See postitus on kirjutatud koostöös Brad Duncani, Rachel Johnsoni ja Richard Alcockiga MathWorksist.
MATLAB on populaarne programmeerimistööriist paljude rakenduste jaoks, nagu andmetöötlus, paralleelarvutus, automatiseerimine, simulatsioon, masinõpe ja tehisintellekt. Seda kasutatakse laialdaselt paljudes tööstusharudes, nagu autotööstus, lennundus, side ja tootmine. Viimastel aastatel on MathWorks pilve toonud palju tootepakkumisi, eriti Amazon Web Services (AWS). MathWorksi pilvetoodete kohta lisateabe saamiseks vaadake MATLAB ja Simulink pilves or meili matemaatika.
Selles postituses tutvustame MATLABi masinõppevõimalusi Amazon SageMaker, millel on mitmeid olulisi eeliseid:
- Arvutage ressursse: SageMakeri pakutava suure jõudlusega andmetöötluskeskkonna kasutamine võib kiirendada masinõppe koolitust.
- Koostöö: MATLAB ja SageMaker koos pakuvad tugevat platvormi, mida meeskonnad saavad kasutada tõhusaks koostööks masinõppemudelite loomisel, testimisel ja juurutamisel.
- Kasutuselevõtt ja juurdepääsetavus: Mudeleid saab juurutada SageMakeri reaalajas lõpp-punktidena, muutes need teistele rakendustele hõlpsasti juurdepääsetavaks, et töödelda reaalajas voogesituse andmeid.
Näitame teile, kuidas treenida MATLAB-i masinõppemudelit SageMakeri koolitustööna ja seejärel juurutada mudelit SageMakeri reaalajas lõpp-punktina, et see saaks töödelda reaalajas voogesituse andmeid.
Selleks kasutame ennustava hoolduse näidet, kus klassifitseerime tõrked töötavas pumbas, mis voogesitab andurite reaalajas andmeid. Meil on juurdepääs suurele hoidlale märgistatud andmetega, mis on loodud a simulink simulatsioon, millel on kolm võimalikku tõrketüüpi erinevates võimalikes kombinatsioonides (näiteks üks terve ja seitse vigast olekut). Kuna meil on süsteemi mudel ja rikkeid esineb harva, saame oma algoritmi treenimiseks kasutada simuleeritud andmeid. Mudelit saab häälestada nii, et see sobiks meie tegeliku pumba tööandmetega, kasutades parameetrite hindamise meetodeid MATLABis ja Simulinkis.
Meie eesmärk on demonstreerida MATLABi ja Amazon SageMakeri kombineeritud võimsust, kasutades seda vigade klassifitseerimise näidet.
Alustuseks koolitame MATLABiga oma töölaual klassifikaatori mudelit. Esiteks eraldame funktsioonid täieliku andmestiku alamhulgast, kasutades Diagnostikafunktsioonide kujundaja rakendust ja seejärel käivitage mudelikoolitus kohapeal MATLAB-i otsustuspuu mudeliga. Kui oleme parameetriseadetega rahul, saame luua MATLAB-funktsiooni ja saata töö koos andmekogumiga SageMakerile. See võimaldab meil koolitusprotsessi laiendada, et mahutada palju suuremaid andmekogumeid. Pärast mudeli väljaõpetamist juurutame selle reaalajas lõpp-punktina, mille saab integreerida allvoolurakendusse või armatuurlauale, näiteks MATLAB-i veebirakendusse.
See näide võtab kokku kõik sammud, pakkudes praktilist arusaama sellest, kuidas MATLABi ja Amazon SageMakerit masinõppe ülesannete jaoks ära kasutada. Näite täielik kood ja kirjeldus on saadaval siin Hoidla.
Eeldused
- MATLAB2023a või uuema töökeskkond koos MATLAB Compileri ning statistika ja masinõppe tööriistakastiga Linuxis. Siin on a Kiirjuhend kuidas käivitada MATLAB AWS-is.
- Docker seadistati an Amazon Elastic Compute Cloud (Amazon EC2) näide, kus MATLAB töötab. Kumbki Ubuntu or Linux.
- Paigaldamine AWS-i käsurea liides (AWS CLI), AWS-i seadistamineja Python3.
- AWS CLI peaks olema juba installitud, kui järgisite installijuhendit samm 1.
- Seadistage AWS-i konfigureerimine AWS-i ressurssidega suhtlemiseks.
- Kontrollige oma python3 installimist käivitades
python -V
orpython --version
käsk terminalis. Vajadusel installige Python.
- Kopeerige see repo oma Linuxi masina kausta, käivitades:
- Kontrollige repo kausta luba. Kui sellel pole kirjutamisõigust, käivitage järgmine shellikäsk:
- Ehitage MATLAB-i treeningkonteiner ja lükake see Amazoni elastsete konteinerite register (Amazon ECR).
- Liikuge kausta
docker
- Looge Amazon ECR repo, kasutades AWS CLI-d (asendage REGION eelistatud AWS-i piirkonnaga)
- Käivitage järgmine dokkimiskäsk:
- Liikuge kausta
- Avage MATLAB ja avage reaalajas skript nimega
PumpFaultClassificationMATLABSageMaker.mlx
kaustasexamples/PumpFaultClassification
. Muutke see kaust oma praeguseks töökaustiks MATLABis.
1. osa: andmete ettevalmistamine ja funktsioonide eraldamine
Iga masinõppeprojekti esimene samm on andmete ettevalmistamine. MATLAB pakub laias valikus tööriistu teie andmete importimiseks, puhastamiseks ja funktsioonide eraldamiseks.
. SensorData.mat
andmestik sisaldab 240 kirjet. Igal rekordil on kaks ajakava: flow
ja pressure
. Sihtveerg on faultcode
, mis on pumba kolme võimaliku veakombinatsiooni binaarne esitus. Nende aegridade tabelite puhul on igas tabelis 1,201 rida, mis jäljendavad pumba voolu ja rõhu mõõtmist 1.2 sekundit 0.001 sekundilise sammuga.
Järgmisena võimaldab rakendus Diagnostic Feature Designer teil andmetest välja võtta, visualiseerida ja järjestada mitmesuguseid funktsioone. Siin, sa kasutad Automaatsed funktsioonid, mis eraldab andmestikust kiiresti laia aja- ja sagedusdomeeni funktsioonide komplekti ning reastab mudelikoolituse parimad kandidaadid. Seejärel saate eksportida funktsiooni MATLAB, mis arvutab uutest sisendandmetest 15 parimat järjestatud funktsiooni. Nimetagem seda funktsiooni extractFeaturesTraining
. Seda funktsiooni saab konfigureerida nii, et need võtaksid vastu kõik andmed ühes partiis või voogesitusandmetena.
See funktsioon loob funktsioonide tabeli koos seotud veakoodidega, nagu on näidatud järgmisel joonisel.
2. osa: SageMakeri andmete korrastamine
Järgmiseks peate korraldama andmed nii, et SageMaker saaks kasutada masinõppe koolitust. Tavaliselt hõlmab see andmete jagamist koolitus- ja valideerimiskomplektideks ning ennustamisandmete jagamist sihtvastusest.
Selles etapis võib olla vaja muid keerukamaid andmete puhastamise ja filtreerimise toiminguid. Selles näites on andmed juba puhtad. Kui andmetöötlus on väga keeruline ja aeganõudev, saab SageMakeri töötlemistöid kasutada nende tööde tegemiseks peale SageMakeri koolituse, nii et neid saab jagada kaheks etapiks.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
3. osa: Masinõppe mudeli koolitamine ja testimine MATLABis
Enne SageMakerile üleminekut on hea luua ja testida masinõppe mudelit kohapeal MATLABis. See võimaldab teil mudelit kiiresti itereerida ja siluda. Saate seadistada ja õpetada kohapeal lihtsat otsustuspuu klassifikaatorit.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
Siinse treeningtöö lõpuleviimiseks peaks kuluma vähem kui minut ja see loob mõned graafikud, mis näitavad treeningu edenemist. Pärast koolituse lõppu toodetakse MATLAB masinõppe mudel. The Klassifikatsioon Õppija rakendust saab kasutada mitut tüüpi klassifitseerimismudelite proovimiseks ja nende parima jõudluse saavutamiseks häälestamiseks ning seejärel ülaltoodud mudeli koolituskoodi asendamiseks vajaliku koodi loomiseks.
Pärast kohapeal koolitatud mudeli täpsusmõõdikute kontrollimist saame koolituse Amazon SageMakerisse üle viia.
4. osa: Treenige mudelit rakenduses Amazon SageMaker
Kui olete mudeliga rahul, saate seda SageMakeri abil ulatuslikult treenida. SageMakeri SDK-de kutsumise alustamiseks peate algatama SageMakeri seansi.
session = sagemaker.Session();
Määrake SageMakeri täitmine IAM roll mida koolitustööd ja lõpp-punktide hostimine kasutavad.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
Salvestage MATLAB-ist treeninguandmed csv-failina Amazon Simple Storage Service (Amazon S3) kopp.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Looge SageMakeri hindaja
Järgmiseks tuleb luua SageMakeri hindaja ja edastada sellele kõik vajalikud parameetrid, nagu näiteks treeningdoki kujutis, treeningfunktsioon, keskkonnamuutujad, koolituseksemplari suurus jne. Treeningu pildi URI peaks olema Amazon ECR URI, mille lõite vormingu eeltingimusetapil ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. Treeningfunktsioon tuleks pakkuda MATLAB-i reaalajas skripti allosas.
Esitage SageMakeri koolitustöö
Sobivusmeetodi kutsumine hindajast edastab koolitustöö SageMakerisse.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
Koolitustöö olekut saate kontrollida ka SageMakeri konsoolist:
Pärast koolitustööde lõppemist viib töölingi valimine teid ametikirjelduse lehele, kus näete spetsiaalsesse S3 ämbrisse salvestatud MATLAB-i mudelit:
5. osa: juurutage mudel reaalajas SageMakeri lõpp-punktina
Pärast koolitust saate mudeli juurutada reaalajas SageMakeri lõpp-punktina, mida saate kasutada reaalajas prognooside tegemiseks. Selleks kutsuge hindajast välja juurutamise meetod. Siin saate olenevalt töökoormusest seadistada hostimiseks soovitud eksemplari suuruse.
Kulisside taga ehitab see samm järeldusdoki kujutise ja surub selle Amazon ECR-i hoidlasse, kasutajalt ei nõuta järelduste konteineri loomiseks midagi. Pilt sisaldab kogu järelduspäringu teenindamiseks vajalikku teavet, nagu mudeli asukoht, MATLAB-i autentimisteave ja algoritmid. Pärast seda loob Amazon SageMaker SageMakeri lõpp-punkti konfiguratsiooni ja lõpuks juurutab reaalajas lõpp-punkti. Lõpp-punkti saab jälgida SageMakeri konsoolis ja selle saab igal ajal lõpetada, kui seda enam ei kasutata.
6. osa: katsetage lõpp-punkti
Nüüd, kui lõpp-punkt on valmis ja töötab, saate lõpp-punkti testida, andes sellele ennustamiseks paar kirjet. Kasutage järgmist koodi, et valida treeningandmetest 10 kirjet ja saata need prognoosimiseks lõpp-punkti. Ennustustulemus saadetakse lõpp-punktist tagasi ja seda näidatakse järgmisel pildil.
7. osa: armatuurlaua integreerimine
Paljud natiivsed AWS-teenused saavad SageMakeri lõpp-punkti kutsuda. Seda saab kasutada ka standardse REST API-na, kui see juurutatakse koos AWS Lambda funktsioon ja API lüüs, mida saab integreerida mis tahes veebirakendustega. Sellel konkreetsel kasutusjuhul saate kasutada voogesituse allaneelamist Amazon SageMaker Feature Store'iga ja Amazon Managed Streaming for Apache Kafka, MSK, et teha masinõppega toetatud otsuseid peaaegu reaalajas. Teine võimalik integreerimine on kombinatsiooni kasutamine Amazon kinesis, SageMaker ja Apache Flink, et luua hallatav, usaldusväärne, skaleeritav ja väga kättesaadav rakendus, mis suudab andmevoo kohta reaalajas järeldusi teha.
Pärast seda, kui algoritmid on SageMakeri lõpp-punktis juurutatud, võiksite neid visualiseerida, kasutades armatuurlauda, mis kuvab reaalajas voogesituse ennustusi. Järgmises kohandatud MATLAB-i veebirakenduses näete rõhu- ja vooluandmeid pumba kaupa ning reaalajas tõrkeennustusi juurutatud mudelist.
See armatuurlaud sisaldab järelejäänud kasuliku eluea (RUL) mudelit, et ennustada iga kõnealuse pumba rikkeni kuluvat aega. RUL-algoritmide treenimise kohta vt Ennustava hoolduse tööriistakast.
Clean Up
Pärast selle lahenduse käivitamist puhastage ootamatute kulude vältimiseks kindlasti kõik mittevajalikud AWS-i ressursid. Saate neid ressursse puhastada kasutades SageMaker Python SDK või AWS-i halduskonsool siin kasutatavate konkreetsete teenuste jaoks (SageMaker, Amazon ECR ja Amazon S3). Kustutades need ressursid, väldite täiendavaid tasusid ressursside eest, mida te enam ei kasuta.
Järeldus
Oleme näidanud, kuidas saate tuua MATLABi SageMakerisse pumba ennustava hoolduse kasutamiseks kogu masinõppe elutsükli jooksul. SageMaker pakub täielikult hallatavat keskkonda masinõppe töökoormuste käitamiseks ja mudelite juurutamiseks suure valiku arvutusjuhtumeid, mis teenindavad erinevaid vajadusi.
Kaebused: Selles postituses kasutatud koodi omab ja haldab MathWorks. Vaadake GitHubi repo litsentsitingimusi. Koodi või funktsioonitaotlustega seotud probleemide korral avage hoidlas GitHubi probleem
viited
Autoritest
Brad Duncan on MathWorksi statistika ja masinõppe tööriistakasti masinõppe võimaluste tootejuht. Ta teeb koostööd klientidega, et rakendada tehisintellekti uutes insenerivaldkondades, nagu virtuaalandurite kaasamine projekteeritud süsteemidesse, seletatavate masinõppemudelite loomine ning AI töövoogude standardimine MATLABi ja Simulinki abil. Enne MathWorksi tulekut juhtis ta meeskondi 3D-simulatsiooni ja sõidukite aerodünaamika optimeerimise, 3D-simulatsiooni kasutajakogemuse ja simulatsioonitarkvara tootehalduse jaoks. Brad on ka külalislektor Tuftsi ülikoolis sõidukite aerodünaamika valdkonnas.
Richard Alcock on MathWorksi pilveplatvormi integratsioonide vanem arendusjuht. Selles rollis aitab ta MathWorksi tooteid sujuvalt pilve- ja konteinerplatvormidesse integreerida. Ta loob lahendusi, mis võimaldavad inseneridel ja teadlastel rakendada MATLABi ja Simulinki potentsiaali pilvepõhistes keskkondades. Varem töötas ta MathWorksi tarkvarainsenerina, arendades lahendusi paralleelsete ja hajutatud andmetöötluse töövoogude toetamiseks.
Rachel Johnson on MathWorksi ennustava hoolduse tootejuht ning vastutab üldise tootestrateegia ja turunduse eest. Varem oli ta rakendusinsener, kes toetas otseselt kosmosetööstust ennustavate hooldusprojektide puhul. Enne MathWorksi oli Rachel USA mereväe aerodünaamika ja tõukejõu simulatsiooniinsener. Ta õpetas mitu aastat ka matemaatikat, füüsikat ja inseneriteadusi.
Shun Mao on AI/ML-i partnerlahenduste vanemarhitekt Amazon Web Servicesi arenevate tehnoloogiate meeskonnas. Ta on kirglik koostöösse ettevõtete klientide ja partneritega, et kavandada, juurutada ja skaleerida AI/ML-rakendusi, et tuletada nende äriväärtusi. Väljaspool tööd naudib ta kalastamist, reisimist ja pingpongi mängimist.
Ramesh Jatiya on lahenduste arhitekt Amazon Web Servicesi sõltumatu tarkvara tarnija (ISV) meeskonnas. Ta on kirglik koostöösse ISV klientidega, et kavandada, juurutada ja skaleerida nende rakendusi pilves, et tuletada nende äriväärtusi. Samuti omandab ta Bostoni Babsoni kolledžis MBA kraadi masinõppes ja ärianalüütikas. Töövälisel ajal meeldib talle joosta, tennist mängida ja süüa teha.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- :on
- :on
- :mitte
- : kus
- $ UP
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- MEIST
- üle
- juurdepääs
- juurdepääsetav
- majutada
- konto
- täpsus
- ADEelis
- Aerospace
- pärast
- AI
- AI / ML
- algoritm
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- mööda
- juba
- Ka
- Amazon
- Amazon EC2
- Amazon SageMaker
- Amazon Web Services
- an
- analytics
- ja
- Teine
- mistahes
- Apache
- lahus
- API
- app
- rakendus lubab
- taotlus
- rakendused
- kehtima
- OLEME
- PIIRKOND
- valdkondades
- kunstlik
- tehisintellekti
- AS
- seotud
- At
- Autentimine
- auto
- Automaatika
- auto
- saadaval
- vältima
- AWS
- AWS-i juhtimiskonsool
- beebipoeg
- tagasi
- BE
- sest
- enne
- alustama
- Kasu
- BEST
- boston
- põhi
- tihvt
- tooma
- lai
- tõi kaasa
- ehitama
- Ehitus
- Ehitab
- äri
- by
- helistama
- kutsutud
- kutsudes
- CAN
- kandidaadid
- võimeid
- võimeline
- juhul
- koormuste
- kontrollima
- kontroll
- klassifikatsioon
- Klassifitseerige
- puhastama
- puhastamine
- Cloud
- Pilveplatvorm
- kood
- koodid
- Teevad koostööd
- koostöö
- kolledž
- Veerg
- COM
- kombinatsioon
- kombinatsioonid
- kombineeritud
- tulevad
- KOMMUNIKATSIOON
- keeruline
- Arvutama
- arvutustehnika
- konfiguratsioon
- konfigureeritud
- konsool
- tarbivad
- Konteiner
- sisaldab
- kulud
- looma
- loodud
- loob
- Praegune
- tava
- Kliendid
- armatuurlaud
- andmed
- Andmete ettevalmistamine
- andmetöötlus
- andmekogumid
- otsus
- otsused
- pühendunud
- näitama
- Näidatud
- Olenevalt
- juurutada
- lähetatud
- juurutamine
- juurutab
- kõrvalekalle
- kirjeldus
- Disain
- Disainer
- soovitud
- lauaarvuti
- detailid
- arenev
- & Tarkvaraarendus
- diagnostika
- otse
- Näidikute
- jagatud
- hajutatud arvutus
- do
- laevalaadija
- ei
- domeen
- Duncan
- iga
- tõhusalt
- kumbki
- smirgel
- tekkivad tehnoloogiad
- võimaldama
- lõpp
- Lõpp-punkt
- insener
- projekteeritud
- Inseneriteadus
- Inseneride
- ettevõte
- Kogu
- keskkond
- keskkondades
- eriti
- näide
- täitmine
- kogemus
- eksport
- väljavõte
- Väljavõtted
- ebaedu
- vead
- vigane
- tunnusjoon
- FUNKTSIOONID
- vähe
- Joonis
- fail
- filtreerimine
- Lõpuks
- lõpetama
- esimene
- kalastamine
- sobima
- voog
- Järgneb
- Järel
- järgneb
- eest
- formaat
- Sagedus
- Alates
- täis
- täielikult
- funktsioon
- edasi
- värav
- tekitama
- loodud
- genereerib
- GitHub
- andmine
- hea
- graafikud
- suur
- külaline
- suunata
- rakmed
- Olema
- he
- Tervis
- tervislik
- tugevalt
- siin
- suur jõudlus
- kõrgelt
- Hosting
- Kuidas
- Kuidas
- HTML
- HTTPS
- idee
- if
- pilt
- importivate
- in
- hõlmab
- kaasates
- juurdekasv
- sõltumatud
- näitama
- tööstusharudes
- tööstus
- info
- algatama
- sisend
- paigaldama
- paigaldamine
- paigaldatud
- Näiteks
- instrumentaal-
- integreeritud
- Integreerimine
- integratsioon
- integratsioon
- Intelligentsus
- suhelda
- Interface
- sisse
- probleem
- küsimustes
- isv
- IT
- töö
- Tööturg
- Johnson
- jpg
- suur
- suurem
- pärast
- hiljemalt
- Õppida
- õppimine
- Led
- vähem
- Finantsvõimendus
- litsents
- elu
- eluring
- LINK
- Linux
- elama
- kohapeal
- liising
- Logi sisse
- enam
- masin
- masinõpe
- hooldus
- tegema
- Tegemine
- juhitud
- juhtimine
- juht
- tootmine
- palju
- Turundus
- Vastama
- matemaatika
- mõõtmine
- meetod
- Meetrika
- võib
- minut
- ML
- mudel
- mudelid
- Jälgida
- jälgitakse
- rohkem
- liikuma
- liikuv
- palju
- Nimega
- emakeelena
- Lähedal
- vajalik
- Vajadus
- vaja
- vajadustele
- Uus
- ei
- mitte midagi
- eesmärk
- of
- pakutud
- Pakkumised
- on
- kunagi
- ONE
- avatud
- töö
- töökorras
- Operations
- optimeerimine
- or
- Muu
- meie
- väljund
- väljaspool
- üldine
- omanikuks
- lehekülg
- Parallel
- parameeter
- parameetrid
- eriline
- partner
- partnerid
- sooritama
- kirglik
- jõudlus
- luba
- Füüsika
- inimesele
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängimine
- palun
- populaarne
- võimalik
- post
- potentsiaal
- potentsiaalselt
- võim
- Praktiline
- ennustada
- ennustus
- Ennustused
- Predictor
- eelistatud
- ettevalmistamine
- Valmistama
- surve
- vältida
- varem
- Eelnev
- protsess
- töötlemine
- tootma
- Toodetud
- toodab
- Toode
- tootehaldus
- tootejuht
- Toodet
- Programming
- Edu
- projekt
- projektid
- tõukejõu
- anda
- tingimusel
- annab
- pakkudes
- pump
- Lükkama
- vajutab
- Python
- küsimus
- kiiresti
- valik
- auaste
- reastatud
- auastmed
- HARULDANE
- kergesti
- reaalne
- reaalajas
- hiljuti
- rekord
- andmed
- viitama
- piirkond
- registri
- usaldusväärne
- ülejäänud
- asendama
- Hoidla
- esindamine
- taotleda
- Taotlusi
- nõutav
- Vahendid
- vastus
- vastutav
- REST
- kaasa
- Richard
- jõuline
- Roll
- jooks
- jooksmine
- salveitegija
- rahul
- rahul
- Säästa
- salvestatud
- skaalautuvia
- Skaala
- stseenide
- teadlased
- käsikiri
- sdks
- sujuvalt
- sekundit
- vaata
- valides
- valik
- saatma
- vanem
- andur
- Saadetud
- Seeria
- teenima
- teenus
- Teenused
- teenindavad
- istung
- komplekt
- Komplektid
- seaded
- seitse
- mitu
- ta
- Shell
- peaks
- näitama
- näidatud
- märkimisväärne
- lihtne
- simuleerimine
- SUURUS
- So
- tarkvara
- tarkvaraarendus
- lahendus
- Lahendused
- mõned
- konkreetse
- kiirus
- kasutatud
- Stage
- standard
- standardimine
- algus
- Ühendriigid
- statistika
- olek
- Samm
- Sammud
- ladustamine
- salvestada
- Strateegia
- oja
- streaming
- selline
- Kokku võtta
- toetama
- Toetamine
- kindel
- süsteem
- süsteemid
- tabel
- TAG
- Võtma
- võtab
- sihtmärk
- ülesanded
- õpetamine
- meeskond
- meeskonnad
- tehnikat
- Tehnoloogiad
- terminal
- tingimused
- test
- Testimine
- kui
- et
- .
- Piirkond
- oma
- Neile
- SIIS
- Need
- nad
- see
- need
- kolm
- aeg
- Ajaseeria
- et
- kokku
- tööriist
- Tööriistakast
- töövahendid
- ülemine
- Rong
- koolitus
- Reisimine
- puu
- püüdma
- meloodia
- häälestatud
- kaks
- liigid
- tüüpiliselt
- mõistmine
- Ootamatu
- Ülikool
- us
- kasutama
- kasutage juhtumit
- Kasutatud
- Kasutaja
- User Experience
- kasutamine
- kinnitamine
- Väärtused
- sort
- eri
- sõiduk
- müüja
- väga
- virtuaalne
- visualiseeri
- tahan
- oli
- Tee..
- we
- web
- veebirakendused
- veebiteenused
- mis
- lai
- Lai valik
- will
- koos
- Töö
- Töövoogud
- töö
- töötab
- kirjutama
- kirjalik
- aastat
- sa
- Sinu
- sephyrnet