AutoML võimaldab teil saada andmetest kiire ja üldise ülevaate kohe masinõppe (ML) projekti elutsükli alguses. Kui mõistate, millised eeltöötlustehnikad ja algoritmitüübid annavad parimaid tulemusi, väheneb õige mudeli arendamiseks, koolitamiseks ja juurutamiseks kuluv aeg. See mängib iga mudeli arendusprotsessis üliolulist rolli ja võimaldab andmeteadlastel keskenduda kõige lootustandvamatele ML-tehnikatele. Lisaks pakub AutoML baasmudeli jõudlust, mis võib olla andmeteaduse meeskonna võrdluspunktiks.
AutoML-i tööriist rakendab teie andmetele erinevate algoritmide ja erinevate eeltöötlustehnikate kombinatsiooni. Näiteks võib see andmeid skaleerida, teostada ühemõõtmelist funktsioonide valikut, läbi viia PCA erinevatel dispersioonilävetasemetel ja rakendada rühmitamist. Selliseid eeltöötlusmeetodeid saab rakendada eraldi või kombineerida torujuhtmena. Seejärel treenib AutoML-i tööriist erinevaid mudelitüüpe, nagu lineaarne regressioon, elastne võrk või juhuslik mets, teie eeltöödeldud andmestiku erinevatel versioonidel ja teostab hüperparameetrite optimeerimise (HPO). Amazon SageMakeri autopiloot välistab ML-mudelite ehitamise raske tõstmise. Pärast andmestiku esitamist uurib SageMaker Autopilot automaatselt erinevaid lahendusi parima mudeli leidmiseks. Aga mis siis, kui soovite juurutada oma AutoML-i töövoo kohandatud versiooni?
See postitus näitab, kuidas luua kohandatud AutoML-i töövoogu Amazon SageMaker kasutamine Amazon SageMakeri automaatne mudeli häälestamine näidiskoodiga, mis on saadaval a GitHubi repo.
Lahenduse ülevaade
Selle kasutusjuhtumi puhul oletame, et olete osa andmeteaduse meeskonnast, mis töötab välja mudelid spetsialiseeritud domeenis. Olete välja töötanud kohandatud eeltöötlustehnikate komplekti ja valinud hulga algoritme, mis tavaliselt teie ML-probleemiga hästi töötavad. Uute ML-i kasutusjuhtumitega töötades soovite esmalt läbi viia AutoML-i käitamise, kasutades oma eeltöötlustehnikaid ja algoritme, et kitsendada võimalike lahenduste ulatust.
Selle näite puhul ei kasuta te spetsiaalset andmekogumit; selle asemel töötate California elamute andmestikuga, millest impordite Amazoni lihtne salvestusteenus (Amazon S3). Keskendutakse lahenduse tehnilise teostuse demonstreerimisele, kasutades SageMaker HPO-d, mida saab hiljem rakendada mis tahes andmekogumile ja domeenile.
Järgmine diagramm kujutab üldist lahenduse töövoogu.
Eeldused
Selle postituse läbivaatuse täitmise eeltingimused on järgmised:
Rakenda lahendus
Täielik kood on saadaval aadressil GitHub repo.
Lahenduse rakendamise sammud (nagu töövoo diagrammil märgitud) on järgmised:
- Looge märkmiku eksemplar ja täpsustage järgmist:
- eest Märkmiku eksemplari tüüp, vali ml.t3.keskkond.
- eest Elastne järeldus, vali mitte ükski.
- eest Platvormi identifikaator, vali Amazon Linux 2, Jupyter Lab 3.
- eest IAM roll, valige vaikeseade
AmazonSageMaker-ExecutionRole
. Kui seda pole, looge uus AWS-i identiteedi- ja juurdepääsuhaldus (IAM) rolli ja kinnitage AmazonSageMakerFullAccessi IAM-poliitika.
Pange tähele, et peaksite looma minimaalse ulatusega täitmisrolli ja -poliitika tootmises.
- Avage oma sülearvuti eksemplari JupyterLabi liides ja kloonige GitHubi repo.
Seda saate teha, alustades uut terminaliseanssi ja käivitades git clone <REPO>
käsku või kasutajaliidese funktsiooni abil, nagu on näidatud järgmisel ekraanipildil.
- avage
automl.ipynb
märkmiku faili, valigeconda_python3
kernel ja järgige a käivitamiseks juhiseid HPO töökohtade komplekt.
Koodi muudatusteta käitamiseks peate suurendama teenuse kvooti ml.m5.suur koolitustöö kasutamiseks ja Juhtumite arv kõigi koolitustööde kohta. AWS võimaldab mõlema kvoodi jaoks vaikimisi ainult 20 paralleelset SageMakeri koolitustööd. Peate taotlema mõlema kvoodi suurendamist 30-ni. Mõlemad kvoodimuudatused tuleks tavaliselt mõne minuti jooksul heaks kiita. Viitama Kvoodi suurendamise taotlemine rohkem informatsiooni.
Kui te ei soovi kvooti muuta, saate lihtsalt selle väärtust muuta MAX_PARALLEL_JOBS
muutuja skriptis (näiteks kuni 5).
- Iga HPO töö lõpetab komplekti koolitustöö katsed ja näidata optimaalsete hüperparameetritega mudel.
- Analüüsige tulemusi ja juurutada kõige paremini toimiv mudel.
See lahendus toob teie AWS-i kontole kulusid. Selle lahenduse maksumus sõltub HPO koolitustööde arvust ja kestusest. Kui need suurenevad, kasvavad ka kulud. Kulusid saate vähendada, piirates treeninguaega ja seadistades TuningJobCompletionCriteriaConfig
vastavalt juhistele, mida arutatakse hiljem selles postituses. Hinnateabe saamiseks vaadake Amazon SageMakeri hinnakujundus.
Järgmistes osades käsitleme sülearvutit üksikasjalikumalt koos koodinäidetega ning tulemuste analüüsimise ja parima mudeli valimise etappe.
Esialgne seadistamine
Alustame jooksmisega Import ja seadistamine jaotises custom-automl.ipynb
märkmik. See installib ja impordib kõik vajalikud sõltuvused, loob SageMakeri seansi ja kliendi ning määrab andmete salvestamiseks vaikeregiooni ja S3 ämbri.
Andmete ettevalmistamine
Laadige alla California eluasemeandmekogum ja valmistage see ette, käivitades rakenduse Andmete allalaadimine märkmiku osa. Andmekogum jagatakse koolitus- ja testimisandmeraamideks ning laaditakse üles SageMakeri seansi vaike-S3 ämbrisse.
Kogu andmestikus on 20,640 9 kirjet ja kokku XNUMX veergu, sealhulgas sihtmärk. Eesmärk on ennustada maja mediaanväärtust (medianHouseValue
veerg). Järgmine ekraanipilt näitab andmestiku ülemisi ridu.
Koolituse skripti mall
Selle postituse AutoML-i töövoog põhineb skikit õppima torujuhtmete ja algoritmide eeltöötlus. Eesmärk on luua suur kombinatsioon erinevatest eeltöötluskonveieritest ja algoritmidest, et leida kõige paremini toimiv seadistus. Alustame üldise koolitusskripti loomisega, mis püsib sülearvuti eksemplaris kohapeal. Selles skriptis on kaks tühja kommentaariplokki: üks hüperparameetrite sisestamiseks ja teine eeltöötlusmudeli konveieriobjekti jaoks. Neid süstitakse dünaamiliselt iga eeltöötlusmudeli kandidaadi jaoks. Ühe üldise skripti omamise eesmärk on hoida juurutus KUIVAS (ärge korrake ennast).
Loo eeltöötlus- ja mudelikombinatsioonid
. preprocessors
sõnastik sisaldab eeltöötlustehnikate spetsifikatsiooni, mida rakendatakse mudeli kõikidele sisendfunktsioonidele. Iga retsept on määratletud kasutades a Pipeline
või FeatureUnion
scikit-learni objekt, mis aheldab üksikud andmeteisendused ja virnastab need kokku. Näiteks, mean-imp-scale
on lihtne retsept, mis tagab, et puuduvad väärtused arvutatakse vastavate veergude keskmiste väärtuste abil ja et kõiki funktsioone skaleeritakse kasutades StandardScaler. Seevastu mean-imp-scale-pca
retseptiketid ühendavad veel mõned toimingud:
- Arvutage veergudes puuduvad väärtused selle keskmisega.
- Rakendage funktsioonide skaleerimist, kasutades keskmist ja standardhälvet.
- Arvutage PCA sisendandmete peale kindlaksmääratud dispersiooni läviväärtusel ja ühendage see kaudsete ja skaleeritud sisendfunktsioonidega.
Selles postituses on kõik sisestusfunktsioonid numbrilised. Kui teie sisendandmekogus on rohkem andmetüüpe, peaksite määrama keerulisema konveieri, kus erinevatele funktsioonitüüpide komplektidele rakendatakse erinevaid eeltöötlusharusid.
. models
sõnastik sisaldab erinevate algoritmide spetsifikatsioone, millele andmestiku sobitate. Igal mudelitüübil on sõnastikus järgmine spetsifikatsioon:
- skripti_väljund – Osutab hindaja kasutatud treeningskripti asukohale. See väli täidetakse dünaamiliselt, kui
models
sõnastik on kombineeritudpreprocessors
sõnastik. - sisestused – Määrab koodi, mis sisestatakse
script_draft.py
ja hiljem alla salvestatudscript_output
. Võti“preprocessor”
jäetakse tahtlikult tühjaks, kuna see asukoht on täidetud ühe eeltöötlejaga, et luua mitu mudeli-eelprotsessori kombinatsiooni. - hüperparameetrid – Hüperparameetrite komplekt, mida optimeerib HPO töö.
- include_cls_metadata - SageMakeri nõutavad konfiguratsiooni üksikasjad
Tuner
klass.
Täielik näide sellest models
sõnastik on saadaval GitHubi hoidlas.
Järgmisena kordame läbi preprocessors
ja models
sõnaraamatuid ja luua kõik võimalikud kombinatsioonid. Näiteks kui teie preprocessors
sõnastik sisaldab 10 retsepti ja teil on 5 mudeli määratlust models
sõnastik, vastloodud torujuhtmete sõnastik sisaldab 50 eelprotsessori mudeli torujuhet, mida hinnatakse HPO käigus. Pange tähele, et üksikuid konveieri skripte pole praegu veel loodud. Jupyteri sülearvuti järgmine koodiplokk (lahter 9) itereerib läbi kõik eelprotsessori mudeli objektid pipelines
sõnastikku, lisab kõik asjakohased koodilõigud ja säilitab skripti konveieripõhise versiooni kohapeal sülearvutis. Neid skripte kasutatakse järgmistes etappides individuaalsete hinnangute loomisel, mille ühendate HPO tööga.
Määratlege hindajad
Nüüd saate töötada SageMakeri prognoosijate määratlemisega, mida HPO töö kasutab pärast skriptide valmimist. Alustame ümbrisklassi loomisega, mis määrab kõigi hinnangute jaoks mõned ühised omadused. See pärineb SKLearn
klass ja määrab rolli, eksemplaride arvu ja tüübi, samuti milliseid veerge skript kasutab funktsioonide ja sihtmärgina.
Ehitame üles estimators
sõnastik, itereerides läbi kõik skriptid, mis on loodud enne ja asuvad selles scripts
kataloog. Te loote uue hinnangu, kasutades SKLearnBase
klass, ainulaadse hinnangulise nimega ja üks skriptidest. Pange tähele, et estimators
sõnastikus on kaks taset: ülemine tase määratleb a pipeline_family
. See on loogiline rühmitus, mis põhineb hinnatavate mudelite tüübil ja on võrdne mudeli pikkusega models
sõnastik. Teine tase sisaldab üksikuid eeltöötlustüüpe kombineerituna etteantutega pipeline_family
. See loogiline rühmitus on vajalik HPO töö loomisel.
Määratlege HPO tuuneri argumendid
HPO-sse argumentide edastamise optimeerimiseks Tuner
klass, HyperparameterTunerArgs
andmeklass initsialiseeritakse HPO klassi nõutavate argumentidega. See on varustatud funktsioonide komplektiga, mis tagavad, et HPO argumendid tagastatakse mitme mudeli määratluse korraga juurutamisel eeldatavas vormingus.
Järgmine koodiplokk kasutab eelnevalt tutvustatut HyperparameterTunerArgs
andmeklass. Loote teise sõnastiku nimega hp_args
ja genereerida igaühe jaoks spetsiifiliste sisendparameetrite komplekt estimator_family
alates estimators
sõnastik. Neid argumente kasutatakse järgmises etapis iga mudeliperekonna HPO tööde lähtestamisel.
Looge HPO tuuneri objekte
Selles etapis loote igaühe jaoks individuaalsed tuunerid estimator_family
. Miks loote kolm eraldi HPO töökohta selle asemel, et käivitada ainult üks kõigi hinnangute jaoks? The HyperparameterTuner
klass on piiratud 10 sellele lisatud mudelimääratlusega. Seetõttu vastutab iga HPO antud mudeliperekonna jaoks parima jõudlusega eelprotsessori leidmise ja selle mudeliperekonna hüperparameetrite häälestamise eest.
Järgmised on seadistuse kohta veel mõned punktid.
- Optimeerimisstrateegia on Bayesi strateegia, mis tähendab, et HPO jälgib aktiivselt kõigi katsete toimimist ja navigeerib optimeerimisel paljulubavamate hüperparameetrite kombinatsioonide suunas. Varajane peatumine tuleks seadistada maha or Auto kui töötate Bayesi strateegiaga, mis käsitleb seda loogikat ise.
- Iga HPO töö töötab maksimaalselt 100 töö jaoks ja paralleelselt 10 tööd. Kui tegelete suuremate andmekogumitega, võiksite töökohtade koguarvu suurendada.
- Lisaks võite soovida kasutada sätteid, mis määravad, kui kaua töö kestab ja kui palju töid teie HPO käivitab. Üks võimalus seda teha on seada maksimaalne käitusaeg sekundites (selle postituse jaoks määrasime selle 1 tunniks). Teine võimalus on kasutada hiljuti välja antud
TuningJobCompletionCriteriaConfig
. See pakub seadete komplekti, mis jälgivad teie tööde edenemist ja otsustavad, kas on tõenäoline, et rohkem töid parandab tulemust. Selles postituses määrame maksimaalseks koolitustööde arvu, mis ei parane 20-le. Nii ei pea te allesjäänud katsete eest maksma enne, kui tulemus ei parane (näiteks neljakümnendast katsest).max_jobs
on saavutatud.
Kordame nüüd läbi tuners
ja hp_args
sõnaraamatuid ja käivitada kõik HPO töökohad SageMakeris. Pange tähele ooteargumendi kasutamist False
, mis tähendab, et kernel ei oota tulemuste valmimist ja saate käivitada kõik tööd korraga.
Tõenäoliselt ei jõua kõik koolitustööd lõpule ja mõne neist võib HPO töö peatada. Selle põhjuseks on TuningJobCompletionCriteriaConfig
— optimeerimine lõpeb, kui mõni määratud kriteeriumitest on täidetud. Sel juhul, kui optimeerimiskriteeriumid ei parane 20 järjestikuse töö puhul.
Analüüsige tulemusi
Märkmiku lahter 15 kontrollib, kas kõik HPO tööd on lõpetatud, ja ühendab kõik tulemused pandade andmeraami kujul edasiseks analüüsiks. Enne tulemuste üksikasjalikku analüüsimist heidame kõrgetasemelise pilgu SageMakeri konsooli.
Ülaosas Hüperparameetrite häälestamise tööd lehel näete oma kolme käivitatud HPO tööd. Kõik nad lõpetasid varakult ega teinud kõiki 100 koolitustööd. Järgmisel ekraanipildil on näha, et Elastic-Neti mudeliperekond läbis kõige rohkem katsetusi, samas kui teised ei vajanud parima tulemuse leidmiseks nii palju koolitustöid.
Saate avada HPO töö, et pääseda juurde rohkematele üksikasjadele, nagu üksikud koolitustööd, töö konfiguratsioon ning parima koolitustöö teave ja jõudlus.
Koostame tulemuste põhjal visualiseeringu, et saada rohkem teavet AutoML-i töövoo toimivuse kohta kõigis mudeliperekondades.
Järgmisest graafikust saate järeldada, et Elastic-Net
mudeli jõudlus kõikus 70,000 80,000 ja XNUMX XNUMX RMSE vahel ja lõpuks seiskus, kuna algoritm ei suutnud oma jõudlust parandada vaatamata erinevate eeltöötlustehnikate ja hüperparameetri väärtuste proovimisele. Samuti tundub, et RandomForest
jõudlus varieerus suuresti sõltuvalt HPO uuritud hüperparameetrite komplektist, kuid vaatamata paljudele katsetele ei saanud see 50,000 XNUMX RMSE veast allapoole minna. GradientBoosting
saavutas juba algusest peale parima soorituse, jäädes alla 50,000 XNUMX RMSE. HPO püüdis seda tulemust veelgi parandada, kuid ei suutnud teiste hüperparameetrite kombinatsioonide puhul paremat jõudlust saavutada. Üldine järeldus kõigi HPO tööde kohta on see, et iga algoritmi jaoks kõige paremini toimiva hüperparameetrite komplekti leidmiseks polnud vaja nii palju töid. Tulemuse edasiseks parandamiseks peaksite katsetama rohkemate funktsioonide loomist ja lisafunktsioonide kavandamist.
Saate uurida ka mudeli-eelprotsessori kombinatsiooni üksikasjalikumat vaadet, et teha järeldusi kõige lootustandvamate kombinatsioonide kohta.
Valige parim mudel ja rakendage see
Järgmine koodilõik valib parima mudeli madalaima saavutatud eesmärgiväärtuse alusel. Seejärel saate mudeli juurutada SageMakeri lõpp-punktina.
Koristage
AWS-i konto soovimatute tasude vältimiseks soovitame kustutada selles postituses kasutatud AWS-i ressursid:
- Amazon S3 konsoolil tühjendage andmed S3 ämbrist, kuhu treeningandmed salvestati.
- Peatage SageMakeri konsoolis märkmiku eksemplar.
- Kustutage mudeli lõpp-punkt, kui selle juurutasite. Lõpp-punktid tuleks kustutada, kui neid enam ei kasutata, kuna nende eest esitatakse arve juurutamise aja järgi.
Järeldus
Selles postituses näitasime, kuidas luua SageMakeris kohandatud HPO töö, kasutades kohandatud algoritmide ja eeltöötlustehnikate valikut. Eelkõige demonstreerib see näide, kuidas automatiseerida paljude koolitusskriptide genereerimise protsessi ja kuidas kasutada Pythoni programmeerimisstruktuure mitme paralleelse optimeerimistöö tõhusaks juurutamiseks. Loodame, et see lahendus moodustab kõigi kohandatud mudeli häälestustööde karkassi, mille SageMakeri abil juurutate, et saavutada suurem jõudlus ja kiirendada oma ML-i töövooge.
Tutvuge järgmiste ressurssidega, et veelgi süvendada oma teadmisi SageMaker HPO kasutamise kohta:
Autoritest
Konrad Semsch on Amazon Web Services Data Labi meeskonna ML-lahenduste vanemarhitekt. Ta aitab klientidel kasutada masinõpet, et AWS-iga oma äriprobleeme lahendada. Talle meeldib leiutada ja lihtsustada, et võimaldada klientidel oma AI/ML-projektide jaoks lihtsaid ja pragmaatilisi lahendusi. Ta on kõige kirglikum MlOpsi ja traditsioonilise andmeteaduse vastu. Väljaspool tööd on ta suur purjelaua- ja lohesurfi fänn.
Tuunikala Ersoy on AWSi vanemlahenduste arhitekt. Tema peamine eesmärk on aidata avaliku sektori klientidel pilvetehnoloogiaid oma töökoormuse jaoks kasutusele võtta. Tal on rakenduste arendamise, ettevõtte arhitektuuri ja kontaktikeskuste tehnoloogiate taust. Tema huvide hulka kuuluvad serverita arhitektuurid ja AI/ML.
- 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/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- :on
- :on
- :mitte
- : kus
- $ UP
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- 15%
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- Võimalik
- MEIST
- juurdepääs
- Vastavalt
- konto
- Saavutada
- saavutada
- üle
- aktiivselt
- Täiendavad lisad
- Lisaks
- vastu võtma
- pärast
- AI / ML
- eesmärk
- algoritm
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- Lubades
- võimaldab
- juba
- Ka
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analüüs
- analüüsima
- analüüsides
- ja
- Teine
- mistahes
- taotlus
- Sovelluskehitys
- rakendatud
- kehtib
- kehtima
- heaks
- arhitektuur
- OLEME
- argument
- argumendid
- AS
- eeldab
- At
- kinnitage
- auto
- automatiseerima
- Automaatne
- automaatselt
- AutoML
- saadaval
- AWS
- tagapõhi
- baas
- põhineb
- Baseline
- Bayesi
- BE
- sest
- enne
- Algus
- alla
- BEST
- Parem
- vahel
- Suur
- Blokeerima
- Plokid
- mõlemad
- oksad
- ehitama
- Ehitus
- äri
- kuid
- nupp
- by
- California
- helistama
- kutsutud
- CAN
- kandidaat
- juhul
- juhtudel
- keskus
- ketid
- väljakutseid
- muutma
- Vaidluste lahendamine
- koormuste
- Kontroll
- Vali
- klass
- CLF
- klient
- Cloud
- Cluster
- Klastrite loomine
- kood
- Veerg
- Veerud
- kombinatsioon
- kombinatsioonid
- kombineeritud
- ühendab
- tuleb
- kommentaar
- ühine
- täitma
- Lõpetatud
- lõpetamist
- keeruline
- lõpetama
- järeldus
- Läbi viima
- konfiguratsioon
- järjestikune
- konsool
- kontakt
- kõnekeskus
- sisaldab
- kontrast
- kontrollida
- Maksma
- kulud
- võiks
- looma
- loodud
- loomine
- kriteeriumid
- otsustav
- Praegu
- tava
- Kliendid
- andmed
- andmeteadus
- andmekogumid
- tegelema
- otsustama
- Süvene
- vaikimisi
- määratletud
- Määratleb
- määratlemisel
- mõisted
- näitama
- näitab
- sõltuvad
- sõltuvused
- Olenevalt
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- kõrvalekalle
- Vaatamata
- detail
- üksikasjalik
- detailid
- arendama
- arenenud
- & Tarkvaraarendus
- arendab
- kõrvalekalle
- DIKT
- erinev
- kataloogid
- arutama
- arutatud
- do
- Ei tee
- domeen
- Ära
- alla
- juhtida
- kuivada
- kestus
- ajal
- dünaamiliselt
- iga
- Varajane
- tõhus
- kõrvaldab
- võimaldama
- Lõpp-punkt
- Inseneriteadus
- tagama
- tagab
- ettevõte
- Kogu
- täielikult
- võrdne
- viga
- hindama
- hinnatud
- lõpuks
- Iga
- uurima
- näide
- näited
- täitmine
- eksisteerima
- ootama
- oodatav
- eksperiment
- selgitas
- uurida
- uurib
- vale
- peredele
- pere
- lehvikut
- tunnusjoon
- FUNKTSIOONID
- vähe
- väli
- fail
- täidetud
- leidma
- leidmine
- esimene
- sobima
- viis
- Keskenduma
- järgima
- Järel
- järgneb
- eest
- mets
- vorm
- formaat
- FRAME
- Alates
- esi-
- täis
- funktsioon
- funktsionaalsus
- funktsioonid
- edasi
- Üldine
- tekitama
- loodud
- teeniva
- saama
- Git
- GitHub
- antud
- Go
- eesmärk
- läheb
- graafik
- käsi
- Varred
- Olema
- võttes
- he
- raske
- raske tõstmine
- aidates
- aitab
- siin
- kõrgetasemeline
- rohkem
- kõrgeim
- lootus
- tund
- maja
- kodumajapidamiste
- elamispind
- Kuidas
- Kuidas
- HTML
- http
- HTTPS
- Hüperparameetrite optimeerimine
- Hüperparameetrite häälestamine
- Identity
- if
- rakendada
- täitmine
- import
- impordi
- parandama
- Paranemist
- in
- sisaldama
- Kaasa arvatud
- Suurendama
- näitama
- eraldi
- Üksikult
- info
- sisend
- sisendite
- Lisab
- teadmisi
- Näiteks
- selle asemel
- juhised
- integratsioon
- tahtlikult
- el
- Interface
- sisse
- sisse
- IT
- ITS
- ise
- töö
- Tööturg
- jpg
- lihtsalt
- ainult üks
- hoidma
- Võti
- teadmised
- labor
- suur
- suurem
- pärast
- käivitatud
- käivitamine
- õppimine
- lahkus
- Pikkus
- Tase
- taset
- eluring
- tõstmine
- nagu
- Tõenäoliselt
- piirav
- Linux
- koormus
- kohapeal
- asub
- liising
- loogika
- loogiline
- Pikk
- enam
- Vaata
- Partii
- madalaim
- masin
- masinõpe
- palju
- maksimaalne
- mai..
- keskmine
- vahendid
- Merge
- mõdu
- Meetrika
- võib
- protokoll
- puuduvad
- ML
- MLOps
- mudel
- mudelid
- muutma
- Jälgida
- monitorid
- rohkem
- kõige
- mitmekordne
- nimi
- kitsas
- navigeerib
- Vajadus
- Uus
- äsja
- järgmine
- ei
- mitte ükski
- märkmik
- märkida
- nüüd
- number
- tuim
- objekt
- eesmärk
- esemeid
- of
- maha
- Pakkumised
- on
- kunagi
- ONE
- ainult
- avatud
- Operations
- optimaalselt
- optimeerimine
- optimeerima
- optimeeritud
- or
- et
- OS
- Muu
- teised
- välja
- väljund
- väljaspool
- üle
- üldine
- lehekülg
- pandas
- Parallel
- parameetrid
- osa
- eriline
- Mööduv
- kirglik
- tee
- Maksma
- täitma
- jõudlus
- esitades
- püsib
- tükki
- torujuhe
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängib
- pistik
- Punkt
- võrra
- poliitika
- rahvastik
- võimalik
- post
- potentsiaal
- pragmaatiline
- ennustada
- Predictor
- Valmistama
- eeldused
- kingitusi
- vältida
- varem
- hinnapoliitika
- esmane
- trükk
- Probleem
- protsess
- tootma
- Produktsioon
- Programming
- Edu
- projekt
- projektid
- paljutõotav
- omadused
- anda
- annab
- pakkudes
- avalik
- eesmärk
- Python
- juhuslik
- kiire
- jõudis
- valmis
- põhjus
- hiljuti
- retsept
- soovitama
- andmed
- vähendama
- vähendab
- viitama
- viide
- kohta
- regulaaravaldis
- piirkond
- vabastatud
- asjakohane
- ülejäänud
- kõrvaldama
- kordama
- Hoidla
- taotleda
- nõudma
- nõutav
- Vahendid
- need
- vastutav
- piiratud
- kaasa
- Tulemused
- tagasipöördumine
- õige
- Roll
- jooks
- jooksmine
- jookseb
- runtime
- salveitegija
- SageMakeri automaatne mudeli häälestamine
- salvestatud
- Skaala
- ketendamine
- teadus
- teadlased
- skikit õppima
- ulatus
- skoor
- käsikiri
- skripte
- Teine
- sekundit
- Osa
- lõigud
- sektor
- vaata
- tundub
- väljavalitud
- valik
- SELF
- vanem
- eri
- teenima
- Serverita
- teenus
- Teenused
- istung
- komplekt
- Komplektid
- seaded
- seade
- ta
- peaks
- tutvustatud
- näidatud
- Näitused
- lihtne
- lihtsustamine
- lihtsalt
- jupp
- So
- lahendus
- Lahendused
- LAHENDAGE
- mõned
- spetsialiseeritud
- konkreetse
- täpsustus
- spetsifikatsioonid
- määratletud
- kiirus
- jagada
- Kestab
- standard
- algus
- Käivitus
- olek
- Samm
- Sammud
- Peatus
- peatatud
- peatumine
- ladustamine
- ladustatud
- ladustamine
- Strateegia
- struktuur
- struktuuride
- Järgnevalt
- selline
- Toetatud
- tabel
- kohandatud
- Võtma
- sihtmärk
- meeskond
- Tehniline
- tehnikat
- Tehnoloogiad
- terminal
- test
- Testimine
- et
- .
- oma
- Neile
- SIIS
- Seal.
- seetõttu
- Need
- nad
- see
- need
- kolm
- künnis
- Läbi
- aeg
- et
- kokku
- tööriist
- ülemine
- Summa
- suunas
- traditsiooniline
- Rong
- koolitus
- muundumised
- kohtuprotsess
- uuringutes
- proovitud
- vallandada
- vallandas
- käivitamine
- üritab
- häälestamine
- kaks
- tüüp
- liigid
- tüüpiliselt
- ui
- all
- mõistmine
- ainulaadne
- kuni
- soovimatu
- laetud
- Kasutus
- kasutama
- kasutage juhtumit
- Kasutatud
- kasutusalad
- kasutamine
- KINNITAGE
- väärtus
- Väärtused
- muutuja
- mitmekesine
- eri
- versioon
- versioonid
- vaade
- visualiseerimine
- W
- ootama
- läbikäiguks
- tahan
- oli
- Tee..
- we
- web
- veebiteenused
- Hästi
- olid
- M
- millal
- samas kui
- kas
- mis
- miks
- will
- koos
- jooksul
- ilma
- Töö
- töövoog
- Töövoogud
- töö
- oleks
- kirjutama
- veel
- sa
- Sinu
- ise
- sephyrnet