در دنیای تصمیم گیری مبتنی بر داده، پیش بینی سری های زمانی کلیدی است که کسب و کارها را قادر می سازد از الگوهای داده های تاریخی برای پیش بینی نتایج آینده استفاده کنند. چه در مدیریت ریسک دارایی، تجارت، پیش بینی آب و هوا، پیش بینی تقاضای انرژی، نظارت بر علائم حیاتی یا تجزیه و تحلیل ترافیک کار می کنید، توانایی پیش بینی دقیق برای موفقیت بسیار مهم است.
در این برنامه ها داده های سری زمانی می توانند داشته باشند دم سنگین توزیع ها، که در آن دم ارزش های افراطی را نشان می دهد. پیشبینی دقیق در این مناطق برای تعیین میزان احتمال وقوع یک رویداد شدید و اینکه آیا باید زنگ خطر را به صدا درآورد، مهم است. با این حال، این مقادیر پرت به طور قابل توجهی بر تخمین توزیع پایه تأثیر می گذارد و پیش بینی قوی را به چالش می کشد. مؤسسات مالی برای پیشبینی موارد پرت مانند سقوط بازار، بر مدلهای قوی تکیه میکنند. در بخشهای انرژی، آبوهوا و مراقبتهای بهداشتی، پیشبینیهای دقیق رویدادهای نادر اما پر تأثیر مانند بلایای طبیعی و بیماریهای همهگیر، برنامهریزی مؤثر و تخصیص منابع را ممکن میسازد. نادیده گرفتن رفتار دم می تواند منجر به ضرر، فرصت های از دست رفته و به خطر افتادن ایمنی شود. اولویت بندی دقت در دم به پیش بینی های قابل اعتماد و عملی کمک می کند. در این پست، ما یک مدل پیشبینی سری زمانی قوی را آموزش میدهیم که میتواند چنین رویدادهای شدید را با استفاده از تصویربرداری کند آمازون SageMaker.
برای آموزش موثر این مدل، ما یک زیرساخت MLOps ایجاد می کنیم تا فرآیند توسعه مدل را با خودکارسازی پیش پردازش داده ها، مهندسی ویژگی، تنظیم هایپرپارامتر و انتخاب مدل ساده کند. این اتوماسیون خطای انسانی را کاهش می دهد، تکرارپذیری را بهبود می بخشد و چرخه توسعه مدل را تسریع می بخشد. با یک خط لوله آموزشی، کسبوکارها میتوانند به طور موثر دادههای جدید را ترکیب کرده و مدلهای خود را با شرایط در حال تکامل تطبیق دهند، که کمک میکند تا اطمینان حاصل شود که پیشبینیها قابل اعتماد و بهروز باقی میمانند.
پس از آموزش مدل پیشبینی سری زمانی، استقرار آن در یک نقطه پایانی قابلیتهای پیشبینی بلادرنگ را فراهم میکند. این به شما امکان می دهد تا بر اساس جدیدترین داده ها تصمیمات آگاهانه و پاسخگو بگیرید. علاوه بر این، استقرار مدل در یک نقطه پایانی، مقیاسپذیری را ممکن میسازد، زیرا چندین کاربر و برنامه میتوانند به طور همزمان به مدل دسترسی داشته باشند و از آن استفاده کنند. با دنبال کردن این مراحل، کسبوکارها میتوانند از قدرت پیشبینی سریهای زمانی قوی برای تصمیمگیری آگاهانه استفاده کنند و در محیطی که به سرعت در حال تغییر است جلوتر بمانند.
بررسی اجمالی راه حل
این راه حل آموزش یک مدل پیش بینی سری های زمانی را به نمایش می گذارد، که به طور خاص برای رسیدگی به نقاط پرت و تنوع در داده ها با استفاده از یک شبکه کانولوشن موقت (TCN) با توزیع پارتو (SBP). برای کسب اطلاعات بیشتر در مورد نسخه چند وجهی این راه حل، مراجعه کنید علم پشت معیار گذراندن جدید NFL Next Gen Stats. برای نشان دادن بیشتر اثربخشی توزیع SBP، آن را با همان مدل TCN مقایسه میکنیم، اما در عوض از توزیع گاوسی استفاده میکنیم.
این فرآیند به طور قابل توجهی از ویژگی های MLOps SageMaker، که گردش کار علم داده را با استفاده از زیرساخت ابر قدرتمند AWS ساده می کند. در راه حل ما، ما استفاده می کنیم تنظیم خودکار مدل Amazon SageMaker برای جستجوی فراپارامتر، آزمایشات آمازون SageMaker برای مدیریت آزمایشات، رجیستری مدل آمازون SageMaker برای مدیریت نسخه های مدل، و خطوط لوله آمازون SageMaker برای هماهنگ کردن روند سپس مدل خود را در نقطه پایانی SageMaker مستقر می کنیم تا پیش بینی های بلادرنگ را بدست آوریم.
نمودار زیر معماری خط لوله آموزشی را نشان می دهد.
نمودار زیر خط لوله استنتاج را نشان می دهد.
شما می توانید کد کامل را در GitHub repo. برای پیاده سازی راه حل، سلول ها را اجرا کنید SBP_main.ipynb
.
برای باز کردن کنسول AWS اینجا را کلیک کنید و ادامه دهید.
خط لوله SageMaker
SageMaker Pipelines یک کاربر پسند ارائه می دهد پایتون SDK برای ایجاد گردش کار یادگیری ماشین یکپارچه (ML). این گردشهای کاری که بهعنوان نمودارهای غیر چرخهای جهتدار (DAGs) نشان داده میشوند، از مراحل با انواع و وابستگیهای مختلف تشکیل شدهاند. با SageMaker Pipelines، می توانید فرآیند پایان به انتها آموزش و ارزیابی مدل ها را ساده کنید و کارایی و تکرارپذیری را در گردش های کاری ML خود افزایش دهید.
خط لوله آموزشی با تولید یک مجموعه داده مصنوعی شروع می شود که به مجموعه های آموزشی، اعتبار سنجی و آزمایش تقسیم می شود. مجموعه آموزشی برای آموزش دو مدل TCN استفاده می شود که یکی از آنها استفاده می کند توزیع Spliced Binned-Pareto و دیگری از توزیع گاوسی استفاده می کند. هر دو مدل با استفاده از مجموعه اعتبار سنجی برای بهینه سازی هر مدل، تنظیمات فراپارامتر را انجام می دهند. پس از آن، ارزیابی در برابر مجموعه آزمون برای تعیین مدل با کمترین ریشه میانگین مربعات خطا (RMSE) انجام می شود. مدل با بهترین متریک دقت در رجیستری مدل آپلود می شود.
نمودار زیر مراحل خط لوله را نشان می دهد.
بیایید مراحل را با جزئیات بیشتر مورد بحث قرار دهیم.
تولید داده
اولین مرحله در خط لوله ما یک مجموعه داده مصنوعی تولید می کند که با شکل موج سینوسی و نویز دم سنگین نامتقارن مشخص می شود. داده ها با استفاده از تعدادی پارامتر مانند درجه آزادی، یک ضرب کننده نویز و یک پارامتر مقیاس ایجاد شده اند. این عناصر بر شکل توزیع دادهها تأثیر میگذارند، تغییرپذیری تصادفی در دادههای ما را تعدیل میکنند و به ترتیب گسترش توزیع دادههای ما را تنظیم میکنند.
این کار پردازش داده با استفاده از a انجام می شود PyTorchProcessor، که کد PyTorch را اجرا می کند (generate_data.py) در ظرفی که توسط SageMaker مدیریت می شود. داده ها و سایر مصنوعات مرتبط برای اشکال زدایی در حالت پیش فرض قرار دارند سرویس ذخیره سازی ساده آمازون سطل (Amazon S3) مرتبط با حساب SageMaker. گزارشهای مربوط به هر مرحله در خط لوله را میتوان در آن یافت CloudWatch آمازون.
شکل زیر نمونه ای از داده های تولید شده توسط خط لوله است.
میتوانید ورودی را با طیف گستردهای از دادههای سری زمانی، مانند توزیع متقارن، نامتقارن، سبک، دنباله سنگین یا چندوجهی جایگزین کنید. استحکام مدل به آن اجازه می دهد تا برای طیف وسیعی از مسائل سری زمانی قابل استفاده باشد، مشروط بر اینکه مشاهدات کافی در دسترس باشد.
آموزش مدل
پس از تولید داده، دو TCN را آموزش میدهیم: یکی با استفاده از توزیع SBP و دیگری با استفاده از توزیع گاوسی. توزیع SBP از یک توزیع بایند گسسته به عنوان پایه پیش بینی خود استفاده می کند، که در آن محور واقعی به سطل های گسسته تقسیم می شود، و مدل احتمال وجود یک مشاهده در هر بن را پیش بینی می کند. این روش امکان گرفتن عدم تقارن ها و حالت های چندگانه را فراهم می کند زیرا احتمال هر bin مستقل است. نمونه ای از توزیع binned در شکل زیر نشان داده شده است.
توزیع پیشبینیشده در سمت چپ نسبت به رویدادهای شدید قوی است، زیرا احتمال ورود به سیستم به فاصله بین میانگین پیشبینیشده و نقطه مشاهدهشده وابسته نیست، و با توزیعهای پارامتری مانند گاوسی یا Student's t متفاوت است. بنابراین، رویداد شدید که با نقطه قرمز نشان داده میشود، میانگین آموختهشده توزیع را سوگیری نخواهد کرد. با این حال، رویداد شدید احتمال صفر خواهد داشت. برای ثبت رویدادهای شدید، یک توزیع SBP را با تعریف دنباله پایین در چندک پنجم و دنباله بالایی در چندک 5 تشکیل میدهیم، و هر دو دنباله را با توزیعهای پارتو تعمیمیافته وزنی (GPD) جایگزین میکنیم، که میتواند احتمال وقوع رویداد را کمیت کند. TCN پارامترهای پایه توزیع binned و دم های GPD را خروجی می دهد.
جستجوی فراپارامتر
برای خروجی بهینه، استفاده می کنیم تنظیم خودکار مدل برای یافتن بهترین نسخه یک مدل از طریق تنظیم هایپرپارامتر. این مرحله با SageMaker Pipelines یکپارچه شده است و امکان اجرای موازی چندین کار آموزشی را با استفاده از روشهای مختلف و محدودههای فراپارامتر از پیش تعریفشده فراهم میکند. نتیجه انتخاب بهترین مدل بر اساس متریک مدل مشخص شده است که RMSE است. در خط لوله خود، ما به طور خاص نرخ یادگیری و تعداد دوره های آموزشی را برای بهینه سازی عملکرد مدل خود تنظیم می کنیم. با قابلیت تنظیم هایپرپارامتر در SageMaker، احتمال دستیابی مدل ما به دقت و تعمیم بهینه برای کار داده شده را افزایش می دهیم.
با توجه به ماهیت مصنوعی دادههایمان، ما Context Length و Lead Time را به عنوان پارامترهای ثابت نگه میداریم. Context Length به تعداد مراحل زمانی تاریخی وارد شده در مدل اشاره دارد و Lead Time تعداد مراحل زمانی را در افق پیشبینی ما نشان میدهد. برای کد نمونه، ما فقط نرخ یادگیری و تعداد دورهها را تنظیم میکنیم تا در زمان و هزینه صرفهجویی کنیم.
پارامترهای خاص SBP بر اساس آزمایشهای گسترده توسط نویسندگان بر روی مقاله اصلی در مجموعه دادههای مختلف ثابت نگه داشته میشوند:
- تعداد سطل (100) – این پارامتر تعداد bin های مورد استفاده برای مدل سازی پایه توزیع را تعیین می کند. این عدد در 100 نگه داشته می شود که ثابت شده است که در صنایع مختلف موثرترین است.
- دم صدک (0.05) - این نشان دهنده اندازه توزیع های پارتو تعمیم یافته در دم است. مانند پارامتر قبلی، این پارامتر به طور کامل آزمایش شده است و کارآمدترین است.
آزمایش
فرآیند هایپرپارامتر با یکپارچه شده است آزمایش های SageMaker، که به سازماندهی، تجزیه و تحلیل و مقایسه آزمایشهای تکراری ML کمک میکند، بینشهایی ارائه میدهد و ردیابی مدلهای با بهترین عملکرد را تسهیل میکند. یادگیری ماشینی یک فرآیند تکراری است که شامل آزمایشهای متعددی است که شامل تغییرات دادهها، انتخاب الگوریتم و تنظیم فراپارامتر است. این آزمایشها برای اصلاح تدریجی دقت مدل خدمت میکنند. با این حال، تعداد زیاد دورههای آموزشی و تکرار مدل میتواند شناسایی مدلهای با بهترین عملکرد و مقایسههای معنادار بین آزمایشهای فعلی و گذشته را چالشبرانگیز کند. SageMaker Experiments با ردیابی خودکار کارهای تنظیم هایپرپارامتر ما و به ما امکان می دهد تا جزئیات و بینش بیشتری را در مورد روند تنظیم، همانطور که در تصویر زیر نشان داده شده است، به دست آوریم، این موضوع را برطرف می کند.
ارزیابی مدل
مدلها تحت آموزش و تنظیم فراپارامتر قرار میگیرند و متعاقباً از طریق آن مورد ارزیابی قرار میگیرند ارزیابی.py اسکریپت این مرحله از مجموعه تست، متمایز از مرحله تنظیم فراپارامتر، برای سنجش دقت مدل در دنیای واقعی استفاده میکند. RMSE برای ارزیابی دقت پیش بینی ها استفاده می شود.
برای مقایسه توزیع، از نمودار احتمال-احتمال (PP) استفاده میکنیم که تناسب بین توزیعهای واقعی و پیشبینیشده را ارزیابی میکند. نزدیکی نقاط به مورب نشان دهنده تناسب کامل است. مقایسههای ما بین توزیعهای پیشبینیشده SBP و Gaussian در برابر توزیع واقعی نشان میدهد که پیشبینیهای SBP نزدیکتر با دادههای واقعی همسو هستند.
همانطور که مشاهده می کنیم، SBP دارای RMSE کمتری در پایه، دم پایین و دم بالایی است. توزیع SBP دقت توزیع گاوسی را 61 درصد در پایه، 56 درصد در دم پایین و 30 درصد در دم بالایی بهبود بخشید. به طور کلی، توزیع SBP به طور قابل توجهی نتایج بهتری دارد.
انتخاب مدل
ما از یک مرحله شرط در SageMaker Pipelines برای تجزیه و تحلیل گزارش های ارزیابی مدل استفاده می کنیم و مدلی را با کمترین RMSE برای دقت توزیع بهبود یافته انتخاب می کنیم. مدل انتخاب شده به یک شی مدل SageMaker تبدیل می شود و آن را برای استقرار آماده می کند. این شامل ایجاد یک بسته مدل با پارامترهای مهم و بسته بندی آن در یک است ModelStep.
رجیستری مدل
سپس مدل انتخاب شده در آن آپلود می شود رجیستری مدل SageMaker، که نقش مهمی در مدیریت مدل های آماده برای تولید دارد. مدلها را ذخیره میکند، نسخههای مدل را سازماندهی میکند، ابردادهها و مصنوعات ضروری مانند تصاویر ظرف را ضبط میکند و وضعیت تأیید هر مدل را کنترل میکند. با استفاده از رجیستری، میتوانیم مدلها را به طور موثر در محیطهای SageMaker در دسترس مستقر کنیم و پایهای برای خطوط لوله یکپارچهسازی و استقرار پیوسته (CI/CD) ایجاد کنیم.
استنباط
پس از اتمام خط لوله آموزشی ما، مدل ما با استفاده از آن مستقر می شود خدمات میزبانی SageMaker، که ایجاد یک نقطه پایانی استنتاج برای پیش بینی های بلادرنگ را امکان پذیر می کند. این نقطه پایانی امکان ادغام یکپارچه با برنامهها و سیستمها را فراهم میکند و از طریق یک رابط امن HTTPS، دسترسی بر اساس تقاضا به قابلیتهای پیشبینی مدل را فراهم میکند. پیشبینیهای بلادرنگ را میتوان در سناریوهایی مانند پیشبینی قیمت سهام و تقاضای انرژی استفاده کرد. نقطه پایانی ما یک پیشبینی تک مرحلهای برای دادههای سری زمانی ارائه شده ارائه میکند که به صورت صدک و میانه ارائه شده است، همانطور که در شکل و جدول زیر نشان داده شده است.
1st صدک | 5th صدک | متوسط | 95th صدک | 99th صدک |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
پاک کردن
پس از اجرای این راه حل، مطمئن شوید که منابع غیرضروری AWS را پاکسازی کرده اید تا از هزینه های غیرمنتظره جلوگیری کنید. می توانید این منابع را با استفاده از SageMaker Python SDK که در انتهای نوت بوک یافت می شود، پاک کنید. با حذف این منابع، از هزینه های بیشتر برای منابعی که دیگر استفاده نمی کنید جلوگیری می کنید.
نتیجه
داشتن یک پیشبینی دقیق میتواند تأثیر زیادی بر برنامهریزی آینده یک کسبوکار داشته باشد و همچنین میتواند راهحلهایی برای انواع مشکلات در صنایع مختلف ارائه دهد. کاوش ما در مورد پیشبینی سریهای زمانی قوی با MLOps در SageMaker، روشی را برای به دست آوردن یک پیشبینی دقیق و کارایی یک خط لوله آموزشی ساده نشان داده است.
مدل ما که توسط یک شبکه Convolutional Temporal با توزیع پارتو بایند Spliced طراحی شده است، با بهبود RMSE به میزان 61٪ در پایه، 56٪ در دم پایین، و 30٪ در دم بالا در همان مورد، دقت و سازگاری را با نقاط پرت نشان داده است. TCN با توزیع گاوسی. این ارقام آن را به یک راه حل قابل اعتماد برای نیازهای پیش بینی در دنیای واقعی تبدیل می کند.
خط لوله ارزش خودکار کردن ویژگی های MLOps را نشان می دهد. این می تواند تلاش دستی انسان را کاهش دهد، تکرارپذیری را فعال کند و استقرار مدل را تسریع کند. ویژگی های SageMaker مانند SageMaker Pipelines، تنظیم خودکار مدل، SageMaker Experiments، SageMaker Model Registry و Endpoints این امکان را فراهم می کند.
راهحل ما از یک TCN مینیاتوری استفاده میکند، که تنها چند فراپارامتر را با تعداد محدودی لایه بهینه میکند، که برای برجسته کردن مؤثر عملکرد مدل کافی است. برای موارد استفاده پیچیده تر، استفاده از PyTorch یا سایر کتابخانه های مبتنی بر PyTorch را در نظر بگیرید تا یک TCN سفارشی تر بسازید که با نیازهای خاص شما هماهنگ باشد. علاوه بر این، کاوش در موارد دیگر مفید خواهد بود ویژگی های SageMaker تا عملکرد خط لوله خود را بیشتر تقویت کنید. برای خودکارسازی کامل فرآیند استقرار، می توانید از کیت توسعه ابری AWS (AWS CDK) یا AWS CloudFormation.
برای اطلاعات بیشتر در مورد پیش بینی سری های زمانی در AWS، به موارد زیر مراجعه کنید:
با هر نظر یا سوالی نظر خود را بنویسید!
درباره نویسنده
نیک بیسو مهندس یادگیری ماشین در AWS Professional Services است. او چالش های پیچیده سازمانی و فنی را با استفاده از علم داده و مهندسی حل می کند. علاوه بر این، او مدلهای AI/ML را روی AWS Cloud میسازد و مستقر میکند. اشتیاق او به میل او به سفر و تجربیات فرهنگی متنوع گسترش می یابد.
آلستون چان مهندس توسعه نرم افزار در آمازون ادز است. او خطوط لوله یادگیری ماشین و سیستم های توصیه برای توصیه های محصول را در صفحه جزئیات می سازد. در خارج از محل کار، او از بازی سازی و صخره نوردی لذت می برد.
ماریا مسعود متخصص در ساخت خطوط لوله داده و تجسم داده ها در AWS Commerce Platform. او در زمینه یادگیری ماشینی، پردازش زبان طبیعی، بینایی کامپیوتر و تجزیه و تحلیل سری های زمانی تخصص دارد. ماریا که در قلب علاقهمند به پایداری است، از باغبانی و بازی با سگش در زمان استراحت لذت میبرد.
- 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/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 100
- 5th
- 7
- a
- توانایی
- درباره ما
- شتاب دادن
- تسریع می شود
- دسترسی
- در دسترس
- انجام
- حساب
- دقت
- دقیق
- به درستی
- دستیابی به
- در میان
- واقعی
- حلقوی
- وفق دادن
- اضافه
- علاوه بر این
- آدرس
- آگهی
- در برابر
- پیش
- AI / ML
- هشدار
- الگوریتم
- تراز
- تراز می کند
- تخصیص
- اجازه دادن
- اجازه می دهد تا
- در امتداد
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- an
- تحلیل
- تحلیل
- و
- سبقت جستن
- هر
- مربوط
- برنامه های کاربردی
- تصویب
- معماری
- هستند
- AS
- ارزیابی کنید
- ارزیابی می کند
- دارایی
- مرتبط است
- At
- نویسندگان
- خودکار بودن
- اتوماتیک
- بطور خودکار
- اتوماسیون
- اتوماسیون
- در دسترس
- اجتناب از
- AWS
- خدمات حرفه ای AWS
- محور
- پایه
- مستقر
- BE
- زیرا
- بوده
- رفتار
- پشت سر
- مفید
- مزایای
- بهترین
- بهتر
- میان
- تعصب
- BIN
- هر دو
- پهن
- بنا
- می سازد
- کسب و کار
- اما
- دکمه
- by
- CAN
- قابلیت های
- قابلیت
- توانا
- گرفتن
- جلب
- ضبط
- موارد
- سلول ها
- چالش ها
- به چالش کشیدن
- متغیر
- مشخص شده است
- بار
- انتخاب
- کلیک
- بالا رونده
- نزدیک
- ابر
- زیرساخت های ابری
- رمز
- توضیح
- تجارت
- مقايسه كردن
- مقایسه
- کامل
- اتمام
- پیچیده
- در معرض خطر
- کامپیوتر
- چشم انداز کامپیوتر
- شرط
- شرایط
- انجام
- در نظر بگیرید
- کنسول
- ثابت
- ساختن
- ظرف
- زمینه
- مداوم
- مبدل
- هزینه
- هزینه
- پوشش
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- بحرانی
- بسیار سخت
- فرهنگی
- جاری
- سفارشی
- چرخه
- داده ها
- پردازش داده ها
- علم اطلاعات
- داده محور
- مجموعه داده ها
- تاریخ
- تصمیم گیری
- تصمیم گیری
- به طور پیش فرض
- تعریف کردن
- تقاضا
- پیش بینی تقاضا
- نشان
- نشان می دهد
- نشان می دهد
- وابستگی
- وابسته
- گسترش
- مستقر
- استقرار
- گسترش
- مستقر می کند
- طراحی
- جزئیات
- جزئیات
- مشخص کردن
- تعیین می کند
- تعیین
- پروژه
- مختلف
- متفاوت
- جهت دار
- حوادث
- بحث و تبادل نظر
- فاصله
- متمایز
- توزیع
- توزیع
- مختلف
- تقسیم شده
- سگ
- DOT
- مدت از کار افتادگی
- در طی
- هر
- موثر
- به طور موثر
- اثر
- بهره وری
- موثر
- موثر
- تلاش
- عناصر
- استخدام
- کار می کند
- توانمندسازی
- قادر ساختن
- را قادر می سازد
- را قادر می سازد
- شامل
- پایان
- پشت سر هم
- نقطه پایانی
- انرژی
- مهندس
- مهندسی
- بالا بردن
- افزایش
- اطمینان حاصل شود
- علاقهمند
- محیط
- محیط
- دوره ها
- خطا
- ضروری است
- ایجاد
- ارزیابی
- ارزیابی
- ارزیابی
- واقعه
- حوادث
- در حال تحول
- مثال
- تجارب
- آزمایش
- تخصص
- اکتشاف
- اکتشاف
- گسترش می یابد
- وسیع
- مفرط
- تسهیل کننده
- سقوط
- ویژگی
- امکانات
- کمی از
- شکل
- آمار و ارقام
- مالی
- موسسات مالی
- پیدا کردن
- نام خانوادگی
- مناسب
- به دنبال
- پیروی
- برای
- پیش بینی
- پیش بینی
- فرم
- یافت
- پایه
- رایگان
- آزادی
- از جانب
- کاملا
- قابلیت
- بیشتر
- بعلاوه
- آینده
- افزایش
- بازی
- توسعه بازی
- اندازه گیری
- ژنرال
- تولید
- تولید می کند
- مولد
- نسل
- داده
- Go
- حکومت می کند
- GPD
- کمک های مالی
- نمودار ها
- دسته
- دهنه
- بهره برداری
- آیا
- he
- بهداشت و درمان
- قلب
- کمک می کند
- او
- اینجا کلیک نمایید
- مشخص کردن
- خیلی
- خود را
- تاریخی
- افق
- میزبانی وب
- چگونه
- اما
- HTML
- HTTPS
- انسان
- تنظیم فراپارامتر
- شناسایی
- نشان می دهد
- تصاویر
- تأثیر
- انجام
- مهم
- بهبود یافته
- را بهبود می بخشد
- بهبود
- in
- ترکیب کردن
- افزایش
- مستقل
- نشان می دهد
- لوازم
- نفوذ
- اطلاعات
- اطلاع
- شالوده
- ورودی
- بینش
- بینش
- در عوض
- موسسات
- یکپارچه
- ادغام
- رابط
- به
- شامل
- IT
- تکرار
- ITS
- کار
- شغل ها
- JPG
- تنها
- نگهداری
- نگه داشته شد
- کلید
- زبان
- بزرگ
- لایه
- رهبری
- آموخته
- یادگیری
- ترک کردن
- ترک کرد
- طول
- کتابخانه ها
- پسندیدن
- احتمال
- احتمالا
- محدود شده
- واقع شده
- دیگر
- تلفات
- کاهش
- پایین ترین
- دستگاه
- فراگیری ماشین
- ساخت
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- مدیریت
- کتابچه راهنمای
- مریم
- بازار
- سقوط بازار
- متوسط
- معنی دار
- متاداده
- روش
- روش شناسی
- روش
- متری
- از دست رفته
- ML
- MLO ها
- مدل
- مدل
- حالت های
- نظارت بر
- بیش
- اکثر
- چندگانه
- طبیعی
- پردازش زبان طبیعی
- طبیعت
- نیازهای
- غفلت
- شبکه
- جدید
- بعد
- نسل بعدی
- NFL
- نه
- سر و صدا
- دفتر یادداشت
- عدد
- متعدد
- هدف
- مشاهده کردن
- گرفتن
- of
- پیشنهادات
- on
- بر روی تقاضا
- ONE
- فقط
- باز کن
- فرصت ها
- بهینه
- بهینه سازی
- بهینه سازی
- or
- سازمانی
- سازماندهی می کند
- اصلی
- دیگر
- ما
- نتایج
- تولید
- خارج از
- روی
- به طور کلی
- بسته
- بسته بندی
- با ما
- بیماری همه گیر
- مقاله
- موازی
- پارامتر
- پارامترهای
- پارتو
- عبور
- شور
- گذشته
- الگوهای
- کامل
- کارایی
- خط لوله
- برنامه ریزی
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقش
- نقطه
- نقطه
- ممکن
- پست
- قدرت
- صفحه اصلی
- قوی
- پیش بینی
- پیش بینی
- پیش گویی
- پیش بینی
- پیش بینی می کند
- ارائه شده
- جلوگیری از
- قبلی
- قیمت
- اولویت بندی
- مشکلات
- روند
- در حال پردازش
- محصول
- تولید
- حرفه ای
- اثبات شده
- ارائه
- ارائه
- فراهم می کند
- ارائه
- پــایتــون
- مارماهی
- بالا بردن
- تصادفی
- محدوده
- سریعا
- نرخ
- اماده
- در حال آماده شدن
- واقعی
- دنیای واقعی
- زمان واقعی
- اخیر
- توصیه
- توصیه
- قرمز
- كاهش دادن
- را کاهش می دهد
- مراجعه
- اشاره دارد
- خالص کردن
- مناطق
- رجیستری
- مربوط
- قابل اعتماد
- تکیه
- ماندن
- جایگزین کردن
- گزارش ها
- نشان دادن
- نمایندگی
- نشان دهنده
- منابع
- منابع
- به ترتیب
- پاسخگو
- نتیجه
- نتایج
- خطر
- مدیریت ریسک
- تنومند
- نیرومندی
- سنگ
- نقش
- ریشه
- دویدن
- اجرا می شود
- ایمنی
- حکیم ساز
- خطوط لوله SageMaker
- همان
- ذخیره
- مقیاس پذیری
- مقیاس
- سناریوها
- علم
- خط
- sdk
- بدون درز
- جستجو
- بخش ها
- امن
- انتخاب شد
- انتخاب
- سلسله
- خدمت
- خدمات
- تنظیم
- مجموعه
- شکل
- او
- نشان
- نشان داده شده
- امضاء
- به طور قابل توجهی
- ساده
- به طور همزمان
- اندازه
- نرم افزار
- توسعه نرم افزار
- راه حل
- مزایا
- حل می کند
- تخصص دارد
- خاص
- به طور خاص
- مشخص شده
- انشعاب
- گسترش
- مربع
- صحنه
- وضعیت
- ماندن
- گام
- مراحل
- موجودی
- ذخیره سازی
- پرده
- ساده کردن
- ساده
- متعاقبا
- موفقیت
- چنین
- کافی
- مطمئن
- پایداری
- ترکیبی
- سیستم های
- جدول
- کار
- فنی
- آزمون
- آزمایش
- تست
- که
- La
- جهان
- شان
- سپس
- از این رو
- اینها
- این
- از طریق
- زمان
- سری زمانی
- به
- پیگردی
- تجارت
- ترافیک
- قطار
- آموزش دیده
- آموزش
- سفر
- دو
- انواع
- تحت تاثیر قرار می گیرد
- غیر منتظره
- غیر ضروری
- آپلود شده
- us
- استفاده کنید
- استفاده
- کاربر پسند
- کاربران
- با استفاده از
- استفاده کنید
- استفاده می کند
- با استفاده از
- اعتبار سنجی
- ارزش
- ارزشها
- تنوع
- مختلف
- نسخه
- نسخه
- از طريق
- دید
- حیاتی
- vs
- بود
- we
- هوا
- وب
- خدمات وب
- چه
- که
- وسیع
- اراده
- با
- در داخل
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- جهان
- خواهد بود
- شما
- شما
- زفیرنت
- صفر