این پست با همکاری تاچر تورنبری از انرژی bpx نوشته شده است.
طبقهبندی رخسارهها فرآیند تقسیمبندی سازندهای سنگشناسی از دادههای زمینشناسی در محل چاه است. در حین حفاری، سیاهههای مربوط به سیم به دست می آیند که دارای اطلاعات زمین شناسی وابسته به عمق هستند. زمین شناسان برای تجزیه و تحلیل این داده های گزارش و تعیین محدوده عمق رخساره های بالقوه مورد علاقه از انواع مختلف داده های ورود به سیستم مستقر شده اند. طبقه بندی دقیق این مناطق برای فرآیندهای حفاری که در پی خواهد آمد حیاتی است.
طبقهبندی رخسارهها با استفاده از هوش مصنوعی و یادگیری ماشینی (ML) به یک حوزه تحقیقاتی محبوب برای بسیاری از شرکتهای بزرگ نفت تبدیل شده است. بسیاری از دانشمندان داده و تحلیلگران تجاری در شرکتهای نفتی بزرگ، مهارت لازم برای اجرای آزمایشهای پیشرفته ML بر روی وظایف مهمی مانند طبقهبندی رخسارهها را ندارند. برای پرداختن به این موضوع، به شما نشان میدهیم که چگونه میتوانید به راحتی یک مدل طبقهبندی ML در کلاس خود را برای این مشکل تهیه و آموزش دهید.
در این پست، در درجه اول برای کسانی که قبلاً از Snowflake استفاده می کنند، هدف قرار داده شده است، ما توضیح می دهیم که چگونه می توانید داده های آموزشی و اعتبارسنجی را برای یک کار طبقه بندی رخساره از آن وارد کنید. دانه برف به آمازون SageMaker Canvas و متعاقباً مدل را با استفاده از مدل پیشبینی دسته 3+ آموزش دهید.
بررسی اجمالی راه حل
راه حل ما شامل مراحل زیر است:
- داده های CSV رخساره را از دستگاه محلی خود در Snowflake آپلود کنید. برای این پست از داده های زیر استفاده می کنیم مخزن منبع باز GitHub.
- مجموعه هویت AWS و مدیریت دسترسی (IAM) برای Snowflake نقش می بندد و یک Snowflake یکپارچه ایجاد می کند.
- یک راز برای اعتبارنامه Snowflake ایجاد کنید (اختیاری، اما توصیه می شود).
- Snowflake را مستقیماً به Canvas وارد کنید.
- یک مدل طبقه بندی رخساره بسازید.
- مدل را تحلیل کنید.
- پیش بینی های دسته ای و تکی را با استفاده از مدل چند کلاسه اجرا کنید.
- مدل آموزش دیده را به اشتراک بگذارید Amazon SageMaker Studio.
پیش نیازها
پیش نیازهای این پست شامل موارد زیر است:
داده های CSV رخساره را در Snowflake بارگذاری کنید
در این بخش، دو مجموعه داده منبع باز را می گیریم و آنها را مستقیماً از ماشین محلی خود در پایگاه داده Snowflake آپلود می کنیم. از آنجا، ما یک لایه ادغام بین Snowflake و Canvas راه اندازی کردیم.
- دانلود training_data.csv و validation_data_nofacies.csv فایل ها به دستگاه محلی شما محل ذخیره آنها را یادداشت کنید.
- با اطمینان از اینکه اعتبارنامه Snowflake صحیح را دارید و برنامه دسکتاپ Snowflake CLI را نصب کرده اید، می توانید وارد شوید. برای اطلاعات بیشتر، به وارد SnowSQL شوید.
- انبار مناسب دانه برف را برای کار انتخاب کنید، که در مورد ما چنین است
COMPUTE_WH
:
- یک پایگاه داده را برای استفاده در بقیه مراحل انتخاب کنید:
- یک فرمت فایل با نام ایجاد کنید که مجموعه ای از داده های مرحله بندی شده را برای دسترسی یا بارگذاری در جداول Snowflake توصیف کند.
این را می توان در Snowflake CLI یا در برگه Snowflake در برنامه وب اجرا کرد. برای این پست، ما یک پرس و جو SnowSQL را در برنامه وب اجرا می کنیم. دیدن شروع کار با کاربرگ برای دستورالعمل های ایجاد یک کاربرگ در برنامه وب Snowflake.
- با استفاده از دستور CREATE یک جدول در Snowflake ایجاد کنید.
عبارت زیر یک جدول جدید در طرحواره فعلی یا مشخص شده ایجاد می کند (یا جایگزین جدول موجود می شود).
مهم است که انواع دادهها و ترتیب ظاهر شدن آنها صحیح باشد و با آنچه در فایلهای CSV که قبلاً دانلود کردهایم یافت میشود، تراز باشد. اگر متناقض باشند، بعداً وقتی میخواهیم دادهها را کپی کنیم، با مشکلاتی مواجه میشویم.
- همین کار را برای پایگاه داده اعتبارسنجی انجام دهید.
توجه داشته باشید که طرحواره کمی با داده های آموزشی متفاوت است. دوباره مطمئن شوید که انواع داده ها و ترتیب ستون ها یا ویژگی ها صحیح هستند.
- فایل داده CSV را از سیستم محلی خود در محیط مرحله بندی Snowflake بارگیری کنید:
- دستور زیر برای سیستم عامل ویندوز است:
- دستور زیر برای سیستم عامل مک است:
تصویر زیر یک فرمان و خروجی نمونه از داخل SnowSQL CLI را نشان می دهد.
- داده ها را در جدول Snowflake هدف کپی کنید.
در اینجا، داده های CSV آموزشی را در جدول هدف که قبلا ایجاد کرده بودیم بارگذاری می کنیم. توجه داشته باشید که باید این کار را برای فایلهای CSV آموزشی و اعتبارسنجی انجام دهید و آنها را به ترتیب در جداول آموزشی و اعتبارسنجی کپی کنید.
- با اجرای یک کوئری SELECT بررسی کنید که داده ها در جدول هدف بارگذاری شده اند (شما می توانید این کار را برای داده های آموزشی و اعتبارسنجی انجام دهید):
نقش های Snowflake IAM را پیکربندی کنید و ادغام Snowflake را ایجاد کنید
به عنوان پیش نیاز این بخش، لطفاً مستندات رسمی Snowflake را در مورد نحوه cیک Snowflake Storage ادغام را برای دسترسی به Amazon S3 پیکربندی کنید.
کاربر IAM را برای حساب Snowflake خود بازیابی کنید
هنگامی که با موفقیت یکپارچه سازی ذخیره سازی Snowflake خود را پیکربندی کردید، موارد زیر را اجرا کنید DESCRIBE INTEGRATION
دستور برای بازیابی ARN برای کاربر IAM که به طور خودکار برای حساب Snowflake شما ایجاد شده است:
مقادیر زیر را از خروجی ثبت کنید:
- STORAGE_AWS_IAM_USER_ARN - کاربر IAM برای حساب Snowflake شما ایجاد شده است
- STORAGE_AWS_EXTERNAL_ID - شناسه خارجی مورد نیاز برای ایجاد یک رابطه اعتماد
خط مشی اعتماد نقش IAM را به روز کنید
اکنون خط مشی اعتماد را به روز می کنیم:
- در کنسول IAM، را انتخاب کنید نقش در صفحه ناوبری
- نقشی را که ساخته اید انتخاب کنید.
- بر رابطه اعتماد برگه ، انتخاب کنید رابطه اعتماد را ویرایش کنید.
- سند خط مشی را همانطور که در کد زیر نشان داده شده است با مقادیر خروجی DESC STORAGE INTEGRATION که در مرحله قبل ثبت کرده اید، تغییر دهید.
- را انتخاب کنید به روز رسانی خط مشی اعتماد.
یک مرحله خارجی در Snowflake ایجاد کنید
ما از یک مرحله خارجی در Snowflake برای بارگیری داده ها از یک سطل S3 در حساب شخصی شما در Snowflake استفاده می کنیم. در این مرحله، ما یک مرحله خارجی (Amazon S3) ایجاد می کنیم که به یکپارچه سازی ذخیره سازی که شما ایجاد کرده اید اشاره می کند. برای اطلاعات بیشتر ببین ایجاد یک مرحله S3.
این مستلزم نقشی است که داشته باشد CREATE_STAGE
امتیاز برای طرح و همچنین امتیاز USAGE در ادغام ذخیره سازی. همانطور که در کد در مرحله بعد نشان داده شده است، می توانید این امتیازات را به نقش بدهید.
با استفاده از CREATE_STAGE
دستور با متغیرهایی برای مرحله خارجی و سطل و پیشوند S3. مرحله همچنین به یک شیء فرمت فایل با نام به نام ارجاع می دهد my_csv_format
:
یک راز برای اعتبارنامه Snowflake ایجاد کنید
Canvas به شما امکان می دهد از ARN یک an استفاده کنید مدیر اسرار AWS مخفی یا نام حساب کاربری، نام کاربری و رمز عبور Snowflake برای دسترسی به Snowflake. اگر میخواهید از گزینه نام حساب، نام کاربری و رمز عبور Snowflake استفاده کنید، به بخش بعدی بروید که اضافه کردن منبع داده را پوشش میدهد.
برای ایجاد یک Secrets Manager به صورت دستی، مراحل زیر را انجام دهید:
- در کنسول Secrets Manager، را انتخاب کنید یک راز جدید ذخیره کنید.
- برای نوع مخفی را انتخاب کنیدانتخاب کنید انواع دیگر اسرار.
- جزئیات راز خود را به صورت جفت کلید-مقدار مشخص کنید.
نام کلید به حروف بزرگ و کوچک حساس است و باید با حروف کوچک باشد.
اگر ترجیح می دهید، می توانید از گزینه متن ساده استفاده کنید و مقادیر مخفی را به عنوان JSON وارد کنید:
- را انتخاب کنید بعدی.
- برای نام مخفی، پیشوند را اضافه کنید
AmazonSageMaker
(مثلا راز ما این استAmazonSageMaker-CanvasSnowflakeCreds
). - در گزينه ها بخش، یک برچسب با کلید SageMaker و مقدار true اضافه کنید.
- را انتخاب کنید بعدی.
- بقیه فیلدها اختیاری هستند. انتخاب کنید بعدی تا زمانی که شما گزینه ای برای انتخاب داشته باشید فروشگاه برای ذخیره راز
- پس از اینکه راز را ذخیره کردید، به کنسول Secrets Manager بازگردانده می شوید.
- رازی را که ایجاد کردید انتخاب کنید، سپس ARN مخفی را بازیابی کنید.
- این را در ویرایشگر متن دلخواه خود ذخیره کنید تا بعداً هنگام ایجاد منبع داده Canvas از آن استفاده کنید.
Snowflake را مستقیماً به Canvas وارد کنید
برای وارد کردن مستقیم مجموعه دادههای رخساره به Canvas، مراحل زیر را انجام دهید:
- در کنسول SageMaker، را انتخاب کنید آمازون SageMaker Canvas در صفحه ناوبری
- پروفایل کاربری خود را انتخاب کرده و انتخاب کنید بوم را باز کنید.
- در صفحه فرود Canvas، را انتخاب کنید مجموعه داده ها در صفحه ناوبری
- را انتخاب کنید وارد كردن.
- با کلیک بر روی دانه برف در تصویر زیر و سپس بلافاصله "افزودن اتصال".
- ARN راز Snowflake را که قبلا ایجاد کردیم، نام یکپارچه سازی ذخیره سازی (
SAGEMAKER_CANVAS_INTEGRATION
، و یک نام اتصال منحصر به فرد انتخابی شما. - را انتخاب کنید اتصال را اضافه کنید.
اگر همه ورودیها معتبر هستند، باید تمام پایگاههای داده مرتبط با اتصال را در قسمت ناوبری ببینید (به مثال زیر مراجعه کنید. NICK_FACIES
).
- انتخاب
TRAINING_DATA
جدول، سپس انتخاب کنید پیش نمایش مجموعه داده.
اگر از داده ها راضی هستید، می توانید SQL سفارشی را در ویژوالایزر داده ویرایش کنید.
- را انتخاب کنید ویرایش در SQL.
- قبل از وارد کردن به Canvas دستور SQL زیر را اجرا کنید. (این فرض می کند که پایگاه داده فراخوانی می شود
NICK_FACIES
. این مقدار را با نام پایگاه داده خود جایگزین کنید.)
چیزی شبیه به تصویر زیر باید در صفحه نمایش ظاهر شود پیش نمایش واردات بخش.
- اگر از پیش نمایش راضی هستید، انتخاب کنید وارد کردن داده.
- یک نام داده مناسب انتخاب کنید، مطمئن شوید که منحصر به فرد است و کمتر از 32 کاراکتر طول دارد.
- از دستور زیر برای وارد کردن مجموعه داده اعتبارسنجی با استفاده از روش قبلی استفاده کنید:
یک مدل طبقه بندی رخساره بسازید
برای ساخت مدل طبقه بندی رخساره، مراحل زیر را انجام دهید:
- را انتخاب کنید مدل در صفحه پیمایش، سپس انتخاب کنید مدل جدید.
- به مدل خود یک نام مناسب بدهید.
- بر انتخاب کنید برگه، مجموعه داده آموزشی اخیرا وارد شده را انتخاب کنید، سپس انتخاب کنید مجموعه داده را انتخاب کنید.
- بر ساختن برگه، رها کنید
WELL_NAME
ستون.
ما این کار را انجام می دهیم زیرا نام چاه ها خود اطلاعات مفیدی برای مدل ML نیستند. آنها صرفاً نامهای دلخواه هستند که برای تمایز بین خود چاهها مفید میدانیم. نامی که ما برای یک چاه خاص می گذاریم به مدل ML بی ربط است.
- FACIES را به عنوان ستون هدف انتخاب کنید.
- ترک کردن نوع مدل as 3+ پیش بینی دسته.
- داده ها را اعتبار سنجی کنید.
- را انتخاب کنید ساخت استاندارد.
صفحه شما باید دقیقاً قبل از ساخت مدل شما شبیه به تصویر زیر باشد.
بعد از انتخاب ساخت استاندارد، مدل وارد مرحله تحلیل می شود. زمان ساخت مورد انتظار برای شما در نظر گرفته شده است. اکنون میتوانید این پنجره را ببندید، از Canvas خارج شوید (به منظور اجتناب از هزینهها)، و بعداً به Canvas بازگردید.
تحلیل مدل طبقه بندی رخساره ها
برای تجزیه و تحلیل مدل، مراحل زیر را انجام دهید:
- دوباره به Canvas تبدیل شوید.
- مدل ایجاد شده قبلی خود را پیدا کنید، انتخاب کنید چشم انداز، پس از آن را انتخاب کنید تجزیه و تحلیل.
- بر بررسی اجمالی در برگه، میتوانید تأثیری را که ویژگیهای فردی روی خروجی مدل میگذارند، مشاهده کنید.
- در قسمت سمت راست، میتوانید تأثیری را که یک ویژگی معین (محور X) روی پیشبینی هر کلاس رخساره (محور Y) میگذارد را تجسم کنید.
این تجسم ها بر این اساس بسته به ویژگی انتخابی شما تغییر خواهند کرد. ما شما را تشویق می کنیم تا با دوچرخه سواری در تمام 9 کلاس و 10 ویژگی، این صفحه را کاوش کنید.
- بر نمره دهی تب، میتوانیم طبقهبندی رخسارههای پیشبینیشده در مقابل واقعی را ببینیم.
- را انتخاب کنید معیارهای پیشرفته برای مشاهده امتیازات F1، دقت متوسط، دقت، فراخوانی و AUC.
- باز هم، ما تماشای تمام کلاس های مختلف را تشویق می کنیم.
- را انتخاب کنید دانلود برای دانلود یک تصویر در دستگاه محلی خود.
در تصویر زیر تعدادی از معیارهای پیشرفته مختلف مانند امتیاز F1 را می بینیم. در تجزیه و تحلیل آماری، امتیاز F1 تعادل بین دقت و یادآوری یک مدل طبقهبندی را نشان میدهد و با استفاده از معادله زیر محاسبه میشود: 2*((Precision * Recall)/ (Precision + Recall))
.
اجرای پیشبینی دستهای و تکی با استفاده از مدل طبقهبندی رخسارههای چند طبقه
برای اجرای یک پیش بینی، مراحل زیر را انجام دهید:
- را انتخاب کنید پیش بینی واحد برای تغییر مقادیر ویژگی در صورت نیاز، و دریافت یک طبقه بندی رخساره در سمت راست صفحه.
سپس می توانید تصویر نمودار پیش بینی را در کلیپ بورد خود کپی کنید و همچنین پیش بینی ها را در یک فایل CSV دانلود کنید.
- را انتخاب کنید پیش بینی دسته ای و سپس انتخاب کنید مجموعه داده را انتخاب کنید برای انتخاب مجموعه داده اعتبارسنجی که قبلا وارد کرده اید.
- را انتخاب کنید پیش بینی ایجاد کنید.
شما به مسیر هدایت می شوید پیش بینی صفحه، جایی که وضعیت خواهد خواند ایجاد پیش بینی برای چند ثانیه
پس از بازگشت پیشبینیها، میتوانید با انتخاب منوی گزینهها (سه نقطه عمودی) در کنار پیشبینیها، پیشبینی، دانلود یا حذف کنید.
نمونه زیر نمونه ای از پیش نمایش پیش بینی ها است.
یک مدل آموزش دیده را در استودیو به اشتراک بگذارید
اکنون می توانید آخرین نسخه مدل را با یکی دیگر از کاربران استودیو به اشتراک بگذارید. این به دانشمندان داده اجازه می دهد تا مدل را با جزئیات بررسی کنند، آن را آزمایش کنند، هر گونه تغییری که ممکن است دقت را بهبود بخشد ایجاد کنند و مدل به روز شده را با شما به اشتراک بگذارند.
با توجه به تمایز کلیدی بین گردش کار شخصیتهای ML، توانایی اشتراکگذاری کار خود با یک کاربر فنیتر در استودیو، یکی از ویژگیهای کلیدی Canvas است. به تمرکز قوی در اینجا بر روی همکاری بین تیم های متقابل با توانایی های فنی متفاوت توجه کنید.
- را انتخاب کنید اشتراک گذاری برای به اشتراک گذاشتن مدل
- انتخاب کنید کدام نسخه مدل را به اشتراک بگذارید.
- کاربر Studio را وارد کنید تا مدل را با آن به اشتراک بگذارید.
- یک یادداشت اختیاری اضافه کنید.
- را انتخاب کنید اشتراک گذاری.
نتیجه
در این پست، نشان دادیم که چگونه با چند کلیک در آمازون SageMaker Canvas میتوانید دادههای خود را از Snowflake آماده و وارد کنید، به مجموعه دادههای خود بپیوندید، دقت تخمینی را تجزیه و تحلیل کنید، بررسی کنید کدام ستونها تاثیرگذار هستند، بهترین مدل را آموزش دهید، و افراد جدیدی ایجاد کنید. یا پیش بینی دسته ای ما خوشحالیم که بازخورد شما را می شنویم و به شما کمک می کنیم مشکلات تجاری بیشتری را با ML حل کنید. برای ساخت مدل های خود، ببینید شروع با استفاده از آمازون SageMaker Canvas.
درباره نویسنده
نیک مک کارتی یک مهندس یادگیری ماشین در تیم خدمات حرفه ای AWS است. او با مشتریان AWS در صنایع مختلف از جمله مراقبت های بهداشتی، مالی، ورزش، مخابرات و انرژی کار کرده است تا از طریق استفاده از AI/ML به نتایج تجاری آنها سرعت بخشد. نیک اخیراً با همکاری تیم علم داده bpx، ساخت پلتفرم یادگیری ماشین bpx را در Amazon SageMaker به پایان رسانده است.
تاچر تورنبری مهندس یادگیری ماشین در bpx Energy است. او از دانشمندان داده bpx با توسعه و حفظ پلت فرم اصلی Data Science شرکت در Amazon SageMaker پشتیبانی می کند. او در اوقات فراغت خود عاشق هک کردن پروژه های برنامه نویسی شخصی و گذراندن وقت در خارج از منزل با همسرش است.
- 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/prepare-training-and-validation-dataset-for-facies-classification-using-snowflake-integration-and-train-using-amazon-sagemaker-canvas/
- : دارد
- :است
- :جایی که
- $UP
- 10
- 100
- 11
- 12
- 14
- 17
- 50
- 7
- 8
- 9
- a
- توانایی
- توانایی
- شتاب دادن
- دسترسی
- بر این اساس
- حساب
- دقت
- به درستی
- در میان
- عمل
- واقعی
- اضافه کردن
- اضافه کردن
- نشانی
- پیشرفته
- از نو
- AI
- AI / ML
- هدف
- تراز
- معرفی
- اجازه دادن
- اجازه می دهد تا
- قبلا
- همچنین
- آمازون
- آمازون SageMaker
- آمازون SageMaker Canvas
- آمازون خدمات وب
- an
- تحلیل
- تحلیلگران
- تحلیل
- و
- دیگر
- هر
- نرم افزار
- ظاهر شدن
- کاربرد
- مناسب
- هستند
- محدوده
- AS
- مرتبط است
- At
- بطور خودکار
- میانگین
- اجتناب از
- AWS
- خدمات حرفه ای AWS
- محور
- به عقب
- برج میزان
- BE
- زیرا
- شدن
- بوده
- قبل از
- در زیر
- بهترین
- میان
- هر دو
- ساختن
- بنا
- کسب و کار
- اما
- by
- نام
- CAN
- نقاشی
- مورد
- دسته بندی
- تغییر دادن
- تبادل
- کاراکتر
- بار
- چارت سازمانی
- را انتخاب کنید
- انتخاب
- کلاس
- کلاس ها
- طبقه بندی
- مشتریان
- نزدیک
- رمز
- برنامه نویسی
- همکاری
- ستون
- ستون ها
- شرکت
- شرکت
- کامل
- شرط
- ارتباط
- کنسول
- کپی برداری
- هسته
- اصلاح
- را پوشش می دهد
- ایجاد
- ایجاد شده
- ایجاد
- مجوزها و اعتبارات
- بحرانی
- تیم های متقابل
- جاری
- سفارشی
- داده ها
- علم اطلاعات
- پایگاه داده
- پایگاه های داده
- مجموعه داده ها
- بستگی دارد
- مستقر
- عمق
- توصیف
- دسکتاپ
- جزئیات
- جزئیات
- مشخص کردن
- در حال توسعه
- مختلف
- متفاوت
- مستقیما
- تمیز دادن
- do
- سند
- مستندات
- آیا
- دانلود
- قطره
- در طی
- هر
- پیش از آن
- به آسانی
- سردبیر
- اثر
- هر دو
- تشویق
- انرژی
- مهندس
- اطمینان حاصل شود
- حصول اطمینان از
- وارد
- وارد می شود
- محیط
- ایجاد
- برآورد
- حتی
- مثال
- برانگیخته
- موجود
- انتظار می رود
- آزمایش
- توضیح دهید
- اکتشاف
- خارجی
- f1
- ویژگی
- امکانات
- باز خورد
- کمی از
- کمتر
- زمینه
- پرونده
- فایل ها
- سرمایه گذاری
- پیدا کردن
- تمرکز
- به دنبال
- پیروی
- برای
- قالب
- تشکیل
- یافت
- رایگان
- از جانب
- تولید می کنند
- دریافت کنید
- GitHub
- دادن
- داده
- اعطا کردن
- هک
- خوشحال
- آیا
- داشتن
- he
- بهداشت و درمان
- شنیدن
- کمک
- اینجا کلیک نمایید
- خود را
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- ID
- هویت
- if
- تصویر
- بلافاصله
- تأثیر
- تأثیرگذار
- واردات
- مهم
- واردات
- بهبود
- in
- شامل
- از جمله
- به طور فزاینده
- فرد
- لوازم
- اطلاعات
- نصب شده
- دستورالعمل
- ادغام
- قصد
- علاقه
- به
- تحقیق
- مسائل
- IT
- پیوستن
- JPG
- json
- تنها
- کلید
- فرود
- بزرگ
- بعد
- آخرین
- لایه
- یادگیری
- کوچک
- بار
- بارگیری
- محلی
- محل
- ورود به سیستم
- طولانی
- نگاه کنيد
- دوست دارد
- مک
- دستگاه
- فراگیری ماشین
- حفظ
- رشته
- ساخت
- مدیر
- دستی
- بسیاری
- ممکن است..
- فهرست
- صرفا - فقط
- روش
- متریک
- ML
- مدل
- مدل
- تغییر
- بیش
- باید
- نام
- تحت عنوان
- نام
- جهت یابی
- لازم
- ضروری
- جدید
- بعد
- اکنون
- عدد
- هدف
- به دست آمده
- of
- رسمی
- نفت
- on
- منبع باز
- گزینه
- گزینه
- or
- سفارش
- سفارشات
- OS
- ما
- خارج
- نتایج
- خارج از منزل
- تولید
- خود
- پلی اتیلن
- با ما
- جفت
- قطعه
- ویژه
- کلمه عبور
- انجام
- شخصی
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- سیاست
- محبوب
- پست
- پتانسیل
- دقت
- پیش بینی
- پیش گویی
- پیش بینی
- ترجیح می دهند
- مرجح
- آماده
- پیش نمایش
- قبلی
- قبلا
- در درجه اول
- اصلی
- امتیاز
- امتیازات
- مشکل
- مشکلات
- روند
- فرآیندهای
- حرفه ای
- مشخصات
- پروژه ها
- ارائه
- عمومی
- خواندن
- تازه
- ثبت
- منابع
- مناطق
- باقی مانده
- جایگزین کردن
- نیاز
- به ترتیب
- REST
- برگشت
- این فایل نقد می نویسید:
- راست
- نقش
- نقش
- دویدن
- در حال اجرا
- حکیم ساز
- همان
- علم
- دانشمندان
- نمره
- ثانیه
- راز
- بخش
- دیدن
- خدمات
- تنظیم
- اشتراک گذاری
- باید
- نشان
- نشان داد
- نشان داده شده
- نشان می دهد
- مشابه
- تنها
- مهارت
- راه حل
- حل
- منبع
- مشخص شده
- خرج کردن
- ورزش ها
- صحنه
- استقرار
- آغاز شده
- بیانیه
- آماری
- گام
- مراحل
- ذخیره سازی
- opbevare
- قوی
- استودیو
- متعاقبا
- موفقیت
- چنین
- مناسب
- پشتیبانی از
- نحو
- سیستم
- جدول
- TAG
- گرفتن
- هدف
- کار
- وظایف
- تیم
- تیم ها
- فنی
- ارتباطات
- آزمون
- نسبت به
- که
- La
- شان
- آنها
- خودشان
- سپس
- آنجا.
- اینها
- آنها
- این
- کسانی که
- سه
- از طریق
- زمان
- به
- قطار
- آموزش دیده
- آموزش
- درست
- اعتماد
- امتحان
- دو
- نوع
- انواع
- منحصر به فرد
- بروزرسانی
- به روز شده
- URL
- استفاده
- استفاده کنید
- کاربر
- با استفاده از
- اعتبار سنجی
- ارزش
- ارزشها
- مختلف
- بررسی
- نسخه
- عمودی
- چشم انداز
- تماشا
- vs
- خرید
- بود
- we
- وب
- برنامه تحت وب
- خدمات وب
- خوب
- ولز
- چی
- چه شده است
- چه زمانی
- که
- WHO
- زن
- اراده
- پنجره
- با
- در داخل
- مهاجرت کاری
- مشغول به کار
- گردش کار
- کارگر
- X
- شما
- شما
- زفیرنت