این پست با همکاری برد دانکن، ریچل جانسون و ریچارد آلکاک از MathWorks نوشته شده است.
MATLAB یک ابزار برنامه نویسی محبوب برای طیف گسترده ای از برنامه ها، مانند پردازش داده ها، محاسبات موازی، اتوماسیون، شبیه سازی، یادگیری ماشینی و هوش مصنوعی است. این به شدت در بسیاری از صنایع مانند خودروسازی، هوافضا، ارتباطات و تولید استفاده می شود. در سالهای اخیر، MathWorks بسیاری از محصولات را در فضای ابری، بهویژه در فضای ابری ارائه کرده است خدمات وب آمازون (AWS). برای جزئیات بیشتر در مورد محصولات ابری MathWorks، مراجعه کنید متلب و سیمولینک در فضای ابری or ایمیل Mathworks.
در این پست، قابلیتهای یادگیری ماشین متلب را وارد میکنیم آمازون SageMaker، که دارای چندین مزیت قابل توجه است:
- محاسبه منابع: استفاده از محیط محاسباتی با کارایی بالا ارائه شده توسط SageMaker می تواند آموزش یادگیری ماشین را سرعت بخشد.
- همکاریMATLAB و SageMaker با هم یک پلتفرم قوی ارائه میکنند که تیمها میتوانند از آن برای همکاری مؤثر در ساخت، آزمایش و استقرار مدلهای یادگیری ماشین استفاده کنند.
- استقرار و دسترسی: مدلها را میتوان بهعنوان نقاط پایانی بلادرنگ SageMaker مستقر کرد، و آنها را به آسانی برای سایر برنامهها برای پردازش دادههای جریان زنده در دسترس قرار داد.
ما به شما نشان میدهیم که چگونه یک مدل یادگیری ماشینی MATLAB را بهعنوان یک کار آموزشی SageMaker آموزش دهید و سپس مدل را بهعنوان نقطه پایانی بلادرنگ SageMaker اجرا کنید تا بتواند دادههای جریانی و زنده را پردازش کند.
برای انجام این کار، از یک مثال تعمیر و نگهداری پیشبینیکننده استفاده میکنیم که در آن عیبهای یک پمپ عملیاتی را طبقهبندی میکنیم که دادههای حسگر زنده را پخش میکند. ما به یک مخزن بزرگ از داده های برچسب دار تولید شده از a دسترسی داریم سیمولینک شبیه سازی که دارای سه نوع خطای احتمالی در ترکیبات مختلف ممکن است (به عنوان مثال، یک حالت سالم و هفت حالت معیوب). از آنجایی که ما مدلی از سیستم داریم و خطاها به ندرت در کار هستند، می توانیم از داده های شبیه سازی شده برای آموزش الگوریتم خود استفاده کنیم. مدل را می توان برای مطابقت با داده های عملیاتی از پمپ واقعی ما با استفاده از تکنیک های تخمین پارامتر در MATLAB و Simulink تنظیم کرد.
هدف ما نشان دادن قدرت ترکیبی متلب و آمازون SageMaker با استفاده از این مثال طبقه بندی خطا است.
ما با آموزش یک مدل طبقه بندی کننده روی دسکتاپ خود با متلب شروع می کنیم. ابتدا، ویژگیها را از زیرمجموعهای از مجموعه داده کامل استخراج میکنیم طراح ویژگی های تشخیصی برنامه، و سپس آموزش مدل را به صورت محلی با یک مدل درخت تصمیم MATLAB اجرا کنید. هنگامی که از تنظیمات پارامتر راضی شدیم، میتوانیم یک تابع MATLAB ایجاد کنیم و کار را به همراه مجموعه داده به SageMaker ارسال کنیم. این به ما این امکان را میدهد که فرآیند آموزش را برای گنجاندن مجموعه دادههای بسیار بزرگتر افزایش دهیم. پس از آموزش مدل خود، آن را به عنوان یک نقطه پایانی زنده که می تواند در یک برنامه یا داشبورد پایین دستی مانند یک برنامه وب متلب ادغام شود، مستقر می کنیم.
این مثال هر مرحله را خلاصه می کند و درک عملی از نحوه استفاده از MATLAB و Amazon SageMaker برای وظایف یادگیری ماشین ارائه می دهد. کد کامل و توضیحات برای مثال در این موجود است مخزن.
پیش نیازها
- محیط کاری MATLAB 2023a یا بالاتر با کامپایلر MATLAB و جعبه ابزار آمار و یادگیری ماشین در لینوکس. اینجا یک است راهنمای سریع در مورد نحوه اجرای MATLAB در AWS.
- داکر در یک ابر محاسباتی الاستیک آمازون (Amazon EC2) مثالی که MATLAB در حال اجرا است. هر دو اوبونتو or لینـوکــس.
- نصب رابط خط فرمان AWS (AWS CLI), پیکربندی AWSو Python3.
- اگر راهنمای نصب را دنبال کرده باشید، AWS CLI، باید قبلاً نصب شده باشد گام 1.
- AWS Configure را تنظیم کنید برای تعامل با منابع AWS.
- نصب python3 خود را با اجرا تأیید کنید
python -V
orpython --version
دستور روی ترمینال شما در صورت لزوم پایتون را نصب کنید.
- با اجرای زیر، این مخزن را در یک پوشه در دستگاه لینوکس خود کپی کنید:
- مجوز موجود در پوشه repo را بررسی کنید. اگر مجوز نوشتن ندارد، دستور shell زیر را اجرا کنید:
- ظرف آموزش متلب را بسازید و آن را به سمت داخل فشار دهید رجیستری ظروف الاستیک آمازون (Amazon ECR).
- به پوشه بروید
docker
- با استفاده از AWS CLI یک مخزن آمازون ECR ایجاد کنید (منطقه AWS ترجیحی خود را جایگزین REGION کنید)
- دستور docker زیر را اجرا کنید:
- به پوشه بروید
- متلب را باز کرده و لایو اسکریپت به نام آن را باز کنید
PumpFaultClassificationMATLABSageMaker.mlx
در پوشهexamples/PumpFaultClassification
. این پوشه را به پوشه کاری فعلی خود در MATLAB تبدیل کنید.
بخش 1: آماده سازی داده ها و استخراج ویژگی ها
اولین قدم در هر پروژه یادگیری ماشینی این است که داده های خود را آماده کنید. MATLAB طیف گسترده ای از ابزارها را برای وارد کردن، تمیز کردن و استخراج ویژگی ها از داده های شما فراهم می کند.
La SensorData.mat
مجموعه داده شامل 240 رکورد است. هر رکورد دارای دو جدول زمانی است: flow
و pressure
. ستون هدف است faultcode
، که یک نمایش باینری از سه ترکیب خطای احتمالی در پمپ است. برای آن جداول سری زمانی، هر جدول دارای 1,201 ردیف است که 1.2 ثانیه اندازه گیری جریان و فشار پمپ را با افزایش 0.001 ثانیه تقلید می کند.
در مرحله بعد، برنامه Diagnostic Feature Designer به شما امکان می دهد تا انواع ویژگی ها را از داده ها استخراج، تجسم و رتبه بندی کنید. در اینجا، شما استفاده می کنید ویژگی های خودکار، که به سرعت مجموعه گسترده ای از ویژگی های حوزه زمان و فرکانس را از مجموعه داده استخراج می کند و نامزدهای برتر را برای آموزش مدل رتبه بندی می کند. سپس می توانید یک تابع MATLAB را صادر کنید که 15 ویژگی برتر رتبه بندی شده را از داده های ورودی جدید دوباره محاسبه می کند. بیایید این تابع را صدا کنیم extractFeaturesTraining
. این تابع را می توان طوری پیکربندی کرد که داده ها را در یک دسته یا به صورت جریان داده دریافت کند.
این تابع جدولی از ویژگی ها را با کدهای خطای مرتبط تولید می کند، همانطور که در شکل زیر نشان داده شده است:
بخش 2: سازماندهی داده ها برای SageMaker
در مرحله بعد، باید داده ها را به گونه ای سازماندهی کنید که SageMaker بتواند از آن برای آموزش یادگیری ماشین استفاده کند. به طور معمول، این شامل تقسیم داده ها به مجموعه های آموزشی و اعتبار سنجی و تقسیم داده های پیش بینی کننده از پاسخ هدف است.
در این مرحله، ممکن است به عملیات های پیچیده تر دیگری برای پاکسازی و فیلتر کردن داده ها نیاز باشد. در این مثال، داده ها از قبل تمیز هستند. به طور بالقوه، اگر پردازش داده ها بسیار پیچیده و زمان بر باشد، می توان از کارهای پردازش SageMaker برای اجرای این مشاغل جدا از آموزش SageMaker استفاده کرد تا بتوان آنها را به دو مرحله از هم تفکیک کرد.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
قسمت 3: آموزش و آزمایش یک مدل یادگیری ماشینی در متلب
قبل از انتقال به SageMaker، ایده خوبی است که مدل یادگیری ماشین را به صورت محلی در متلب بسازید و آزمایش کنید. این به شما امکان می دهد مدل را به سرعت تکرار و اشکال زدایی کنید. شما می توانید یک طبقه بندی درخت تصمیم گیری ساده را به صورت محلی تنظیم و آموزش دهید.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
کار آموزشی در اینجا باید کمتر از یک دقیقه طول بکشد تا به پایان برسد و تعدادی نمودار برای نشان دادن پیشرفت آموزش ایجاد می کند. پس از پایان آموزش، یک مدل یادگیری ماشینی متلب تولید می شود. این فراگیر طبقه بندی برنامه را می توان برای آزمایش انواع مدل های طبقه بندی و تنظیم آنها برای بهترین عملکرد استفاده کرد، سپس کد مورد نیاز را برای جایگزینی کد آموزشی مدل بالا تولید کرد.
پس از بررسی معیارهای دقت برای مدل آموزشدیده محلی، میتوانیم آموزش را به Amazon SageMaker منتقل کنیم.
قسمت 4: آموزش مدل در آمازون SageMaker
بعد از اینکه از مدل راضی شدید، می توانید آن را در مقیاس با استفاده از SageMaker آموزش دهید. برای شروع فراخوانی SageMaker SDK، باید یک جلسه SageMaker را شروع کنید.
session = sagemaker.Session();
یک اجرای SageMaker را مشخص کنید نقش IAM که از مشاغل آموزشی و میزبانی نقطه پایانی استفاده خواهد شد.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
از متلب، داده های آموزشی را به صورت فایل csv. در یک ذخیره کنید سرویس ذخیره سازی ساده آمازون (Amazon S3) سطل
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
یک برآوردگر SageMaker ایجاد کنید
در مرحله بعد، باید یک برآوردگر SageMaker ایجاد کنید و تمام پارامترهای لازم مانند تصویر داکر آموزشی، تابع آموزشی، متغیرهای محیط، اندازه نمونه آموزشی و غیره را به آن منتقل کنید. URI تصویر آموزشی باید آمازون ECR URI باشد که در مرحله پیش نیاز با فرمت ایجاد کردید ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. تابع آموزش باید در پایین اسکریپت زنده متلب ارائه شود.
شغل آموزشی SageMaker را ارسال کنید
فراخوانی روش تناسب از برآوردگر، کار آموزشی را به SageMaker ارسال می کند.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
همچنین می توانید وضعیت شغل آموزشی را از کنسول SageMaker بررسی کنید:
پس از اتمام کارهای آموزشی، با انتخاب لینک شغل به صفحه شرح شغل میروید که در آنجا میتوانید مدل متلب ذخیره شده در سطل S3 اختصاصی را ببینید:
قسمت 5: مدل را به عنوان یک نقطه پایانی SageMaker بلادرنگ مستقر کنید
پس از آموزش، میتوانید مدل را بهعنوان نقطه پایانی SageMaker بلادرنگ اجرا کنید، که میتوانید از آن برای پیشبینی در زمان واقعی استفاده کنید. برای انجام این کار، متد deploy را از برآوردگر فراخوانی کنید. اینجاست که می توانید بسته به حجم کار، اندازه نمونه مورد نظر را برای میزبانی تنظیم کنید.
در پشت صحنه، این مرحله یک تصویر داکر استنتاج میسازد و آن را به مخزن آمازون ECR میبرد، هیچ چیزی از کاربر برای ساختن ظرف استنتاج لازم نیست. تصویر حاوی تمام اطلاعات لازم برای ارائه درخواست استنتاج، مانند مکان مدل، اطلاعات احراز هویت متلب و الگوریتم ها است. پس از آن، Amazon SageMaker یک پیکربندی نقطه پایانی SageMaker ایجاد می کند و در نهایت نقطه پایانی بلادرنگ را مستقر می کند. نقطه پایانی را می توان در کنسول SageMaker کنترل کرد و در صورت عدم استفاده از آن در هر زمان می توان آن را خاتمه داد.
قسمت 6: نقطه پایانی را آزمایش کنید
اکنون که نقطه پایانی فعال است، می توانید با دادن چند رکورد برای پیش بینی، نقطه پایانی را آزمایش کنید. از کد زیر برای انتخاب 10 رکورد از داده های آموزشی و ارسال آنها به نقطه پایانی برای پیش بینی استفاده کنید. نتیجه پیش بینی از نقطه پایانی بازگردانده شده و در تصویر زیر نشان داده شده است.
بخش 7: ادغام داشبورد
نقطه پایانی SageMaker را می توان توسط بسیاری از سرویس های بومی AWS فراخوانی کرد. همچنین می تواند به عنوان یک REST API استاندارد در صورت استقرار همراه با یک استفاده شود AWS لامبدا تابع و دروازه API، که می تواند با هر برنامه وب ادغام شود. برای این مورد خاص، میتوانید از انتقال جریان با Amazon SageMaker Feature Store و Amazon Managed Streaming برای Apache Kafka، MSK استفاده کنید تا در زمان واقعی تصمیمات مبتنی بر یادگیری ماشین بگیرید. یکی دیگر از ادغام ممکن استفاده از ترکیبی از آمازون کینسیس، SageMaker و Apache Flink برای ساخت یک برنامه مدیریت شده، قابل اعتماد، مقیاس پذیر و بسیار در دسترس که قادر به استنتاج بلادرنگ در جریان داده است.
پس از استقرار الگوریتمها در نقطه پایانی SageMaker، ممکن است بخواهید آنها را با استفاده از داشبوردی که پیشبینیهای جریان را در زمان واقعی نمایش میدهد، تجسم کنید. در برنامه وب سفارشی MATLAB که در ادامه میآید، میتوانید دادههای فشار و جریان را توسط پمپ و پیشبینی خطاهای زنده از مدل مستقر شده مشاهده کنید.
در این داشبورد شامل یک مدل عمر مفید باقیمانده (RUL) برای پیشبینی زمان خرابی برای هر پمپ مورد نظر است. برای یادگیری نحوه آموزش الگوریتم های RUL، نگاه کنید جعبه ابزار نگهداری پیش بینی کننده.
پاکسازی
پس از اجرای این راه حل، مطمئن شوید که منابع غیرضروری AWS را پاک کرده اید تا از هزینه های غیرمنتظره جلوگیری کنید. شما می توانید این منابع را با استفاده از SageMaker Python SDK یا کنسول مدیریت AWS برای خدمات خاص مورد استفاده در اینجا (SageMaker، Amazon ECR، و Amazon S3). با حذف این منابع، از هزینه های بیشتر برای منابعی که دیگر استفاده نمی کنید جلوگیری می کنید.
نتیجه
ما نشان دادهایم که چگونه میتوانید MATLAB را برای یک مورد استفاده از تعمیر و نگهداری پیشبینی پمپ با کل چرخه زندگی یادگیری ماشین به SageMaker بیاورید. SageMaker یک محیط کاملاً مدیریت شده برای اجرای بارهای کاری یادگیری ماشین و استقرار مدلها با مجموعهای عالی از نمونههای محاسباتی که نیازهای مختلف را برآورده میکنند، فراهم میکند.
سلب مسئولیت: کد استفاده شده در این پست متعلق به MathWorks است. به شرایط مجوز در مخزن GitHub مراجعه کنید. برای هر مشکلی در مورد کد یا درخواست ویژگی، لطفاً یک مشکل GitHub را در مخزن باز کنید
منابع
درباره نویسنده
برد دانکن مدیر محصول برای قابلیتهای یادگیری ماشین در جعبه ابزار آمار و یادگیری ماشین در MathWorks است. او با مشتریان همکاری می کند تا هوش مصنوعی را در زمینه های جدید مهندسی مانند گنجاندن حسگرهای مجازی در سیستم های مهندسی شده، ساخت مدل های یادگیری ماشینی قابل توضیح و استانداردسازی گردش های کاری هوش مصنوعی با استفاده از MATLAB و Simulink به کار گیرد. او قبل از آمدن به MathWorks تیم هایی را برای شبیه سازی سه بعدی و بهینه سازی آیرودینامیک خودرو، تجربه کاربری برای شبیه سازی سه بعدی و مدیریت محصول برای نرم افزار شبیه سازی رهبری می کرد. براد همچنین مدعو در دانشگاه تافتس در زمینه آیرودینامیک وسایل نقلیه است.
ریچارد آلکاک مدیر ارشد توسعه یکپارچه سازی پلتفرم ابری در MathWorks است. در این نقش، او در ادغام یکپارچه محصولات MathWorks در پلتفرم های ابری و کانتینری نقش اساسی دارد. او راه حل هایی ایجاد می کند که مهندسان و دانشمندان را قادر می سازد تا از پتانسیل کامل MATLAB و Simulink در محیط های مبتنی بر ابر استفاده کنند. او قبلاً یک مهندس نرم افزار در MathWorks بود و راه حل هایی را برای پشتیبانی از گردش های کاری محاسباتی موازی و توزیع شده توسعه می داد.
راشل جانسون مدیر محصول برای نگهداری پیشبینیکننده در MathWorks است و مسئول استراتژی و بازاریابی کلی محصول است. او قبلاً یک مهندس برنامه بود که به طور مستقیم از صنعت هوافضا در پروژه های تعمیر و نگهداری پیش بینی حمایت می کرد. قبل از MathWorks، ریچل یک مهندس آیرودینامیک و شبیه سازی نیروی محرکه برای نیروی دریایی ایالات متحده بود. او همچنین چندین سال به تدریس ریاضیات، فیزیک و مهندسی پرداخت.
دوری از مائو یک معمار ارشد راه حل های شریک هوش مصنوعی / ML در تیم فناوری های نوظهور در خدمات وب آمازون است. او مشتاق کار با مشتریان و شرکای سازمانی برای طراحی، استقرار و مقیاسبندی برنامههای AI/ML برای استخراج ارزشهای تجاری آنها است. او خارج از محل کار از ماهیگیری، مسافرت و بازی پینگ پنگ لذت می برد.
رامش جاتیه یک معمار راه حل در تیم فروشنده نرم افزار مستقل (ISV) در خدمات وب آمازون است. او مشتاق کار با مشتریان ISV برای طراحی، استقرار و مقیاسبندی برنامههای کاربردی آنها در فضای ابری برای استخراج ارزشهای تجاری آنها است. او همچنین در حال تحصیل MBA در یادگیری ماشین و تجزیه و تحلیل تجاری از کالج بابسون، بوستون است. در خارج از محل کار، او از دویدن، بازی تنیس و آشپزی لذت می برد.
- 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/machine-learning-with-matlab-and-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 001
- 1
- 10
- 100
- ٪۱۰۰
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- درباره ما
- بالاتر
- دسترسی
- در دسترس
- تطبیق
- حساب
- دقت
- مزیت - فایده - سود - منفعت
- هوافضا
- پس از
- AI
- AI / ML
- الگوریتم
- الگوریتم
- معرفی
- اجازه می دهد تا
- در امتداد
- قبلا
- همچنین
- آمازون
- آمازون EC2
- آمازون SageMaker
- آمازون خدمات وب
- an
- علم تجزیه و تحلیل
- و
- دیگر
- هر
- آپاچی
- جدا
- API
- نرم افزار
- برنامه اجازه می دهد تا
- کاربرد
- برنامه های کاربردی
- درخواست
- هستند
- محدوده
- مناطق
- مصنوعی
- هوش مصنوعی
- AS
- مرتبط است
- At
- تصدیق
- خودکار
- اتوماسیون
- خودرو
- در دسترس
- اجتناب از
- AWS
- کنسول مدیریت AWS
- بابسون
- به عقب
- BE
- زیرا
- قبل از
- شروع
- مزایای
- بهترین
- بوستون
- پایین
- میخ زیرپهن
- به ارمغان بیاورد
- پهن
- آورده
- ساختن
- بنا
- می سازد
- کسب و کار
- by
- صدا
- نام
- فراخوانی
- CAN
- نامزد
- قابلیت های
- توانا
- مورد
- بار
- بررسی
- بررسی
- طبقه بندی
- طبقه بندی کنید
- تمیز
- تمیز کاری
- ابر
- بستر ابری
- رمز
- کد
- همکاری
- همکاری
- کالج
- ستون
- COM
- ترکیب
- ترکیب
- ترکیب شده
- آینده
- ارتباط
- پیچیده
- محاسبه
- محاسبه
- پیکر بندی
- پیکربندی
- کنسول
- مصرف کننده
- ظرف
- شامل
- هزینه
- ایجاد
- ایجاد شده
- ایجاد
- جاری
- سفارشی
- مشتریان
- داشبورد
- داده ها
- آماده سازی داده ها
- پردازش داده ها
- مجموعه داده ها
- تصمیم
- تصمیم گیری
- اختصاصی
- نشان دادن
- نشان
- بستگی دارد
- گسترش
- مستقر
- استقرار
- مستقر می کند
- استخراج
- شرح
- طرح
- طراح
- مطلوب
- دسکتاپ
- جزئیات
- در حال توسعه
- پروژه
- تشخیصی
- مستقیما
- صفحه نمایش
- توزیع شده
- محاسبات توزیع شده
- do
- کارگر بارانداز
- میکند
- دامنه
- دانکن
- هر
- به طور موثر
- هر دو
- سنگ سنباده
- فن آوری های نوظهور
- قادر ساختن
- پایان
- نقطه پایانی
- مهندس
- مهندسی
- مهندسی
- مورد تأیید
- سرمایه گذاری
- تمام
- محیط
- محیط
- به خصوص
- مثال
- اعدام
- تجربه
- صادرات
- عصاره
- عصاره ها
- شکست
- گسل
- معیوب
- ویژگی
- امکانات
- کمی از
- شکل
- پرونده
- فیلتر
- سرانجام
- پایان
- نام خانوادگی
- صید ماهی
- مناسب
- جریان
- به دنبال
- پیروی
- به دنبال آن است
- برای
- قالب
- فرکانس
- از جانب
- کامل
- کاملا
- تابع
- بیشتر
- دروازه
- تولید می کنند
- تولید
- تولید می کند
- GitHub
- دادن
- خوب
- نمودار ها
- بزرگ
- مهمان
- راهنمایی
- دهنه
- آیا
- he
- سلامتی
- سالم
- به شدت
- اینجا کلیک نمایید
- عملکرد بالا
- خیلی
- میزبانی وب
- چگونه
- چگونه
- HTML
- HTTPS
- اندیشه
- if
- تصویر
- واردات
- in
- شامل
- گنجاندن
- افزایش
- مستقل
- نشان دادن
- لوازم
- صنعت
- اطلاعات
- وارد کردن
- ورودی
- نصب
- نصب و راه اندازی
- نصب شده
- نمونه
- ابزاری
- یکپارچه
- ادغام
- ادغام
- یکپارچگی
- اطلاعات
- تعامل
- رابط
- به
- موضوع
- مسائل
- isv
- IT
- کار
- شغل ها
- جانسون
- JPG
- بزرگ
- بزرگتر
- بعد
- آخرین
- یاد گرفتن
- یادگیری
- رهبری
- کمتر
- قدرت نفوذ
- مجوز
- زندگی
- wifecycwe
- ارتباط دادن
- لینوکس
- زنده
- به صورت محلی
- محل
- ورود
- دیگر
- دستگاه
- فراگیری ماشین
- نگهداری
- ساخت
- ساخت
- اداره می شود
- مدیریت
- مدیر
- تولید
- بسیاری
- بازار یابی (Marketing)
- مسابقه
- ریاضی
- اندازه گیری
- روش
- متریک
- قدرت
- دقیقه
- ML
- مدل
- مدل
- مانیتور
- نظارت
- بیش
- حرکت
- متحرک
- بسیار
- تحت عنوان
- بومی
- نزدیک
- لازم
- نیاز
- ضروری
- نیازهای
- جدید
- نه
- هیچ چی
- هدف
- of
- ارائه شده
- پیشنهادات
- on
- یک بار
- ONE
- باز کن
- عمل
- قابل استفاده
- عملیات
- بهینه سازی
- or
- دیگر
- ما
- تولید
- خارج از
- به طور کلی
- متعلق به
- با ما
- موازی
- پارامتر
- پارامترهای
- ویژه
- شریک
- شرکای
- عبور
- احساساتی
- کارایی
- اجازه
- فیزیک
- سکو
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- لطفا
- محبوب
- ممکن
- پست
- پتانسیل
- بالقوه
- قدرت
- عملی
- پیش بینی
- پیش گویی
- پیش بینی
- پیشگو
- مرجح
- تهیه
- آماده
- فشار
- جلوگیری از
- قبلا
- قبلا
- روند
- در حال پردازش
- تولید کردن
- ساخته
- تولید می کند
- محصول
- مدیریت تولید
- مدیر تولید
- محصولات
- برنامه نويسي
- پیشرفت
- پروژه
- پروژه ها
- نیروی محرکه
- ارائه
- ارائه
- فراهم می کند
- ارائه
- تلمبه
- فشار
- هل می دهد
- پــایتــون
- سوال
- به سرعت
- محدوده
- رتبه بندی
- رتبه
- صفوف
- نادر
- به راحتی
- واقعی
- زمان واقعی
- اخیر
- رکورد
- سوابق
- مراجعه
- منطقه
- رجیستری
- قابل اعتماد
- باقی مانده
- جایگزین کردن
- مخزن
- نمایندگی
- درخواست
- درخواست
- ضروری
- منابع
- پاسخ
- مسئوليت
- REST
- نتیجه
- ریچارد
- تنومند
- نقش
- دویدن
- در حال اجرا
- حکیم ساز
- راضی
- راضی با
- ذخیره
- نگهداری می شود
- مقیاس پذیر
- مقیاس
- صحنه های
- دانشمندان
- خط
- sdks
- یکپارچه
- ثانیه
- دیدن
- انتخاب
- انتخاب
- ارسال
- ارشد
- سنسور
- فرستاده
- سلسله
- خدمت
- سرویس
- خدمات
- خدمت
- جلسه
- تنظیم
- مجموعه
- تنظیمات
- هفت
- چند
- او
- صدف
- باید
- نشان
- نشان داده شده
- قابل توجه
- ساده
- شبیه سازی
- اندازه
- So
- نرم افزار
- مهندسی نرم افزار
- راه حل
- مزایا
- برخی از
- خاص
- سرعت
- صرف
- صحنه
- استاندارد
- استاندارد
- شروع
- ایالات
- ارقام
- وضعیت
- گام
- مراحل
- ذخیره سازی
- opbevare
- استراتژی
- جریان
- جریان
- چنین
- خلاصه کردن
- پشتیبانی
- حمایت از
- مطمئن
- سیستم
- سیستم های
- جدول
- TAG
- گرفتن
- طول می کشد
- هدف
- وظایف
- تعلیم
- تیم
- تیم ها
- تکنیک
- فن آوری
- پایانه
- قوانین و مقررات
- آزمون
- تست
- نسبت به
- که
- La
- محوطه
- شان
- آنها
- سپس
- اینها
- آنها
- این
- کسانی که
- سه
- زمان
- سری زمانی
- به
- با هم
- ابزار
- جعبه ابزار
- ابزار
- بالا
- قطار
- آموزش
- سفر
- درخت
- امتحان
- اهنگ
- کوک شده
- دو
- انواع
- به طور معمول
- درک
- غیر منتظره
- دانشگاه
- us
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- سابقه کاربر
- با استفاده از
- اعتبار سنجی
- ارزشها
- تنوع
- مختلف
- وسیله نقلیه
- فروشنده
- بسیار
- مجازی
- تجسم
- می خواهم
- بود
- مسیر..
- we
- وب
- برنامه های وب
- خدمات وب
- که
- وسیع
- دامنه گسترده
- اراده
- با
- مهاجرت کاری
- گردش کار
- کارگر
- با این نسخهها کار
- نوشتن
- کتبی
- سال
- شما
- شما
- زفیرنت