دنیایی که ما در آن زندگی می کنیم به سرعت در حال تغییر است، و همچنین داده ها و ویژگی هایی که شرکت ها و مشتریان برای آموزش مدل های خود از آنها استفاده می کنند، تغییر می کند. بازآموزی مدل ها برای هماهنگ نگه داشتن آنها با این تغییرات برای حفظ دقت بسیار مهم است. بنابراین، برای به روز نگه داشتن مدل ها و تطبیق آنها با ورودی های جدید، به یک رویکرد چابک و پویا نیاز دارید. این ترکیبی از مدلهای عالی و سازگاری مداوم چیزی است که منجر به یک استراتژی یادگیری ماشینی موفق (ML) میشود.
امروز، ما هیجانزده هستیم که راهاندازی چرخ لنگر Amazon Comprehend را اعلام کنیم - یک ویژگی عملیات یادگیری ماشینی یک مرحلهای (MLOps) برای درک آمازون مدل. در این پست، نشان میدهیم که چگونه میتوانید یک گردش کار انتها به انتها با چرخ لنگر آمازون Comprehend ایجاد کنید.
بررسی اجمالی راه حل
Amazon Comprehend یک سرویس کاملاً مدیریت شده است که از پردازش زبان طبیعی (NLP) برای استخراج بینش در مورد محتوای اسناد استفاده می کند. این به شما کمک می کند تا با شناخت احساسات، عبارات کلیدی، موجودیت ها و موارد دیگر اطلاعات را استخراج کنید و به شما امکان می دهد از مدل های پیشرفته استفاده کنید و آنها را برای موارد استفاده خاص خود تطبیق دهید.
MLO ها تمرکز بر تقاطع علم داده و مهندسی داده در ترکیب با شیوههای DevOps موجود برای سادهسازی ارائه مدل در سراسر چرخه عمر توسعه ML. MLOps رشته ادغام بارهای کاری ML در مدیریت انتشار، CI/CD و عملیات است. MLOps نیاز به ادغام توسعه نرم افزار، عملیات، مهندسی داده و علم داده دارد.
به همین دلیل Amazon Comprehend چرخ طیار را معرفی می کند. چرخ لنگر در نظر گرفته شده است که یک ایستگاه شما برای انجام MLOP برای مدل های آمازون Comprehend شما باشد. این ویژگی جدید به شما این امکان را می دهد که مدل های خود را به روز نگه دارید، مدل های خود را بهبود ببخشید و بهترین نسخه را سریعتر اجرا کنید.
نمودار زیر چرخه عمر مدل را در داخل چرخ لنگر آمازون Comprehend نشان می دهد.
فرآیند فعلی برای ایجاد یک مدل جدید شامل یک دنباله از مراحل است. ابتدا داده ها را جمع آوری کرده و مجموعه داده را آماده می کنید. سپس، مدل را با استفاده از این مجموعه داده آموزش می دهید. پس از آموزش مدل، از نظر دقت و عملکرد ارزیابی می شود. در نهایت، شما مدل را در نقطه پایانی برای انجام استنتاج مستقر می کنید. هنگامی که مدل های جدید ایجاد می شوند، این مراحل باید تکرار شوند و نقطه پایانی باید به صورت دستی به روز شود.
چرخ لنگر آمازون Comprehend این فرآیند ML را از دریافت داده تا به کارگیری مدل در تولید خودکار می کند. با این ویژگی جدید می توانید آموزش و تست مدل های ایجاد شده را در داخل آمازون Comprehend مدیریت کنید. این ویژگی همچنین به شما امکان میدهد پس از دریافت مجموعه دادههای جدید و در دسترس بودن در دریاچه داده چرخ لنگر، بازآموزی مدل را خودکار کنید.
Flywheel با طبقهبندی سفارشی و APIهای شناسایی موجودیت سفارشی یکپارچهسازی میکند و میتواند به نقشهای مختلف مانند مهندسان داده و توسعهدهندگان کمک کند تا گردش کار NLP را با سرویسهای بدون کد خودکار و مدیریت کنند.
ابتدا چند مفهوم را معرفی می کنیم:
- چرخ لنگر – فلایویل یک منبع AWS است که آموزش مداوم یک مدل را برای طبقه بندی سفارشی یا شناسایی موجودیت سفارشی هماهنگ می کند.
- مجموعه داده - مجموعه داده مجموعه ای از داده های آموزشی یا آزمایشی است که در یک چرخ لنگر استفاده می شود. Flywheel از مجموعه داده های آموزشی برای آموزش نسخه های مدل جدید و ارزیابی عملکرد آنها در مجموعه داده های آزمایشی استفاده می کند.
- دریاچه داده - دریاچه داده چرخ طیار مکانی در شماست سرویس ذخیره سازی ساده آمازون سطل (Amazon S3) که تمام مجموعه داده ها و مصنوعات مدل خود را ذخیره می کند. هر چرخ طیار دریاچه داده اختصاصی خود را دارد.
- تکرار چرخ فلایویل - تکرار چرخ لنگر، اجرای چرخ لنگر است که توسط کاربر راه اندازی می شود. بسته به در دسترس بودن قطار یا مجموعه داده های آزمایشی جدید، فلایویل یک نسخه مدل جدید را آموزش می دهد یا عملکرد مدل فعال را بر روی داده های آزمایشی جدید ارزیابی می کند.
- مدل فعال – یک مدل فعال، نسخه انتخاب شده از مدل توسط کاربر برای پیش بینی است. از آنجایی که عملکرد مدل با تکرارهای جدید فلایویل بهبود می یابد، می توانید نسخه فعال را به نسخه ای که بهترین عملکرد را دارد تغییر دهید.
نمودار زیر گردش کار فلایویل را نشان می دهد.
این مراحل به شرح زیر است:
- یک چرخ طیار ایجاد کنید – فلایویل آموزش نسخههای مدل را برای طبقهبندیکننده سفارشی یا شناسایی موجودیت سفارشی خودکار میکند. می توانید یک مدل آمازون Comprehend موجود را به عنوان نقطه شروع برای چرخ لنگر انتخاب کنید یا می توانید بدون هیچ مدلی از ابتدا شروع کنید. در هر دو مورد، مکان دریاچه داده فلایویل باید برای فلایویل مشخص شود.
- بلع داده ها - می توانید مجموعه داده های جدیدی را برای آموزش یا آزمایش در فلایویل ایجاد کنید. تمام داده های آموزشی و آزمایشی برای همه نسخه های مدل در دریاچه داده چرخ لنگر ایجاد شده در سطل S3 شما مدیریت و ذخیره می شود. فرمت های فایل پشتیبانی شده CSV و مانیفست تقویت شده از یک مکان S3 هستند. می توانید اطلاعات بیشتری برای آماده سازی مجموعه داده پیدا کنید طبقه بندی سفارشی و شناسایی موجودیت سفارشی.
- آموزش و ارزیابی مدل - وقتی مدل ARN (نام منبع آمازون) را برای استفاده نشان نمی دهید، به این معنی است که یک مدل جدید از ابتدا ساخته می شود. برای آن، اولین تکرار فلایویل مدل را بر اساس مجموعه داده قطار بارگذاری شده ایجاد می کند. برای تکرارهای متوالی، این موارد ممکن است:
- اگر از آخرین تکرار هیچ قطار یا مجموعه داده آزمایشی جدیدی آپلود نشده باشد، تکرار چرخ لنگر بدون هیچ تغییری به پایان می رسد.
- اگر از آخرین تکرار فقط مجموعه داده های آزمایشی جدیدی وجود داشته باشد، تکرار چرخ لنگر عملکرد مدل فعال فعلی را بر اساس مجموعه داده های آزمایشی جدید گزارش می دهد.
- اگر فقط مجموعه دادههای قطار جدید وجود داشته باشد، تکرار چرخ طیار مدل جدیدی را آموزش میدهد.
- اگر مجموعه دادههای آزمایشی و قطار جدیدی وجود داشته باشد، تکرار چرخ فلایویل یک مدل جدید را آموزش میدهد و عملکرد مدل فعال فعلی را گزارش میکند.
- نسخه جدید مدل فعال را تبلیغ کنید - بر اساس عملکرد تکرارهای مختلف چرخ فلایویل، می توانید نسخه مدل فعال را به بهترین نسخه به روز کنید.
- یک نقطه پایانی را مستقر کنید - پس از اجرای تکرار چرخ لنگر و به روز رسانی نسخه مدل فعال، می توانید استنتاج بلادرنگ (همگام) را بر روی مدل خود اجرا کنید. می توانید یک نقطه پایانی با فلایویل ARN ایجاد کنید که به طور پیش فرض از نسخه مدل فعال فعلی استفاده می کند. هنگامی که مدل فعال چرخ لنگر تغییر می کند، نقطه پایانی به طور خودکار بدون دخالت مشتری شروع به استفاده از مدل فعال جدید می کند. نقطه پایانی شامل تمام منابع مدیریت شده است که مدل سفارشی شما را برای استنتاج بلادرنگ در دسترس قرار می دهد.
در بخشهای بعدی، روشهای مختلف ایجاد یک چرخ لنگر جدید آمازون Comprehend را نشان میدهیم.
پیش نیازها
شما به موارد زیر نیاز دارید:
- یک حساب فعال AWS
- یک سطل S3 برای مکان داده شما
- An هویت AWS و مدیریت دسترسی نقش (IAM) با مجوز برای ایجاد چرخ لنگر Amazon Comprehend و مجوز خواندن و نوشتن در سطل S3 مکان داده شما
با AWS CloudFormation یک چرخ طیار ایجاد کنید
برای شروع استفاده از چرخ طیار آمازون Comprehend با AWS CloudFormation، به اطلاعات زیر در مورد نیاز دارید AWS::Comprehend::Flywheel
منبع:
- DataAccessRoleArn - ARN نقش IAM که به Amazon Comprehend اجازه دسترسی به داده های چرخ لنگر را می دهد.
- DataLakeS3Uri – آمازون S3 URI مکان دریاچه داده چرخ لنگر
- FlywheelName - نام چرخ طیار
برای اطلاعات بیشتر به مراجعه کنید مستندات AWS CloudFormation.
یک چرخ لنگر در کنسول آمازون Comprehend ایجاد کنید
در این مثال، نحوه ساخت یک چرخ طیار برای یک مدل طبقهبندیکننده سفارشی را نشان میدهیم کنسول آمازون Comprehend که موضوع خبر را مشخص می کند.
ایجاد یک مجموعه داده
ابتدا باید مجموعه داده را ایجاد کنید. برای این پست از مجموعه داده های طبقه بندی اخبار AG. در این مجموعه داده ها، داده ها در چهار دسته خبری طبقه بندی می شوند: WORLD
, SPORTS
, BUSINESS
و SCI_TEC
.
اجرا کن دفتر یادداشت دنبال کردن مراحل برای پیش پردازش داده ها در Comprehend Immersion Day Lab 2 برای مجموعه داده آموزش و آزمایش و ذخیره داده ها در آمازون S3.
یک چرخ طیار ایجاد کنید
اکنون می توانیم چرخ طیار خود را ایجاد کنیم. مراحل زیر را کامل کنید:
- در کنسول آمازون Comprehend، را انتخاب کنید پرنده ها در صفحه ناوبری
- را انتخاب کنید چرخ لنگر جدید ایجاد کنید.
شما می توانید یک فلایویل جدید از یک مدل موجود ایجاد کنید یا یک مدل جدید ایجاد کنید. در این حالت از ابتدا یک مدل جدید ایجاد می کنیم.
- برای نام فلایویل، یک نام وارد کنید (برای این مثال،
custom-news-flywheel
). - ترک مدل فیلد خالی
- انتخاب کنید طبقه بندی سفارشی برای نوع مدل سفارشی.
- برای زبان، تنظیمات را به عنوان رها کنید انگلیسی.
- انتخاب کنید استفاده از حالت چند برچسبی برای حالت طبقه بندی کننده.
- برای برچسب های سفارشی، وارد
BUSINESS,SCI_TECH,SPORTS,WORLD
. - برای تنظیمات رمزگذاری، نگه دارید از کلید متعلق به AWS استفاده کنید.
- برای مکان دریاچه داده فلایویل، یک URI S3 را در حساب خود انتخاب کنید که می تواند به این فلایویل اختصاص داده شود.
هر فلایویل دارای یک مکان دریاچه داده S3 است که در آن دارایی ها و مصنوعات چرخ طیار مانند مجموعه داده ها و آمار مدل ها را ذخیره می کند. مطمئن شوید که هیچ شیئی را از این مکان اصلاح یا حذف نکنید زیرا قرار است منحصراً توسط چرخ لنگر مدیریت شود.
- را انتخاب کنید یک نقش IAM ایجاد کنید و یک نام برای نقش وارد کنید (
CustomNewsFlywheelRole
در مورد ما). - را انتخاب کنید ساختن.
چند دقیقه طول می کشد تا فلایویل ایجاد شود. پس از ایجاد، وضعیت به تغییر خواهد کرد فعال.
- بر
custom-news-flywheel
صفحه جزئیات، انتخاب کنید ایجاد مجموعه داده - برای نام مجموعه داده، یک نام برای مجموعه داده آموزشی وارد کنید.
- ترک کردن پرونده CSV برای قالب داده.
- را انتخاب کنید آموزش و مجموعه داده آموزشی را از سطل S3 انتخاب کنید.
- را انتخاب کنید ساختن.
- این مراحل را برای ایجاد یک مجموعه داده آزمایشی تکرار کنید.
- پس از آپلود وضعیت مجموعه داده به تغییر می کند تکمیل شدهبرو به تکرارهای فلایویل برگه را انتخاب کنید و انتخاب کنید فلایویل را اجرا کنید.
- وقتی آموزش کامل شد به قسمت نسخه های مدل برگه، مدل اخیرا آموزش دیده را انتخاب کنید و انتخاب کنید مدل فعال بسازید.
شما همچنین می توانید معیارهای هدف F1 امتیاز، دقت، و یادآوری را مشاهده کنید.
- بازگشت به مجموعه داده ها برگه را انتخاب کنید و انتخاب کنید ایجاد مجموعه داده در مجموعه داده های آزمایشی بخش.
- محل را وارد کنید
text.csv
در سطل S3.
صبر کنید تا وضعیت به صورت نمایش داده شود تکمیل شده. با استفاده از مجموعه داده آزمایشی، معیارهایی در مدل فعال ایجاد میشود.
اگر شما را انتخاب کنید طبقه بندی سفارشی در صفحه پیمایش، میتوانید تمام مدلهای طبقهبندی اسناد، حتی مدلهایی که با فلایویلها آموزش دیدهاند، ببینید.
یک نقطه پایانی ایجاد کنید
برای ایجاد نقطه پایانی مدل خود، مراحل زیر را انجام دهید:
- در کنسول آمازون Comprehend، به چرخ لنگری که ایجاد کردید بروید.
- بر نقاط پایان برگه ، انتخاب کنید نقطه پایانی ایجاد کنید.
- نقطه پایانی را نام ببرید
news-topic
. - تحت مدل های طبقه بندی و فلایویل ها، نسخه مدل فعال از قبل انتخاب شده است.
- برای واحدهای استنتاج، انتخاب کنید 1 IU.
- کادر تأیید تأیید را انتخاب کنید، سپس انتخاب کنید نقطه پایانی ایجاد کنید.
- پس از اینکه نقطه پایانی ایجاد شد و فعال شد، به آن بروید استفاده در تجزیه و تحلیل بلادرنگ در صفحه جزئیات نقطه پایانی
- مدل را با وارد کردن متن در آن تست کنید متن ورودی جعبه.
- تحت نتایج، برچسب ها را برای موضوعات خبری بررسی کنید.
یک کار تحلیل ناهمزمان ایجاد کنید
برای ایجاد یک کار تجزیه و تحلیل، مراحل زیر را انجام دهید:
- در کنسول آمازون Comprehend، به نسخه مدل فعال بروید.
- را انتخاب کنید ایجاد شغل.
- برای نام، وارد
batch-news
. - برای نوع تحلیلانتخاب کنید طبقه بندی سفارشی.
- برای مدل های طبقه بندی و فلایویل ها، چرخ لنگر را که ایجاد کردید انتخاب کنید (
custom-news-flywheel
). - آمازون S3 را برای انتخاب فایل ورودی با متون خبری مختلف که میخواهیم تجزیه و تحلیل را با آنها ایجاد کنیم، انتخاب کنید و سپس انتخاب کنید. یک سند در هر خط (یک متن خبر در هر خط).
تصویر زیر سند آپلود شده برای این تمرین را نشان می دهد.
- محل ذخیره فایل خروجی را در محل S3 خود انتخاب کنید.
- برای مجوزهای دسترسی، نقش IAM را انتخاب کنید
CustomNewsFlywheelRole
که قبلا ایجاد کردید - را انتخاب کنید ایجاد شغل.
- پس از اتمام کار، فایل خروجی را دانلود کرده و پیش بینی ها را بررسی کنید.
پاک کردن
برای جلوگیری از هزینههای آتی، منابعی را که ایجاد کردهاید پاک کنید.
- در کنسول آمازون Comprehend، را انتخاب کنید پرنده ها در صفحه ناوبری
- فلایویل خود را انتخاب کرده و انتخاب کنید حذف.
- هر نقطه پایانی را که ایجاد کرده اید حذف کنید.
- سطل های S3 که ایجاد کردید را خالی و حذف کنید.
نتیجه
در این پست، دیدیم که چگونه یک چرخ فلایویل آمازون Comprehend به عنوان یک فروشگاه یک مرحله ای برای انجام MLOP برای مدل های آمازون Comprehend شما عمل می کند. ما همچنین ارزش پیشنهادی آن را مورد بحث قرار دادیم و مفاهیم اولیه چرخ طیار را معرفی کردیم. سپس شما را در مراحل مختلف از ایجاد چرخ لنگر تا ایجاد نقطه پایانی راهنمایی کردیم.
اطلاعات بیشتر در مورد یادگیری مداوم مدل های سفارشی Amazon Comprehend را با استفاده از چرخ لنگر Comprehend ساده کنید. اکنون آن را امتحان کنید و با سرویس تازه راه اندازی شده ما، چرخ لنگر آمازون Comprehend، شروع کنید.
درباره نویسنده
آلبرتو منندز مشاور DevOps در خدمات حرفه ای در AWS و عضو Comprehend Champions است. او دوست دارد به سرعت بخشیدن به سفر مشتریان به ابر و ایجاد راه حل هایی برای حل چالش های تجاری آنها کمک کند. او در اوقات فراغت خود از ورزش به خصوص بسکتبال و پادل، گذراندن وقت با خانواده و دوستان و آشنایی با تکنولوژی لذت می برد.
ایرنه آرویو دلگادو مشاور AI/ML در خدمات حرفه ای در AWS و عضو Comprehend Champions است. او بر تولید بارهای کاری ML برای دستیابی به نتایج تجاری دلخواه مشتریان با خودکارسازی چرخه عمر ML سرتاسر تمرکز دارد. او تجربه ساخت پلتفرمهای ML کارآمد و ادغام آنها با دریاچه داده در AWS را دارد. ایرن در اوقات فراغت خود از سفر و پیاده روی در کوه لذت می برد.
شوتا تاپا یک معمار Solutions در Enterprise درگیر در AWS و عضو Comprehend Champions است. او از کمک به مشتریان خود در سفر و رشد در فضای ابری، گوش دادن به نیازهای تجاری آنها و ارائه بهترین راه حل ها به آنها لذت می برد. شوتا در اوقات فراغت خود از بیرون رفتن برای دویدن، مسافرت و بیشتر از همه وقت گذراندن با دختر بچه اش لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/introducing-the-amazon-comprehend-flywheel-for-mlops/
- 100
- 11
- 116
- 7
- a
- درباره ما
- شتاب دادن
- دسترسی
- حساب
- دقت
- رسیدن
- در میان
- فعال
- وفق دادن
- انطباق
- مزیت - فایده - سود - منفعت
- پس از
- فرز
- AI / ML
- معرفی
- اجازه دادن
- اجازه می دهد تا
- قبلا
- آمازون
- درک آمازون
- تحلیل
- و
- اعلام
- رابط های برنامه کاربردی
- روش
- دارایی
- وابسته
- افزوده شده
- خودکار بودن
- خودکار می کند
- بطور خودکار
- اتوماسیون
- دسترس پذیری
- در دسترس
- AWS
- عزیزم
- مستقر
- اساسی
- بسکتبال
- زیرا
- بهترین
- جعبه
- ساختن
- بنا
- ساخته
- کسب و کار
- مورد
- موارد
- دسته
- چالش ها
- تغییر دادن
- تبادل
- متغیر
- بار
- بررسی
- را انتخاب کنید
- طبقه بندی
- طبقه بندی
- ابر
- ترکیب
- شرکت
- کامل
- تکمیل شده
- درک
- مفاهیم
- کنسول
- مشاور
- محتوا
- مداوم
- زن و شوهر
- ایجاد
- ایجاد شده
- ایجاد
- بحرانی
- جاری
- در حال حاضر
- سفارشی
- مشتری
- مشتریان
- داده ها
- دریاچه دریاچه
- علم اطلاعات
- مجموعه داده ها
- تاریخ
- روز
- اختصاصی
- به طور پیش فرض
- تحویل
- نشان دادن
- بستگی دارد
- گسترش
- استقرار
- مطلوب
- دقیق
- جزئیات
- توسعه دهندگان
- پروژه
- مختلف
- بحث کردیم
- سند
- اسناد و مدارک
- آیا
- دانلود
- پویا
- هر
- پیش از آن
- هر دو
- رمزگذاری
- پشت سر هم
- نقطه پایانی
- مشغول
- مهندسی
- مورد تأیید
- وارد
- سرمایه گذاری
- اشخاص
- موجودیت
- به خصوص
- ارزیابی
- ارزیابی
- حتی
- مثال
- برانگیخته
- منحصرا
- ورزش
- موجود
- تجربه
- عصاره
- f1
- خانواده
- سریعتر
- ویژگی
- امکانات
- رشته
- آمار و ارقام
- پرونده
- سرانجام
- پیدا کردن
- پایان
- نام خانوادگی
- تمرکز
- پیروی
- به دنبال آن است
- رایگان
- دوستان
- از جانب
- کاملا
- آینده
- دریافت کنید
- Go
- رفتن
- کمک های مالی
- بزرگ
- رشد
- کمک
- کمک
- کمک می کند
- چگونه
- چگونه
- HTML
- HTTPS
- هویت
- بهبود
- بهبود یافته
- in
- شامل
- نشان دادن
- اطلاعات
- ورودی
- بینش
- ادغام
- ادغام
- تقاطع
- مداخله
- معرفی
- معرفی
- معرفی
- IT
- تکرار
- تکرار
- کار
- سفر
- نگاه داشتن
- کلید
- آزمایشگاه
- برچسب ها
- دریاچه
- زبان
- نام
- راه اندازی
- راه اندازی
- رهبری
- یادگیری
- ترک کردن
- wifecycwe
- چرخه های زندگی
- لاین
- استماع
- زنده
- محل
- دستگاه
- فراگیری ماشین
- حفظ
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- دستی
- عضو
- متریک
- دقیقه
- ML
- MLO ها
- مدل
- مدل
- تغییر
- بیش
- اکثر
- نام
- طبیعی
- پردازش زبان طبیعی
- هدایت
- جهت یابی
- نیاز
- نیازهای
- جدید
- اخبار
- nlp
- هدف
- اشیاء
- مشاهده کردن
- ارائه
- ONE
- مداوم
- عملیات
- خود
- متعلق به
- قطعه
- انجام
- کارایی
- اجازه
- مجوز
- عبارات
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- ممکن
- پست
- شیوه های
- دقت
- پیش بینی
- آماده
- آماده
- روند
- در حال پردازش
- تولید
- حرفه ای
- پیشنهاد
- فراهم می کند
- سریعا
- خواندن
- زمان واقعی
- تازه
- به رسمیت شناختن
- آزاد
- مکرر
- گزارش
- نشان دهنده
- نیاز
- منابع
- منابع
- نقش
- نقش
- دویدن
- در حال اجرا
- ذخیره
- علم
- بخش
- بخش
- انتخاب شد
- دنباله
- خدمت
- سرویس
- خدمات
- تنظیم
- محیط
- تنظیمات
- فروشگاه
- نشان می دهد
- ساده
- پس از
- تنها
- So
- نرم افزار
- توسعه نرم افزار
- مزایا
- حل
- برخی از
- خاص
- مشخص شده
- هزینه
- ورزش ها
- شروع
- آغاز شده
- راه افتادن
- شروع می شود
- وضعیت هنر
- ارقام
- وضعیت
- مراحل
- توقف
- ذخیره سازی
- ذخیره شده
- پرده
- استراتژی
- ساده کردن
- موفق
- چنین
- پشتیبانی
- گرفتن
- پیشرفته
- آزمون
- تست
- La
- شان
- از این رو
- از طریق
- زمان
- به
- موضوع
- تاپیک
- قطار
- آموزش دیده
- آموزش
- سفر
- باعث شد
- بروزرسانی
- به روز شده
- به روز رسانی
- آپلود شده
- استفاده کنید
- مورد استفاده
- کاربر
- ارزش
- نسخه
- راه می رفت
- راه
- چی
- که
- اراده
- بدون
- کارگاه های آموزشی
- جهان
- نوشتن
- شما
- شما
- زفیرنت