Võtsime hiljuti kasutusele uue võimaluse Amazon SageMaker Python SDK mis võimaldab andmeteadlastel käitada oma masinõppe (ML) koodi, mis on loodud nende eelistatud integreeritud arendajakeskkonnas (IDE) ja sülearvutites koos sellega seotud käitusaja sõltuvustega nagu Amazon SageMaker koolitustööd minimaalsete koodimuudatustega kohapeal tehtud katsetes. Andmeteadlased viivad tavaliselt läbi mitu andmetöötlus- ja koolitusmudelite katsetamist, töötades samal ajal mis tahes ML-i probleemiga. Nad tahavad seda ML-koodi käitada ja katsetada hõlpsalt kasutatava ja minimaalse koodi muutmisega. Amazon SageMakeri mudelikoolitus aitab andmeteadlastel juhtida AWS-i arvutustaristu täielikult hallatud suuremahulisi koolitustöid. SageMakeri koolitus aitab andmeteadlasi ka täiustatud tööriistadega, nagu Amazon SageMakeri silur ja Profiler, et siluda ja analüüsida oma suuremahulisi koolitustöid.
Väikese eelarve, väikeste meeskondade ja kitsa ajakavaga klientide jaoks muudab iga SageMakeris töötamiseks ümber kirjutatud uus kontseptsioon ja koodirida nende põhiülesannete, nimelt andmetöötluse ja ML-mudelite koolitamise, vähem tootlikuks. Nad tahavad kirjutada koodi üks kord oma valitud raamistikus ja olla sujuvalt üle liikuda oma sülearvutis või sülearvutis koodi käivitamiselt koodi suuremahulisele käitamisele, kasutades SageMakeri võimalusi.
Selle SageMaker Python SDK uue võimalusega saavad andmeteadlased oma ML-koodi mõne minutiga SageMakeri koolitusplatvormile lisada. Peate oma ML-koodile lihtsalt lisama ühe koodirea ja SageMaker mõistab teie koodi arukalt koos andmekogumite ja tööruumi keskkonna seadistustega ning käivitab selle SageMakeri koolitustööna. Seejärel saate kasutada SageMakeri koolitusplatvormi põhivõimalusi, nagu tööde hõlpsat skaleerimist, ja muid seotud tööriistu, nagu silur ja Profiler. Selles versioonis saate käitada oma kohaliku masinõppe (ML) Pythoni koodi ühe sõlmega Amazon SageMakeri koolitustööna või mitme paralleelse tööna. Kaugfunktsioonid ei toeta hajutatud koolitustöid (mitme sõlme vahel).
Selles postituses näitame teile, kuidas seda uut võimalust kasutada kohaliku ML-koodi käitamiseks SageMakeri koolitustööna.
Lahenduse ülevaade
Nüüd saate oma IDE-sse või sülearvutisse kirjutatud ML-koodi käitada SageMakeri koolitustööna, lisades lihtsa dekoraatoriga märkuse funktsioonile, mis toimib kasutaja koodibaasi sisenemispunktina. Väljakutsumise korral teeb see võimalus automaatselt hetktõmmise kõigist seotud muutujatest, funktsioonidest, pakettidest, keskkonnamuutujatest ja muudest käitusaja nõuetest teie ML-koodist, järjestab need ja esitab need SageMakeri koolitustööna. See integreerub hiljuti väljakuulutatud versiooniga SageMaker Python SDK funktsioon parameetrite vaikeväärtuste määramiseks. See võimalus lihtsustab SageMakeri konstruktsioone, mida peate SageMakeri koolituse abil koodi käivitamiseks õppima. Andmeteadlased saavad oma koodi kirjutada, siluda ja itereerida mis tahes eelistatud IDE-s (nt Amazon SageMaker Studio, sülearvutid, VS-kood või PyCharm). Kui olete valmis, saate oma Pythoni funktsioonile märkmeid lisada @remote
sisekujundaja ja käivitage see SageMakeri tööna.
See võimalus kasutab argumentide ja väljunditena tuttavaid avatud lähtekoodiga Pythoni objekte. Lisaks ei pea te aru saama konteineri elutsükli haldamisest ja saate oma töökoormust lihtsalt käitada erinevates arvutuskontekstides (nt kohalik IDE, Studio või koolitustööd) minimaalsete konfiguratsioonikuludega. Mis tahes kohaliku koodi käitamiseks SageMakeri koolitustööna, järeldab see võimalus tööde käitamiseks vajalikke konfiguratsioone, näiteks AWS-i identiteedi- ja juurdepääsuhaldus (IAM) roll, krüpteerimisvõti ja võrgukonfiguratsioon Studio või IDE seadetest (mis võivad olla vaikimisi seaded) ja edastab need vaikimisi platvormile. Saate paindlikult kohandada oma käitusaega SageMakeri hallatavas infrastruktuuris, kasutades tuletatud konfiguratsiooni, või alistada need SDK-tasemel, edastades need dekoraatorile argumentidena.
See SageMaker Python SDK uus võimalus muudab teie ML-koodi olemasolevas tööruumikeskkonnas ning kõik sellega seotud andmetöötluskoodid ja andmekogumid SageMakeri koolitustööks. See võimalus otsib ML-koodi, mis on mähitud a-sse @remote
dekoraator ja teisendab selle automaatselt tööks, mis töötab kas Studios või kohalikus IDE-s, näiteks PyCharmis.
Järgmistes jaotistes käsitleme selle uue võimaluse funktsioone ja seda, kuidas käivitada pythoni funktsioone SageMakeri koolitustöödena.
Eeldused
Selle uue SageMaker Python SDK võimaluse kasutamiseks ja selle postitusega seotud koodi käitamiseks vajate järgmisi eeltingimusi:
- AWS-i konto, mis sisaldab kõiki teie AWS-i ressursse
- IAM-i roll juurdepääsuks SageMakerile
- Juurdepääs Studiole või SageMakeri sülearvuti eksemplarile või IDE-le, nagu PyCharm
Kasutage Studio ja SageMakeri märkmike SDK-d
Saate seda Studio võimalust kasutada, käivitades märkmiku ja mähkides oma koodi tähega a @remote
dekoraator märkmiku sees. Esmalt peate importima kaugfunktsiooni, kasutades järgmist koodi:
from sagemaker.remote_function import remote
Kui kasutate dekoraatori funktsiooni, tõlgendab see võimalus automaatselt teie koodi funktsiooni ja käivitab selle SageMakeri koolitustööna.
Saate seda võimalust kasutada ka SageMakeri sülearvuti eksemplaris. Esmalt peate käivitama märkmiku eksemplari, avama sellel Jupyteri või Jupyter Labi ja käivitama märkmiku. Seejärel importige kaugjuhtimisfunktsioon, nagu on näidatud eelmises koodis, ja mähkige kood koodiga @remote
dekoraator. Lisame sellesse postitusse hiljem näite dekoraatori funktsiooni ja sellega seotud sätete kasutamise kohta.
Kasutage oma kohaliku keskkonna SDK-d
Saate seda võimalust kasutada ka kohalikult IDE-lt. Eeltingimusena peab teil olema AWS-i käsurea liides (AWS CLI), SageMaker Python SDK ja AWS SDK Pythoni jaoks (Boto3) installitud teie kohalikku keskkonda. Peate need teegid oma koodi importima, määrama SageMakeri seansi, määrama sätted ja kaunistama oma funktsiooni @remote
dekoraator. Järgmises näitekoodis käitame SageMakeri koolitustööna lihtsat jagamisfunktsiooni:
import boto3
import sagemaker
from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="us-west-2"))
settings = dict(
sagemaker_session=sm_session,
role=<IAM_ROLE_NAME>
instance_type="ml.m5.xlarge",
)
@remote(**settings)
def divide(x, y):
return x / y
if __name__ == "__main__":
print(divide(2, 3.0))
Sarnast metoodikat saame kasutada täiustatud funktsioonide käitamiseks koolitustöödena, nagu on näidatud järgmises jaotises.
Käivitage Python, mis toimib SageMakeri töödena
Uus SageMaker Pythoni SDK funktsioon võimaldab teil Pythoni funktsioone käivitada SageMaker Training töökohti. Hallatud SageMakeri tööna saab käivitada mis tahes Pythoni koodi, ML-i koolituskoodi, mille on välja töötanud andmeteadlased, kes kasutavad nende eelistatud kohalikke IDE-sid (PyCharm, VS Code), SageMakeri märkmikke või Studio märkmikke.
Seda võimalust kasutavates ML-i töökoormustes jadatakse seotud andmestikud, sõltuvused ja tööruumi keskkonna seadistused ML-koodi abil ja neid käivitatakse SageMakeri tööna sünkroonselt ja asünkroonselt.
Saate lisada a @remote
dekoraatori annotatsioon mis tahes Pythoni koodile, sealhulgas kohalikule ML-i töötlemise või koolitusfunktsioonile, et käivitada see hallatava SageMakeri koolitustööna, kasutades seeläbi ära SageMakeri mastaapi, jõudluse ja kulueelised. Seda saab saavutada minimaalsete koodimuudatustega, lisades Pythoni funktsioonikoodile dekoraatori. Kaunistatud funktsiooni kutsumine käivitatakse sünkroonselt ja funktsiooni käitamine ootab, kuni SageMakeri töö on lõpetatud.
Järgmises näites kasutame @remote
dekoraator, et käivitada SageMakeri tööd dekoraatorirežiimis, kasutades ml.m5.large eksemplari. SageMaker kasutab selle funktsiooni käivitamiseks hallatud tööna koolitustöid.
from sagemaker.remote_function import remote
from numpy as np @remote(instance_type="ml.m5.large")
def matrix_multiply(a, b): return np.matmul(a, b) a = np.array([[1, 0], [0, 1]])
b = np.array([1, 2]) assert matrix_multiply(a, b) == np.array([1,2])
Dekoraatorirežiimi saate kasutada ka SageMakeri tööde, Pythoni pakettide ja sõltuvuste käivitamiseks. Saate lisada keskkonnamuutujaid, nagu VPC, alamvõrgud ja turberühmad, et käivitada SageMakeri koolitustööd. environment.yml
faili. See võimaldab ML-i inseneridel ja administraatoritel neid keskkonnamuutujaid konfigureerida, et andmeteadlased saaksid keskenduda ML-mudelite loomisele ja itereerida kiiremini. Vaadake järgmist koodi:
from sagemaker.remote_function import remote @remote(instance_type="ml.g4dn.xlarge",dependencies = "./environment.yml")
def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
... <TRUCNATED>
return os.path.join(s3_output_path, model_dir), eval_result
Võite kasutada RemoteExecutor
Pythoni funktsioonide asünkroonseks käivitamiseks SageMakeri töödena. Täitja küsitleb asünkroonselt SageMaker Trainingi töid, et värskendada töö olekut. The RemoteExecutor
klass on teostus samaaegne.futuur.Teostaja, mida kasutatakse SageMakeri koolitustööde asünkroonseks esitamiseks. Vaadake järgmist koodi:
from sagemaker.remote_function import RemoteExecutor def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
...<TRUNCATED>
return os.path.join(s3_output_path, model_dir), eval_result with RemoteExecutor(instance_type="ml.g4dn.xlarge", dependencies = './requirements.txt') as e:
future = e.submit(train_hf_model, train_input_path,test_input_path,s3_output_path,
epochs, train_batch_size, eval_batch_size,warmup_steps,learning_rate)
Kohandage käituskeskkonda
Dekoraatori režiim ja RemoteExecutor
võimaldab teil määratleda ja kohandada SageMakeri töö käituskeskkondi. Käitusaja kohandamiseks saab määrata käitusaja sõltuvusi, sealhulgas Pythoni paketid ja SageMakeri tööde keskkonnamuutujad. Kohaliku Pythoni koodi käitamiseks SageMakeri hallatavate töödena tuleb Pythoni pakett ja sõltuvused teha SageMakerile kättesaadavaks. ML-i insenerid või andmeteaduse administraatorid saavad SageMakeri tööde jaoks konfigureerida võrgu- ja turbekonfiguratsioone, nagu VPC, alamvõrgud ja turberühmad, nii et andmeteadlased saavad kasutada neid keskselt hallatavaid konfiguratsioone SageMakeri tööde käivitamisel. Võite kasutada kas a requirements.txt
fail või a Conda environment.yaml
faili.
Kui sõltuvused on määratletud requirements.txt
, installitakse paketid töö käitusajal pipi abil. Kui töö käitamiseks kasutatav pilt tuleb koos Conda keskkondadega, installitakse paketid Conda keskkonda, mis on deklareeritud tööde jaoks kasutatavaks. Järgmine kood näitab näidet requirements.txt
faili:
datasets
transformers
torch
scikit-learn
s3fs==0.4.2
sagemaker>=2.148.0
Saate oma Conda environment.yaml
faili Conda keskkonna loomiseks, milles soovite oma koodi koolitustöö ajal käivitada. Kui töö käitamiseks kasutatav pilt deklareerib Conda keskkonna koodi käitamiseks, värskendame deklareeritud Conda keskkonda antud spetsifikatsiooniga. Järgmine kood on näide a Conda environment.yaml
faili:
name: sagemaker_example
channels: - conda-forge
dependencies: - python=3.10 - pandas - pip: - sagemaker
Teise võimalusena saate määrata dependencies=”auto_capture”
et lasta SageMaker Python SDK-l hõivata installitud sõltuvused aktiivses Conda keskkonnas. Teil peab olema aktiivne Conda keskkond auto_capture
töötama. Pange tähele, et selleks on eeldused auto_capture
töötama; soovitame oma sõltuvused edasi anda a requirement.txt
or Conda environment.yml
faili, nagu on kirjeldatud eelmises jaotises.
Lisateavet leiate aadressilt Käitage oma kohalikku koodi SageMakeri koolitustööna.
SageMakeri tööde konfiguratsioonid
Infrastruktuuriga seotud sätted saab maha laadida konfiguratsioonifaili, mida administraatorid saavad aidata seadistada. Peate selle seadistama ainult üks kord. Infrastruktuuri sätted hõlmavad võrgu konfiguratsiooni, IAM-i rolle, Amazoni lihtne salvestusteenus (Amazon S3) kaust sisend-, väljundandmete ja siltide jaoks. Viitama Vaikeseadete konfigureerimine ja kasutamine SageMaker Python SDK-ga rohkem üksikasju.
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
Dependencies: path/to/requirements.txt
EnvironmentVariables: {"EnvVarKey": "EnvVarValue"}
ImageUri: 366666666666.dkr.ecr.us-west-2.amazonaws.com/my-image:latest
InstanceType: ml.m5.large
RoleArn: arn:aws:iam::366666666666:role/MyRole
S3KmsKeyId: somekmskeyid
S3RootUri: s3://my-bucket/my-project
SecurityGroupIds:
- sg123
Subnets:
- subnet-1234
Tags:
- {"Key": "someTagKey", "Value": "someTagValue"}
VolumeKmsKeyId: somekmskeyid
Täitmine
Süvaõppemudeleid, nagu PyTorch või TensorFlow, saab käitada ka Studios, käivitades koodi sülearvutis treeningtööna. Selle võimaluse tutvustamiseks Studios saate selle repo oma Studiosse kloonida ja käivitada märkmiku, mis asub GitHub hoidla.
See näide demonstreerib otsast lõpuni binaarse teksti klassifitseerimise kasutusjuhtu. Kasutame Hugging Face trafode ja andmekogumite teeki, et viimistleda eelkoolitatud trafot kahendteksti klassifitseerimisel. Eelkõige peenhäälestatakse eelkoolitatud mudelit kasutades IMDb andmestik.
Hoidla kloonimisel peaksite leidma järgmised failid:
- config.yaml - Enamiku dekoraatori argumente saab konfiguratsioonifaili maha laadida, et eraldada infrastruktuuriga seotud sätted koodibaasist
- kallistav nägu.ipynb – See sisaldab koodi eelkoolitatud HuggingFace'i mudeli treenimiseks, mida peenhäälestatakse IMDB andmestiku abil
- nõuded.txt – See fail sisaldab kõiki sõltuvusi funktsiooni käivitamiseks, mida selles sülearvutis kasutatakse koodi käitamiseks ja koolituse kaugjuhtimiseks GPU eksemplaris koolitustööna
Märkmiku avamisel palutakse teil seadistada märkmiku keskkond. Saate valida Python 3.0 tuumaga Data Science 3 pildi ja ml.m5.large kiirkäivituse eksemplari tüübiks sülearvuti koodi käitamiseks. See eksemplaritüüp on keskkonna üleskeeramisel oluliselt kiirem.
Koolitustöö käivitatakse eksemplaris ml.g4dn.xlarge, nagu on määratletud dokumendis config.yaml
faili:
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
# role arn is not required if in SageMaker Notebook instance or SageMaker Studio
# Uncomment the following line and replace with the right execution role if in a local IDE
# RoleArn: <IAM_ROLE_ARN>
InstanceType: ml.g4dn.xlarge
Dependencies: ./requirements.txt
. requirements.txt
Hugging Face mudeli treenimise funktsiooni käivitamise failisõltuvused hõlmavad järgmist:
datasets
transformers
torch
scikit-learn
# lock s3fs to this specific version as more recent ones introduce dependency on aiobotocore, which is not compatible with botocore
s3fs==0.4.2
sagemaker>=2.148.0,<3
Hugging Face märkmik näitab, kuidas treeningut kaugjuhtimisega läbi viia @remote
funktsioon, mis töötab sünkroonselt. Seetõttu ootab mudeli treenimiseks käivitatav funktsioon, kuni SageMakeri koolitustöö on lõpetatud. Koolitus viiakse läbi kaugjuhtimisega GPU eksemplariga, mille eksemplari tüüp on määratletud eelmises konfiguratsioonifailis.
Pärast koolitustöö käivitamist saate käitada ülejäänud märkmiku lahtrid, et kontrollida hindamismõõdikuid ja klassifitseerida tekst meie koolitatud mudeli järgi.
Saate vaadata ka SageMakeri armatuurlaual GPU eksemplaris kaugkäivitatud koolitustöö olekut, navigeerides tagasi SageMakeri konsooli.
Niipea kui koolitustöö on lõpetatud, jätkab see märkmikus olevate juhiste käitamist hindamiseks ja klassifitseerimiseks. Sarnaseid töid saab koolitada ja käivitada Studio sülearvutitesse manustatud kaugtäituri funktsiooni kaudu, et käitada asünkroonselt.
Integratsioon SageMakeri katsetega @remote funktsiooni sees
Saate oma katse nime, käitamise nime ja muud parameetrid edastada kaugfunktsioonile, et luua SageMakeri katsete käitamine. Järgmine koodinäide impordib katse nime, käitamise nime ja parameetrid, mis iga käitamise jaoks logitakse:
from sagemaker.remote_function import remote
from sagemaker.experiments.run import Run
# Define your remote function
@remote
def train(value_1, value_2, exp_name, run_name):
...
...
#Creates the experiment
with Run( experiment_name=exp_name, run_name=run_name, sagemaker_session=sagemaker_session
) as run:
...
...
#Define values for the parameters to log
run.log_parameter("param_1", value_1)
run.log_parameter("param_2", value_2)
...
...
#Define metrics to log
run.log_metric("metric_a", 0.5)
run.log_metric("metric_b", 0.1) # Invoke your remote function
train(1.0, 2.0, "my-exp-name", "my-run-name")
Eelmises näites parameetrid p1
ja p2
logitakse aja jooksul treeningtsüklisse. Ühised parameetrid võivad hõlmata partii suurust või ajavahemikke. Näites mõõdikud A
ja B
logitakse treeningtsüklis aja jooksul jooksmiseks. Levinud mõõdikud võivad hõlmata täpsust või kadu. Lisateabe saamiseks vt Looge Amazon SageMakeri eksperiment.
Järeldus
Selles postituses tutvustasime uut SageMaker Python SDK võimalust, mis võimaldab andmeteadlastel käitada oma ML-koodi eelistatud IDE-s SageMakeri koolitustöödena. Arutasime selle võimaluse ja selle funktsioonide kasutamiseks vajalikke eeltingimusi. Samuti näitasime, kuidas seda võimalust kasutada Studios, SageMakeri sülearvuti eksemplarides ja kohalikus IDE-s. Lisaks esitasime näidiskoodi näiteid, et näidata, kuidas seda võimalust kasutada. Järgmise sammuna soovitame proovida seda võimalust oma IDE-s või SageMakeris, järgides juhiseid koodinäited selles postituses viidatud.
Autoritest
Dipankar Patro on AWS SageMakeri tarkvaraarenduse insener, kes uuendab ja ehitab MLOps-lahendusi, et aidata klientidel AI/ML-lahendusi laialdaselt kasutusele võtta. Tal on arvutiteaduse magistrikraad ja tema huvivaldkonnad on arvutiturve, hajutatud süsteemid ja AI/ML.
Farooq Sabir on AWS-i tehisintellekti ja masinõppe lahenduste vanemarhitekt. Tal on doktori- ja magistrikraad elektrotehnika alal Texase ülikoolist Austinis ning magistrikraadi arvutiteaduses Georgia Tehnoloogiainstituudist. Tal on üle 15-aastane töökogemus ning talle meeldib õpetada ja juhendada ka kolledži üliõpilasi. AWS-is aitab ta klientidel sõnastada ja lahendada äriprobleeme andmeteaduse, masinõppe, arvutinägemise, tehisintellekti, numbrilise optimeerimise ja sellega seotud valdkondades. Teksases Dallases asuv talle ja ta perele meeldib reisida ja pikki teereise teha.
Manoj Ravi on Amazon SageMakeri vanemtootejuht. Ta on kirglik järgmise põlvkonna AI-toodete loomisesse ning töötab tarkvara ja tööriistade kallal, et muuta suuremahuline masinõpe klientide jaoks lihtsamaks. Tal on MBA kraad Haas School of Businessist ja magistrikraad infosüsteemide juhtimises Carnegie Melloni ülikoolist. Vabal ajal naudib Manoj tennist ja maastikufotograafiat.
Shikhar Kwatra on AI/ML spetsialisti lahenduste arhitekt ettevõttes Amazon Web Services, kes teeb koostööd juhtiva globaalse süsteemiintegraatoriga. Ta on teeninud ühe noorima India meisterleiutaja tiitli enam kui 500 patendiga AI/ML ja IoT valdkondades. Shikhar abistab organisatsiooni kuluefektiivsete, skaleeritavate pilvekeskkondade kujundamisel, ehitamisel ja hooldamisel ning toetab GSI partnerit AWS-is strateegiliste tööstuslahenduste loomisel. Shikharile meeldib vabal ajal kitarri mängida, muusikat komponeerida ja tähelepanelikkust harjutada.
Vikram Elango on AWS-i vanem AI/ML spetsialistilahenduste arhitekt, mis asub USA-s Virginias. Praegu keskendub ta generatiivsele AI-le, LLM-idele, kiirele inseneritööle, suure mudeli järelduste optimeerimisele ja ML-i skaleerimisele ettevõtetes. Vikram aitab finants- ja kindlustussektori klientidel projekteerimise ja ideede juhtimisel luua ja juurutada laialdaselt masinõpperakendusi. Vabal ajal meeldib talle reisida, matkata, süüa teha ja telkida.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoAiStream. Web3 andmete luure. Täiustatud teadmised. Juurdepääs siia.
- Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/run-your-local-machine-learning-code-as-amazon-sagemaker-training-jobs-with-minimal-code-changes/
- :on
- :on
- :mitte
- $ UP
- 1
- 10
- 100
- 15 aastat
- 500
- 7
- a
- võime
- Võimalik
- MEIST
- juurdepääs
- konto
- täpsus
- saavutada
- üle
- aktiivne
- õigusaktid
- lisama
- lisades
- lisamine
- admin
- administraatorid
- vastu võtma
- edasijõudnud
- ADEelis
- AI
- AI / ML
- abivahendid
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- mööda
- Ka
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analüüsima
- ja
- teatas
- mistahes
- rakendused
- OLEME
- valdkondades
- argumendid
- kunstlik
- tehisintellekti
- Tehisintellekt ja masinõpe
- AS
- seotud
- At
- Austin
- automaatselt
- saadaval
- AWS
- tagasi
- baas
- põhineb
- BE
- Kasu
- eelarvekomisjoni
- ehitama
- Ehitus
- äri
- by
- CAN
- võimeid
- lüüa
- Carnegie Mellon
- viima
- juhul
- Rakke
- muutma
- Vaidluste lahendamine
- kanalid
- valik
- klass
- klassifikatsioon
- Klassifitseerige
- Cloud
- kood
- koodi alus
- kolledž
- tuleb
- ühine
- kokkusobiv
- täitma
- Arvutama
- arvuti
- Arvutiteadus
- Arvuti turvalisus
- Arvuti visioon
- mõiste
- konfiguratsioon
- konsool
- sisaldama
- Konteiner
- sisaldab
- kontekstid
- pidev
- tuum
- Maksma
- võiks
- cover
- looma
- Praegu
- Kliendid
- kohandada
- Dallas
- armatuurlaud
- andmed
- andmetöötlus
- andmeteadus
- andmekogumid
- kuulutab
- vaikimisi
- vaikimisi
- määratletud
- näitama
- näitab
- Sõltuvus
- juurutada
- kirjeldatud
- Disain
- detailid
- arenenud
- arendaja
- & Tarkvaraarendus
- erinev
- arutatud
- jagatud
- hajutatud süsteemid
- jagatud koolitus
- Domeenid
- tehtud
- Ära
- ajal
- e
- iga
- teenitud
- kasutusmugavus
- lihtsam
- kergesti
- kumbki
- varjatud
- võimaldab
- krüpteerimist
- Lõpuks-lõpuni
- insener
- Inseneriteadus
- Inseneride
- ettevõtete
- kanne
- keskkond
- keskkondades
- epohh
- ajajärgud
- hindamine
- Iga
- näide
- näited
- täitmine
- olemasolevate
- kogemus
- eksperiment
- nägu
- tuttav
- pere
- KIIRE
- kiiremini
- tunnusjoon
- FUNKTSIOONID
- vähe
- fail
- Faile
- finants-
- esimene
- Paindlikkus
- Keskenduma
- keskendunud
- Järel
- eest
- Raamistik
- Alates
- täielikult
- funktsioon
- funktsioonid
- Pealegi
- tulevik
- Futuurid
- generatiivne
- Generatiivne AI
- Georgia
- antud
- Globaalne
- Go
- GPU
- Grupi omad
- Olema
- he
- aitama
- aitab
- tema
- omab
- Kuidas
- Kuidas
- HTML
- http
- HTTPS
- Kallistav Nägu
- Identity
- if
- pilt
- täitmine
- import
- impordi
- in
- sisaldama
- Kaasa arvatud
- india
- tööstus
- info
- Infosüsteemid
- Infrastruktuur
- uuenduslik
- sisend
- paigaldatud
- Näiteks
- Instituut
- juhised
- kindlustus
- integreeritud
- Integreerib
- Intelligentsus
- huvi
- sisse
- kehtestama
- sisse
- Leiutajad
- asjade Interneti
- IT
- kordused
- ITS
- töö
- Tööturg
- jpg
- lihtsalt
- Võti
- labor
- maastik
- sülearvutid
- suur
- suuremahuline
- hiljemalt
- algatama
- käivitatud
- käivitamine
- Juhtimine
- juhtivate
- Õppida
- õppimine
- laskma
- Lets
- raamatukogud
- Raamatukogu
- eluring
- nagu
- meeldib
- joon
- kohalik
- kohapeal
- asub
- logi
- loginud
- Pikk
- välimus
- kaotus
- armastus
- masin
- masinõpe
- tehtud
- säilitamine
- tegema
- TEEB
- juhitud
- juhtimine
- juht
- meister
- mai..
- Mellon
- Metoodika
- Meetrika
- Mindfulness
- minimaalne
- protokoll
- ML
- MLOps
- viis
- mudel
- mudelid
- Moodulid
- rohkem
- kõige
- liikuma
- MS
- mitmekordne
- muusika
- nimi
- nimelt
- navigeerimine
- Vajadus
- vaja
- võrk
- võrgustike loomine
- Uus
- järgmine
- sõlmed
- märkmik
- nüüd
- tuim
- esemeid
- of
- on
- Pardal
- kunagi
- ONE
- ainult
- avatud
- avatud lähtekoodiga
- optimeerimine
- or
- et
- organisatsioon
- OS
- Muu
- meie
- välja
- väljund
- üle
- ignoreerimine
- pakend
- pakette
- pandas
- Parallel
- parameetrid
- eriline
- partner
- sooritama
- möödub
- Mööduv
- kirglik
- Patendi
- tee
- jõudlus
- fotograafia
- inimesele
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängimine
- Punkt
- post
- eelistatud
- eeldused
- eelmine
- Probleem
- probleeme
- töötlemine
- Toode
- tootejuht
- produktiivne
- Toodet
- tingimusel
- Python
- pütorch
- valmis
- hiljuti
- hiljuti
- soovitama
- seotud
- vabastama
- kauge
- asendama
- Hoidla
- nõutav
- Nõuded
- REST
- tagasipöördumine
- tee
- Roll
- rollid
- jooks
- jooksmine
- salveitegija
- skaalautuvia
- Skaala
- ketendamine
- Kool
- teadus
- teadlased
- skikit õppima
- SDK
- sujuvalt
- Osa
- lõigud
- turvalisus
- vaata
- vanem
- eri
- Teenused
- istung
- komplekt
- kehtestamine
- seaded
- seade
- mitu
- peaks
- näitama
- presentatsioon
- näidatud
- Näitused
- märgatavalt
- sarnane
- lihtne
- lihtsalt
- ühekordne
- SUURUS
- väike
- Snapshot
- So
- tarkvara
- tarkvaraarenduse
- Lahendused
- LAHENDAGE
- spetsialist
- konkreetse
- täpsustus
- määratletud
- algus
- Käivitus
- olek
- Samm
- ladustamine
- Strateegiline
- Õpilased
- stuudio
- esitama
- alamvõrgud
- selline
- Toetatud
- Toetab
- süsteem
- süsteemid
- Võtma
- võtab
- võtmine
- ülesanded
- meeskonnad
- Tehnoloogia
- tensorivool
- texas
- Teksti liigitus
- et
- .
- oma
- Neile
- SIIS
- Seal.
- sellega
- seetõttu
- Need
- nad
- see
- arvasin
- mõttejuhtimine
- Läbi
- aeg
- Kapslid
- et
- töövahendid
- tõrvik
- suunas
- Rong
- koolitatud
- koolitus
- trafod
- reisima
- Reisimine
- vallandas
- tüüp
- tüüpiliselt
- all
- mõistma
- Ülikool
- Värskendused
- us
- kasutama
- kasutage juhtumit
- Kasutatud
- Kasutajad
- kasutamine
- väärtus
- Väärtused
- versioon
- kaudu
- vaade
- virginia
- nägemus
- vs
- vs kood
- ootama
- tahan
- we
- web
- veebiteenused
- millal
- mis
- kuigi
- will
- koos
- jooksul
- Töö
- töö
- töötab
- oleks
- pakkima
- Pakendatud
- kirjutama
- kirjutada kood
- kirjalik
- X
- aastat
- sa
- Noorim
- Sinu
- sephyrnet