خودکار کردن به شما این امکان را می دهد که در ابتدای چرخه عمر پروژه یادگیری ماشینی (ML) بینش های سریع و کلی را از داده های خود بدست آورید. درک اینکه چه روشهای پیشپردازش و انواع الگوریتمها بهترین نتایج را ارائه میدهند، زمان توسعه، آموزش و استقرار مدل مناسب را کاهش میدهد. این نقش مهمی در فرآیند توسعه هر مدل ایفا می کند و به دانشمندان داده اجازه می دهد تا بر روی امیدوار کننده ترین تکنیک های ML تمرکز کنند. علاوه بر این، AutoML عملکرد مدل پایه را ارائه می دهد که می تواند به عنوان یک نقطه مرجع برای تیم علم داده عمل کند.
ابزار AutoML ترکیبی از الگوریتمهای مختلف و تکنیکهای پیشپردازش مختلف را روی دادههای شما اعمال میکند. برای مثال، میتواند دادهها را مقیاسبندی کند، انتخاب ویژگی تک متغیره را انجام دهد، PCA را در سطوح آستانه واریانس مختلف انجام دهد و خوشهبندی را اعمال کند. چنین تکنیک های پیش پردازشی را می توان به صورت جداگانه اعمال کرد یا در یک خط لوله ترکیب کرد. متعاقباً، یک ابزار AutoML انواع مدلهای مختلف مانند رگرسیون خطی، Elastic-Net یا Random Forest را بر روی نسخههای مختلف مجموعه دادههای از پیش پردازش شده شما آموزش میدهد و بهینهسازی هایپرپارامتر (HPO) را انجام میدهد. Amazon SageMaker Autopilot بلند کردن سنگین مدل های ML ساختمان را حذف می کند. پس از ارائه مجموعه داده، SageMaker Autopilot به طور خودکار راه حل های مختلف را برای یافتن بهترین مدل بررسی می کند. اما اگر بخواهید نسخه سفارشی خود از گردش کار AutoML را گسترش دهید، چه؟
این پست نحوه ایجاد یک گردش کار سفارشی AutoML را نشان می دهد آمازون SageMaker با استفاده از تنظیم خودکار مدل Amazon SageMaker با کد نمونه موجود در a مخزن GitHub.
بررسی اجمالی راه حل
برای این مورد، فرض کنید شما بخشی از یک تیم علم داده هستید که مدلهایی را در یک دامنه تخصصی توسعه میدهد. شما مجموعه ای از تکنیک های پیش پردازش سفارشی را توسعه داده اید و تعدادی الگوریتم را انتخاب کرده اید که معمولاً انتظار دارید با مشکل ML شما به خوبی کار کنند. هنگام کار بر روی موارد استفاده جدید ML، ابتدا می خواهید یک اجرای AutoML را با استفاده از تکنیک ها و الگوریتم های پیش پردازش خود انجام دهید تا دامنه راه حل های بالقوه را محدود کنید.
برای این مثال، شما از یک مجموعه داده تخصصی استفاده نمی کنید. در عوض، شما با مجموعه داده مسکن کالیفرنیا که از آن وارد خواهید کرد کار می کنید سرویس ذخیره سازی ساده آمازون (Amazon S3). تمرکز بر نشان دادن اجرای فنی راه حل با استفاده از SageMaker HPO است که بعداً می تواند برای هر مجموعه داده و دامنه اعمال شود.
نمودار زیر گردش کار راه حل کلی را نشان می دهد.
پیش نیازها
شرایط زیر برای تکمیل مراحل در این پست آمده است:
راه حل را اجرا کنید
کد کامل در موجود است GitHub repo.
مراحل پیاده سازی راه حل (همانطور که در نمودار گردش کار ذکر شده است) به شرح زیر است:
- یک نمونه نوت بوک ایجاد کنید و موارد زیر را مشخص کنید:
- برای نوع نمونه نوت بوک، انتخاب کنید ml.t3.متوسط.
- برای استنتاج الاستیک، انتخاب کنید هیچ.
- برای شناسه پلتفرم، انتخاب کنید لینوکس آمازون 2، آزمایشگاه ژوپیتر 3.
- برای نقش IAM، پیش فرض را انتخاب کنید
AmazonSageMaker-ExecutionRole
. اگر وجود ندارد، یک جدید ایجاد کنید هویت AWS و مدیریت دسترسی (IAM) نقش و پیوست کنید خط مشی IAM AmazonSageMakerFullAccess.
توجه داشته باشید که باید نقش و خط مشی اجرایی با محدوده حداقلی در تولید ایجاد کنید.
- رابط JupyterLab را برای نمونه نوت بوک خود باز کنید و مخزن GitHub را شبیه سازی کنید.
می توانید این کار را با شروع یک جلسه ترمینال جدید و اجرای آن انجام دهید git clone <REPO>
دستور یا با استفاده از عملکرد UI، همانطور که در تصویر زیر نشان داده شده است.
- باز کردن
automl.ipynb
فایل نوت بوک را انتخاب کنیدconda_python3
هسته، و دستورالعمل ها را برای راه اندازی a دنبال کنید مجموعه ای از مشاغل HPO.
برای اجرای کد بدون هیچ تغییری، باید سهمیه سرویس را افزایش دهید ml.m5.large برای استفاده از شغل آموزشی و تعداد موارد در تمام مشاغل آموزشی. AWS به طور پیشفرض تنها 20 کار آموزشی موازی SageMaker را برای هر دو سهمیه اجازه میدهد. شما باید برای هر دو درخواست افزایش سهمیه به 30 بدهید. هر دو تغییر سهمیه معمولاً باید ظرف چند دقیقه تأیید شوند. رجوع شود به درخواست افزایش سهمیه برای اطلاعات بیشتر.
اگر نمی خواهید سهمیه را تغییر دهید، می توانید به سادگی مقدار آن را تغییر دهید MAX_PARALLEL_JOBS
متغیر در اسکریپت (به عنوان مثال، به 5).
- هر کار HPO مجموعه ای از کارها را تکمیل می کند شغل آموزشی آزمایشها و مدل را با فراپارامترهای بهینه نشان میدهد.
- تجزیه و تحلیل نتایج و بهترین مدل را اجرا کنید.
این راه حل هزینه هایی را در حساب AWS شما متحمل می شود. هزینه این راه حل به تعداد و مدت کار آموزش HPO بستگی دارد. با افزایش اینها، هزینه ها نیز افزایش می یابد. می توانید با محدود کردن زمان آموزش و پیکربندی هزینه ها را کاهش دهید TuningJobCompletionCriteriaConfig
طبق دستورالعمل هایی که بعداً در این پست مورد بحث قرار می گیرد. برای اطلاع از قیمت به ادامه مطلب مراجعه کنید قیمت گذاری آمازون SageMaker.
در بخشهای بعدی، با مثالهای کد و مراحل تجزیه و تحلیل نتایج و انتخاب بهترین مدل، با جزئیات بیشتری در مورد نوت بوک صحبت میکنیم.
راه اندازی اولیه
بیایید با اجرای آن شروع کنیم واردات و راه اندازی بخش در custom-automl.ipynb
نوت بوک. تمام وابستگیهای مورد نیاز را نصب و وارد میکند، یک جلسه SageMaker و کلاینت را نمونهسازی میکند، و منطقه پیشفرض و سطل S3 را برای ذخیره دادهها تنظیم میکند.
آماده سازی داده ها
مجموعه داده مسکن کالیفرنیا را دانلود کرده و با اجرای آن آماده کنید دانلود داده ها بخش از دفترچه یادداشت مجموعه داده به فریم های داده های آموزشی و آزمایشی تقسیم شده و در سطل S3 پیش فرض جلسه SageMaker آپلود می شود.
کل مجموعه داده دارای 20,640 رکورد و 9 ستون در کل، از جمله هدف است. هدف پیش بینی ارزش متوسط یک خانه است (medianHouseValue
ستون). تصویر زیر ردیف های بالای مجموعه داده را نشان می دهد.
قالب اسکریپت آموزشی
گردش کار AutoML در این پست بر اساس یادگیری پیش پردازش خطوط لوله و الگوریتم ها هدف این است که ترکیب بزرگی از خطوط لوله و الگوریتمهای پیشپردازش مختلف برای یافتن بهترین راهاندازی ایجاد شود. بیایید با ایجاد یک اسکریپت آموزشی عمومی شروع کنیم که به صورت محلی در نمونه نوت بوک باقی می ماند. در این اسکریپت، دو بلوک کامنت خالی وجود دارد: یکی برای تزریق هایپرپارامترها و دیگری برای آبجکت خط لوله preprocessing-model. آنها به صورت پویا برای هر کاندید مدل پیش پردازش تزریق خواهند شد. هدف از داشتن یک اسکریپت عمومی، خشک نگه داشتن پیاده سازی است (خودتان را تکرار نکنید).
پیش پردازش و ترکیب مدل ایجاد کنید
La preprocessors
فرهنگ لغت شامل مشخصاتی از تکنیک های پیش پردازش است که برای تمام ویژگی های ورودی مدل اعمال می شود. هر دستور غذا با استفاده از یک تعریف شده است Pipeline
یا یک FeatureUnion
شیء از scikit-learn، که تبدیلهای دادههای فردی را به هم متصل میکند و آنها را روی هم قرار میدهد. مثلا، mean-imp-scale
یک دستور العمل ساده است که تضمین می کند مقادیر گمشده با استفاده از مقادیر میانگین ستون های مربوطه منتسب می شوند و همه ویژگی ها با استفاده از StandardScaler. در مقابل ، mean-imp-scale-pca
زنجیره های دستور غذا با هم چند عملیات دیگر:
- مقادیر از دست رفته در ستون ها را با میانگین آن درج کنید.
- مقیاس بندی ویژگی را با استفاده از میانگین و انحراف استاندارد اعمال کنید.
- PCA را در بالای داده های ورودی در یک مقدار آستانه واریانس مشخص محاسبه کنید و آن را با ویژگی های ورودی ورودی و مقیاس شده ادغام کنید.
در این پست تمامی ویژگی های ورودی عددی هستند. اگر انواع دادههای بیشتری در مجموعه داده ورودی خود دارید، باید خط لوله پیچیدهتری را مشخص کنید که در آن شاخههای پیشپردازش مختلف برای مجموعههای نوع ویژگیهای مختلف اعمال میشوند.
La models
فرهنگ لغت شامل مشخصات الگوریتم های مختلف است که شما مجموعه داده را با آنها تطبیق می دهید. هر نوع مدل با مشخصات زیر در فرهنگ لغت ارائه می شود:
- script_output - به محل اسکریپت آموزشی مورد استفاده توسط برآوردگر اشاره می کند. این فیلد به صورت پویا پر می شود که
models
فرهنگ لغت باpreprocessors
فرهنگ لغت. - درج ها – کدی را که در آن درج می شود را تعریف می کند
script_draft.py
و متعاقباً در زیر ذخیره شدscript_output
. کلید“preprocessor”
عمداً خالی گذاشته می شود زیرا این مکان با یکی از پیش پردازنده ها پر شده است تا چندین ترکیب مدل-پیش پردازنده ایجاد شود. - هایپرپارامترها – مجموعه ای از فراپارامترها که توسط کار HPO بهینه شده اند.
- include_cls_metadata - جزئیات بیشتر پیکربندی مورد نیاز SageMaker
Tuner
کلاس.
یک مثال کامل از models
فرهنگ لغت در مخزن GitHub موجود است.
بعد، اجازه دهید از طریق تکرار preprocessors
و models
فرهنگ لغت و ایجاد تمام ترکیبات ممکن است. به عنوان مثال، اگر شما preprocessors
فرهنگ لغت شامل 10 دستور غذا است و شما 5 تعریف مدل در آن دارید models
فرهنگ لغت، فرهنگ لغت خطوط لوله تازه ایجاد شده شامل 50 خط لوله پیش پردازنده-مدل است که در طول HPO ارزیابی می شوند. توجه داشته باشید که اسکریپت های خط لوله منفرد در این مرحله هنوز ایجاد نشده اند. بلوک کد بعدی (سلول 9) نوت بوک Jupyter از طریق تمام اشیاء مدل پیش پردازنده در pipelines
فرهنگ لغت، تمام قطعات کد مربوطه را درج می کند، و یک نسخه خط لوله خاص از اسکریپت را به صورت محلی در دفترچه یادداشت حفظ می کند. این اسکریپت ها در مراحل بعدی هنگام ایجاد برآوردگرهای فردی که به کار HPO وصل می کنید استفاده می شود.
برآوردگرها را تعریف کنید
اکنون می توانید بر روی تعریف SageMaker Estimators که کار HPO بعد از آماده شدن اسکریپت ها استفاده می کند، کار کنید. بیایید با ایجاد یک کلاس wrapper شروع کنیم که برخی از خصوصیات مشترک را برای همه برآوردگرها تعریف می کند. از ارث می برد SKLearn
کلاس و نقش، تعداد نمونه و نوع را مشخص می کند و همچنین ستون هایی را که اسکریپت به عنوان ویژگی و هدف استفاده می کند، مشخص می کند.
بیایید بسازیم estimators
فرهنگ لغت با تکرار در میان تمام اسکریپت های تولید شده قبل و واقع در scripts
فهرست راهنما. شما یک برآوردگر جدید را با استفاده از SKLearnBase
کلاس، با نام تخمینگر منحصر به فرد، و یکی از اسکریپت ها. توجه داشته باشید که estimators
فرهنگ لغت دو سطح دارد: سطح بالا a را تعریف می کند pipeline_family
. این یک گروه بندی منطقی بر اساس نوع مدل برای ارزیابی است و برابر با طول آن است models
فرهنگ لغت. سطح دوم شامل انواع پیش پردازنده های جداگانه است که با داده های داده شده ترکیب شده اند pipeline_family
. این گروه بندی منطقی هنگام ایجاد شغل HPO مورد نیاز است.
آرگومان های تیونر HPO را تعریف کنید
برای بهینه سازی انتقال آرگومان ها به HPO Tuner
کلاس، HyperparameterTunerArgs
کلاس داده با آرگومان های مورد نیاز کلاس HPO مقداردهی اولیه می شود. دارای مجموعه ای از توابع است که تضمین می کند آرگومان های HPO در قالبی که در هنگام استقرار چندین تعاریف مدل به طور همزمان مورد انتظار است، بازگردانده می شوند.
بلوک کد بعدی از کدهای معرفی شده قبلی استفاده می کند HyperparameterTunerArgs
کلاس داده دیکشنری دیگری به نام ایجاد می کنید hp_args
و مجموعه ای از پارامترهای ورودی خاص برای هر یک را ایجاد کنید estimator_family
از estimators
فرهنگ لغت. این آرگومان ها در مرحله بعدی هنگام شروع به کار HPO برای هر خانواده مدل استفاده می شود.
اشیاء تیونر HPO را ایجاد کنید
در این مرحله، شما برای هر تیونر جداگانه ایجاد می کنید estimator_family
. چرا به جای راه اندازی فقط یک شغل در همه برآوردگرها، سه شغل HPO جداگانه ایجاد می کنید؟ را HyperparameterTuner
کلاس به 10 تعریف مدل متصل به آن محدود شده است. بنابراین، هر HPO مسئول یافتن بهترین پیش پردازنده برای یک خانواده مدل معین و تنظیم فراپارامترهای آن خانواده مدل است.
در زیر چند نکته دیگر در مورد راه اندازی وجود دارد:
- استراتژی بهینهسازی بیزی است، به این معنی که HPO به طور فعال عملکرد تمام آزمایشها را نظارت میکند و بهینهسازی را به سمت ترکیبهای ابرپارامتر امیدوارکنندهتر هدایت میکند. توقف زودهنگام باید روی آن تنظیم شود خاموش or خودکار هنگام کار با یک استراتژی بیزی، که خود این منطق را مدیریت می کند.
- هر کار HPO حداکثر برای 100 شغل اجرا می شود و 10 شغل را به صورت موازی اجرا می کند. اگر با مجموعه داده های بزرگتری سر و کار دارید، ممکن است بخواهید تعداد کل مشاغل را افزایش دهید.
- علاوه بر این، ممکن است بخواهید از تنظیماتی استفاده کنید که مدت زمان اجرای یک کار و تعداد کارهایی را که HPO شما راه اندازی می کند را کنترل می کند. یکی از راههای انجام این کار، تنظیم حداکثر زمان اجرا بر حسب ثانیه است (برای این پست، آن را روی ۱ ساعت تنظیم کردیم). مورد دیگر استفاده از نسخه اخیراً منتشر شده است
TuningJobCompletionCriteriaConfig
. مجموعه ای از تنظیمات را ارائه می دهد که پیشرفت شغل شما را نظارت می کند و تصمیم می گیرد که آیا احتمال دارد مشاغل بیشتری نتیجه را بهبود بخشد یا خیر. در این پست، ما حداکثر تعداد مشاغل آموزشی بدون بهبود را 20 قرار دادیم. به این ترتیب، اگر نمره بهبود نیافته باشد (مثلاً از چهلمین دوره آزمایشی)، دیگر نیازی به پرداخت هزینه آزمایشی باقیمانده نخواهید داشت.max_jobs
رسیده است
حالا بیایید از طریق آن تکرار کنیم tuners
و hp_args
دیکشنری ها و فعال کردن تمام کارهای HPO در SageMaker. به استفاده از آرگومان انتظار تنظیم شده توجه کنید False
، به این معنی که هسته منتظر نمی ماند تا نتایج کامل شود و شما می توانید همه کارها را به یکباره راه اندازی کنید.
این احتمال وجود دارد که همه مشاغل آموزشی تکمیل نشوند و برخی از آنها ممکن است توسط کار HPO متوقف شوند. دلیل این امر است TuningJobCompletionCriteriaConfig
- در صورت رعایت هر یک از معیارهای مشخص شده، بهینه سازی به پایان می رسد. در این حالت، زمانی که معیار بهینه سازی برای 20 شغل متوالی بهبود نمی یابد.
نتایج را تجزیه و تحلیل کنید
سلول 15 نوت بوک بررسی می کند که آیا تمام کارهای HPO کامل هستند یا خیر و همه نتایج را در قالب یک قاب داده پاندا برای تجزیه و تحلیل بیشتر ترکیب می کند. قبل از تجزیه و تحلیل دقیق نتایج، اجازه دهید نگاهی سطح بالا به کنسول SageMaker بیندازیم.
در بالای کارهای تنظیم فراپارامتر صفحه، می توانید سه شغل HPO راه اندازی شده خود را ببینید. همه آنها زود تمام شدند و تمام 100 کار آموزشی را انجام ندادند. در اسکرین شات زیر می بینید که خانواده مدل Elastic-Net بیشترین تعداد آزمایش را انجام دادند، در حالی که سایرین برای یافتن بهترین نتیجه به تعداد زیادی کار آموزشی نیاز نداشتند.
میتوانید کار HPO را برای دسترسی به جزئیات بیشتر، مانند مشاغل آموزشی فردی، پیکربندی شغل، و اطلاعات و عملکرد بهترین شغل آموزشی باز کنید.
بیایید یک تصویرسازی بر اساس نتایج ایجاد کنیم تا بینش بیشتری از عملکرد گردش کار AutoML در همه خانواده های مدل بدست آوریم.
از نمودار زیر می توان نتیجه گرفت که Elastic-Net
عملکرد مدل بین 70,000 تا 80,000 RMSE در نوسان بود و در نهایت متوقف شد، زیرا الگوریتم علیرغم آزمایش تکنیک های مختلف پیش پردازش و مقادیر فراپارامتر قادر به بهبود عملکرد خود نبود. همچنین به نظر می رسد که RandomForest
عملکرد بسته به مجموعه هایپرپارامتر بررسی شده توسط HPO بسیار متفاوت بود، اما علیرغم آزمایش های زیاد، نمی توانست از خطای 50,000 RMSE پایین بیاید. GradientBoosting
بهترین عملکرد را در حال حاضر از ابتدا به زیر 50,000 RMSE رسیده است. HPO سعی کرد این نتیجه را بیشتر بهبود بخشد، اما قادر به دستیابی به عملکرد بهتر در سایر ترکیبات هایپرپارامتر نبود. یک نتیجه کلی برای همه کارهای HPO این است که برای یافتن بهترین عملکرد مجموعه هایپرپارامترها برای هر الگوریتم، تعداد زیادی کار لازم نیست. برای بهبود بیشتر نتیجه، باید با ایجاد ویژگی های بیشتر و انجام مهندسی ویژگی های اضافی آزمایش کنید.
همچنین می توانید نمای دقیق تری از ترکیب مدل-پیش پردازنده را بررسی کنید تا در مورد امیدوارکننده ترین ترکیب ها نتیجه گیری کنید.
بهترین مدل را انتخاب کنید و آن را اجرا کنید
قطعه کد زیر بهترین مدل را بر اساس کمترین مقدار هدف به دست آمده انتخاب می کند. سپس می توانید مدل را به عنوان نقطه پایانی SageMaker مستقر کنید.
پاک کردن
برای جلوگیری از هزینه های ناخواسته به حساب AWS خود، توصیه می کنیم منابع AWS را که در این پست استفاده کرده اید حذف کنید:
- در کنسول آمازون S3، داده ها را از سطل S3 که داده های آموزشی در آن ذخیره شده بود، خالی کنید.
- در کنسول SageMaker، نمونه نوت بوک را متوقف کنید.
- نقطه پایانی مدل را در صورت استقرار حذف کنید. نقاط پایانی زمانی که دیگر استفاده نمی شوند باید حذف شوند، زیرا بر اساس زمان استقرار صورتحساب آنها محاسبه می شود.
نتیجه
در این پست، نحوه ایجاد یک کار سفارشی HPO در SageMaker را با استفاده از انتخاب سفارشی الگوریتمها و تکنیکهای پیش پردازش به نمایش گذاشتیم. به طور خاص، این مثال نحوه خودکارسازی فرآیند تولید بسیاری از اسکریپت های آموزشی و نحوه استفاده از ساختارهای برنامه نویسی پایتون را برای استقرار کارآمد چندین کار بهینه سازی موازی نشان می دهد. ما امیدواریم که این راه حل، داربست هر کار تنظیم مدل سفارشی را که با استفاده از SageMaker برای دستیابی به عملکرد بالاتر و سرعت بخشیدن به گردش کار ML خود به کار می گیرید، تشکیل دهد.
برای تعمیق بیشتر دانش خود در مورد نحوه استفاده از SageMaker HPO، منابع زیر را بررسی کنید:
درباره نویسنده
کنراد سمش یک معمار ارشد راه حل های ML در تیم آزمایشگاه داده خدمات وب آمازون است. او به مشتریان کمک می کند تا از یادگیری ماشینی برای حل چالش های تجاری خود با AWS استفاده کنند. او از اختراع و سادهسازی لذت میبرد تا مشتریان را با راهحلهای ساده و عملی برای پروژههای AI/ML خود قادر سازد. او بیشتر به MlOps و علم داده سنتی علاقه دارد. در خارج از محل کار، او از طرفداران پرشور موج سواری و کایت سواری است.
ماهی تن ارسوی یک معمار ارشد راه حل در AWS است. تمرکز اصلی او کمک به مشتریان بخش عمومی است که فناوریهای ابری را برای بار کاری خود بپذیرند. او سابقه ای در توسعه اپلیکیشن، معماری سازمانی و فناوری های مرکز تماس دارد. علایق او شامل معماری های بدون سرور و AI/ML است.
- 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. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- ٪۱۰۰
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- قادر
- درباره ما
- دسترسی
- مطابق
- حساب
- رسیدن
- دست
- در میان
- فعالانه
- اضافی
- علاوه بر این
- اتخاذ
- پس از
- AI / ML
- هدف
- الگوریتم
- الگوریتم
- معرفی
- اجازه دادن
- اجازه می دهد تا
- قبلا
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- an
- تحلیل
- تحلیل
- تجزیه و تحلیل
- و
- دیگر
- هر
- کاربرد
- برنامه توسعه
- اعمال می شود
- اعمال میشود
- درخواست
- تایید کرد
- معماری
- هستند
- استدلال
- استدلال
- AS
- فرض
- At
- ضمیمه کردن
- خودکار
- خودکار بودن
- اتوماتیک
- بطور خودکار
- خودکار کردن
- در دسترس
- AWS
- زمینه
- پایه
- مستقر
- خط مقدم
- بیزی
- BE
- زیرا
- قبل از
- شروع
- در زیر
- بهترین
- بهتر
- میان
- بزرگ
- مسدود کردن
- بلاک ها
- هر دو
- شاخه ها
- ساختن
- بنا
- کسب و کار
- اما
- دکمه
- by
- کالیفرنیا
- صدا
- نام
- CAN
- نامزد
- مورد
- موارد
- مرکز
- زنجیر
- چالش ها
- تغییر دادن
- تبادل
- بار
- چک
- را انتخاب کنید
- کلاس
- CLF
- مشتری
- ابر
- خوشه
- خوشه بندی
- رمز
- ستون
- ستون ها
- ترکیب
- ترکیب
- ترکیب شده
- ترکیب
- می آید
- توضیح
- مشترک
- کامل
- تکمیل شده
- تکمیل
- بغرنج
- نتیجه گیری
- نتیجه
- رفتار
- پیکر بندی
- متوالی
- کنسول
- تماس
- تماس با مرکز
- شامل
- کنتراست
- کنترل
- هزینه
- هزینه
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- ضوابط
- بسیار سخت
- در حال حاضر
- سفارشی
- مشتریان
- داده ها
- علم اطلاعات
- مجموعه داده ها
- معامله
- تصمیم گیری
- عمیق
- به طور پیش فرض
- مشخص
- تعریف می کند
- تعریف کردن
- تعاریف
- نشان دادن
- نشان می دهد
- بستگی دارد
- وابستگی
- بستگی دارد
- گسترش
- مستقر
- استقرار
- گسترش
- استخراج
- با وجود
- جزئیات
- دقیق
- جزئیات
- توسعه
- توسعه
- پروژه
- توسعه
- انحراف
- DICT
- مختلف
- دایرکتوری
- بحث و تبادل نظر
- بحث کردیم
- do
- نمی کند
- دامنه
- آیا
- پایین
- قرعه کشی
- خشک
- مدت
- در طی
- بطور پویا
- هر
- در اوایل
- موثر
- حذف می شود
- قادر ساختن
- نقطه پایانی
- مهندسی
- اطمینان حاصل شود
- تضمین می کند
- سرمایه گذاری
- تمام
- به طور کامل
- برابر
- خطا
- ارزیابی
- ارزیابی
- در نهایت
- هر
- معاینه کردن
- مثال
- مثال ها
- اعدام
- وجود داشته باشد
- انتظار
- انتظار می رود
- تجربه
- توضیح داده شده
- کشف
- کاوش می کند
- غلط
- خانواده
- خانواده
- پنکه
- ویژگی
- امکانات
- کمی از
- رشته
- پرونده
- پر شده
- پیدا کردن
- پیدا کردن
- نام خانوادگی
- مناسب
- پنج
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- برای
- جنگل
- فرم
- قالب
- FRAME
- از جانب
- جلو
- کامل
- تابع
- قابلیت
- توابع
- بیشتر
- سوالات عمومی
- تولید می کنند
- تولید
- مولد
- دریافت کنید
- رفتن
- GitHub
- داده
- Go
- هدف
- رفتن
- گراف
- دست
- دستگیره
- آیا
- داشتن
- he
- سنگین
- بلند کردن سنگین
- کمک
- کمک می کند
- او
- در سطح بالا
- بالاتر
- بالاترین
- امید
- ساعت
- خانه
- خانوارها
- مسکن
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- بهینه سازی هایپرپارامتر
- تنظیم فراپارامتر
- هویت
- if
- انجام
- پیاده سازی
- واردات
- واردات
- بهبود
- بهبود
- in
- شامل
- از جمله
- افزایش
- نشان دادن
- فرد
- به طور جداگانه
- اطلاعات
- ورودی
- ورودی
- درج می کند
- بینش
- نمونه
- در عوض
- دستورالعمل
- ادغام
- از قصد
- منافع
- رابط
- به
- معرفی
- IT
- ITS
- خود
- کار
- شغل ها
- JPG
- تنها
- فقط یکی
- نگاه داشتن
- کلید
- دانش
- آزمایشگاه
- بزرگ
- بزرگتر
- بعد
- راه اندازی
- راه اندازی
- یادگیری
- ترک کرد
- طول
- سطح
- سطح
- wifecycwe
- بلند کردن اجسام
- پسندیدن
- احتمالا
- محدود کردن
- لینوکس
- بار
- به صورت محلی
- واقع شده
- محل
- منطق
- منطقی
- طولانی
- دیگر
- نگاه کنيد
- خیلی
- پایین ترین
- دستگاه
- فراگیری ماشین
- بسیاری
- بیشترین
- ممکن است..
- متوسط
- به معنی
- ادغام کردن
- با
- متریک
- قدرت
- دقیقه
- گم
- ML
- MLO ها
- مدل
- مدل
- تغییر
- مانیتور
- مانیتور
- بیش
- اکثر
- چندگانه
- نام
- باریک
- هدایت می کند
- نیاز
- جدید
- به تازگی
- بعد
- نه
- هیچ
- دفتر یادداشت
- اشاره کرد
- اکنون
- عدد
- بی حس
- هدف
- هدف
- اشیاء
- of
- خاموش
- پیشنهادات
- on
- یک بار
- ONE
- فقط
- باز کن
- عملیات
- بهینه
- بهینه سازی
- بهینه سازی
- بهینه
- or
- سفارش
- OS
- دیگر
- دیگران
- خارج
- تولید
- خارج از
- روی
- به طور کلی
- با ما
- پانداها
- موازی
- پارامترهای
- بخش
- ویژه
- عبور
- احساساتی
- مسیر
- پرداخت
- انجام
- کارایی
- انجام
- همچنان ادامه دارد
- قطعات
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقش
- برق وصل کردن
- نقطه
- نقطه
- سیاست
- جمعیت
- ممکن
- پست
- پتانسیل
- عملگرا
- پیش بینی
- پیشگو
- آماده
- پیش نیازها
- هدیه
- جلوگیری از
- قبلا
- قیمت گذاری
- اصلی
- چاپ
- مشکل
- روند
- تولید کردن
- تولید
- برنامه نويسي
- پیشرفت
- پروژه
- پروژه ها
- امید بخش
- املاک
- ارائه
- فراهم می کند
- ارائه
- عمومی
- هدف
- پــایتــون
- تصادفی
- سریع
- رسیده
- اماده
- دلیل
- تازه
- دستور العمل
- توصیه
- سوابق
- كاهش دادن
- را کاهش می دهد
- مراجعه
- مرجع
- با توجه
- regex
- منطقه
- منتشر شد
- مربوط
- باقی مانده
- برداشتن
- تکرار
- مخزن
- درخواست
- نیاز
- ضروری
- منابع
- قابل احترام
- مسئوليت
- منحصر
- نتیجه
- نتایج
- برگشت
- راست
- نقش
- دویدن
- در حال اجرا
- اجرا می شود
- زمان اجرا
- حکیم ساز
- تنظیم خودکار مدل SageMaker
- نگهداری می شود
- مقیاس
- مقیاس گذاری
- علم
- دانشمندان
- یادگیری
- حوزه
- نمره
- خط
- اسکریپت
- دوم
- ثانیه
- بخش
- بخش
- بخش
- دیدن
- به نظر می رسد
- انتخاب شد
- انتخاب
- خود
- ارشد
- جداگانه
- خدمت
- بدون سرور
- سرویس
- خدمات
- جلسه
- تنظیم
- مجموعه
- تنظیمات
- برپایی
- او
- باید
- نمایش داده شده
- نشان داده شده
- نشان می دهد
- ساده
- ساده
- به سادگی
- قطعه
- So
- راه حل
- مزایا
- حل
- برخی از
- تخصصی
- خاص
- مشخصات
- مشخصات
- مشخص شده
- سرعت
- انشعاب
- پشته
- استاندارد
- شروع
- راه افتادن
- وضعیت
- گام
- مراحل
- توقف
- متوقف شد
- متوقف کردن
- ذخیره سازی
- ذخیره شده
- ذخیره سازی
- استراتژی
- ساختار
- ساختار
- متعاقبا
- چنین
- پشتیبانی
- جدول
- طراحی شده
- گرفتن
- هدف
- تیم
- فنی
- تکنیک
- فن آوری
- پایانه
- آزمون
- تست
- که
- La
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- این
- کسانی که
- سه
- آستانه
- از طریق
- زمان
- به
- با هم
- ابزار
- بالا
- جمع
- طرف
- سنتی
- قطار
- آموزش
- تحولات
- محاکمه
- آزمایش های
- سعی
- ماشه
- باعث شد
- راه اندازی
- تلاش
- میزان سازی
- دو
- نوع
- انواع
- به طور معمول
- ui
- زیر
- درک
- منحصر به فرد
- تا
- ناخواسته
- آپلود شده
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- استفاده
- با استفاده از
- تصدیق
- ارزش
- ارزشها
- متغیر
- متنوع
- مختلف
- نسخه
- نسخه
- چشم انداز
- تجسم
- W
- صبر کنيد
- خرید
- می خواهم
- بود
- مسیر..
- we
- وب
- خدمات وب
- خوب
- بود
- چی
- چه زمانی
- در حالیکه
- چه
- که
- چرا
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- خواهد بود
- نوشتن
- هنوز
- شما
- شما
- خودت
- زفیرنت