درک روندهای تجاری، رفتار مشتری، درآمد فروش، افزایش تقاضا و تمایل خریدار همه با داده ها شروع می شود. کاوش، تجزیه و تحلیل، تفسیر و یافتن روندها در داده ها برای کسب و کارها برای دستیابی به نتایج موفق ضروری است.
تحلیلگران کسب و کار از طریق فعالیت هایی مانند تجسم معیارهای تجاری و پیش بینی رویدادهای آینده، نقشی محوری در تسهیل تصمیم گیری های تجاری مبتنی بر داده ایفا می کنند. با ارائه ابزار هوش تجاری بصری (BI) به این تحلیلگران برای تجزیه و تحلیل ساده، که توسط فناوری هایی مانند یادگیری ماشین (ML) پشتیبانی می شود، می توان به تکرار سریع و زمان رسیدن به ارزش سریعتر دست یافت.
آمازون QuickSight یک سرویس BI کاملاً مدیریت شده و بومی ابری است که اتصال به داده های شما، ایجاد داشبوردها و گزارش های تعاملی و به اشتراک گذاری آنها را با ده ها هزار کاربر، چه در QuickSight یا تعبیه شده در برنامه یا وب سایت شما، آسان می کند. آمازون SageMaker Canvas یک رابط بصری است که به تحلیلگران تجاری امکان میدهد تا پیشبینیهای دقیق ML را به تنهایی، بدون نیاز به تجربه ML یا نیاز به نوشتن یک خط کد ایجاد کنند.
در این پست، نشان میدهیم که چگونه میتوانید داشبوردهای پیشبینیکننده را در QuickSight با استفاده از پیشبینیهای مبتنی بر ML از Canvas منتشر کنید، بدون اینکه صریحاً پیشبینیها را دانلود کنید و به QuickSight وارد کنید. این راهحل به شما کمک میکند تا پیشبینیهایی را از Canvas به QuickSight ارسال کنید و به شما امکان میدهد با استفاده از ML تصمیمگیری سریعی داشته باشید تا به نتایج کسبوکار مؤثر برسید.
بررسی اجمالی راه حل
در بخشهای بعدی، مراحلی را بررسی میکنیم که به مدیران کمک میکند تا مجوزهای مناسب را برای هدایت یکپارچه کاربران از Canvas به QuickSight پیکربندی کنند. سپس نحوه ساخت یک مدل و اجرای پیشبینیها را به تفصیل شرح میدهیم و تجربه تحلیلگر تجاری را نشان میدهیم.
پیش نیازها
برای اجرای این راه حل به پیش نیازهای زیر نیاز است:
مطمئن شوید که از همان QuickSight Region به عنوان Canvas استفاده می کنید. می توانید منطقه را با پیمایش از نماد نمایه در کنسول QuickSight تغییر دهید.
راه اندازی مدیر
در این بخش، مراحل راهاندازی منابع IAM، آمادهسازی دادهها، آموزش دادهها با مجموعه داده آموزشی و استنتاج مجموعه داده اعتبارسنجی را به تفصیل شرح میدهیم. پس از آن، ما داده ها را برای تجزیه و تحلیل بیشتر به QuickSight ارسال می کنیم.
یک خط مشی جدید IAM برای دسترسی QuickSight ایجاد کنید
برای ایجاد یک خط مشی IAM، مراحل زیر را انجام دهید:
- در کنسول IAM، را انتخاب کنید سیاست در صفحه ناوبری
- را انتخاب کنید ایجاد خط مشی.
- بر JSON تب، سیاست مجوزهای زیر را در ویرایشگر وارد کنید:
برای جزئیات بیشتر در مورد زبان خط مشی IAM، نگاه کنید مرجع سیاست IAM JSON.
- را انتخاب کنید بعدی: برچسب ها.
- میتوانید با پیوست کردن برچسبها بهعنوان جفت کلید-مقدار، متادیتا را به خطمشی اضافه کنید، سپس انتخاب کنید بعدی: مرور کنید.
برای اطلاعات بیشتر در مورد استفاده از برچسب ها در IAM، رجوع کنید برچسب گذاری منابع IAM.
- بر سیاست را مرور کنید صفحه، یک نام وارد کنید (به عنوان مثال،
canvas-quicksight-access-policy
) و شرح اختیاری خط مشی. - بررسی کنید خلاصه بخش برای مشاهده مجوزهایی که توسط خط مشی شما اعطا شده است.
- را انتخاب کنید ایجاد خط مشی برای ذخیره کار شما
پس از ایجاد یک خط مشی، می توانید آن را به نقش اجرایی خود متصل کنید که به کاربران شما مجوزهای لازم را برای ارسال پیش بینی های دسته ای به کاربران در QuickSight می دهد.
خط مشی را به نقش اجرای استودیو خود پیوست کنید
برای پیوست کردن خط مشی به نقش اجرای استودیو، مراحل زیر را انجام دهید:
- در کنسول SageMaker، را انتخاب کنید دامنه در صفحه ناوبری
- دامنه خود را انتخاب کنید
- را انتخاب کنید تنظیمات دامنه.
- نام نقش را در زیر کپی کنید نقش اجرا.
- در کنسول IAM، را انتخاب کنید نقش در صفحه ناوبری
- در نوار جستجو، نقش اجرایی را که کپی کرده اید وارد کنید، سپس نقش را انتخاب کنید.
- در صفحه مربوط به نقش کاربر، به مسیر بروید سیاست های مجوز بخش.
- بر مجوزها را اضافه کنید منو ، انتخاب کنید خط مشی ها را ضمیمه کنید.
- جستجوی خط مشی ایجاد شده قبلی (
canvas-quicksight-access-policy
، آن را انتخاب کنید و انتخاب کنید مجوزها را اضافه کنید.
اکنون یک خطمشی IAM به نقش اجرایی خود پیوستهاید که به کاربران شما مجوزهای لازم را برای ارسال پیشبینیهای دستهای به کاربران در QuickSight میدهد.
مجموعه داده ها را دانلود کنید
بیایید مجموعه داده هایی را که برای آموزش مدل استفاده می کنیم و پیش بینی ها را انجام می دهیم دانلود کنیم:
یک مدل بسازید و پیش بینی ها را اجرا کنید
در این بخش، نحوه ساخت یک مدل و اجرای پیشبینیها بر روی مجموعه داده وام را پوشش میدهیم. سپس دادهها را به داشبورد QuickSight ارسال میکنیم تا اطلاعات کسبوکار را دریافت کنیم.
Canvas را اجرا کنید
برای راه اندازی Canvas، مراحل زیر را انجام دهید:
- در کنسول SageMaker، را انتخاب کنید دامنه در صفحه ناوبری
- دامنه خود را انتخاب کنید
- بر راه اندازی منو ، انتخاب کنید نقاشی.
مجموعه داده های آموزشی و اعتبار سنجی را بارگذاری کنید
مراحل زیر را برای آپلود مجموعه داده های خود در Canvas انجام دهید:
- در صفحه اصلی Canvas، را انتخاب کنید مجموعه داده ها.
- را انتخاب کنید وارد کردن داده، سپس آپلود کنید
lending_club_loan_data_train.csv
وlending_club_loan_data_test.csv
. - را انتخاب کنید ذخیره و بستن، پس از آن را انتخاب کنید وارد کردن داده.
حالا بیایید مدل جدیدی ایجاد کنیم.
- را انتخاب کنید مدل های من در صفحه ناوبری
- را انتخاب کنید مدل جدید.
- یک نام برای مدل خود وارد کنید (
Loan_Prediction
) و انتخاب کنید ساختن.
اگر این اولین باری است که یک مدل Canvas ایجاد می کنید، یک پاپ آپ آموزنده درباره نحوه ساخت اولین مدل خود در چهار مرحله ساده از شما استقبال می کند. میتوانید این را کامل بخوانید، سپس به این راهنما بازگردید.
- در نمای مدل، در انتخاب کنید زبانه را انتخاب کنید
lending_club_loan_data_train
مجموعه داده
این مجموعه داده دارای 18 ستون و 32,000 ردیف است.
- را انتخاب کنید مجموعه داده را انتخاب کنید.
- بر ساختن در مورد ما، ستون هدف را انتخاب کنید
loan_status
.
بوم به طور خودکار تشخیص می دهد که این یک است 3+ پیش بینی دسته مشکل (همچنین به عنوان طبقه بندی چند طبقه).
- اگر نوع مدل دیگری شناسایی شد، با انتخاب آن را به صورت دستی تغییر دهید تغییر نوع.
- را انتخاب کنید ساخت سریع، و انتخاب کنید ساخت سریع را شروع کنید از پنجره بازشو
همچنین می توانید انتخاب کنید ساخت استاندارد، که چرخه کامل AutoML را طی می کند و قبل از توصیه بهترین مدل، چندین مدل تولید می کند.
اکنون مدل شما در حال ساخت است. ساخت سریع معمولاً 2 تا 15 دقیقه طول می کشد.
پس از ساخت مدل، می توانید وضعیت مدل را در آن پیدا کنید تجزیه و تحلیل تب.
با مدل پیش بینی کنید
پس از ساخت و آموزش مدل، میتوانیم پیشبینیهایی بر روی این مدل ایجاد کنیم.
- را انتخاب کنید پیش بینی در تجزیه و تحلیل را انتخاب کنید پیش بینی تب.
- با انتخاب یک پیش بینی واحد اجرا کنید پیش بینی واحد و ارائه مطالب
پیشبینی وضعیت_loan را در سمت راست صفحه خواهید دید. با انتخاب می توانید پیش بینی را کپی کنید نسخه، یا با انتخاب آن را دانلود کنید دانلود پیش بینی. این برای تولید سناریوهای what-if و آزمایش اینکه چگونه ستونهای مختلف بر پیشبینیهای مدل ما تأثیر میگذارند ایدهآل است.
- برای اجرای پیشبینیهای دستهای، انتخاب کنید پیش بینی دسته ای.
این بهترین زمانی است که میخواهید برای کل مجموعه داده پیشبینی کنید. شما باید با مجموعه داده ای که با مجموعه داده ورودی شما مطابقت دارد پیش بینی کنید.
برای هر پیشبینی یا مجموعهای از پیشبینیها، Canvas مقادیر پیشبینیشده و احتمال درست بودن مقدار پیشبینیشده را برمیگرداند.
بیایید با استفاده از مجموعه داده اعتبارسنجی از مدل آموزش دیده پیش بینی کنیم.
- را انتخاب کنید مجموعه داده را انتخاب کنید.
- انتخاب کنید
lending_club_loan_data_test
و انتخاب کنید پیش بینی ایجاد کنید.
وقتی پیشبینیهای شما آماده شد، میتوانید آنها را در قسمت پیدا کنید مجموعه داده بخش. میتوانید پیشبینی را پیشنمایش کنید، آن را در یک دستگاه محلی دانلود کنید، آن را حذف کنید یا به QuickSight ارسال کنید.
پیش بینی ها را به QuickSight ارسال کنید
اکنون میتوانید پیشبینیهای این مدلهای ML را بهعنوان مجموعه دادههای QuickSight به اشتراک بگذارید که بهعنوان منبع جدیدی برای داشبوردهای کل سازمانی عمل میکنند. می توانید روندها، ریسک ها و فرصت های تجاری را تجزیه و تحلیل کنید. از طریق این قابلیت، ML برای تیم های تجاری قابل دسترس تر می شود تا بتوانند تصمیم گیری مبتنی بر داده را تسریع کنند. اشتراک گذاری داده ها با کاربران QuickSight به آنها اجازه مالکیت در مجموعه داده را می دهد. چندین مجموعه داده استنباط شده را می توان به طور همزمان به QuickSight ارسال کرد.
توجه داشته باشید که فقط در فضای نام پیش فرض حساب QuickSight می توانید پیش بینی ها را برای کاربران ارسال کنید و کاربر باید نقش نویسنده یا مدیر را در QuickSight داشته باشد. پیش بینی های ارسال شده به QuickSight در همان منطقه Canvas در دسترس هستند.
- مجموعه داده دسته ای استنباط شده را انتخاب کرده و انتخاب کنید ارسال به آمازون QuickSight.
- یک یا چند نام کاربری QuickSight را برای اشتراک گذاری مجموعه داده وارد کنید و فشار دهید وارد.
- را انتخاب کنید ارسال برای به اشتراک گذاشتن داده ها
پس از ارسال پیش بینی های دسته ای خود، QuickSight فیلد مجموعه داده هایی که ارسال کرده اید به عنوان ارسال شده نشان داده می شود.
- در کادر تایید، می توانید انتخاب کنید Amazon QuickSight را باز کنید برای باز کردن برنامه QuickSight خود.
- اگر استفاده از Canvas را تمام کرده اید، خروج از برنامه Canvas.
میتوانید پیشبینیهای دستهای را برای مدلهای پیشبینی عددی، پیشبینی طبقهای و سریهای زمانی به QuickSight ارسال کنید. همچنین میتوانید پیشبینیهای ایجاد شده با آن را ارسال کنید مدل خودت بیار روش (BYOM). پیشبینی تصویر تک برچسبی و مدلهای پیشبینی متن چند دستهای مستثنی هستند.
کاربران QuickSight که مجموعه دادهها را برایشان ارسال کردهاید، میتوانند کنسول QuickSight خود را باز کنند و مجموعه دادههای Canvas را که با آنها به اشتراک گذاشته شده است، مشاهده کنند. سپس آنها می توانند داشبوردهای پیش بینی را با داده ها ایجاد کنند. برای اطلاعات بیشتر ببین شروع به کار با تجزیه و تحلیل داده های آمازون QuickSight.
به طور پیشفرض، همه کاربرانی که برای آنها پیشبینی ارسال میکنید، مجوز مالک برای مجموعه داده در QuickSight دارند. مالکان قادر به ایجاد تجزیه و تحلیل، بازخوانی، ویرایش، حذف و اشتراک گذاری مجدد مجموعه داده ها هستند. تغییراتی که مالکان در یک مجموعه داده ایجاد می کنند، مجموعه داده را برای همه کاربرانی که دسترسی دارند تغییر می دهد. برای تغییر مجوزها، به مجموعه داده در QuickSight بروید و مجوزهای آن را مدیریت کنید. برای اطلاعات بیشتر ببین مشاهده و ویرایش مجوزهای کاربرانی که یک مجموعه داده با آنها به اشتراک گذاشته شده است.
تجربه تحلیلگران کسب و کار
با QuickSight، می توانید داده های خود را برای درک بهتر آن ها تجسم کنید. ما با دریافت برخی اطلاعات سطح بالا شروع می کنیم.
- در کنسول QuickSight، را انتخاب کنید مجموعه داده ها در صفحه ناوبری
- با انتخاب یک تجزیه و تحلیل بر روی مجموعه داده پیش بینی دسته ای به اشتراک گذاشته شده از Canvas ایجاد کنید تحلیل ایجاد کنید در منوی گزینه های کشویی (سه نقطه عمودی).
- در صفحه تجزیه و تحلیل، نام برگه را انتخاب کنید و نام آن را به تحلیل داده های وام تغییر دهید.
بیایید تصویری ایجاد کنیم تا تعداد را بر اساس وضعیت وام نشان دهیم.
- برای انواع بصری، انتخاب کنید نمودار دونات.
- استفاده از
loan_status
زمینه برای گروه/رنگ.
ما می بینیم که 99٪ به طور کامل پرداخت شده است، 1٪ فعلی، و 0٪ شارژ شده است.
اکنون تصویر دوم را اضافه می کنیم تا میزان وام ها را بر اساس وضعیت نشان دهیم.
- در گوشه بالا سمت چپ، علامت مثبت را انتخاب کنید و انتخاب کنید بصری را اضافه کنید.
- برای انواع بصری، انتخاب کنید نمودار آبشار.
- استفاده از
loan_status
زمینه برای دسته بندی. - استفاده از
loan_amount
زمینه برای ارزش.
می بینیم که کل مبلغ وام حدود 88 میلیون دلار است که حدود 221,000 دلار شارژ شده است.
بیایید سعی کنیم برخی از عوامل خطر را برای عدم پرداخت وام ها شناسایی کنیم.
- علامت مثبت را انتخاب کرده و انتخاب کنید بصری را اضافه کنید.
- برای انواع بصری، انتخاب کنید نمودار میله ای افقی.
- از قسمت loan_status برای استفاده کنید محور Y.
- از قسمت loan_amount برای استفاده کنید ارزش.
- اصلاح کنید ارزش تجمع میدانی از مجموع به میانگین.
می بینیم که به طور متوسط، مبلغ وام برای وام های کاملاً پرداخت شده در مقایسه با وام های فعلی حدود 3,500 دلار کمتر و برای وام های کاملاً پرداخت شده در مقایسه با وام های شارژ شده حدود 3,500 دلار کمتر بود. به نظر می رسد بین مبلغ وام و ریسک اعتباری همبستگی وجود دارد.
- برای تکرار تصویر، منوی گزینه ها (سه نقطه) را انتخاب کنید تصویری تکراری به، و انتخاب کنید این برگه.
- تصویر تکراری را برای تغییر پیکربندی آن انتخاب کنید.
- برای انواع بصری، انتخاب کنید نمودار میله ای افقی.
- از قسمت loan_status برای استفاده کنید محور Y.
- از قسمت loan_amount برای استفاده کنید ارزش.
- اصلاح کنید ارزش تجمع میدانی از مجموع به میانگین.
شما می توانید تصاویر اضافی ایجاد کنید تا محرک های خطر اضافی را بررسی کنید. مثلا:
- مدت وام
- باز کردن خطوط اعتباری
- نرخ بهره برداری از خط گردان
- مجموع خطوط اعتباری
- پس از افزودن تصاویر، داشبورد را با استفاده از اشتراک گذاری را در صفحه تجزیه و تحلیل انتخاب کنید و داشبورد را با ذینفعان کسب و کار به اشتراک بگذارید.
پاک کردن
برای جلوگیری از تحمیل هزینههای بعدی، منابعی را که هنگام دنبال کردن این پست ایجاد کردهاید حذف یا خاموش کنید. رجوع شود به خروج از Amazon SageMaker Canvas برای جزئیات بیشتر.
نتیجه
در این پست، یک مدل ML را با استفاده از Canvas بدون نوشتن یک خط کد به لطف رابط های کاربر پسند و تجسم های واضح آن آموزش دادیم. سپس پیشبینیهای تکی و دستهای برای این مدل در Canvas ایجاد کردیم. برای ارزیابی روندها، ریسکها و فرصتهای تجاری در سراسر سازمان، پیشبینیهای این مدل ML را به QuickSight ارسال کردیم. به عنوان تحلیلگران کسب و کار، ما تجسم های مختلفی را برای ارزیابی روندهای QuickSight ایجاد کردیم.
این قابلیت در همه مناطقی که Canvas اکنون پشتیبانی می شود در دسترس است. در بوم می توانید اطلاعات بیشتری کسب کنید صفحه محصول و مستندات.
درباره نویسنده
آجی گوویندارام یک معمار ارشد راه حل در AWS است. او با مشتریان استراتژیک که از AI/ML برای حل مشکلات پیچیده تجاری استفاده می کنند کار می کند. تجربه او در ارائه جهت فنی و همچنین کمک طراحی برای استقرار برنامه های کاربردی AI/ML در مقیاس متوسط تا بزرگ نهفته است. دانش او از معماری اپلیکیشن گرفته تا داده های بزرگ، تجزیه و تحلیل و یادگیری ماشینی را شامل می شود. او از گوش دادن به موسیقی در هنگام استراحت، تجربه در فضای باز و گذراندن وقت با عزیزانش لذت می برد.
وارون مهتا یک معمار راه حل در AWS است. او مشتاق کمک به مشتریان برای ساخت راه حل های معمارانه در مقیاس سازمانی در AWS Cloud است. او با مشتریان استراتژیک که از AI/ML برای حل مشکلات پیچیده تجاری استفاده می کنند کار می کند.
شیام سرینیواسان مدیر محصول اصلی در تیم AWS AI/ML است که مدیریت محصول را برای Amazon SageMaker Canvas پیشرو میکند. شیام به ساختن دنیا از طریق فناوری به مکانی بهتر اهمیت می دهد و مشتاق است که چگونه هوش مصنوعی و ML می توانند کاتالیزوری در این سفر باشند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
- ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
- خرید و فروش سهام در شرکت های PRE-IPO با PREIPO®. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/publish-predictive-dashboards-in-amazon-quicksight-using-ml-predictions-from-amazon-sagemaker-canvas/
- : دارد
- :است
- :جایی که
- $3
- $UP
- 000
- 10
- 100
- 11
- 12
- ٪۱۰۰
- 20
- 500
- 7
- 8
- 9
- a
- قادر
- درباره ما
- شتاب دادن
- تسریع شد
- دسترسی
- در دسترس
- حساب
- دقیق
- رسیدن
- دست
- در میان
- عمل
- فعالیت ها
- اضافه کردن
- اضافی
- مدیر سایت
- مدیران
- تجمع
- AI
- AI / ML
- معرفی
- اجازه دادن
- همچنین
- آمازون
- آمازون QuickSight
- آمازون SageMaker
- آمازون SageMaker Canvas
- آمازون خدمات وب
- مقدار
- an
- تجزیه و تحلیل
- تحلیل
- روانکاو
- تحلیلگران
- علم تجزیه و تحلیل
- تحلیل
- تجزیه و تحلیل
- و
- دیگر
- هر
- کاربرد
- معماری
- هستند
- دور و بر
- AS
- کمک
- At
- ضمیمه کردن
- نویسنده
- بطور خودکار
- خودکار کردن
- در دسترس
- میانگین
- اجتناب از
- AWS
- به عقب
- بار
- BE
- شود
- بوده
- قبل از
- بودن
- بهترین
- بهتر
- میان
- بزرگ
- بزرگ داده
- جعبه
- ساختن
- ساخته
- کسب و کار
- هوش تجاری
- کسب و کار
- by
- CAN
- نقاشی
- مورد
- کاتالیست
- دسته بندی
- تغییر دادن
- تبادل
- متهم
- بار
- بررسی
- را انتخاب کنید
- انتخاب
- واضح
- ابر
- رمز
- ستون
- ستون ها
- بیا
- مقایسه
- کامل
- پیچیده
- پیکر بندی
- تایید
- اتصال
- کنسول
- گوشه
- اصلاح
- ارتباط
- پوشش
- ایجاد
- ایجاد شده
- ایجاد
- اعتبار
- جاری
- مشتری
- رفتار مشتری
- مشتریان
- چرخه
- داشبورد
- داده ها
- تحلیل داده ها
- داده محور
- مجموعه داده ها
- تصمیم گیری
- تصمیم گیری
- به طور پیش فرض
- تقاضا
- نشان دادن
- اعزام ها
- شرح
- طرح
- جزئیات
- جزئیات
- شناسایی شده
- مختلف
- جهت
- بحث و تبادل نظر
- دامنه
- انجام شده
- پایین
- دانلود
- درایور
- هر
- ساده
- سردبیر
- اثر
- موثر
- هر دو
- جاسازی شده
- را قادر می سازد
- را قادر می سازد
- وارد
- سرمایه گذاری
- تمام
- ضروری است
- حوادث
- مثال
- محروم
- اعدام
- تجربه
- تجربه
- بررسی
- تسهیل کننده
- سریعتر
- رشته
- پیدا کردن
- پیدا کردن
- نام خانوادگی
- بار اول
- پیروی
- برای
- چهار
- از جانب
- کاملا
- بیشتر
- آینده
- تولید می کنند
- تولید
- مولد
- دریافت کنید
- گرفتن
- Go
- می رود
- اعطا شده
- کمک های مالی
- راهنمایی
- آیا
- داشتن
- he
- کمک
- کمک
- در سطح بالا
- خود را
- صفحه اصلی
- چگونه
- چگونه
- HTML
- HTTPS
- ICON
- ID
- دلخواه
- تصویر
- تأثیر
- انجام
- واردات
- in
- افزایش
- اطلاعات
- حاوی اطلاعات مفید
- ورودی
- بینش
- اطلاعات
- تعاملی
- رابط
- رابط
- به
- IT
- تکرار
- ITS
- سفر
- JPG
- json
- دانش
- شناخته شده
- زبان
- در مقیاس بزرگ
- راه اندازی
- برجسته
- یاد گرفتن
- یادگیری
- نهفته است
- پسندیدن
- لاین
- استماع
- وام
- وام
- محلی
- محبوب
- کاهش
- دستگاه
- فراگیری ماشین
- ساخت
- باعث می شود
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- مدیر
- دستی
- فهرست
- متاداده
- روش
- متریک
- میلیون
- دقیقه
- ML
- مدل
- مدل
- تغییر
- بیش
- چندگانه
- موسیقی
- باید
- نام
- نام
- هدایت
- پیمایش
- جهت یابی
- لازم
- ضروری
- جدید
- اکنون
- of
- خاموش
- on
- یک بار
- ONE
- آنهایی که
- فقط
- باز کن
- فرصت ها
- گزینه
- or
- ما
- خارج
- نتایج
- خارج از منزل
- خود
- مالک
- صاحبان
- با ما
- پرداخت
- جفت
- قطعه
- احساساتی
- مجوز
- محوری
- محل
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- به علاوه
- سیاست
- پاپ آپ
- پست
- پیش بینی
- پیش گویی
- پیش بینی
- آماده
- پیش نیازها
- فشار
- پیش نمایش
- قبلا
- اصلی
- مشکل
- مشکلات
- محصول
- مدیریت تولید
- مدیر تولید
- مشخصات
- ارائه
- منتشر کردن
- سریع
- خواندن
- اماده
- توصیه
- تغییر مسیر
- منطقه
- مناطق
- گزارش ها
- منابع
- منابع
- بازده
- درامد
- راست
- خطر
- خطرات
- نقش
- دویدن
- حکیم ساز
- حراجی
- همان
- ذخیره
- سناریوها
- یکپارچه
- جستجو
- دوم
- بخش
- بخش
- دیدن
- به نظر می رسد
- ارسال
- ارشد
- فرستاده
- سلسله
- خدمت
- سرویس
- خدمات
- تنظیم
- اشتراک گذاری
- به اشتراک گذاشته شده
- اشتراک
- ورق
- باید
- نشان
- نشان می دهد
- خاموش
- طرف
- امضاء
- ساده
- تنها
- So
- راه حل
- مزایا
- حل
- برخی از
- منبع
- هزینه
- سهامداران
- شروع
- آغاز شده
- بیانیه
- وضعیت
- مراحل
- استراتژیک
- استودیو
- موفق
- چنین
- پشتیبانی
- طول می کشد
- هدف
- تیم
- تیم ها
- فنی
- فن آوری
- پیشرفته
- ده ها
- تست
- با تشکر
- که
- La
- جهان
- شان
- آنها
- سپس
- آنجا.
- اینها
- آنها
- این
- هزاران نفر
- سه
- از طریق
- زمان
- سری زمانی
- به
- ابزار
- جمع
- قطار
- آموزش دیده
- آموزش
- روند
- امتحان
- نوع
- زیر
- فهمیدن
- استفاده کنید
- کاربر
- کاربر پسند
- کاربران
- با استفاده از
- معمولا
- اعتبار سنجی
- ارزش
- ارزشها
- مختلف
- نسخه
- عمودی
- چشم انداز
- تجسم
- تصاویر
- بود
- we
- وب
- خدمات وب
- سایت اینترنتی
- استقبال
- خوب
- چه زمانی
- که
- در حین
- WHO
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- با این نسخهها کار
- جهان
- نوشتن
- نوشته
- شما
- شما
- زفیرنت