Oma raamatus Raamat MiksJudea Pearl pooldab põhjuse ja tagajärje põhimõtete õpetamist masinatele, et parandada nende intelligentsust. Süvaõppe saavutused on sisuliselt vaid teatud tüüpi kõverate sobitamine, samas kui põhjuslikku seost saab kasutada maailma süsteemide vahelise interaktsiooni avastamiseks erinevate piirangute korral ilma hüpoteese otseselt kontrollimata. See võib anda vastuseid, mis viivad meid AGI (tehisintellekti) juurde.
See lahendus pakub välja põhjusliku järelduse raamistiku, mis kasutab Bayesi võrke, et kujutada põhjuslikke sõltuvusi ja teha põhjuslikke järeldusi vaadeldud satelliidipiltide ja eksperimentaalsete katseandmete põhjal simuleeritud ilmastiku- ja pinnasetingimuste kujul. The juhtumiuuring on põhjuslik seos lämmastikupõhise väetise kasutamise ja maisisaagi vahel.
Satelliidipilte töödeldakse spetsiaalselt loodud Amazon SageMakeri georuumilised võimalused ja rikastatud eritellimusel valmistatud Amazon SageMakeri töötlemine operatsioonid. Põhjusliku järelduse mootor on kasutusele võetud Amazon SageMakeri asünkroonne järeldus.
Selles postituses näitame, kuidas seda kontrafaktuaalset analüüsi kasutades luua Amazon SageMaker JumpStart lahendusi.
Lahenduse ülevaade
Järgmine diagramm näitab otsast lõpuni töövoo arhitektuuri.
Eeldused
Sa pead seda AWS-i konto selle lahenduse kasutamiseks.
Selle JumpStart 1P lahenduse käitamiseks ja infrastruktuuri juurutamiseks oma AWS-i kontole peate looma aktiivse Amazon SageMaker Studio näide (vt Sisseehitatud Amazon SageMakeri domeeniga). Kui teie Studio eksemplar on valmis, järgige juhiseid SageMaker KiirStart et käivitada Crop Yield Counterfactuals lahendus.
Pange tähele, et see lahendus on praegu saadaval ainult USA läänepiirkonnas (Oregon).
Põhjuslik järeldus
Põhjuslik seos seisneb muutuste mõistmises, kuid selle vormistamine statistikas ja masinõppes (ML) ei ole triviaalne ülesanne.
Selles saagikuse uuringus võib väetisena lisatud lämmastik ja saagikuse tulemused olla segaduses. Samamoodi võib segadusse ajada ka väetisena lisatud lämmastik ja lämmastiku leostumise tulemused selles mõttes, et ühine põhjus võib seletada nende seost. Kuid seos ei ole põhjuslik seos. Kui teame, millised vaadeldud tegurid seost segadusse ajavad, arvestame neid, aga mis siis, kui segadust tekitavad muud peidetud muutujad? Väetisekoguse vähendamine ei pruugi tingimata vähendada jääklämmastikku; samamoodi ei pruugi see saagikust drastiliselt vähendada, samas kui täheldatud tegurid võivad seost segada pinnas- ja kliimatingimused. Segaduste käsitlemine on põhjusliku järelduse keskne probleem. RA Fisheri tutvustatud tehnikat nimetatakse randomiseeritud kontrollitud uuring eesmärk on murda võimalikku segadust.
Randomiseeritud kontrollkatsete puudumisel on siiski vaja teha põhjuslikke järeldusi üksnes vaatlusandmete põhjal. On olemas viise, kuidas seostada põhjuslikke küsimusi vaatlusuuringute andmetega, kirjutades põhjusliku graafilise mudeli selle kohta, kuidas asjad juhtuvad. See hõlmab väidet, et vastavad traaversid püüavad kinni vastavad sõltuvused, täites samal ajal tingimusliku ignoreerimise graafilise kriteeriumi (mil määral saame põhjuslikku seost põhjuslikul oletusel põhineva seosena käsitleda). Pärast struktuuri postuleerimist saame kasutada kaudseid invariante, et õppida vaatlusandmetest ja lisada põhjuslikke küsimusi, järeldades põhjuslikke väiteid ilma randomiseeritud kontrollkatseteta.
See lahendus kasutab nii simuleeritud randomiseeritud kontrollkatsete (RCT) andmeid kui ka satelliidipiltide vaatlusandmeid. Illinoisis (Ameerika Ühendriigid) tuhandete põldude ja mitme aasta jooksul läbi viidud simulatsioonide seeriat kasutatakse selleks, et uurida maisi reaktsiooni lämmastikusisalduse suurenemisele piirkonnas täheldatud ilmastiku- ja pinnasemuutuste laia kombinatsiooni korral. Selles käsitletakse katseandmete kasutamise piiranguid, mis on piiratud muldade arvu ja aastatega, mida saab uurida, kasutades erinevate põllumajanduslike stsenaariumide ja geograafiliste piirkondade põllukultuuride simulatsioone. Andmebaas kalibreeriti ja valideeriti, kasutades piirkonnas enam kui 400 uuringu andmeid. Lämmastiku esialgne kontsentratsioon pinnases määrati juhuslikult mõistliku vahemiku hulka.
Lisaks on andmebaasi täiustatud satelliidipiltide vaatlustega, samas kui tsoonistatistika tuletatakse spektriindeksitest, et kajastada taimestiku ruumilis-ajalisi muutusi, mida on näha erinevates geograafilistes piirkondades ja fenoloogilistes faasides.
Põhjuslik järeldus Bayesi võrkudega
Struktuursed põhjuslikud mudelid (SCM-id) kasutavad põhjuslike sõltuvuste esitamiseks graafilisi mudeleid, mis hõlmavad nii andmepõhiseid kui ka inimlikke sisendeid. Pakutakse välja teatud tüüpi struktuuri põhjuslik mudel, mida nimetatakse Bayesi võrkudeks, et modelleerida põllukultuuride fenoloogia dünaamikat tõenäosusavaldiste abil, esitades muutujaid sõlmedena ja muutujate vahelisi seoseid servadena. Sõlmed on põllukultuuride kasvu, pinnase ja ilmastikunäitajad ning nendevahelised servad esindavad ajalis-ruumilist põhjuslikku seost. Algsõlmed on põlluga seotud parameetrid (sh külvipäev ja istutatud ala) ning alamsõlmed on saagikuse, lämmastiku omastamise ja lämmastiku leostumise mõõdikud.
Lisateavet leiate jaotisest andmebaasi iseloomustus ja suunata maisi kasvufaaside tuvastamiseks.
Bayesi võrkude mudeli loomiseks on vaja teha paar sammu (koos CausalNex), enne kui saame seda kasutada kontrafaktuaalseks ja sekkumisanalüüsiks. Põhjusliku mudeli struktuur õpitakse algselt andmete põhjal, samas kui juhuslike muutujate ja sekkumismuutujate vaheliste täiendavate sõltuvuste ja sõltumatuste postuleerimiseks kasutatakse aineteadmisi (usaldusväärset kirjandust või empiirilisi uskumusi), samuti väidetakse, et struktuur on põhjuslik.
Kasutamine ILMA PISARATETA, pidev optimeerimisalgoritm struktuuri õppimiseks, muutujate vahelisi tingimuslikke sõltuvusi kirjeldav graafiku struktuur õpitakse andmetest, kusjuures servadele, vanemsõlmedele ja alamsõlmedele seatakse piirangud, mis pole põhjuslikus mudelis lubatud. See säilitab muutujate vahelised ajalised sõltuvused. Vaadake järgmist koodi:
"""
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,
)
Järgmine samm kodeerib domeeniteadmised mudelitesse ja fikseerib fenoloogia dünaamika, vältides samas võltssuhteid. Multikollineaarsusanalüüs, variatsiooni inflatsioonifaktori analüüs ja globaalsete tunnuste tähtsuse kasutamine SHAP analüüs viiakse läbi, et saada teadmisi ja piiranguid veestressi muutujate (paisumine, fenoloogia ja fotosüntees õitsemise ümber), ilmastiku- ja mullamuutujate, spektriindeksite ja lämmastikupõhiste näitajate kohta:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
CausalNexi Bayesi võrgud toetavad ainult diskreetseid distributsioone. Kõik pidevad funktsioonid või suure hulga kategooriatega funktsioonid diskreetseeritakse enne Bayesi võrku ühendamist:
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,
)
Pärast struktuuri ülevaatamist saab andmetest õppida iga muutuja tingimusliku tõenäosusjaotuse, arvestades selle vanemaid, etapis, mida nimetatakse tõenäosuse hinnang:
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",
)
Lõpuks kasutatakse struktuuri ja tõenäosusi, et teha vaatluslikke järeldusi lennult, järgides deterministlikku Junction Tree algoritm (JTA) ja sekkumiste tegemine kasutades tee-arvutus. SageMakeri asünkroonne järeldus võimaldab seada sissetulevad päringud järjekorda ja töödelda neid asünkroonselt. See valik sobib ideaalselt nii vaatlus- kui ka kontrafaktuaalsete järelduste stsenaariumide jaoks, kus protsessi ei saa paralleelselt teha, mistõttu kulub kogu võrgus tõenäosuste värskendamiseks märkimisväärselt aega, kuigi paralleelselt saab käitada mitut päringut. Vaadake järgmist koodi:
"""
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")
Lisateabe saamiseks vaadake järeldusskript.
Põhjuslik mudel märkmik on samm-sammult juhis eelnevate toimingute tegemiseks.
Geosruumiliste andmete töötlemine
Maavaatlustöö (EOJ-d) on satelliidipiltide hankimiseks ja teisendamiseks aheldatud, samal ajal kui pilve eemaldamiseks, mosaiigiks, ribamatemaatikaoperatsioonideks ja uuesti valimimiseks kasutatakse selleks loodud toiminguid ja eelkoolitatud mudeleid. Selles jaotises käsitleme üksikasjalikumalt georuumilise töötlemise etappe.
Huviala
Järgmisel joonisel on rohelised hulknurgad valitud maakonnad, oranž ruudustik on andmebaasi kaart (10 x 10 km ruudustik, kus piirkonnas katseid tehakse) ja halltoonide ruutude ruudustik on 100 km x 100 km. Sentinel-2 UTM plaatimisrest.
Ruumifaile kasutatakse simuleeritud andmebaasi kaardistamiseks vastavate satelliidipiltidega, kattuvad 10 km x 10 km rakkude hulknurgad, mis jagavad Illinoisi osariiki (kus selles piirkonnas katseid tehakse), maakondade polügoone ja 100 km x 100 km Sentinel- 2 UTM plaati. Georuumiliste andmete töötlemise torujuhtme optimeerimiseks valitakse esmalt mõned läheduses olevad Sentinel-2 plaadid. Järgmisena kaetakse plaatide ja lahtrite koondgeomeetria, et saada huvipakkuv piirkond (RoI). Maakonnad ja lahtri ID-d, mida RoI-s täielikult jälgitakse, valitakse EOJ-dele edastatava hulknurga geomeetria moodustamiseks.
Ajavahemik
Selle harjutuse jaoks on maisi fenoloogiatsükkel jagatud kolmeks etapiks: vegetatiivsed etapid v5 kuni R1 (tärkamine, lehtede kaelused ja tutistumine), paljunemisfaasid R1 kuni R4 (siidistumine, vill, piim ja tainas) ja paljunemisstaadiumid. R5 (mõlgitud) ja R6 (füsioloogiline küpsus). Järjestikused satelliidikülastused kogutakse iga fenoloogilise etapi jaoks 2 nädala jooksul ja eelnevalt kindlaksmääratud huvipiirkonnas (valitud maakonnad), mis võimaldavad satelliidipiltide ruumilist ja ajalist analüüsi. Järgmine joonis illustreerib neid mõõdikuid.
Pilvede eemaldamine
Pilvede eemaldamine Sentinel-2 andmete jaoks kasutab ML-põhist semantilist segmenteerimismudelit, et tuvastada pildil olevad pilved, kus hägused pikslid asendatakse väärtusega -9999 (nodata väärtus):
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)
Pärast EOJ loomist tagastatakse ARN ja seda kasutatakse järgneva geomosaiigitoimingu tegemiseks.
Töö staatuse saamiseks võite kandideerida sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaiik
Gemosaiikset EOJ-d kasutatakse mitme satelliidikülastuse piltide liitmiseks suureks mosaiigiks, kirjutades üle sõlmeandmed või läbipaistvad pikslid (sh hägused pikslid) teiste ajatemplite pikslitega:
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)
Pärast EOJ loomist tagastatakse ARN ja seda kasutatakse järgnevaks uuesti diskreetimistoiminguks.
Uuesti proovide võtmine
Resamplingut kasutatakse georuumilise kujutise eraldusvõime vähendamiseks, et see sobiks kärpimismaskide eraldusvõimega (10–30 m eraldusvõime muutmine):
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)
Pärast EOJ loomist tagastatakse ARN ja seda kasutatakse järgneva ribamatemaatikatoimingu tegemiseks.
Bändi matemaatika
Riba matemaatilisi tehteid kasutatakse vaatluste teisendamiseks mitmest spektriribast üheks ribaks. See sisaldab järgmisi spektraalseid indekseid:
- EVI2 – kaheribaline täiustatud taimestikuindeks
- DGVI – Generalised Difference Vegetation Index
- NDMI – Normaliseeritud erinevuse niiskusindeks
- NDVI – Normaliseeritud erinevuse taimestiku indeks
- NDWI – Normaliseeritud erinevuse veeindeks
Vaadake järgmist koodi:
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)
Tsoonistatistika
Spektriindekseid rikastatakse veelgi kasutades Amazon SageMakeri töötlemine, kus GDAL-põhist kohandatud loogikat kasutatakse järgmiste toimingute tegemiseks.
- Ühenda spektraalindeksid üheks mitme kanaliga mosaiigiks
- Mosaiik uuesti projitseerida põllukultuuri maskprojektsioon
- Kandke kärpimismask ja projitseerige mosaiik rakkude hulknurkade CRC-le
- Arvutage valitud hulknurkade tsoonistatistika (10 km x 10 km lahtrid)
Paralleelse andmejaotuse korral jaotatakse manifestifailid (iga põllukultuuri fenoloogilise etapi jaoks) mitme eksemplari vahel, kasutades ShardedByS3Key
S3 andmete levitamise tüüp. Lisateabe saamiseks vaadake funktsiooni ekstraheerimise skript.
Georuumiline töötlemine märkmik on samm-sammult juhis eelnevate toimingute tegemiseks.
Järgmisel joonisel on kujutatud järjestikuste satelliidikülastuste RGB-kanalid, mis esindavad maisi fenoloogilise tsükli vegetatiivset ja paljunemisfaasi koos (paremal) ja ilma (vasakul) põllukultuuri maskidega (CW 20, 26 ja 33, 2018 Central Illinois).
Järgmisel joonisel on spektraalindeksid (NDVI, EVI2, NDMI) järjestikustest satelliidikülastustest esindavad maisi fenoloogilise tsükli vegetatiivset ja paljunemisfaasi (CW 20, 26 ja 33, 2018 Central Illinois).
Koristage
Kui te ei soovi seda lahendust enam kasutada, saate selle loodud ressursid kustutada. Kui lahendus on Studios juurutatud, valige Kustutage kõik ressursid automaatselt kustutada kõik standardressursid, mis loodi lahenduse käivitamisel, sealhulgas S3 ämber.
Järeldus
See lahendus annab plaani kasutusjuhtudeks, kus põhjuslik järeldus Bayesi võrkudega on eelistatud metoodika põhjuslikele küsimustele vastamiseks andmete ja inimeste sisendite kombinatsioonist. Töövoog hõlmab järeldusmootori tõhusat rakendamist, mis seab sissetulevad päringud ja sekkumised järjekorda ning töötleb neid asünkroonselt. Modulaarne aspekt võimaldab taaskasutada erinevaid komponente, sealhulgas georuumilist töötlemist sihipäraselt loodud toimingute ja eelkoolitatud mudelitega, satelliidipiltide rikastamist kohandatud GDAL-operatsioonidega ja multimodaalset funktsioonide kavandamist (spektriindeksid ja tabeliandmed).
Lisaks saate seda lahendust kasutada mallina ruudustikuga põllukultuuride mudelite ehitamiseks, kus viiakse läbi lämmastikväetise haldamine ja keskkonnapoliitika analüüs.
Lisateavet leiate aadressilt Lahenduste mallid ja järgige suunata et käivitada Crop Yield Counterfactuals lahendus USA läänepoolses (Oregoni) piirkonnas. Kood on saadaval aadressil GitHub repo.
Tsitaadid
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Simuleeritud andmestik maisi reaktsiooni kohta lämmastikule tuhandete põldude ja mitme aasta jooksul Illinoisis,
Andmed lühidalt, 40. köide, 2022, 107753, ISSN 2352-3409
Kasulikud ressursid
Autoritest
Paul Barna on vanemandmeteadlane AWS-i masinõppe prototüüpimislaboris.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :on
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- MEIST
- saavutused
- konto
- omandama
- omandatud
- üle
- aktiivne
- lisatud
- lisamine
- Täiendavad lisad
- aadressid
- toetajad
- pärast
- AGI
- Eesmärgid
- algoritm
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- Kuigi
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- vahel
- summa
- analüüs
- ja
- vastuseid
- kuskil
- taotlus
- arhitektuur
- OLEME
- PIIRKOND
- ümber
- AS
- aspekt
- Väidetav
- Ühing
- At
- automaatselt
- saadaval
- vältides
- AWS
- BAND
- põhineb
- Bayesi
- BE
- enne
- vahel
- sinine
- raamat
- Murdma
- lai
- ehitama
- Ehitus
- by
- kutsutud
- CAN
- võimeid
- lüüa
- lööb
- juhtudel
- kategooriad
- Põhjus
- Rakke
- kesk-
- aheldatud
- muutma
- Vaidluste lahendamine
- kanalid
- laps
- Vali
- väites,
- nõuete
- Cloud
- kood
- Kraed
- kombinatsioon
- ühine
- komponendid
- kontsentratsioon
- Tingimused
- läbi
- Võta meiega ühendust
- järjestikune
- piiranguid
- pidev
- kontrollida
- kontrollitud
- Vastav
- võiks
- looma
- loodud
- põllukultuur
- Praegu
- kõver
- tava
- Valmistatud tellimuse järgi
- tsükkel
- andmed
- andmetöötlus
- andmeteadlane
- andmepõhistele
- andmebaas
- päev
- sügav
- sügav õpe
- näitama
- lähetatud
- Tuletatud
- detail
- detailid
- erinevus
- otse
- arutama
- jagatud
- jaotus
- Väljamaksed
- jagatud
- domeen
- drastiliselt
- juhtida
- dünaamika
- iga
- mõju
- tekkimine
- võimaldab
- võimaldades
- Lõpuks-lõpuni
- Mootor
- Inseneriteadus
- tõhustatud
- rikastatud
- keskkonna-
- Keskkonnapoliitika
- põhiliselt
- Teostama
- laiendamine
- ekspert
- teadmised
- Selgitama
- uurima
- väljendeid
- laiendamine
- väljavõte
- tegurid
- põllumajandus
- tunnusjoon
- FUNKTSIOONID
- vähe
- Valdkonnad
- Joonis
- järgima
- Järel
- eest
- vorm
- Raamistik
- Alates
- täielikult
- edasi
- tekitama
- geograafiad
- saama
- GitHub
- antud
- Globaalne
- graafik
- Halltoonid
- Green
- võre
- Kasv
- suunata
- käepide
- juhtuda
- Olema
- varjatud
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- inim-
- ideaalne
- identifitseerima
- identifitseerimiseks
- Illinois
- pilt
- pildid
- mõju
- täitmine
- kaudselt
- import
- tähtsus
- kehtestatud
- kehtestav
- in
- hõlmab
- Kaasa arvatud
- Sissetulev
- kaasates
- kasvav
- näitajad
- Indeksid
- info
- Infrastruktuur
- esialgne
- esialgu
- teadmisi
- Näiteks
- juhised
- Intelligentsus
- interaktsioonid
- huvi
- sekkumine
- sisse
- IT
- ITS
- töö
- Teadma
- teadmised
- Labs
- suur
- algatama
- käivitamine
- viima
- Õppida
- õppinud
- õppimine
- piiramine
- piiratud
- kirjandus
- enam
- masin
- masinõpe
- masinad
- tehtud
- Tegemine
- juhtimine
- kaart
- Martin
- mask
- Maskid
- Vastama
- matemaatika
- küsimus
- tähtaeg
- Merge
- Metoodika
- Meetrika
- võib
- Milk
- ML
- mudel
- mudelid
- modulaarne
- rohkem
- mitmekordne
- nimi
- Nasa
- Lähedal
- tingimata
- Vajadus
- võrk
- võrgustikud
- järgmine
- Nicolas
- sõlme
- Sõlmede jaotus
- sõlmed
- number
- saama
- of
- on
- töö
- Operations
- optimeerimine
- optimeerima
- valik
- oranž
- et
- Oregon
- Muu
- Parallel
- parameetrid
- vanemad
- eriline
- Vastu võetud
- täitma
- Fotosüntees
- torujuhe
- Platon
- Platoni andmete intelligentsus
- PlatoData
- pistik
- poliitika
- hulknurk
- võimalik
- post
- eelistatud
- põhimõtted
- Eelnev
- Probleem
- protsess
- Töödeldud
- Protsessid
- töötlemine
- omadused
- kinnisvara
- pakutud
- teeb ettepaneku
- prototüüpimine
- anda
- annab
- puhtalt
- Küsimused
- juhuslik
- Juhuslikult valitud
- valik
- Rates
- valmis
- mõistlik
- Red
- vähendama
- vähendamine
- piirkond
- suhe
- Suhted
- eemaldamine
- asendatakse
- esindama
- esindavad
- Taotlusi
- nõutav
- resolutsioon
- Vahendid
- vastus
- vastutav
- -Läbi
- RGB
- ROI
- jooks
- jooksmine
- salveitegija
- satelliit
- stsenaariumid
- teadlane
- Osa
- segmentatsioon
- väljavalitud
- vanem
- tunne
- Seeria
- komplekt
- mitu
- Näitused
- Samamoodi
- ühekordne
- lahendus
- Lahendused
- mõned
- ruumiline
- Spektraalne
- väljakud
- Stage
- etappidel
- standard
- riik
- Ühendriigid
- statistika
- olek
- Samm
- Sammud
- stress
- struktuur
- uuringud
- stuudio
- Uuring
- teema
- järgnev
- toetama
- süsteemid
- võtmine
- taro
- õpetamine
- šabloon
- Testimine
- et
- .
- Graafik
- Riik
- maailm
- oma
- Neile
- sellega
- Need
- asjad
- tuhandeid
- kolm
- Läbi
- läbi kogu
- aeg
- et
- kokku
- Rong
- Muutma
- transformeerivate
- läbipaistev
- käsitlema
- kohtuprotsess
- uuringutes
- Usaldatud
- UCLA
- paljastama
- all
- mõistmine
- üksus
- Ühendatud
- Ühendriigid
- Värskendused
- ajakohastamine
- us
- kasutama
- kinnitatud
- väärtus
- eri
- Külastusi
- maht
- Vesi
- kuidas
- ilm
- nädalat
- Hästi
- Läände
- M
- mis
- kuigi
- will
- koos
- jooksul
- ilma
- maailm
- kirjutamine
- X
- aastat
- saak
- saagikus
- sa
- Sinu
- sephyrnet