اکنون میتوانید مدلهای یادگیری ماشین (ML) را مجدداً آموزش دهید و گردشهای کاری پیشبینی دستهای را با مجموعه دادههای بهروزشده در آمازون SageMaker Canvas، در نتیجه یادگیری مداوم و بهبود عملکرد مدل و راندمان رانندگی آسان تر می شود. اثربخشی یک مدل ML به کیفیت و ارتباط دادههایی که روی آن آموزش داده شده است بستگی دارد. با گذشت زمان، الگوها، روندها و توزیع های اساسی در داده ها ممکن است تغییر کند. با بهروزرسانی مجموعه داده، مطمئن میشوید که مدل از جدیدترین و معرف دادهها یاد میگیرد و در نتیجه توانایی آن را برای پیشبینی دقیق بهبود میبخشد. Canvas اکنون از بهروزرسانی مجموعه دادهها به صورت خودکار و دستی پشتیبانی میکند و شما را قادر میسازد از آخرین نسخه مجموعه دادههای جدولی، تصویری و سند برای آموزش مدلهای ML استفاده کنید.
پس از آموزش مدل، ممکن است بخواهید پیش بینی هایی را روی آن اجرا کنید. اجرای پیشبینیهای دستهای بر روی یک مدل ML، پردازش چندین نقطه داده را بهطور همزمان به جای پیشبینیها یکی یکی، امکانپذیر میسازد. خودکارسازی این فرآیند کارایی، مقیاس پذیری و تصمیم گیری به موقع را فراهم می کند. پس از ایجاد پیشبینیها، میتوان آنها را بیشتر تجزیه و تحلیل کرد، تجمیع یا تجسم کرد تا بینشهایی به دست آورد، الگوها را شناسایی کرد یا بر اساس نتایج پیشبینیشده تصمیمات آگاهانه گرفت. Canvas اکنون از تنظیم یک پیکربندی خودکار پیشبینی دستهای و مرتبط کردن یک مجموعه داده با آن پشتیبانی میکند. هنگامی که مجموعه داده مرتبط بهروز میشود، چه به صورت دستی یا براساس یک برنامه، یک گردش کار پیشبینی دستهای به طور خودکار در مدل مربوطه راهاندازی میشود. نتایج پیش بینی ها را می توان به صورت درون خطی مشاهده کرد یا برای بررسی بعدی بارگیری کرد.
در این پست، نحوه آموزش مجدد مدلهای ML و خودکارسازی پیشبینی دستهای با استفاده از مجموعه دادههای بهروز شده در Canvas را نشان میدهیم.
بررسی اجمالی راه حل
برای موارد استفاده ما، ما نقش یک تحلیلگر تجاری را برای یک شرکت تجارت الکترونیک ایفا می کنیم. تیم محصول ما از ما میخواهد که مهمترین معیارهایی را تعیین کنیم که بر تصمیم خرید خریدار تأثیر میگذارد. برای این کار، ما یک مدل ML را در Canvas با مجموعه دادههای جلسه آنلاین وبسایت مشتری از شرکت آموزش میدهیم. ما عملکرد مدل را ارزیابی می کنیم و در صورت نیاز، مدل را با داده های اضافی دوباره آموزش می دهیم تا ببینیم آیا عملکرد مدل موجود را بهبود می بخشد یا خیر. برای انجام این کار، از قابلیت بهروزرسانی خودکار مجموعه داده در Canvas استفاده میکنیم و مدل ML موجود خود را با آخرین نسخه مجموعه داده آموزشی مجدداً آموزش میدهیم. سپس ما گردشهای کاری پیشبینی دستهای خودکار را پیکربندی میکنیم—وقتی مجموعه داده پیشبینی مربوطه بهروزرسانی میشود، بهطور خودکار کار پیشبینی دستهای را در مدل آغاز میکند و نتایج را برای بررسی در دسترس ما قرار میدهد.
مراحل گردش کار به شرح زیر است:
- دادههای جلسه آنلاین وبسایت مشتری دانلود شده را بارگذاری کنید سرویس ذخیره سازی ساده آمازون (Amazon S3) و یک مجموعه داده آموزشی جدید Canvas ایجاد کنید. برای لیست کامل منابع داده های پشتیبانی شده، مراجعه کنید وارد کردن داده ها در آمازون SageMaker Canvas.
- مدل های ML بسازید و معیارهای عملکرد آنها را تجزیه و تحلیل کنید. به مراحل نحوه انجام مراجعه کنید یک مدل ML سفارشی در Canvas بسازید و ارزیابی عملکرد یک مدل.
- بهروزرسانی خودکار مجموعه داده آموزشی موجود را تنظیم کنید و دادههای جدید را در مکان Amazon S3 با پشتوانه این مجموعه داده آپلود کنید. پس از تکمیل، باید یک نسخه مجموعه داده جدید ایجاد کند.
- از آخرین نسخه مجموعه داده برای آموزش مجدد مدل ML و تجزیه و تحلیل عملکرد آن استفاده کنید.
- راه اندازی پیش بینی دسته ای خودکار در نسخه مدل با عملکرد بهتر و مشاهده نتایج پیشبینی.
شما می توانید این مراحل را در Canvas بدون نوشتن یک خط کد انجام دهید.
بررسی اجمالی داده ها
مجموعه داده شامل بردارهای ویژگی متعلق به 12,330 جلسه است. مجموعه داده به گونه ای شکل گرفته است که هر جلسه در یک دوره 1 ساله به کاربر دیگری تعلق داشته باشد تا از گرایش به یک کمپین خاص، روز خاص، نمایه کاربر یا دوره جلوگیری شود. جدول زیر طرحواره داده ها را نشان می دهد.
نام ستون | نوع داده | توضیحات: |
Administrative |
عددی | تعداد صفحات بازدید شده توسط کاربر برای فعالیت های مرتبط با مدیریت حساب کاربری. |
Administrative_Duration |
عددی | مقدار زمان صرف شده در این دسته از صفحات. |
Informational |
عددی | تعداد صفحاتی از این نوع (اطلاعاتی) که کاربر بازدید کرده است. |
Informational_Duration |
عددی | مقدار زمان صرف شده در این دسته از صفحات. |
ProductRelated |
عددی | تعداد صفحاتی از این نوع (مربوط به محصول) که کاربر بازدید کرده است. |
ProductRelated_Duration |
عددی | مقدار زمان صرف شده در این دسته از صفحات. |
BounceRates |
عددی | درصد بازدیدکنندگانی که از طریق آن صفحه وارد وبسایت میشوند و بدون انجام کارهای اضافی از آن خارج میشوند. |
ExitRates |
عددی | میانگین نرخ خروج از صفحات بازدید شده توسط کاربر. این درصد افرادی است که سایت شما را از آن صفحه ترک کرده اند. |
Page Values |
عددی | میانگین ارزش صفحه صفحات بازدید شده توسط کاربر. این مقدار متوسط صفحهای است که کاربر قبل از فرود در صفحه هدف یا تکمیل یک تراکنش تجارت الکترونیک (یا هر دو) از آن بازدید کرده است. |
SpecialDay |
دوتایی | ویژگی "روز ویژه" نزدیک بودن زمان بازدید از سایت را به یک روز خاص (مانند روز مادر یا روز ولنتاین) نشان می دهد که در آن جلسات به احتمال زیاد با تراکنش نهایی می شوند. |
Month |
دسته ای | ماه بازدید. |
OperatingSystems |
دسته ای | سیستم عامل بازدید کننده. |
Browser |
دسته ای | مرورگر مورد استفاده کاربر |
Region |
دسته ای | منطقه جغرافیایی که جلسه از آن توسط بازدید کننده آغاز شده است. |
TrafficType |
دسته ای | منبع ترافیکی که کاربر از طریق آن وارد وب سایت شده است. |
VisitorType |
دسته ای | چه مشتری یک کاربر جدید باشد، چه کاربر بازگشتی یا کاربر دیگر. |
Weekend |
دوتایی | اگر مشتری در آخر هفته از وب سایت بازدید کرد. |
Revenue |
دوتایی | اگر خریدی انجام شد. |
درآمد ستون هدف است که به ما کمک می کند پیش بینی کنیم که آیا خریدار محصولی را خریداری می کند یا خیر.
گام اول این است که مجموعه داده را دانلود کنید که استفاده خواهیم کرد. توجه داشته باشید که این مجموعه داده توسط مخزن یادگیری ماشین UCI ارائه شده است.
پیش نیازها
برای این راهنما، مراحل پیش نیاز زیر را کامل کنید:
- CSV دانلود شده حاوی 20,000 ردیف را به چندین فایل کوچکتر تقسیم کنید.
این به این دلیل است که بتوانیم عملکرد بهروزرسانی مجموعه داده را به نمایش بگذاریم. مطمئن شوید که همه فایلهای CSV دارای هدرهای یکسانی هستند، در غیر این صورت ممکن است هنگام ایجاد یک مجموعه داده آموزشی در Canvas با خطاهای عدم تطابق طرح واره مواجه شوید.
- یک سطل S3 بسازید و آپلود کنید
online_shoppers_intentions1-3.csv
به سطل S3.
- 1,500 ردیف از CSV دانلود شده را کنار بگذارید تا پس از آموزش مدل ML، پیشبینیهای دستهای را اجرا کنید.
- حذف
Revenue
ستون از این فایلها به طوری که وقتی پیشبینی دستهای را روی مدل ML اجرا میکنید، این مقداری است که مدل شما پیشبینی میکند.
اطمینان از همه predict*.csv
فایلها سرصفحههای یکسانی دارند، در غیر این صورت ممکن است هنگام ایجاد یک مجموعه داده پیشبینی (استنتاج) در Canvas با خطاهای عدم تطابق طرحواره مواجه شوید.
- اقدامات لازم را انجام دهید تا دامنه SageMaker و برنامه Canvas را راه اندازی کنید.
ایجاد یک مجموعه داده
برای ایجاد مجموعه داده در Canvas، مراحل زیر را انجام دهید:
- در بوم، انتخاب کنید مجموعه داده ها در صفحه ناوبری
- را انتخاب کنید ساختن و انتخاب کنید جدولی.
- به مجموعه داده خود یک نام بدهید. برای این پست، مجموعه آموزشی خود را فراخوانی می کنیم
OnlineShoppersIntentions
. - را انتخاب کنید ساختن.
- منبع داده خود را انتخاب کنید (برای این پست، منبع داده ما آمازون S3 است).
توجه داشته باشید که از زمان نگارش این مقاله، عملکرد بهروزرسانی مجموعه داده فقط برای Amazon S3 و منابع داده آپلود شده محلی پشتیبانی میشود.
- سطل مربوطه را انتخاب کنید و فایلهای CSV را برای مجموعه داده آپلود کنید.
اکنون می توانید یک مجموعه داده با چندین فایل ایجاد کنید.
- پیش نمایش تمام فایل های موجود در مجموعه داده و انتخاب کنید ایجاد مجموعه داده.
ما اکنون نسخه 1 را داریم OnlineShoppersIntentions
مجموعه داده با سه فایل ایجاد شده است.
- برای مشاهده جزئیات، مجموعه داده را انتخاب کنید.
La داده ها برگه پیش نمایشی از مجموعه داده را نشان می دهد.
- را انتخاب کنید جزئیات مجموعه داده برای مشاهده فایل هایی که مجموعه داده شامل می شود.
La فایل های مجموعه داده صفحه فایل های موجود را لیست می کند.
- انتخاب تاریخچه نسخه برای مشاهده تمام نسخههای این مجموعه داده، برگه را انتخاب کنید.
می بینیم که اولین نسخه مجموعه داده ما دارای سه فایل است. هر نسخه بعدی شامل تمام فایل های نسخه های قبلی می شود و نمای تجمعی داده ها را ارائه می دهد.
یک مدل ML را با نسخه 1 مجموعه داده آموزش دهید
بیایید یک مدل ML را با نسخه 1 مجموعه داده خود آموزش دهیم.
- در بوم، انتخاب کنید مدل های من در صفحه ناوبری
- را انتخاب کنید مدل جدید.
- نام مدل را وارد کنید (به عنوان مثال،
OnlineShoppersIntentionsModel
، نوع مشکل را انتخاب کرده و انتخاب کنید ساختن. - مجموعه داده را انتخاب کنید. برای این پست، ما را انتخاب می کنیم
OnlineShoppersIntentions
مجموعه داده
به طور پیش فرض، Canvas جدیدترین نسخه مجموعه داده را برای آموزش انتخاب می کند.
- بر ساختن برگه، ستون مورد نظر را برای پیش بینی انتخاب کنید. برای این پست، ستون درآمد را انتخاب می کنیم.
- را انتخاب کنید ساخت سریع.
آموزش مدل 2 تا 5 دقیقه طول خواهد کشید. در مورد ما، مدل آموزش دیده به ما امتیاز 89 درصد می دهد.
بهروزرسانی خودکار مجموعه داده را تنظیم کنید
بیایید مجموعه داده خود را با استفاده از عملکرد بهروزرسانی خودکار بهروزرسانی کنیم و دادههای بیشتری وارد کنیم و ببینیم آیا عملکرد مدل با نسخه جدید مجموعه داده بهبود مییابد. مجموعه داده ها را می توان به صورت دستی نیز به روز کرد.
- بر مجموعه داده ها صفحه را انتخاب کنید
OnlineShoppersIntentions
مجموعه داده و انتخاب کنید به روز رسانی مجموعه داده. - شما هم می توانید انتخاب کنید به روز رسانی دستی، که یک گزینه به روز رسانی یکباره است یا به روز رسانی خودکار، که به شما امکان می دهد مجموعه داده های خود را به طور خودکار بر اساس یک زمان بندی به روز کنید. برای این پست، ویژگی به روز رسانی خودکار را به نمایش می گذاریم.
شما به مسیر هدایت می شوید به روز رسانی خودکار برگه برای مجموعه داده مربوطه. ما می توانیم آن را ببینیم به روز رسانی خودکار را فعال کنید در حال حاضر غیرفعال است
- تعویض به روز رسانی خودکار را فعال کنید منبع داده را روشن و مشخص کنید (در حال حاضر منابع داده آمازون S3 برای به روز رسانی خودکار پشتیبانی می شوند).
- فرکانس را انتخاب کنید و زمان شروع را وارد کنید.
- تنظیمات پیکربندی را ذخیره کنید.
یک پیکربندی مجموعه داده بهروزرسانی خودکار ایجاد شده است. می توان آن را در هر زمان ویرایش کرد. هنگامی که یک کار بهروزرسانی مجموعه داده مربوطه در زمانبندی مشخص شده راهاندازی میشود، کار در قسمت نمایش داده میشود سابقه کار بخش.
- بعد، بیایید آپلود کنیم
online_shoppers_intentions4.csv
,online_shoppers_intentions5.csv
وonline_shoppers_intentions6.csv
فایل های موجود در سطل S3 ما.
ما می توانیم فایل های خود را در قسمت مشاهده کنیم dataset-update-demo
سطل S3.
کار بهروزرسانی مجموعه داده در زمانبندی مشخص شده فعال میشود و نسخه جدیدی از مجموعه داده ایجاد میکند.
هنگامی که کار کامل شد، مجموعه داده نسخه 2 دارای تمام فایل های نسخه 1 و فایل های اضافی پردازش شده توسط کار به روز رسانی مجموعه داده خواهد بود. در مورد ما، نسخه 1 دارای سه فایل است و کار به روز رسانی سه فایل اضافی را انتخاب کرده است، بنابراین نسخه مجموعه داده نهایی دارای شش فایل است.
ما می توانیم نسخه جدیدی را که روی آن ایجاد شده است مشاهده کنیم تاریخچه نسخه تب.
La داده ها برگه شامل یک پیش نمایش از مجموعه داده است و لیستی از تمام فایل های موجود در آخرین نسخه مجموعه داده را ارائه می دهد.
مدل ML را با یک مجموعه داده به روز آموزش دهید
بیایید مدل ML خود را با آخرین نسخه مجموعه داده دوباره آموزش دهیم.
- بر مدل های من صفحه، مدل خود را انتخاب کنید.
- را انتخاب کنید اضافه کردن نسخه.
- آخرین نسخه مجموعه داده (در مورد ما v2) را انتخاب کنید و انتخاب کنید مجموعه داده را انتخاب کنید.
- ستون هدف و پیکربندی ساخت را مشابه نسخه مدل قبلی نگه دارید.
وقتی آموزش کامل شد، بیایید عملکرد مدل را ارزیابی کنیم. تصویر زیر نشان می دهد که افزودن داده های اضافی و آموزش مجدد مدل ML ما به بهبود عملکرد مدل ما کمک کرده است.
یک مجموعه داده پیش بینی ایجاد کنید
با آموزش یک مدل ML، بیایید یک مجموعه داده برای پیشبینیها ایجاد کنیم و پیشبینیهای دستهای را روی آن اجرا کنیم.
- بر مجموعه داده ها صفحه، یک مجموعه داده جدولی ایجاد کنید.
- یک نام وارد کنید و انتخاب کنید ساختن.
- در سطل S3 ما، یک فایل با 500 ردیف را برای پیش بینی آپلود کنید.
بعد، بهروزرسانیهای خودکار را روی مجموعه داده پیشبینی تنظیم میکنیم.
- تعویض به روز رسانی خودکار را فعال کنید منبع داده را روشن و مشخص کنید.
- فرکانس را انتخاب کرده و زمان شروع را مشخص کنید.
- پیکربندی را ذخیره کنید.
گردش کار پیشبینی دستهای را در مجموعه دادههای پیشبینی بهروزرسانی خودکار انجام دهید
در این مرحله، گردش کار پیشبینی دستهای خودکار خود را پیکربندی میکنیم.
- بر مدل های من صفحه، به نسخه 2 مدل خود بروید.
- بر پیش بینی برگه ، انتخاب کنید پیش بینی دسته ای و اتوماتیک.
- را انتخاب کنید مجموعه داده را انتخاب کنید برای تعیین مجموعه داده برای تولید پیش بینی ها.
- را انتخاب کنید
predict
مجموعه داده ای که قبلا ایجاد کردیم و انتخاب کردیم مجموعه داده را انتخاب کنید. - را انتخاب کنید راه اندازی.
ما اکنون یک گردش کار پیشبینی دستهای خودکار داریم. این زمانی فعال می شود که Predict
مجموعه داده به طور خودکار به روز می شود.
حالا بیایید فایلهای CSV بیشتری را در آن آپلود کنیم predict
پوشه S3.
این عملیات بهروزرسانی خودکار را آغاز میکند predict
مجموعه داده
این به نوبه خود گردش کار پیشبینی دستهای خودکار را آغاز میکند و پیشبینیهایی را برای ما ایجاد میکند.
ما می توانیم تمام اتوماسیون ها را روی صفحه مشاهده کنیم اتوماسیون احتمال برد مراجعه کنید.
به لطف بهروزرسانی خودکار مجموعه داده و گردشهای کاری پیشبینی دستهای خودکار، میتوانیم از آخرین نسخه مجموعه دادههای جدولی، تصویری و سندی برای آموزش مدلهای ML استفاده کنیم و گردشهای کاری پیشبینی دستهای بسازیم که بهطور خودکار در هر بهروزرسانی مجموعه داده فعال میشوند.
پاک کردن
برای جلوگیری از تحمیل هزینههای آتی، از Canvas خارج شوید. Canvas برای مدت جلسه به شما صورتحساب می دهد، و توصیه می کنیم زمانی که از Canvas استفاده نمی کنید از سیستم خارج شوید. رجوع شود به خروج از Amazon SageMaker Canvas برای جزئیات بیشتر.
نتیجه
در این پست، در مورد اینکه چگونه میتوانیم از قابلیت بهروزرسانی مجموعه داده جدید برای ساختن نسخههای مجموعه داده جدید و آموزش مدلهای ML خود با آخرین دادههای Canvas استفاده کنیم، بحث کردیم. ما همچنین نشان دادیم که چگونه میتوانیم فرآیند اجرای پیشبینیهای دستهای را بر روی دادههای بهروز شده بهطور مؤثر خودکار کنیم.
برای شروع سفر ML کم کد/بدون کد، به آدرس مراجعه کنید راهنمای توسعه دهنده آمازون SageMaker Canvas.
تشکر ویژه از همه کسانی که در راه اندازی شرکت کردند.
درباره نویسنده
جانیشا آناند یک مدیر محصول ارشد در تیم SageMaker No/Low-Code ML است که شامل SageMaker Canvas و SageMaker Autopilot است. او از قهوه، فعال ماندن و گذراندن وقت با خانواده اش لذت می برد.
پراشانت یک مهندس توسعه نرم افزار در Amazon SageMaker است و عمدتاً با محصولات کم کد و بدون کد SageMaker کار می کند.
عشا دوتا مهندس توسعه نرم افزار در Amazon SageMaker است. او بر ساخت ابزارها و محصولات ML برای مشتریان تمرکز دارد. در خارج از محل کار، او از فضای باز، یوگا و پیاده روی لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- EVM Finance. رابط یکپارچه برای امور مالی غیرمتمرکز دسترسی به اینجا.
- گروه رسانه ای کوانتومی. IR/PR تقویت شده دسترسی به اینجا.
- PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/retrain-ml-models-and-automate-batch-predictions-in-amazon-sagemaker-canvas-using-updated-datasets/
- : دارد
- :است
- :نه
- $UP
- 000
- 1
- 10
- 100
- 116
- 12
- 20
- 500
- 7
- 8
- 9
- a
- توانایی
- حساب
- دقیق
- فعال
- فعالیت ها
- اضافه کردن
- اضافی
- پس از
- معرفی
- اجازه می دهد تا
- همچنین
- آمازون
- آمازون SageMaker
- آمازون SageMaker Canvas
- آمازون خدمات وب
- an
- روانکاو
- تحلیل
- و
- هر
- ظاهر شدن
- هستند
- AS
- مرتبط است
- At
- خودکار
- خودکار بودن
- خودکار
- اتوماتیک
- بطور خودکار
- اتوماسیون
- در دسترس
- میانگین
- اجتناب از
- AWS
- حمایت
- مستقر
- BE
- بوده
- قبل از
- بهتر
- اسکناس
- هر دو
- به ارمغان بیاورد
- ساختن
- بنا
- کسب و کار
- by
- صدا
- کمپین بین المللی حقوق بشر
- CAN
- نقاشی
- مورد
- دسته بندی
- تغییر دادن
- بار
- را انتخاب کنید
- رمز
- کشت
- ستون
- شرکت
- کامل
- تکمیل
- اتمام
- پیکر بندی
- تشکیل شده است
- به طور مداوم
- شامل
- کمک
- متناظر
- ایجاد
- ایجاد شده
- ایجاد
- بحرانی
- جاری
- در حال حاضر
- سفارشی
- مشتری
- مشتریان
- داده ها
- نقاط داده
- مجموعه داده ها
- روز
- تصمیم
- تصمیم گیری
- تصمیم گیری
- به طور پیش فرض
- بستگی دارد
- جزئیات
- مشخص کردن
- توسعه دهنده
- پروژه
- مختلف
- غیر فعال
- بحث کردیم
- توزیع
- do
- سند
- دامنه
- راندن
- مدت
- هر
- پیش از آن
- آسان تر
- تجارت الکترونیک
- اثر
- بهره وری
- موثر
- هر دو
- را قادر می سازد
- را قادر می سازد
- مهندس
- اطمینان حاصل شود
- وارد
- وارد
- خطاهای
- ارزیابی
- هر
- هر کس
- مثال
- موجود
- خروج
- خانواده
- ویژگی
- پرونده
- فایل ها
- نهایی
- نهایی شده است
- نام خانوادگی
- تمرکز
- پیروی
- به دنبال آن است
- برای
- تشکیل
- فرکانس
- از جانب
- کامل
- قابلیت
- بیشتر
- آینده
- افزایش
- تولید می کنند
- تولید
- دریافت کنید
- می دهد
- هدف
- آیا
- هدر
- کمک
- کمک کرد
- او
- تاریخ
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- شناسایی
- if
- تصویر
- بهبود
- بهبود
- in
- شامل
- شامل
- نشان می دهد
- نفوذ
- اطلاعاتی
- اطلاع
- بینش
- در عوض
- به
- IT
- ITS
- کار
- سفر
- JPG
- فرود
- بعد
- آخرین
- راه اندازی
- یاد گرفتن
- یادگیری
- ترک کرد
- احتمالا
- لاین
- فهرست
- لیست
- به صورت محلی
- محل
- ورود به سیستم
- ورود به سیستم
- دستگاه
- فراگیری ماشین
- ساخته
- عمدتا
- ساخت
- باعث می شود
- ساخت
- مدیر
- دستی
- ممکن است..
- متریک
- دقیقه
- ML
- مدل
- مدل
- بیش
- اکثر
- چندگانه
- نام
- هدایت
- جهت یابی
- لازم
- ضروری
- جدید
- اکنون
- of
- on
- ONE
- آنلاین
- فقط
- عمل
- گزینه
- or
- دیگر
- در غیر این صورت
- ما
- خارج
- نتایج
- خارج از منزل
- نمای کلی
- خارج از
- با ما
- قطعه
- بخش
- الگوهای
- مردم
- درصد
- انجام
- کارایی
- انجام
- دوره
- انتخاب کنید
- برگزیده
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- پست
- پیش بینی
- پیش بینی
- پیش بینی
- پیش گویی
- پیش بینی
- پیش نمایش
- قبلی
- مشکل
- روند
- فرآوری شده
- در حال پردازش
- محصول
- مدیر تولید
- محصولات
- مشخصات
- ارائه
- فراهم می کند
- خرید
- کیفیت
- نرخ
- اخیر
- توصیه
- منطقه
- مربوط
- ربط
- مخزن
- نماینده
- نتایج
- عودت
- درامد
- این فایل نقد می نویسید:
- دویدن
- در حال اجرا
- حکیم ساز
- همان
- مقیاس پذیری
- برنامه
- نمره
- دیدن
- ارشد
- خدمات
- جلسه
- جلسات
- تنظیم
- محیط
- تنظیمات
- او
- باید
- نشان
- نمایشگاه
- نشان داد
- نشان می دهد
- مشابه
- ساده
- به طور همزمان
- تنها
- سایت
- شش
- کوچکتر
- So
- نرم افزار
- توسعه نرم افزار
- منبع
- منابع
- ویژه
- خاص
- مشخص شده
- هزینه
- صرف
- شروع
- آغاز شده
- راه افتادن
- گام
- مراحل
- ذخیره سازی
- متعاقب
- چنین
- پشتیبانی
- پشتیبانی از
- سیستم های
- جدول
- گرفتن
- هدف
- وظایف
- تیم
- با تشکر
- که
- La
- شان
- سپس
- در نتیجه
- اینها
- آنها
- این
- سه
- از طریق
- زمان
- به
- ابزار
- قطار
- آموزش دیده
- آموزش
- معامله
- روند
- ماشه
- باعث شد
- راه اندازی
- دور زدن
- نوع
- اساسی
- بروزرسانی
- به روز شده
- به روز رسانی
- به روز رسانی
- آپلود شده
- بر
- us
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- با استفاده از
- ارزش
- نسخه
- چشم انداز
- بازدید
- بازدید
- مهمان
- بازدید کنندگان
- خرید
- می خواهم
- می خواهد
- بود
- we
- وب
- خدمات وب
- سایت اینترنتی
- اخر هفته
- خوب
- چه زمانی
- چه
- که
- در حین
- WHO
- اراده
- با
- بدون
- مهاجرت کاری
- گردش کار
- گردش کار
- با این نسخهها کار
- خواهد بود
- نوشته
- ریاضت
- شما
- شما
- زفیرنت