آماده سازی داده ها گامی حیاتی در هر پروژه داده محور است و داشتن ابزار مناسب می تواند کارایی عملیاتی را تا حد زیادی افزایش دهد. Amazon SageMaker Data Rangler زمان جمعآوری و آمادهسازی دادههای جدولی و تصویری برای یادگیری ماشین (ML) را از هفتهها به دقیقه کاهش میدهد. با SageMaker Data Wrangler، میتوانید فرآیند آمادهسازی دادهها و مهندسی ویژگیها را ساده کنید و هر مرحله از گردش کار آمادهسازی دادهها، از جمله انتخاب داده، پاکسازی، کاوش، و تجسم را از یک رابط بصری کامل کنید.
در این پست، آخرین ویژگی های SageMaker Data Wrangler را که به طور خاص برای بهبود تجربه عملیاتی طراحی شده اند را بررسی می کنیم. ما به حمایت از سرویس ذخیره سازی ساده (آمازون S3) ظاهر فایلها، مصنوعات استنتاج در یک جریان دادههای تعاملی، و یکپارچهسازی یکپارچه با JSON (نشانگذاری شی جاوا اسکریپت) فرمت برای استنتاج، نشان می دهد که چگونه این پیشرفت ها آماده سازی داده ها را آسان تر و کارآمدتر می کند.
معرفی ویژگی های جدید
در این بخش، ویژگیهای جدید SageMaker Data Wrangler برای آمادهسازی بهینه دادهها را مورد بحث قرار میدهیم.
پشتیبانی از فایل مانیفست S3 با SageMaker Autopilot برای استنتاج ML
SageMaker Data Wrangler a را فعال می کند آماده سازی داده های یکپارچه و آموزش مدل تجربه با Amazon SageMaker Autopilot تنها در چند کلیک میتوانید از SageMaker Autopilot برای آموزش، تنظیم و استقرار خودکار مدلها بر روی دادههایی که در جریان دادههای خود تغییر دادهاید، استفاده کنید.
این تجربه اکنون با پشتیبانی از فایل مانیفست S3 ساده تر شده است. فایل مانیفست S3 یک فایل متنی است که اشیاء (فایل) ذخیره شده در یک سطل S3 را فهرست می کند. اگر مجموعه داده های صادر شده شما در SageMaker Data Wrangler بسیار بزرگ است و به فایل های داده چند بخشی در Amazon S3 تقسیم می شود، اکنون SageMaker Data Wrangler به طور خودکار یک فایل مانیفست در S3 ایجاد می کند که همه این فایل های داده را نشان می دهد. این فایل مانیفست تولید شده اکنون می تواند با رابط کاربری خودکار SageMaker در SageMaker Data Wrangler استفاده شود تا تمام داده های پارتیشن بندی شده را برای آموزش جمع آوری کند.
قبل از راهاندازی این ویژگی، هنگام استفاده از مدلهای SageMaker Autopilot که بر روی دادههای آماده شده از SageMaker Data Wrangler آموزش داده شدهاند، فقط میتوانید یک فایل داده را انتخاب کنید، که ممکن است کل مجموعه داده را نشان ندهد، به خصوص اگر مجموعه داده بسیار بزرگ باشد. با این تجربه فایل مانیفست جدید، شما محدود به زیرمجموعه ای از مجموعه داده خود نیستید. شما می توانید یک مدل ML با SageMaker Autopilot بسازید که تمام داده های شما را با استفاده از فایل مانیفست نشان می دهد و از آن برای استنتاج ML و استقرار تولید خود استفاده کنید. این ویژگی با سادهسازی مدلهای آموزشی ML با SageMaker Autopilot و سادهسازی گردشهای کاری پردازش داده، کارایی عملیاتی را افزایش میدهد.
پشتیبانی از جریان استنتاج در مصنوعات تولید شده اضافه شده است
مشتریان میخواهند تبدیلهای دادهای را که برای دادههای آموزشی مدل خود اعمال کردهاند، مانند کدگذاری یکطرفه، PCA، و مقادیر گمشده را درج کنند، و این تبدیلهای داده را برای استنتاج بلادرنگ یا استنتاج دستهای در تولید اعمال کنند. برای انجام این کار، باید یک مصنوع استنتاج SageMaker Data Wrangler داشته باشید که توسط یک مدل SageMaker مصرف می شود.
پیش از این، مصنوعات استنتاج تنها هنگام صادرات به آموزش SageMaker Autopilot یا صادرات یک دفترچه خط لوله استنتاج از UI تولید می شدند. اگر میخواهید جریانهای SageMaker Data Wrangler خود را به خارج از محدوده منتقل کنید، این انعطافپذیری را فراهم نمیکند. Amazon SageMaker Studio محیط. اکنون، میتوانید یک آرتیفکت استنتاج برای هر فایل جریان سازگار از طریق یک کار پردازش دادههای SageMaker را ایجاد کنید. این MLOهای برنامهریزی و سرتاسری با جریانهای SageMaker Data Wrangler را برای شخصیتهای MLOps با کد اول و همچنین یک مسیر بصری و بدون کد برای دریافت یک مصنوع استنتاج با ایجاد شغل از رابط کاربری فعال میکند.
ساده سازی آماده سازی داده ها
JSON تبدیل به یک قالب به طور گسترده ای برای تبادل داده در اکوسیستم های داده مدرن شده است. ادغام SageMaker Data Wrangler با فرمت JSON به شما این امکان را می دهد که به طور یکپارچه داده های JSON را برای تبدیل و تمیز کردن مدیریت کنید. SageMaker Data Wrangler با ارائه پشتیبانی بومی برای JSON، فرآیند کار با دادههای ساختاریافته و نیمه ساختاریافته را ساده میکند و به شما امکان میدهد تا بینشهای ارزشمند را استخراج کنید و دادهها را به طور کارآمد آماده کنید. SageMaker Data Wrangler اکنون از فرمت JSON برای استقرار نقطه پایانی استنتاج دسته ای و بلادرنگ پشتیبانی می کند.
بررسی اجمالی راه حل
برای مورد استفاده خود، از نمونه استفاده می کنیم مجموعه داده نظرات مشتریان آمازون برای نشان دادن اینکه چگونه SageMaker Data Wrangler می تواند تلاش عملیاتی برای ساخت یک مدل جدید ML را با استفاده از SageMaker Autopilot ساده کند. مجموعه داده نظرات مشتریان آمازون شامل بررسی های محصول و ابرداده از آمازون است، از جمله 142.8 میلیون بررسی از مه 1996 تا ژوئیه 2014.
در سطح بالا، ما از SageMaker Data Wrangler برای مدیریت این مجموعه داده بزرگ و انجام اقدامات زیر استفاده می کنیم:
- یک مدل ML در SageMaker Autopilot با استفاده از تمام مجموعه دادهها، نه فقط یک نمونه، توسعه دهید.
- یک خط لوله استنتاج بلادرنگ با مصنوع استنتاج تولید شده توسط SageMaker Data Wrangler بسازید و از قالببندی JSON برای ورودی و خروجی استفاده کنید.
پشتیبانی از فایل مانیفست S3 با SageMaker Autopilot
هنگام ایجاد یک آزمایش SageMaker Autopilot با استفاده از SageMaker Data Wrangler، قبلاً فقط می توانستید یک فایل CSV یا Parquet را مشخص کنید. اکنون میتوانید از یک فایل مانیفست S3 نیز استفاده کنید که به شما امکان میدهد از مقادیر زیادی داده برای آزمایشهای SageMaker Autopilot استفاده کنید. SageMaker Data Wrangler به طور خودکار فایل های داده ورودی را به چندین فایل کوچکتر تقسیم می کند و یک مانیفست ایجاد می کند که می تواند در آزمایش SageMaker Autopilot استفاده شود تا تمام داده ها را از جلسه تعاملی، نه فقط یک نمونه کوچک، به دست آورد.
مراحل زیر را انجام دهید:
- داده های بررسی مشتری آمازون را از یک فایل CSV به SageMaker Data Wrangler وارد کنید. هنگام وارد کردن دادهها، حتماً نمونهبرداری را غیرفعال کنید.
- تبدیل هایی را که داده ها را عادی می کند مشخص کنید. برای این مثال، نمادها را حذف کنید و همه چیز را با استفاده از تبدیل های داخلی SageMaker Data Wrangler به حروف کوچک تبدیل کنید.
- را انتخاب کنید مدل قطار برای شروع آموزش
برای آموزش یک مدل با SageMaker Autopilot، SageMaker به طور خودکار داده ها را به یک سطل S3 صادر می کند. برای مجموعه دادههای بزرگی مانند این، به طور خودکار فایل را به فایلهای کوچکتر تقسیم میکند و یک مانیفست ایجاد میکند که شامل مکان فایلهای کوچکتر است.
- ابتدا داده های ورودی خود را انتخاب کنید.
پیش از این، SageMaker Data Wrangler گزینه ای برای ایجاد فایل مانیفست برای استفاده با SageMaker Autopilot نداشت. امروز، با انتشار پشتیبانی از فایل مانیفست، SageMaker Data Wrangler به طور خودکار یک فایل مانیفست را به آمازون S3 صادر می کند، مکان S3 آموزش خودکار SageMaker را با مکان فایل مانیفست S3 از قبل پر می کند و گزینه فایل مانیفست را تغییر می دهد. بله. هیچ کاری برای تولید یا استفاده از فایل مانیفست لازم نیست.
- آزمایش خود را با انتخاب هدف برای مدل پیش بینی پیکربندی کنید.
- بعد، یک روش آموزشی را انتخاب کنید. در این صورت انتخاب می کنیم خودکار و اجازه دهید SageMaker Autopilot بهترین روش آموزشی را بر اساس اندازه مجموعه داده تصمیم بگیرد.
- تنظیمات استقرار را مشخص کنید.
- در نهایت، پیکربندی کار را بررسی کنید و آزمایش SageMaker Autopilot را برای آموزش ارسال کنید. هنگامی که SageMaker Autopilot آزمایش را کامل کرد، می توانید نتایج آموزش را مشاهده کرده و بهترین مدل را کشف کنید.
به لطف پشتیبانی از فایل های مانیفست، می توانید از کل مجموعه داده خود برای آزمایش خودکار SageMaker استفاده کنید، نه فقط زیر مجموعه ای از داده های خود.
برای اطلاعات بیشتر در مورد استفاده از SageMaker Autopilot با SageMaker Data Wrangler، مراجعه کنید آماده سازی داده های یکپارچه و آموزش مدل با Amazon SageMaker Data Wrangler و Amazon SageMaker Autopilot.
مصنوعات استنتاجی را از کارهای پردازش SageMaker ایجاد کنید
اکنون، بیایید ببینیم چگونه میتوانیم مصنوعات استنتاج را از طریق نوتبوک SageMaker Data Wrangler UI و SageMaker Data Wrangler ایجاد کنیم.
SageMaker Data Wrangler UI
برای مورد استفاده ما، میخواهیم دادههای خود را از طریق UI پردازش کنیم و سپس از دادههای حاصل برای آموزش و استقرار یک مدل از طریق کنسول SageMaker استفاده کنیم. مراحل زیر را کامل کنید:
- جریان داده ای را که در قسمت قبل ایجاد کرده اید باز کنید.
- علامت مثبت در کنار آخرین تبدیل را انتخاب کنید، انتخاب کنید مقصد را اضافه کنید، و انتخاب کنید آمازون S3. این جایی است که داده های پردازش شده ذخیره می شود.
- را انتخاب کنید ایجاد شغل.
- انتخاب کنید تولید مصنوعات استنتاج در بخش پارامترهای استنتاج برای تولید یک مصنوع استنتاج.
- برای نام مصنوع استنتاج، نام مصنوع استنتاج خود را وارد کنید (با tar.gz. به عنوان پسوند فایل).
- برای گره خروجی استنتاج، گره مقصد مربوط به تبدیل های اعمال شده به داده های آموزشی خود را وارد کنید.
- را انتخاب کنید کار را پیکربندی کنید.
- تحت پیکربندی کار، مسیری برای وارد کنید محل فایل جریان S3. پوشه ای به نام
data_wrangler_flows
در این مکان ایجاد می شود و مصنوع استنتاج در این پوشه آپلود می شود. برای تغییر مکان آپلود، مکان S3 دیگری را تنظیم کنید. - پیش فرض ها را برای همه گزینه های دیگر بگذارید و انتخاب کنید ساختن برای ایجاد کار پردازش
کار پردازش یک ایجاد خواهد کردtarball (.tar.gz)
حاوی یک فایل جریان داده اصلاح شده با بخش استنتاج تازه اضافه شده است که به شما امکان می دهد از آن برای استنتاج استفاده کنید. برای ارائه آرتیفکت به مدل SageMaker هنگام استقرار راه حل استنتاج خود، به شناسه منبع یکنواخت S3 (URI) مصنوع استنتاج نیاز دارید. URI به شکل خواهد بود{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - اگر این مقادیر را قبلاً یادداشت نکردهاید، میتوانید پیوند مربوط به کار پردازش را برای یافتن جزئیات مربوطه انتخاب کنید. در مثال ما، URI است
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- مقدار را کپی کنید پردازش تصویر; هنگام ایجاد مدل خود نیز به این URI نیاز داریم.
- اکنون میتوانیم از این URI برای ایجاد یک مدل SageMaker در کنسول SageMaker استفاده کنیم، که بعداً میتوانیم آن را در یک نقطه پایانی یا کار تبدیل دستهای مستقر کنیم.
- تحت تنظیمات مدل¸ یک نام مدل وارد کنید و نقش IAM خود را مشخص کنید.
- برای گزینه های ورودی کانتینر، انتخاب کنید مصنوعات مدل و مکان تصویر استنتاج را ارائه دهید.
- برای محل تصویر کد استنتاج، URI تصویر پردازش را وارد کنید.
- برای محل قرارگیری آثار نمونه، URI مصنوع استنتاج را وارد کنید.
- علاوه بر این، اگر داده های شما دارای یک ستون هدف است که توسط یک مدل آموزش دیده ML پیش بینی می شود، نام آن ستون را در زیر مشخص کنید. متغیرهای محیطی، با
INFERENCE_TARGET_COLUMN_NAME
as کلید و نام ستون به عنوان ارزش. - با انتخاب مدل خود را به پایان برسانید مدل ایجاد کنید.
ما اکنون مدلی داریم که میتوانیم آن را در یک کار تبدیل دستهای یا نقطه پایانی مستقر کنیم.
نوت بوک های SageMaker Data Wrangler
برای یک رویکرد کد اول برای تولید مصنوع استنتاج از یک کار پردازشی، میتوانیم کد مثال را با انتخاب پیدا کنیم. صادرات به در منوی گره و انتخاب یکی آمازون S3, خطوط لوله SageMaker، یا خط لوله استنتاج SageMaker. ما انتخاب میکنیم خط لوله استنتاج SageMaker در این مثال
در این دفترچه قسمتی با عنوان وجود دارد پردازنده ایجاد کنید (این در نوت بوک SageMaker Pipelines یکسان است، اما در نوت بوک Amazon S3، کد معادل زیر تنظیمات شغلی بخش). در پایین این بخش پیکربندی برای مصنوع استنتاج ما به نام است inference_params
. این شامل همان اطلاعاتی است که در UI دیدیم، یعنی نام مصنوع استنتاج و گره خروجی استنتاج. این مقادیر از قبل جمع می شوند اما می توان آنها را تغییر داد. علاوه بر این یک پارامتر به نام وجود دارد use_inference_params
، که باید روی آن تنظیم شود True
برای استفاده از این پیکربندی در کار پردازش.
در پایین تر، بخشی با عنوان وجود دارد مراحل خط لوله را تعریف کنید، که در آن inference_params
پیکربندی به لیستی از آرگومان های شغلی اضافه می شود و به تعریف مرحله پردازش داده Wrangler SageMaker منتقل می شود. در نوت بوک آمازون S3، job_arguments
بلافاصله پس از تعریف می شود تنظیمات شغلی بخش.
با این تنظیمات ساده، کار پردازشی ایجاد شده توسط این نوت بوک یک مصنوع استنتاج در همان مکان S3 به عنوان فایل جریان ما (که قبلا در نوت بوک ما تعریف شده بود) ایجاد می کند. ما می توانیم این مکان S3 را به صورت برنامه نویسی تعیین کنیم و از این مصنوع برای ایجاد یک مدل SageMaker با استفاده از آن استفاده کنیم SageMaker Python SDK، که در نوت بوک SageMaker Inference Pipeline نشان داده شده است.
همین رویکرد را می توان برای هر کد پایتونی که یک کار پردازش داده SageMaker Data Wrangler ایجاد می کند، اعمال کرد.
پشتیبانی از فرمت فایل JSON برای ورودی و خروجی در حین استنتاج
برای وبسایتها و برنامهها استفاده از JSON بهعنوان درخواست/پاسخ برای APIها بسیار رایج است، به طوری که تجزیه و تحلیل اطلاعات توسط زبانهای برنامهنویسی مختلف آسان باشد.
قبلاً، پس از داشتن یک مدل آموزشدیده، فقط میتوانستید از طریق CSV به عنوان یک قالب ورودی در خط لوله استنتاج SageMaker Data Wrangler با آن تعامل داشته باشید. امروزه، میتوانید از JSON بهعنوان قالب ورودی و خروجی استفاده کنید و در هنگام تعامل با محفظههای استنتاج SageMaker Data Wrangler، انعطافپذیری بیشتری را ارائه دهید.
برای شروع استفاده از JSON برای ورودی و خروجی در دفترچه خط لوله استنتاج، مراحل زیر را انجام دهید:
- محموله را تعریف کنید
برای هر بار، مدل انتظار یک کلید به نام نمونه دارد. مقدار فهرستی از اشیا است که هر کدام نقطه داده مخصوص به خود هستند. اشیا به کلیدی به نام ویژگی ها نیاز دارند و مقادیر باید ویژگی های یک نقطه داده واحد باشند که قرار است به مدل ارسال شوند. چندین نقطه داده را می توان در یک درخواست ارسال کرد، تا حجم کل 6 مگابایت در هر درخواست.
کد زیر را ببینید:
- مشخص
ContentType
asapplication/json
. - ارائه داده به مدل و دریافت استنتاج در قالب JSON.
دیدن فرمت های رایج داده برای استنتاج برای نمونه های ورودی و خروجی JSON.
پاک کردن
وقتی استفاده از SageMaker Data Wrangler را تمام کردید، توصیه میکنیم نمونهای را که در آن اجرا میشود خاموش کنید تا از تحمیل هزینههای اضافی جلوگیری کنید. برای دستورالعملهایی در مورد نحوه خاموش کردن برنامه SageMaker Data Wrangler و نمونه مرتبط، رجوع کنید Data Wrangler را خاموش کنید.
نتیجه
ویژگیهای جدید SageMaker Data Wrangler، از جمله پشتیبانی از فایلهای مانیفست S3، قابلیتهای استنتاج و یکپارچهسازی فرمت JSON، تجربه عملیاتی آمادهسازی دادهها را تغییر میدهد. این پیشرفتها واردات دادهها را ساده میکنند، تبدیل دادهها را خودکار میکنند و کار با دادههای JSON را ساده میکنند. با استفاده از این ویژگیها، میتوانید کارایی عملیاتی خود را افزایش دهید، تلاش دستی را کاهش دهید و بینشهای ارزشمندی را از دادههای خود به راحتی استخراج کنید. قدرت ویژگیهای جدید SageMaker Data Wrangler را در آغوش بگیرید و پتانسیل کامل جریانهای کاری آمادهسازی دادههای خود را باز کنید.
برای شروع کار با SageMaker Data Wrangler، آخرین اطلاعات را بررسی کنید صفحه محصول SageMaker Data Wrangler.
درباره نویسندگان
مونیش دابرا یک معمار اصلی راه حل در خدمات وب آمازون (AWS) است. زمینه های تمرکز فعلی او AI/ML و مشاهده پذیری است. او پیشینه قوی در طراحی و ساخت سیستم های توزیع شده مقیاس پذیر دارد. او از کمک به مشتریان برای نوآوری و تغییر تجارت خود در AWS لذت می برد. لینکدین: /mdabra
پاتریک لین یک مهندس توسعه نرم افزار با Amazon SageMaker Data Wrangler است. او متعهد است که Amazon SageMaker Data Wrangler را به ابزار شماره یک آمادهسازی داده برای گردشهای کاری ML تولیدی تبدیل کند. در خارج از محل کار، می توانید او را در حال خواندن، گوش دادن به موسیقی، گفتگو با دوستان و خدمت در کلیسای خود بیابید.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- اقدامات
- اضافه
- اضافی
- علاوه بر این
- به تصویب رسید
- پس از
- AI / ML
- معرفی
- اجازه دادن
- اجازه می دهد تا
- همچنین
- آمازون
- آمازون SageMaker
- Amazon SageMaker Autopilot
- Amazon SageMaker Data Rangler
- آمازون خدمات وب
- خدمات وب آمازون (AWS)
- مقدار
- an
- و
- هر
- رابط های برنامه کاربردی
- نرم افزار
- برنامه های کاربردی
- اعمال می شود
- درخواست
- روش
- هستند
- مناطق
- استدلال
- AS
- مرتبط است
- At
- خودکار بودن
- بطور خودکار
- اجتناب از
- AWS
- زمینه
- مستقر
- BE
- شدن
- بودن
- بهترین
- بزرگ
- هر دو
- پایین
- شکستن
- ساختن
- بنا
- ساخته شده در
- کسب و کار
- اما
- by
- نام
- CAN
- قابلیت های
- مورد
- تغییر دادن
- بار
- بررسی
- را انتخاب کنید
- انتخاب
- کلیسا
- تمیز کاری
- رمز
- ستون
- مرتکب شده
- مشترک
- سازگار
- کامل
- تکمیل شده
- پیکر بندی
- کنسول
- مصرف
- ظروف
- شامل
- گفتگو
- متناظر
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- بحرانی
- جاری
- مشتری
- مشتریان
- داده ها
- تبادل اطلاعات
- نقاط داده
- آماده سازی داده ها
- پردازش داده ها
- داده محور
- مجموعه داده ها
- روز
- تصمیم گیری
- پیش فرض
- مشخص
- تعریف
- غرق کردن
- نشان
- گسترش
- استقرار
- گسترش
- طراحی
- طراحی
- مقصد
- جزئیات
- مشخص کردن
- پروژه
- مختلف
- بحث و تبادل نظر
- توزیع شده
- سیستم های توزیع شده
- do
- پایین
- در طی
- هر
- پیش از آن
- سهولت
- آسان تر
- ساده
- اکوسیستم
- بهره وری
- موثر
- موثر
- تلاش
- هر دو
- در اغوش گرفتن
- را قادر می سازد
- را قادر می سازد
- پشت سر هم
- نقطه پایانی
- مهندس
- مهندسی
- بالا بردن
- پیشرفت ها
- افزایش می یابد
- وارد
- تمام
- محیط
- معادل
- به خصوص
- تا کنون
- هر
- هر روز
- همه چیز
- مثال
- مثال ها
- تبادل
- منتظر
- تجربه
- تجربه
- آزمایش
- اکتشاف
- اکتشاف
- صادرات
- صادرات
- گسترش
- عصاره
- ویژگی
- امکانات
- کمی از
- پرونده
- فایل ها
- پیدا کردن
- انعطاف پذیری
- جریان
- جریانها
- تمرکز
- به دنبال
- پیروی
- برای
- فرم
- قالب
- دوستان
- از جانب
- کامل
- بیشتر
- تولید می کنند
- تولید
- دریافت کنید
- تا حد زیادی
- بود
- دسته
- آیا
- داشتن
- he
- کمک
- زیاد
- مشخص کردن
- او را
- خود را
- چگونه
- چگونه
- HTML
- HTTPS
- i
- یکسان
- شناسه
- if
- تصویر
- بلافاصله
- واردات
- واردات
- بهبود
- in
- شامل
- از جمله
- اطلاعات
- نوآوری
- ورودی
- بینش
- نمونه
- دستورالعمل
- ادغام
- مورد نظر
- تعامل
- تعامل
- تعاملی
- رابط
- به
- حسی
- IT
- ITS
- جاوا اسکریپت
- کار
- JPG
- json
- جولای
- تنها
- کلید
- زبان ها
- بزرگ
- نام
- بعد
- آخرین
- راه اندازی
- یادگیری
- اجازه
- سطح
- پسندیدن
- محدود شده
- ارتباط دادن
- لینک
- فهرست
- استماع
- لیست
- محل
- نگاه کنيد
- دستگاه
- فراگیری ماشین
- ساخت
- ساخت
- مدیریت
- کتابچه راهنمای
- ممکن است..
- فهرست
- متاداده
- روش
- قدرت
- میلیون
- دقیقه
- گم
- ML
- MLO ها
- مدل
- مدل
- مدرن
- اصلاح شده
- بیش
- کارآمدتر
- چندگانه
- موسیقی
- باید
- نام
- تحت عنوان
- از جمله
- بومی
- لازم
- نیاز
- نیازهای
- جدید
- ویژگی های جدید
- به تازگی
- بعد
- نه
- گره
- دفتر یادداشت
- اکنون
- عدد
- هدف
- اشیاء
- of
- on
- ONE
- فقط
- قابل استفاده
- بهینه
- بهینه سازی
- گزینه
- گزینه
- or
- دیگر
- ما
- خارج
- تولید
- خارج از
- خود
- پارامتر
- پارامترهای
- گذشت
- مسیر
- برای
- انجام
- انتخاب کنید
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- به علاوه
- نقطه
- نقطه
- پست
- پتانسیل
- قدرت
- پیش بینی
- پیش بینی
- تهیه
- آماده
- آماده شده
- زیبا
- قبلا
- اصلی
- روند
- فرآوری شده
- در حال پردازش
- محصول
- نظرات در مورد محصول
- تولید
- برنامه ریزی شده
- برنامه نويسي
- زبانهای برنامه نویسی
- پروژه
- ارائه
- ارائه
- پــایتــون
- مطالعه
- زمان واقعی
- گرفتن
- توصیه
- كاهش دادن
- را کاهش می دهد
- آزاد
- مربوط
- برداشتن
- نشان دادن
- نمایندگی
- درخواست
- نیاز
- منابع
- نتیجه
- نتایج
- این فایل نقد می نویسید:
- بررسی
- راست
- نقش
- اجرا می شود
- s
- حکیم ساز
- استنباط SageMaker
- خطوط لوله SageMaker
- همان
- دید
- مقیاس پذیر
- بدون درز
- یکپارچه
- بخش
- دیدن
- انتخاب
- انتخاب
- خدمات
- خدمت
- جلسه
- تنظیم
- تنظیمات
- چند
- باید
- نشان
- خاموش
- امضاء
- ساده
- ساده شده
- ساده کردن
- ساده
- تنها
- اندازه
- کوچک
- کوچکتر
- So
- نرم افزار
- توسعه نرم افزار
- راه حل
- مزایا
- تنش
- به طور خاص
- انشعاب
- شروع
- آغاز شده
- گام
- مراحل
- ذخیره سازی
- ذخیره شده
- ساده کردن
- ساده
- قوی
- ساخت یافته
- ارسال
- ارسال
- چنین
- پشتیبانی
- پشتیبانی از
- مطمئن
- سیستم های
- گرفتن
- طول می کشد
- هدف
- که
- La
- اطلاعات
- شان
- سپس
- آنجا.
- اینها
- این
- کسانی که
- از طریق
- زمان
- با عنوان
- به
- امروز
- هم
- ابزار
- ابزار
- جمع
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- دگرگونی
- تحولات
- مبدل
- تبدیل می شود
- دو برابر
- ui
- زیر
- باز
- آپلود شده
- استفاده کنید
- مورد استفاده
- استفاده
- با استفاده از
- ارزشمند
- ارزش
- ارزشها
- بسیار
- از طريق
- چشم انداز
- تجسم
- می خواهم
- خواسته
- we
- وب
- خدمات وب
- وب سایت
- هفته
- خوب
- چه زمانی
- که
- به طور گسترده ای
- اراده
- با
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- شما
- شما
- زفیرنت