaker Data Wrangler utiliza Servicio de ubicación de Amazon para convertir códigos postales disponibles en los datos sin procesar en funciones de latitud y longitud. En segundo lugar, SageMaker Data Wrangler puede coordinar el envío de miles de fotografías a un punto final alojado en SageMaker para realizar inferencias en tiempo real, formulando un conjunto uniforme de preguntas por escena. Esto da como resultado una rica variedad de características que describen las características observadas en cocinas, baños, exteriores de casas y más. Una vez que SageMaker Data Wrangler haya preparado los datos, habrá un conjunto de datos de entrenamiento disponible en Servicio de almacenamiento simple de Amazon (Amazon S3). Utilizando los datos de S3 como entrada, SageMaker Canvas puede entrenar un modelo en tan solo 2 a 15 minutos, sin escribir ningún código.
Transformación de datos utilizando SageMaker Data Wrangler
La siguiente captura de pantalla muestra un flujo de trabajo de SageMaker Data Wrangler. El flujo de trabajo comienza con miles de fotografías de hogares almacenadas en Amazon S3. A continuación, un detector de escena determina la escena, como la cocina o el baño. Finalmente, se formula un conjunto de preguntas específicas de la escena a las imágenes, lo que da como resultado un conjunto de datos tabulares más rico disponible para entrenamiento.
El siguiente es un ejemplo del código de transformación personalizado de SageMaker Data Wrangler utilizado para interactuar con el modelo básico y obtener información sobre imágenes de cocinas. En la captura de pantalla anterior, si eligiera el nodo de características de la cocina, aparecería el siguiente código:
Como consideración de seguridad, primero debe habilitar SageMaker Data Wrangler para llamar a su punto final de SageMaker en tiempo real a través de Gestión de identidades y accesos de AWS (SOY). De manera similar, cualquier recurso de AWS que invoque a través de SageMaker Data Wrangler necesitará permisos de permiso similares.
Estructuras de datos antes y después de SageMaker Data Wrangler
En esta sección, analizamos la estructura de los datos tabulares originales y los datos mejorados. Los datos mejorados contienen nuevas características de datos relacionadas con este caso de uso de ejemplo. En su aplicación, tómese el tiempo para imaginar el conjunto diverso de preguntas disponibles en sus imágenes para ayudarlo en su tarea de clasificación o regresión. La idea es imaginar tantas preguntas como sea posible y luego probarlas para asegurarse de que brinden valor agregado.
Estructura de datos tabulares originales.
Como se describe en la fuente. Repositorio GitHub, el conjunto de datos de muestra contiene 535 registros tabulares, incluidas cuatro imágenes por propiedad. La siguiente tabla ilustra la estructura de los datos tabulares originales.
Feature | Comentario |
Número de habitaciones | . |
Número de cuartos de baño | . |
Área (pies cuadrados) | . |
Código postal (ZIP code) | . |
Precio | Esta es la variable objetivo que se va a predecir. |
Estructura de datos mejorados
La siguiente tabla ilustra la estructura de datos mejorada, que contiene varias características nuevas derivadas de las imágenes.
Feature | Comentario |
Número de habitaciones | . |
Número de cuartos de baño | . |
Área (pies cuadrados) | . |
latitud | Calculado pasando el código postal original al Servicio de ubicación de Amazon. Este es el valor del centroide del ZIP. |
Longitud | Calculado pasando el código postal original al Servicio de ubicación de Amazon. Este es el valor del centroide del ZIP. |
¿El dormitorio tiene un techo abovedado? | 0 = no; 1 = sí |
¿El baño es caro? | 0 = no; 1 = sí |
¿La cocina es cara? | 0 = no; 1 = sí |
Precio | Esta es la variable objetivo que se va a predecir. |
Entrenamiento de modelos con SageMaker Canvas
Un trabajo de procesamiento de SageMaker Data Wrangler prepara completamente y hace que todo el conjunto de datos de entrenamiento tabular esté disponible en Amazon S3. A continuación, SageMaker Canvas aborda la fase de creación de modelos del ciclo de vida del aprendizaje automático. Canvas comienza abriendo el conjunto de entrenamiento S3. Ser capaz de comprender un modelo suele ser un requisito clave del cliente. Sin escribir código y con unos pocos clics, SageMaker Canvas proporciona información visual rica sobre el rendimiento del modelo. Como se ve en la captura de pantalla de la siguiente sección, SageMaker Canvas muestra cómo las funciones individuales informan el modelo.
Modelo entrenado con datos tabulares originales y características derivadas de imágenes de bienes raíces.
Podemos ver en la siguiente captura de pantalla que las características desarrolladas a partir de imágenes de la propiedad eran importantes. Según estos resultados, la pregunta "¿Es cara esta cocina" de la foto fue más significativa que la "cantidad de dormitorios" en el conjunto tabular original, con valores de importancia de características de 7.08 y 5.498, respectivamente.
La siguiente captura de pantalla proporciona información importante sobre el modelo. Primero, el gráfico residual muestra la mayoría de los puntos del conjunto agrupados alrededor de la zona sombreada de color púrpura. Aquí, se anotaron manualmente dos valores atípicos fuera de SageMaker Canvas para esta ilustración. Estos valores atípicos representan brechas significativas entre el valor real de la vivienda y el valor previsto. Además, la R2 El valor, que tiene un rango posible de 0 a 100%, se muestra en 76%. Esto indica que el modelo es imperfecto y no tiene suficientes puntos de información para tener en cuenta toda la variedad y estimar completamente los valores de las viviendas.
Podemos utilizar valores atípicos para encontrar y proponer señales adicionales para construir un modelo más completo. Por ejemplo, estas propiedades atípicas pueden incluir una piscina o estar ubicadas en grandes terrenos. El conjunto de datos no incluía estas características; sin embargo, es posible que pueda localizar estos datos y entrenar un nuevo modelo con "tiene piscina" incluido como característica adicional. Idealmente, en su próximo intento, la R2 El valor aumentaría y los valores MAE y RMSE disminuirían.
Modelo entrenado sin características derivadas de imágenes inmobiliarias.
Finalmente, antes de pasar a la siguiente sección, exploremos si las características de las imágenes fueron útiles. La siguiente captura de pantalla proporciona otro modelo entrenado en SageMaker Canvas sin las características del modelo VQA. Vemos que la tasa de error del modelo ha aumentado, de un RMSE de 282K a un RMSE de 352K. De esto, podemos concluir que tres preguntas simples de las imágenes mejoraron la precisión del modelo en aproximadamente un 20%. No se muestra, pero para estar completo, la R2 El valor para el siguiente modelo también se deterioró, cayendo a un valor del 62% desde un valor del 76% con las características VQA proporcionadas. Este es un ejemplo de cómo SageMaker Canvas facilita la experimentación rápida y el uso de un enfoque basado en datos que genera un modelo que satisface sus necesidades comerciales.
Mirando hacia el futuro
Muchas organizaciones están cada vez más interesadas en los modelos básicos, especialmente desde que los transformadores preentrenados generales (GPT) se convirtieron oficialmente en un tema de interés generalizado en diciembre de 2022. Una gran parte del interés en los modelos básicos se centra en las tareas de los modelos de lenguajes grandes (LLM). ; sin embargo, existen otros casos de uso diversos disponibles, como la visión por computadora y, más específicamente, la tarea VQA especializada que se describe aquí.
Esta publicación es un ejemplo para inspirar el uso de datos multimodales para resolver casos de uso de la industria. Aunque demostramos el uso y los beneficios de VQA en un modelo de regresión, también se puede utilizar para etiquetar y etiquetar imágenes para búsquedas posteriores o enrutamiento del flujo de trabajo empresarial. Imagínese poder buscar propiedades listadas para la venta o el alquiler. Suponga que desea encontrar una propiedad con pisos de baldosas o encimeras de mármol. Hoy en día, es posible que tengas que obtener una larga lista de propiedades candidatas y filtrarlas visualmente mientras exploras cada candidata. En su lugar, imagine poder filtrar listados que contienen estas características, incluso si una persona no las etiquetó explícitamente. En la industria de seguros, imagine la capacidad de estimar los daños de las reclamaciones o enrutar las siguientes acciones en un flujo de trabajo empresarial a partir de imágenes. En las plataformas de redes sociales, las fotos se pueden etiquetar automáticamente para su uso posterior.
Resumen
Esta publicación demostró cómo utilizar la visión por computadora habilitada por un modelo básico para mejorar un caso de uso de ML clásico utilizando la plataforma SageMaker. Como parte de la solución propuesta, localizamos un modelo VQA popular disponible en un registro de modelo público y lo implementamos utilizando un punto final de SageMaker para inferencia en tiempo real.
A continuación, utilizamos SageMaker Data Wrangler para organizar un flujo de trabajo en el que se formulaban preguntas uniformes a las imágenes para generar un rico conjunto de datos tabulares. Finalmente, utilizamos SageMaker Canvas para entrenar un modelo de regresión. Es importante señalar que el conjunto de datos de muestra era muy simple y, por lo tanto, imperfecto por diseño. Aun así, SageMaker Canvas facilita la comprensión de la precisión del modelo y la búsqueda de señales adicionales para mejorar la precisión de un modelo de referencia.
Esperamos que esta publicación lo haya animado a utilizar los datos multimodales que pueda poseer su organización. Además, esperamos que la publicación lo haya inspirado a considerar el entrenamiento de modelos como un proceso iterativo. Se puede lograr un gran modelo con un poco de paciencia. Los modelos que son casi perfectos pueden ser demasiado buenos para ser verdad, quizás como resultado de una fuga de objetivos o un sobreajuste. Un escenario ideal comenzaría con un modelo que sea bueno, pero no perfecto. Utilizando errores, pérdidas y gráficos residuales, puede obtener señales de datos adicionales para aumentar la precisión de su estimación inicial.
AWS ofrece el conjunto más amplio y completo de servicios de aprendizaje automático y de infraestructura de nube de soporte, lo que pone el aprendizaje automático en manos de todos los desarrolladores, científicos de datos y profesionales expertos. Si tiene curiosidad por obtener más información sobre la plataforma SageMaker, incluidos SageMaker Data Wrangler y SageMaker Canvas, comuníquese con su equipo de cuentas de AWS e inicie una conversación. Además, considere leer más sobre SageMaker Data Wrangler transformaciones personalizadas.
Referencias
Ahmed, EH y Moustafa, M. (2016). Estimación del precio de la vivienda a partir de características visuales y textuales. IJCCI 2016-Actas de la octava conferencia conjunta internacional sobre inteligencia computacional, 8, 3–62.
Harrison Jr, D. y Rubinfeld, DL (1978). Precios hedónicos de la vivienda y demanda de aire limpio. Revista de economía y gestión ambiental., 5(1), 81-102.
Kim, W., Son, B. y Kim, I. (2021). ViLT: Transformador de visión y lenguaje sin convolución ni supervisión de región. Actas de la 38ª Conferencia Internacional sobre Aprendizaje Automático, en Actas de Investigación sobre Aprendizaje Automático. 139:5583-5594.
Sobre el Autor
charles laughlin es arquitecto principal de soluciones especializado en IA/ML y trabaja en el equipo de servicio de Amazon SageMaker en AWS. Ayuda a dar forma a la hoja de ruta del servicio y colabora diariamente con diversos clientes de AWS para ayudarlos a transformar sus negocios utilizando tecnologías de vanguardia y liderazgo intelectual de AWS. Charles tiene una maestría en Gestión de la Cadena de Suministro y un doctorado. en Ciencia de Datos.
- 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. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :posee
- :es
- :no
- :dónde
- $ UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Años
- 7
- 8
- 8
- a
- capacidad
- Poder
- Nuestra Empresa
- abundante
- de la máquina
- Mi Cuenta
- la exactitud
- alcanzado
- acciones
- Adicionales
- Adicionalmente
- direcciones
- Después
- Ahmed
- AI
- AI / ML
- AIRE
- Todos
- permitir
- casi
- junto al
- también
- Aunque
- Amazon
- Amazon SageMaker
- Amazon Web Services
- amp
- an
- y
- Otra
- https://www.youtube.com/watch?v=xB-eutXNUMXJtA&feature=youtu.be
- respuestas
- cualquier
- abejas
- Aparecer
- Aplicación
- Aplicá
- enfoque
- arquitectura
- somos
- en torno a
- Formación
- artificial
- inteligencia artificial
- Inteligencia Artificial (AI)
- AS
- contacta
- pidiendo
- evaluar
- Activos
- At
- intento
- audio
- Confirmación de Viaje
- Hoy Disponibles
- AWS
- basado
- Base
- BE
- se convirtió en
- a las que has recomendado
- cada vez
- esto
- antes
- comenzar
- "Ser"
- es el beneficio
- entre
- Más allá de
- cuerpo
- Boston
- ambas
- build
- Construir la
- incorporado
- carga
- negocios
- pero
- by
- llamar al
- PUEDEN
- candidato
- lienzo
- capacidades
- capacidad
- capaz
- case
- cases
- techo
- centrado
- Centros
- cadena
- el cambio
- características
- Charles
- Elige
- reclamo
- clásico
- clasificación
- limpia
- Soluciones
- infraestructura de nube
- clustering
- código
- los códigos de
- colabora
- Color
- combina
- cómo
- completar
- exhaustivo
- computational
- computadora
- Visión por computador
- concepto
- concluye
- Congreso
- Considerar
- consideración
- que no contengo
- Envase
- contiene
- continuo
- contrato
- Conversación
- convertir
- coordinar
- correcta
- Correspondiente
- podría
- crédito
- curioso
- personalizado
- cliente
- Clientes
- innovador
- todos los días
- datos
- Preparación de datos
- Ciencia de los datos
- científico de datos
- conjunto de datos
- Estructura de datos
- basada en datos
- Diciembre
- Toma de Decisiones
- disminuir
- más profundo
- entregamos
- Demanda
- demostrar
- demostrado
- demuestra
- desplegar
- desplegado
- despliegue
- Derivado
- describir
- descrito
- Diseño
- diseñado
- determina
- desarrollado
- Developer
- digital
- dimensiones
- discutir
- discutido
- diverso
- do
- sí
- No
- Descargas
- decenas
- Dejar caer
- e
- cada una
- de forma sencilla
- Ciencias económicas
- habilitar
- facilita
- ser dado
- Punto final
- Ingeniería
- mejorado
- suficientes
- Todo
- ambientales
- error
- Errores
- especialmente
- estimación
- etc.
- Incluso
- Cada
- ejemplo
- ejemplos
- esperado
- costoso
- experimento
- experto
- explícitamente
- explorar
- extraerlos
- Cara
- Feature
- Caracteristicas
- realimentación
- Pies
- pocos
- Figura
- filtrar
- Finalmente
- Encuentre
- Nombre
- Floor
- Focus
- seguir
- siguiendo
- siguiente
- formulario
- encontrado
- Fundación
- Digital XNUMXk
- Desde
- escala completa
- completamente
- función
- funciones
- fundamental
- Obtén
- lagunas
- General
- generar
- obtener
- objetivo
- candidato
- gráfica
- maravillosa
- innovador
- guía
- Manos
- Tienen
- he
- ayuda
- serviciales
- ayuda
- esta página
- Oculto
- Destacar
- mantiene
- Inicio
- Casas
- esperanza
- organizado
- Hogar
- viviendas
- Cómo
- Como Hacer
- Sin embargo
- http
- HTTPS
- Cientos
- i
- idea
- ideal
- idealmente
- Identidad
- if
- ilustra
- imagen
- imágenes
- imagen
- importar
- importancia
- importante
- mejorar
- mejorado
- in
- incluir
- incluido
- Incluye
- incorporando
- aumente
- aumentado
- cada vez más
- independientemente
- Indica
- energético
- influir
- informar
- información
- EN LA MINA
- inicial
- Las opciones de entrada
- Insights
- inspiren
- inspirado
- aseguradora
- Intelligence
- interactuar
- interacciones
- intereses
- interesado
- Internacional
- dentro
- IT
- SUS
- Trabajos
- articulación
- jpg
- json
- Clave
- Kim
- especialistas
- conocido
- Label
- CARGA TERRESTRE
- idioma
- large
- luego
- Lead
- Liderazgo
- APRENDE:
- aprendizaje
- ciclo de vida
- Lista
- Listado
- Propiedades
- pequeño
- LLM
- situados
- Ubicación
- cerrado
- Largo
- pérdidas
- máquina
- máquina de aprendizaje
- hecho
- Corriente principal
- para lograr
- HACE
- Management
- a mano
- muchos
- cerillas
- Puede..
- significativo
- significa
- Medios
- Método
- A mitad de camino
- podría
- mente
- Min
- que falta
- mezcla
- ML
- modelo
- modelos
- Moderno
- más,
- MEJOR DE TU
- movimiento
- emocionante
- debe
- Natural
- ¿ Necesita ayuda
- Nuevo
- Nuevas características
- Next
- no
- nodo
- cuaderno
- número
- numeroso
- obtener
- se produjo
- of
- Ofertas
- Oficialmente
- a menudo
- on
- , solamente
- de código abierto
- apertura
- or
- solicite
- organización
- para las fiestas.
- reconocida por
- originalmente
- Otro
- nuestros
- salir
- atípico
- salida
- afuera
- EL DESARROLLADOR
- Papel
- parte
- Pasando (Paso)
- Paciencia
- .
- para
- perfecto
- actuación
- quizás
- permisos
- persona
- fase
- Fotos
- imagen
- Fotos
- industrial
- Natural
- plataforma
- Plataformas
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- Por favor
- punto
- puntos
- alberca
- Popular
- parte
- poseer
- posible
- Publicación
- previsto
- preliminar
- preparación
- Preparar
- preparado
- Prepara
- previamente
- precio
- Precios
- Director de la escuela
- Proceso
- tratamiento
- producido
- profesionales
- propiedades
- perfecta
- ofrece
- propuesto
- proporcionar
- previsto
- proveedor
- los proveedores
- proporciona un
- proporcionando
- público
- publicado
- Poniendo
- calidad
- pregunta
- Preguntas
- con rapidez
- R
- distancia
- Rate
- Crudo
- en comunicarse
- Leer
- Reading
- ready
- en tiempo real
- recepción
- archivos
- reducir
- referencia
- se refiere
- región
- registro
- reforzarse
- relativo
- Renta
- repositorio
- representar
- solicita
- requisito
- requiere
- la investigación
- remodelar
- Residence
- Recursos
- respectivamente
- respuesta
- respuestas
- resultado
- resultante
- Resultados
- volvemos
- una estrategia SEO para aparecer en las búsquedas de Google.
- Rico
- más rico
- hoja de ruta
- Ruta
- enrutamiento
- Ejecutar
- tiempo de ejecución
- s
- sabio
- Venta
- mismo
- Conjunto de datos de muestra
- guión
- escena
- Ciencia:
- Científico
- scott
- guión
- Buscar
- Segundo
- Sección
- EN LINEA
- ver
- EL EQUIPO
- visto
- seleccionado
- enviando
- ayudar
- servido
- de coches
- Servicios
- set
- Varios
- Forma
- Mostrar
- mostrado
- Shows
- Visión
- señales
- importante
- similares
- Del mismo modo
- sencillos
- simplificar
- desde
- soltero
- Tamaño
- So
- Social
- redes sociales
- plataformas de redes sociales
- a medida
- RESOLVER
- algo
- a veces
- su
- Fuente
- Fuentes
- Espacio
- especialista
- especializado
- específicamente
- cuadrado
- comienzo
- Sin embargo
- STORAGE
- almacenados
- sencillo
- estructura
- estructuras
- Estudiantes
- posterior
- tal
- sugieren
- supervisión
- suministro
- cadena de suministro
- gestión de la cadena de suministro
- Apoyar
- seguro
- mesa
- ETIQUETA
- ¡Prepárate!
- toma
- Target
- Tarea
- tareas
- Educación
- equipo
- Tecnologías
- Tecnología
- término
- test
- textual
- que
- esa
- La
- La Fuente
- su
- Les
- luego
- Ahí.
- por lo tanto
- Estas
- ellos
- cosa
- así
- aquellos
- pensamiento
- liderazgo de pensamiento
- mil
- 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.
- equipo
- a
- hoy
- de hoy
- demasiado
- del IRS
- tema
- tradicionalmente
- Entrenar
- entrenado
- Formación
- Transformar
- transformaciones
- transformador
- transformers
- verdadero
- de confianza
- dos
- tipo
- tipos
- Finalmente, a veces
- entender
- comprensión
- único
- Unsplash
- utilizan el
- caso de uso
- usado
- usos
- usando
- Utilizando
- Valuación
- propuesta de
- valor añadido
- Valores
- variable
- variedad
- muy
- Video
- Ver
- visibles
- visión
- visual
- W
- quieres
- fue
- we
- web
- servicios web
- Semanas
- WELL
- tuvieron
- ¿
- Que es
- que
- QUIENES
- seguirá
- ventanas
- dentro de
- sin
- madera
- Actividades:
- flujo de trabajo
- funciona
- mundo
- valor
- se
- la escritura
- años
- los rendimientos
- Usted
- tú
- a ti mismo
- Youtube
- zephyrnet
- cero
- Zip