Amazon SageMaker Data Rangler یک رابط بصری واحد است که زمان مورد نیاز برای آمادهسازی دادهها و انجام مهندسی ویژگیها را از هفتهها به دقیقه با قابلیت انتخاب و پاکسازی دادهها، ایجاد ویژگیها و آمادهسازی خودکار داده در گردشهای کاری یادگیری ماشینی (ML) بدون نوشتن هیچ کدی کاهش میدهد.
SageMaker Data Wrangler پشتیبانی می کند دانه برف، یک منبع داده محبوب برای کاربرانی که می خواهند ML انجام دهند. ما اتصال مستقیم Snowflake را از SageMaker Data Wrangler به منظور بهبود تجربه مشتری راه اندازی می کنیم. قبل از راهاندازی این ویژگی، مدیران باید یکپارچهسازی ذخیرهسازی اولیه را برای اتصال با Snowflake برای ایجاد ویژگیهایی برای ML در Data Wrangler تنظیم کنند. این شامل تامین است سرویس ذخیره سازی ساده آمازون سطل های (Amazon S3)، هویت AWS و مدیریت دسترسی مجوزهای دسترسی (IAM)، ادغام فضای ذخیرهسازی دانههای برفی برای کاربران فردی، و مکانیسمی در حال انجام برای مدیریت یا پاکسازی کپیهای داده در Amazon S3. این فرآیند برای مشتریانی که کنترل دقیق دسترسی به داده ها و تعداد زیادی کاربر دارند، مقیاس پذیر نیست.
در این پست، ما نشان میدهیم که چگونه ارتباط مستقیم Snowflake در SageMaker Data Wrangler، تجربه مدیر و سفر دانشمند داده ML را از دادهها به بینشهای تجاری ساده میکند.
بررسی اجمالی راه حل
در این راه حل، ما از SageMaker Data Wrangler برای سرعت بخشیدن به آماده سازی داده ها برای ML و Amazon SageMaker Autopilot برای ساخت، آموزش، و تنظیم دقیق مدلهای ML بر اساس دادههای شما. هر دو سرویس به طور خاص برای افزایش بهره وری و کوتاه کردن زمان برای ارزش گذاری برای پزشکان ML طراحی شده اند. ما همچنین دسترسی ساده شده به داده را از SageMaker Data Wrangler به Snowflake با اتصال مستقیم به پرس و جو و ایجاد ویژگیهایی برای ML نشان میدهیم.
برای مروری بر فرآیند ML با کد پایین با Snowflake، SageMaker Data Wrangler و SageMaker Autopilot به نمودار زیر مراجعه کنید.
گردش کار شامل مراحل زیر است:
- برای آماده سازی داده ها و وظایف مهندسی ویژگی ها به SageMaker Data Wrangler بروید.
- اتصال Snowflake را با SageMaker Data Wrangler تنظیم کنید.
- جداول Snowflake خود را در SageMaker Data Wrangler کاوش کنید، یک مجموعه داده ML ایجاد کنید و مهندسی ویژگی را انجام دهید.
- با استفاده از SageMaker Data Wrangler و SageMaker Autopilot مدل ها را آموزش و آزمایش کنید.
- برای پیشبینی، بهترین مدل را در نقطه پایانی استنتاج بلادرنگ بارگیری کنید.
- از یک نوت بوک پایتون برای فراخوانی نقطه پایانی استنتاج بلادرنگ راه اندازی شده استفاده کنید.
پیش نیازها
برای این پست، مدیر به پیش نیازهای زیر نیاز دارد:
دانشمندان داده باید پیش نیازهای زیر را داشته باشند
در نهایت، باید داده های خود را برای Snowflake آماده کنید
- ما از داده های تراکنش کارت اعتباری استفاده می کنیم کجگل برای ساخت مدلهای ML برای شناسایی تراکنشهای جعلی کارت اعتباری، به طوری که مشتریان برای اقلامی که خریداری نکردهاند هزینهای دریافت نمیکنند. مجموعه داده شامل تراکنش های کارت اعتباری در سپتامبر 2013 است که توسط دارندگان کارت اروپایی انجام شده است.
- شما باید از کلاینت SnowSQL و آن را در دستگاه محلی خود نصب کنید، بنابراین می توانید از آن برای آپلود مجموعه داده در جدول Snowflake استفاده کنید.
مراحل زیر نحوه آماده سازی و بارگذاری مجموعه داده در پایگاه داده Snowflake را نشان می دهد. این یک راه اندازی یک بار است.
جدول دانه های برف و آماده سازی داده ها
مراحل زیر را برای این تنظیم یکباره تکمیل کنید:
- ابتدا، به عنوان مدیر، یک انبار مجازی Snowflake، کاربر و نقش ایجاد کنید و به کاربران دیگر مانند دانشمندان داده دسترسی بدهید تا یک پایگاه داده و داده های مرحله ای برای موارد استفاده ML خود ایجاد کنند:
- به عنوان دانشمند داده، بیایید اکنون یک پایگاه داده ایجاد کنیم و تراکنش های کارت اعتباری را به پایگاه داده Snowflake وارد کنیم تا به داده های SageMaker Data Wrangler دسترسی پیدا کنیم. برای اهداف تصویری، ما یک پایگاه داده Snowflake به نام ایجاد می کنیم
SF_FIN_TRANSACTION
: - فایل CSV مجموعه داده را در ماشین محلی خود دانلود کنید و یک مرحله برای بارگیری داده ها در جدول پایگاه داده ایجاد کنید. قبل از اجرای دستور PUT برای وارد کردن داده ها به مرحله ایجاد شده، مسیر فایل را به روز کنید تا به محل مجموعه داده دانلود شده اشاره کند:
- جدولی به نام ایجاد کنید
credit_card_transactions
: - داده ها را از مرحله به جدول ایجاد شده وارد کنید:
اتصال SageMaker Data Wrangler و Snowflake را راه اندازی کنید
پس از اینکه مجموعه داده را برای استفاده با SageMaker Data Wrangler آماده کردیم، اجازه دهید یک اتصال Snowflake جدید در SageMaker Data Wrangler ایجاد کنیم تا به sf_fin_transaction
پایگاه داده در Snowflake و پرس و جو کنید credit_card_transaction
جدول:
- را انتخاب کنید دانه برف در SageMaker Data Wrangler اتصال احتمال برد مراجعه کنید.
- یک نام برای شناسایی اتصال خود وارد کنید.
- روش احراز هویت خود را برای اتصال به پایگاه داده Snowflake انتخاب کنید:
- اگر از احراز هویت اولیه استفاده می کنید، نام کاربری و رمز عبور به اشتراک گذاشته شده توسط سرپرست Snowflake خود را ارائه دهید. برای این پست، از احراز هویت اولیه برای اتصال به Snowflake با استفاده از اعتبار کاربری که در مرحله قبل ایجاد کردیم استفاده می کنیم.
- اگر از OAuth استفاده می کنید، اعتبار ارائه دهنده هویت خود را ارائه دهید.
SageMaker Data Wrangler به طور پیشفرض دادههای شما را مستقیماً از Snowflake بدون ایجاد هیچ کپی داده در سطلهای S3 جستجو میکند. بهبود قابلیت استفاده جدید SageMaker Data Wrangler از Apache Spark برای ادغام با Snowflake برای آماده سازی و ایجاد یکپارچه مجموعه داده برای سفر ML شما استفاده می کند.
تاکنون پایگاه داده را روی Snowflake ایجاد کرده ایم، فایل CSV را به جدول Snowflake وارد کرده ایم، اعتبارنامه Snowflake را ایجاد کرده ایم و یک کانکتور در SageMaker Data Wrangler برای اتصال به Snowflake ایجاد کرده ایم. برای تأیید اعتبار اتصال Snowflake پیکربندی شده، عبارت زیر را در جدول Snowflake ایجاد شده اجرا کنید:
توجه داشته باشید که گزینه یکپارچه سازی ذخیره سازی که قبلا مورد نیاز بود اکنون در تنظیمات پیشرفته اختیاری است.
دادههای Snowflake را کاوش کنید
بعد از اینکه نتایج پرس و جو را تأیید کردید، انتخاب کنید وارد كردن برای ذخیره نتایج پرس و جو به عنوان مجموعه داده. ما از این مجموعه داده استخراج شده برای تجزیه و تحلیل داده های اکتشافی و مهندسی ویژگی استفاده می کنیم.
میتوانید نمونهبرداری از دادههای Snowflake را در SageMaker Data Wrangler UI انتخاب کنید. گزینه دیگر این است که داده های کامل را برای موارد استفاده آموزش مدل ML خود با استفاده از کارهای پردازش SageMaker Data Wrangler بارگیری کنید.
تجزیه و تحلیل داده های اکتشافی را در SageMaker Data Wrangler انجام دهید
داده های درون Data Wrangler قبل از آموزش باید مهندسی شوند. در این بخش، نحوه انجام مهندسی ویژگی بر روی دادههای Snowflake را با استفاده از قابلیتهای داخلی SageMaker Data Wrangler نشان میدهیم.
ابتدا بیایید از Data Quality and Insights Report
ویژگی SageMaker Data Wrangler برای تولید گزارشهایی برای تأیید خودکار کیفیت دادهها و تشخیص ناهنجاریها در دادههای Snowflake.
میتوانید از گزارش برای کمک به تمیز کردن و پردازش دادههایتان استفاده کنید. اطلاعاتی مانند تعداد مقادیر از دست رفته و تعداد نقاط پرت را به شما می دهد. اگر مشکلاتی با دادههای خود دارید، مانند نشت هدف یا عدم تعادل، گزارش بینش میتواند آن مشکلات را به شما جلب کند. برای درک جزئیات گزارش به ادامه مطلب مراجعه کنید آماده سازی داده ها را با کیفیت داده و بینش در Amazon SageMaker Data Wrangler تسریع کنید.
پس از بررسی تطابق نوع داده اعمال شده توسط SageMaker Data Wrangler، مراحل زیر را انجام دهید:
- علامت مثبت کناری را انتخاب کنید انواع داده ها و انتخاب کنید تجزیه و تحلیل را اضافه کنید.
- برای نوع تحلیل، انتخاب کنید گزارش کیفیت داده و بینش.
- را انتخاب کنید ساختن.
- برای بررسی هشدارهای با اولویت بالا به جزئیات گزارش کیفیت داده و بینش مراجعه کنید.
میتوانید قبل از ادامه سفر ML خود، هشدارهای گزارششده را برطرف کنید.
ستون هدف Class
برای پیش بینی به عنوان یک رشته طبقه بندی می شود. ابتدا، اجازه دهید یک تبدیل برای حذف کاراکترهای خالی کهنه اعمال کنیم.
- را انتخاب کنید مرحله اضافه کنید و انتخاب کنید رشته را قالب بندی کنید.
- در لیست تبدیل ها، را انتخاب کنید چپ و راست را نوار کنید.
- کاراکترها را برای حذف وارد کنید و انتخاب کنید اضافه کردن.
بعد، ستون هدف را تبدیل می کنیم Class
از نوع داده رشته ای به Boolean زیرا تراکنش قانونی یا تقلبی است.
- را انتخاب کنید مرحله اضافه کنید.
- را انتخاب کنید ستون را به عنوان نوع تجزیه کنید.
- برای ستون، انتخاب کنید
Class
. - برای از جانب، انتخاب کنید رشته.
- برای به، انتخاب کنید بولی.
- را انتخاب کنید اضافه کردن.
پس از تبدیل ستون هدف، تعداد ستون های ویژگی را کاهش می دهیم، زیرا بیش از 30 ویژگی در مجموعه داده اصلی وجود دارد. ما از تجزیه و تحلیل اجزای اصلی (PCA) برای کاهش ابعاد بر اساس اهمیت ویژگی استفاده می کنیم. برای درک بیشتر در مورد PCA و کاهش ابعاد، مراجعه کنید الگوریتم تجزیه و تحلیل اجزای اصلی (PCA)..
- را انتخاب کنید مرحله اضافه کنید.
- را انتخاب کنید کاهش ابعاد.
- برای دگرگون کردن، انتخاب کنید تجزیه و تحلیل مؤلفه اصلی.
- برای ستون های ورودی، تمام ستون ها را به جز ستون هدف انتخاب کنید
Class
. - علامت مثبت کناری را انتخاب کنید گردش داده ها و انتخاب کنید تجزیه و تحلیل را اضافه کنید.
- برای نوع تحلیل، انتخاب کنید مدل سریع.
- برای نام تحلیل، یک نام وارد کنید.
- برای برچسب، انتخاب کنید
Class
. - را انتخاب کنید دویدن.
بر اساس نتایج PCA، میتوانید تصمیم بگیرید که از چه ویژگیهایی برای ساخت مدل استفاده کنید. در تصویر زیر، نمودار ویژگیها (یا ابعاد) را بر اساس بالاترین تا کمترین اهمیت برای پیشبینی کلاس هدف نشان میدهد، که در این مجموعه داده تقلبی یا معتبر بودن تراکنش است.
بر اساس این تحلیل میتوانید تعداد ویژگیها را کاهش دهید، اما برای این پست، پیشفرضها را همانطور که هست رها میکنیم.
این فرآیند مهندسی ویژگی ما را به پایان میرساند، اگرچه میتوانید مدل سریع را اجرا کنید و یک گزارش کیفیت داده و اطلاعات بینش دوباره ایجاد کنید تا قبل از انجام بهینهسازیهای بیشتر، دادهها را درک کنید.
داده ها را صادر کنید و مدل را آموزش دهید
در مرحله بعدی، ما از SageMaker Autopilot برای ساخت، آموزش و تنظیم خودکار بهترین مدلهای ML بر اساس دادههای شما استفاده میکنیم. با SageMaker Autopilot، همچنان کنترل کامل و قابل مشاهده بودن داده ها و مدل خود را حفظ می کنید.
اکنون که کاوش و مهندسی ویژگی ها را تکمیل کرده ایم، بیایید مدلی را روی مجموعه داده آموزش دهیم و داده ها را برای آموزش مدل ML با استفاده از SageMaker Autopilot صادر کنیم.
- بر آموزش برگه ، انتخاب کنید صادرات و آموزش.
ما می توانیم پیشرفت صادرات را در حالی که منتظر تکمیل آن هستیم نظارت کنیم.
بیایید SageMaker Autopilot را برای اجرای یک کار آموزشی خودکار با مشخص کردن هدفی که میخواهیم پیشبینی کنیم و نوع مشکل، پیکربندی کنیم. در این مورد، از آنجا که ما مجموعه داده را برای پیشبینی تقلبی یا معتبر بودن تراکنش آموزش میدهیم، از طبقهبندی باینری استفاده میکنیم.
- یک نام برای آزمایش خود وارد کنید، داده های مکان S3 را ارائه کنید و انتخاب کنید بعدی: هدف و ویژگی ها.
- برای هدف، انتخاب کنید
Class
به عنوان ستونی برای پیش بینی - را انتخاب کنید بعدی: روش آموزش.
اجازه دهید SageMaker Autopilot روش آموزش را بر اساس مجموعه داده تصمیم بگیرد.
- برای روش و الگوریتم های آموزشی، انتخاب کنید خودکار.
برای درک بیشتر در مورد حالت های آموزشی پشتیبانی شده توسط SageMaker Autopilot، مراجعه کنید حالت ها و الگوریتم های آموزشی پشتیبانی می کند.
- را انتخاب کنید بعدی: استقرار و تنظیمات پیشرفته.
- برای گزینه استقرار، انتخاب کنید استقرار خودکار بهترین مدل با تبدیل از Data Wrangler، که بهترین مدل را برای استنتاج پس از اتمام آزمایش بارگذاری می کند.
- یک نام برای نقطه پایانی خود وارد کنید.
- برای نوع مشکل یادگیری ماشین را انتخاب کنید، انتخاب کنید طبقه بندی باینری.
- برای متریک اعتراض، انتخاب کنید F1.
- را انتخاب کنید بعدی: بررسی و ایجاد.
- را انتخاب کنید آزمایش ایجاد کنید.
این یک کار SageMaker Autopilot را شروع میکند که مجموعهای از کارهای آموزشی را ایجاد میکند که از ترکیبی از فراپارامترها برای بهینهسازی متریک هدف استفاده میکند.
منتظر بمانید تا SageMaker Autopilot ساخت مدل ها و ارزیابی بهترین مدل ML را به پایان برساند.
یک نقطه پایان استنتاج بلادرنگ راه اندازی کنید تا بهترین مدل را آزمایش کنید
SageMaker Autopilot آزمایش هایی را برای تعیین بهترین مدلی که می تواند تراکنش های کارت اعتباری را به عنوان قانونی یا تقلبی طبقه بندی کند، اجرا می کند.
وقتی SageMaker Autopilot آزمایش را کامل کرد، میتوانیم نتایج آموزش را با معیارهای ارزیابی مشاهده کنیم و بهترین مدل را از صفحه شرح شغل SageMaker Autopilot بررسی کنیم.
- بهترین مدل را انتخاب کنید و انتخاب کنید استقرار مدل.
ما از یک نقطه پایان استنتاج بلادرنگ برای آزمایش بهترین مدل ایجاد شده از طریق SageMaker Autopilot استفاده می کنیم.
- انتخاب کنید پیش بینی های بلادرنگ انجام دهید.
وقتی نقطه پایانی در دسترس باشد، میتوانیم بارگذاری را پاس کرده و نتایج استنتاج را دریافت کنیم.
بیایید یک نوت بوک پایتون را برای استفاده از نقطه پایانی استنتاج راه اندازی کنیم.
- در کنسول SageMaker Studio، نماد پوشه را در قسمت ناوبری انتخاب کنید و انتخاب کنید نوت بوک ایجاد کنید.
- از کد پایتون زیر برای فراخوانی نقطه پایانی استنتاج بلادرنگ مستقر شده استفاده کنید:
خروجی نتیجه را به صورت نشان می دهد false
، که به این معنی است که داده های ویژگی نمونه تقلبی نیستند.
پاک کردن
برای اطمینان از اینکه پس از تکمیل این آموزش هزینه ای متحمل نمی شوید، برنامه SageMaker Data Wrangler را خاموش کنید و نمونه نوت بوک را خاموش کنید برای انجام استنتاج استفاده می شود. شما هم چنین باید نقطه پایان استنتاج را حذف کنید شما با استفاده از SageMaker Autopilot ایجاد کردید تا از هزینه های اضافی جلوگیری کنید.
نتیجه
در این پست نشان دادیم که چگونه میتوان دادههای خود را مستقیماً از Snowflake بدون ایجاد هیچ کپی میانی در این فرآیند بیاورید. می توانید مجموعه داده کامل خود را مستقیماً از Snowflake در SageMaker Data Wrangler نمونه برداری کنید یا بارگذاری کنید. سپس میتوانید دادهها را کاوش کنید، دادهها را تمیز کنید، و با استفاده از رابط بصری SageMaker Data Wrangler، مهندسی ویژه انجام دهید.
ما همچنین نشان دادیم که چگونه می توانید به راحتی یک مدل را با SageMaker Autopilot مستقیماً از رابط کاربری SageMaker Data Wrangler آموزش دهید و تنظیم کنید. با ادغام SageMaker Data Wrangler و SageMaker Autopilot، میتوانیم به سرعت یک مدل را پس از تکمیل مهندسی ویژگیها بدون نوشتن کد بسازیم. سپس به بهترین مدل SageMaker Autopilot برای اجرای استنتاج با استفاده از نقطه پایانی بلادرنگ اشاره کردیم.
امروز ادغام مستقیم Snowflake را با SageMaker Data Wrangler امتحان کنید تا با استفاده از SageMaker به راحتی مدل های ML را با داده های خود بسازید.
درباره نویسندگان
هریهاران سورش یک معمار ارشد راه حل در AWS است. او علاقه زیادی به پایگاه داده ها، یادگیری ماشینی و طراحی راه حل های نوآورانه دارد. قبل از پیوستن به AWS، Hariharan یک معمار محصول، متخصص پیاده سازی بانکداری اصلی و توسعه دهنده بود و بیش از 11 سال با سازمان های BFSI کار کرد. او خارج از تکنولوژی، از پاراگلایدر و دوچرخه سواری لذت می برد.
آپاراجیتان وایدیاناتان یک معمار اصلی راه حل های سازمانی در AWS است. او از مشتریان سازمانی حمایت می کند که بار کاری خود را در ابر AWS مهاجرت کرده و مدرن کنند. او یک معمار ابر با بیش از 23 سال تجربه در طراحی و توسعه سیستم های نرم افزاری سازمانی، مقیاس بزرگ و توزیع شده است. او در یادگیری ماشین و تجزیه و تحلیل داده ها با تمرکز بر حوزه مهندسی داده و ویژگی تخصص دارد. او یک دونده ماراتن مشتاق است و سرگرمی هایش شامل پیاده روی، دوچرخه سواری و گذراندن وقت با همسر و دو پسرش است.
تیم سونگ مهندس توسعه نرم افزار در AWS SageMaker، با بیش از 10 سال تجربه به عنوان توسعه دهنده نرم افزار، مشاور و رهبر فناوری، توانایی ارائه محصولات مقیاس پذیر و قابل اعتماد و حل مشکلات پیچیده را نشان داده است. او در اوقات فراغت خود از طبیعت، دویدن در فضای باز، پیاده روی و ... لذت می برد.
بوسکو آلبوکرکی یک معمار راه حل شریک Sr. در AWS است و بیش از 20 سال تجربه در کار با پایگاه داده و محصولات تحلیلی از فروشندگان پایگاه داده سازمانی و ارائه دهندگان ابری دارد. او به شرکتهای بزرگ فناوری در طراحی راهحلهای تجزیه و تحلیل دادهها کمک کرده و تیمهای مهندسی را در طراحی و پیادهسازی پلتفرمهای تجزیه و تحلیل داده و محصولات داده رهبری کرده 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. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- : دارد
- :است
- :نه
- $UP
- 1
- 10
- 100
- 11
- 12
- 14
- ٪۱۰۰
- 20
- سال 20
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- توانایی
- درباره ما
- شتاب دادن
- دسترسی
- حساب
- اضافی
- مدیران
- پیشرفته
- پس از
- از نو
- AI / ML
- معرفی
- اجازه دادن
- همچنین
- هر چند
- آمازون
- آمازون SageMaker
- Amazon SageMaker Data Rangler
- آمازون خدمات وب
- مقدار
- an
- تحلیل
- علم تجزیه و تحلیل
- و
- دیگر
- هر
- آپاچی
- API
- اعمال می شود
- درخواست
- هستند
- AS
- مشتاق
- At
- توجه
- تصدیق
- خودکار بودن
- خودکار
- بطور خودکار
- در دسترس
- AWS
- بانکداری
- مستقر
- اساسی
- BE
- زیرا
- قبل از
- در زیر
- بهترین
- BFSI
- بدن
- هر دو
- به ارمغان بیاورد
- ساختن
- بنا
- ساخته شده در
- کسب و کار
- اما
- by
- CAN
- قابلیت های
- گرفتن
- کارت
- مورد
- موارد
- کاراکتر
- متهم
- بار
- بررسی
- را انتخاب کنید
- کلاس
- طبقه بندی
- طبقه بندی
- طبقه بندی کنید
- مشتری
- ابر
- رمز
- ستون
- ستون ها
- ترکیب
- شرکت
- کامل
- تکمیل شده
- تکمیل شده
- تکمیل
- پیچیده
- جزء
- پیکربندی
- اتصال
- ارتباط
- کنسول
- مشاور
- ادامه دادن
- کنترل
- تبدیل
- هسته
- بانکداری مرکزی
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- مجوزها و اعتبارات
- اعتبار
- کارت اعتباری
- مشتری
- تجربه مشتری
- مشتریان
- داده ها
- دسترسی به داده ها
- تحلیل داده ها
- تجزیه و تحلیل داده ها
- آماده سازی داده ها
- دانشمند داده
- پایگاه داده
- پایگاه های داده
- تصمیم گیری
- به طور پیش فرض
- پیش فرض
- ارائه
- نشان دادن
- نشان
- گسترش
- مستقر
- گسترش
- شرح
- طرح
- طراحی
- طراحی
- جزئیات
- مشخص کردن
- توسعه دهنده
- در حال توسعه
- پروژه
- ابعاد
- مستقیم
- مستقیما
- توزیع شده
- دامنه
- آیا
- پایین
- دانلود
- به آسانی
- هر دو
- نقطه پایانی
- مهندس
- مهندسی
- وارد
- سرمایه گذاری
- و غیره
- اروپایی
- ارزیابی
- جز
- وجود دارد
- تجربه
- تجربه
- آزمایش
- اکتشاف
- تجزیه و تحلیل داده های اکتشافی
- اکتشاف
- صادرات
- بسیار
- ویژگی
- امکانات
- ویژگی های
- پرونده
- مالی
- پایان
- نام خانوادگی
- شناور
- تمرکز
- پیروی
- برای
- قالب
- جعلی
- از جانب
- کامل
- بیشتر
- تولید می کنند
- دریافت کنید
- می دهد
- اعطا کردن
- گراف
- آیا
- he
- کمک
- کمک کرد
- بالاترین
- برجسته
- خود را
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- ICON
- شناسایی
- هویت
- if
- عدم تعادل
- پیاده سازی
- اجرای
- واردات
- اهمیت
- واردات
- واردات
- بهبود
- in
- شامل
- شامل
- افزایش
- فرد
- اطلاعات
- اول
- ابتکاری
- بینش
- نصب
- ادغام
- ادغام
- رابط
- داخلی
- به
- مسائل
- IT
- اقلام
- کار
- شغل ها
- پیوستن
- سفر
- JPG
- json
- بزرگ
- در مقیاس بزرگ
- راه اندازی
- راه اندازی
- رهبر
- یادگیری
- ترک کردن
- رهبری
- ترک کرد
- قانونی
- اجازه
- کتابخانه
- محدود
- فهرست
- بار
- بارهای
- محلی
- محل
- پایین ترین
- دستگاه
- فراگیری ماشین
- ساخته
- حفظ
- ساخت
- مدیریت
- مسابقه دو ماراتون
- مطابق
- ممکن است..
- مکانیزم
- روش
- متری
- متریک
- مهاجرت
- دقیقه
- گم
- ML
- مدل
- مدل
- نوین کردن
- حالت های
- مانیتور
- بیش
- نام
- تحت عنوان
- طبیعت
- جهت یابی
- نیازهای
- جدید
- بعد
- دفتر یادداشت
- اکنون
- عدد
- اوت
- هدف
- هدف
- of
- on
- مداوم
- بهینه سازی
- گزینه
- or
- سفارش
- سازمان های
- اصلی
- OS
- دیگر
- ما
- خارج
- تولید
- خارج از
- روی
- مروری
- با ما
- قطعه
- شریک
- عبور
- احساساتی
- کلمه عبور
- مسیر
- انجام
- انجام
- مجوز
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- به علاوه
- نقطه
- محبوب
- پست
- پیش بینی
- پیش بینی
- پیش بینی
- تهیه
- آماده
- پیش نیازها
- جلوگیری از
- قبلی
- اصلی
- چاپ
- قبلا
- مشکل
- مشکلات
- روند
- در حال پردازش
- محصول
- بهره وری
- محصولات
- پیشرفت
- ارائه
- ارائه دهنده
- ارائه دهندگان
- عمومی
- خرید
- اهداف
- قرار دادن
- پــایتــون
- کیفیت
- نمایش ها
- سریع
- به سرعت
- زمان واقعی
- كاهش دادن
- را کاهش می دهد
- کاهش
- قابل اعتماد
- برداشتن
- جایگزین کردن
- گزارش
- گزارش
- گزارش ها
- درخواست
- ضروری
- پاسخ
- نتیجه
- نتایج
- این فایل نقد می نویسید:
- سواری
- نقش
- دویدن
- دونده
- در حال اجرا
- s
- حکیم ساز
- ذخیره
- مقیاس پذیر
- دانشمند
- دانشمندان
- یکپارچه
- بخش
- ارسال
- ارشد
- سپتامبر
- خدمات
- تنظیم
- تنظیمات
- برپایی
- به اشتراک گذاشته شده
- باید
- نشان
- نشان می دهد
- امضاء
- ساده
- ساده شده
- تنها
- So
- نرم افزار
- توسعه نرم افزار
- راه حل
- مزایا
- حل
- ترانه
- منبع
- جرقه
- متخصص
- تخصص دارد
- به طور خاص
- سرعت
- هزینه
- صحنه
- شروع می شود
- گام
- مراحل
- هنوز
- ذخیره سازی
- opbevare
- سخت
- رشته
- استودیو
- ارسال
- موفق
- موفقیت
- چنین
- پشتیبانی
- پشتیبانی
- پشتیبانی از
- سیستم های
- جدول
- هدف
- وظایف
- تیم ها
- فن آوری
- پیشرفته
- شرکتهای فناوری
- آزمون
- که
- La
- نمودار
- شان
- سپس
- آنجا.
- آنها
- این
- کسانی که
- از طریق
- زمان
- به
- امروز
- قطار
- آموزش دیده
- آموزش
- معامله
- معاملات
- دگرگونی
- تبدیل می شود
- درست
- آموزش
- دو
- نوع
- ui
- فهمیدن
- بروزرسانی
- us
- قابلیت استفاده
- استفاده کنید
- استفاده
- کاربر
- رابط کاربری
- کاربران
- استفاده
- با استفاده از
- v1
- تصدیق
- ارزش
- ارزشها
- فروشندگان
- بررسی
- چشم انداز
- مجازی
- دید
- صبر کنيد
- می خواهم
- بود
- we
- وب
- خدمات وب
- هفته
- بود
- چه
- که
- در حین
- WHO
- زن
- با
- در داخل
- بدون
- مهاجرت کاری
- مشغول به کار
- گردش کار
- گردش کار
- کارگر
- نوشته
- سال
- شما
- شما
- زفیرنت