به دنبال استخراج داده از اسناد اسکن شده هستید؟ تلاش كردن نانوت™ پیشرفته اسکنر OCR مبتنی بر هوش مصنوعی برای استخراج و سازماندهی اطلاعات از اسناد اسکن شده بطور خودکار.
معرفی
با تبدیل شدن جهان از کاغذ و دست خط به اسناد دیجیتالی برای راحتی، اهمیت تبدیل تصاویر و اسناد اسکن شده به داده های معنادار به شدت افزایش یافته است.
برای همگام شدن با نیاز به استخراج دادههای اسنادی بسیار دقیق، امکانات و شرکتهای تحقیقاتی متعددی (به عنوان مثال، گوگل، AWS، نانو شبکهها و غیره) عمیقاً بر روی فناوریها در زمینههای بینایی کامپیوتر و پردازش زبان طبیعی (NLP) تمرکز کردند.
شکوفایی فناوری های یادگیری عمیق جهشی عظیم را به سوی نوع داده هایی که می توان استخراج کرد تضمین کرده است. ما دیگر محدود به استخراج متن نیستیم، بلکه سایر ساختارهای داده مانند جداول و جفتهای کلید-مقدار را نیز محدود میکنیم. بسیاری از راه حل ها در حال حاضر محصولات مختلفی را برای برآوردن نیازهای افراد و صاحبان مشاغل در استخراج داده های اسناد ارائه می دهند.
این مقاله به فناوری فعلی مورد استفاده برای استخراج داده از اسناد اسکن شده می پردازد و به دنبال آن یک آموزش عملی کوتاه در پایتون ارائه می شود. ما همچنین به برخی از راه حل های محبوب در حال حاضر در بازار نگاه خواهیم کرد که بهترین پیشنهادات را در این زمینه ارائه می دهند.
استخراج داده چیست؟
استخراج داده ها فرآیند تبدیل داده های بدون ساختار به اطلاعات قابل تفسیر توسط برنامه ها است تا امکان پردازش بیشتر داده ها توسط انسان را فراهم کند. در اینجا ما تعدادی از رایج ترین انواع داده هایی را که از اسناد اسکن شده استخراج می شوند، فهرست می کنیم.
داده های متنی
رایج ترین و مهمترین کار در استخراج داده ها از اسناد اسکن شده استخراج متن است. این فرآیند، اگرچه به ظاهر ساده است، اما در واقع بسیار دشوار است زیرا اسناد اسکن شده اغلب در قالب تصاویر ارائه می شوند. علاوه بر این، روش های استخراج به شدت به انواع متن بستگی دارد. در حالی که متن در اکثر مواقع در قالبهای چاپی متراکم وجود دارد، توانایی استخراج متن پراکنده از اسناد اسکن شده کمتر یا از حروف دستنویس با سبکهای بسیار متفاوت به همان اندازه مهم است. چنین فرآیندی به برنامهها اجازه میدهد تا تصاویر را به متن کدگذاری شده ماشینی تبدیل کنند، جایی که میتوانیم آنها را از دادههای بدون ساختار (بدون قالببندی خاص) به دادههای ساختیافته برای تجزیه و تحلیل بیشتر سازماندهی کنیم.
جداول
فرم های جدولی محبوب ترین روش برای ذخیره سازی داده ها است، زیرا قالب به راحتی با چشم انسان قابل تفسیر است. فرآیند استخراج جداول از اسناد اسکن شده به فناوری فراتر از تشخیص کاراکتر نیاز دارد - باید خطوط و سایر ویژگی های بصری را شناسایی کرد تا بتوان یک جدول مناسب استخراج کرد و بیشتر آن اطلاعات را به داده های ساختار یافته برای محاسبات بیشتر تبدیل کرد. روشهای بینایی کامپیوتری (که در بخشهای بعدی به تفصیل شرح داده شده است) به شدت برای دستیابی به استخراج جدول با دقت بالا استفاده میشوند.
جفت های کلید-مقدار
یک قالب جایگزین که ما اغلب در اسناد برای ذخیره سازی داده ها اتخاذ می کنیم، جفت های کلید-مقدار (KVP) است.
KVP ها اساساً دو آیتم داده - یک کلید و یک مقدار - هستند که به عنوان یکی با هم مرتبط شده اند. کلید به عنوان یک شناسه منحصر به فرد برای مقداری که باید بازیابی شود استفاده می شود. یک مثال کلاسیک KVP فرهنگ لغت است که در آن واژگان کلید و تعاریف مربوطه مقادیر هستند. این جفت ها، در حالی که معمولاً مورد توجه قرار نمی گیرند، در واقع اغلب در اسناد استفاده می شوند: سؤالات در نظرسنجی ها مانند نام، سن و قیمت اقلام در فاکتورها همه به طور ضمنی KVP هستند.
با این حال، بر خلاف جداول، KVP ها اغلب در قالب های ناشناخته وجود دارند و گاهی اوقات حتی تا حدی دست نویس هستند. برای مثال، کلیدها میتوانند از قبل در جعبهها چاپ شوند و هنگام تکمیل فرم، مقادیر با دست نوشته میشوند. بنابراین، یافتن ساختارهای زیربنایی برای انجام خودکار استخراج KVP یک فرآیند تحقیقاتی مداوم حتی برای پیشرفتهترین امکانات و آزمایشگاهها است.
آمار و ارقام
در نهایت، استخراج یا بسیار مهم است گرفتن اطلاعات از ارقام داخل یک سند اسکن شده شاخص های آماری مانند نمودار دایره ای و نمودار میله ای اغلب شامل اطلاعات حیاتی برای اسناد هستند. یک فرآیند استخراج داده خوب باید بتواند از افسانه ها و اعداد استنتاج کند تا بخشی از داده ها را از شکل ها برای استفاده بیشتر استخراج کند.
به دنبال استخراج داده از اسناد اسکن شده هستید؟ نانوشبکه بدهید™ چرخشی برای دقت بالاتر، انعطاف پذیری بیشتر، پس پردازش، و مجموعه گسترده ای از ادغام!
فن آوری های پشت استخراج داده ها
استخراج داده ها حول دو فرآیند اصلی می چرخد: تشخیص کاراکتر نوری (OCR) به دنبال آن پردازش زبان طبیعی (NLP).
استخراج OCR فرآیند تبدیل تصاویر متنی به متن رمزگذاری شده ماشینی است، در حالی که دومی تجزیه و تحلیل کلمات برای استنتاج معانی است. اغلب با OCR سایر تکنیک های بینایی کامپیوتری مانند تشخیص جعبه و خط برای استخراج انواع داده های ذکر شده مانند جداول و KVP برای استخراج جامع تر همراه است.
پیشرفتهای اصلی پشت خط لوله استخراج داده، به پیشرفتهای یادگیری عمیق که کمک زیادی به زمینههای بینایی رایانه و پردازش زبان طبیعی (NLP) کرده است، مرتبط است.
یادگیری عمیق چیست؟
یادگیری عمیق، نقش مهمی در پشت سرگذاشتن دوران هوش مصنوعی ایفا میکند و به طور مداوم در برنامههای کاربردی متعدد به خط مقدم هدایت شده است. در مهندسی سنتی، هدف ما طراحی سیستم/عملکردی است که خروجی را از یک ورودی معین تولید کند. از سوی دیگر، یادگیری عمیق به ورودی ها و خروجی ها برای یافتن رابطه میانی متکی است که می تواند از طریق به اصطلاح به داده های نادیده جدید گسترش یابد. شبکه های عصبی.
یک شبکه عصبی یا یک پرسپترون چند لایه (MLP)، یک معماری یادگیری ماشینی است که از نحوه یادگیری مغز انسان الهام گرفته شده است. این شبکه حاوی نورونهایی است که نورونهای بیولوژیکی را تقلید میکنند و زمانی که اطلاعات متفاوتی به آنها داده میشود «فعال میشوند». مجموعهای از نورونها لایهها را تشکیل میدهند، و لایههای متعدد در کنار هم قرار میگیرند تا شبکهای را تشکیل دهند تا به اهداف پیشبینی اشکال متعدد (یعنی طبقهبندی تصویر یا جعبههای محدودکننده برای تشخیص اشیا) خدمت کنند.
در زمینه بینایی کامپیوتر، نوعی از تنوع شبکه های عصبی به شدت استفاده می شود - شبکه های عصبی کانولوشنال (سی ان ان). به جای لایههای سنتی، یک CNN از هستههای کانولوشنالی استفاده میکند که از میان تانسورها (یا بردارهای با ابعاد بالا) برای استخراج ویژگی میچرخند. همراه با لایههای شبکه سنتی در پایان، CNNها در کارهای مرتبط با تصویر بسیار موفق هستند و پایهای برای استخراج OCR و تشخیص سایر ویژگیها را تشکیل میدهند.
از سوی دیگر، NLP به مجموعه دیگری از شبکهها متکی است که بر دادههای سری زمانی تمرکز دارد. بر خلاف تصاویر، که در آن یک تصویر مستقل از یکدیگر است، پیشبینی متن میتواند تا حد زیادی سودمند باشد اگر کلمات قبل یا بعد نیز در نظر گرفته شوند. در چند سال گذشته خانواده ای از شبکه ها، یعنی خاطرات بلند مدت کوتاه مدت (LSTM)، که نتایج قبلی را به عنوان ورودی برای پیش بینی نتایج فعلی می گیرد. LSTMهای دوطرفه نیز اغلب برای افزایش خروجی پیشبینی مورد استفاده قرار میگرفتند، جایی که هر دو نتایج قبل و بعد در نظر گرفته میشدند. با این حال، در سالهای اخیر، مفهوم ترانسفورماتورهایی که از مکانیزم توجه استفاده میکنند، به دلیل انعطافپذیری بالاتر آن که منجر به نتایج بهتری نسبت به شبکههای سنتی که سریهای زمانی متوالی را مدیریت میکنند، شروع به افزایش کرده است.
کاربردهای استخراج داده ها
هدف اصلی استخراج داده ها تبدیل داده ها از اسناد بدون ساختار به فرمت های ساخت یافته است که در آن بازیابی بسیار دقیق متن، شکل ها و ساختارهای داده می تواند برای تجزیه و تحلیل عددی و زمینه ای بسیار مفید باشد. این تجزیه و تحلیلها میتوانند به ویژه برای کسبوکارها بسیار مفید باشند:
کسب و کار
شرکتهای تجاری و سازمانهای بزرگ روزانه با هزاران کاغذ با فرمتهای مشابه سروکار دارند - بانکهای بزرگ برنامههای یکسان متعددی دریافت میکنند و تیمهای تحقیقاتی باید انبوهی از فرمها را برای انجام تحلیلهای آماری تجزیه و تحلیل کنند. بنابراین، اتوماسیون مرحله اولیه استخراج داده ها از اسناد به طور قابل توجهی از افزونگی منابع انسانی می کاهد و به کارگران این امکان را می دهد که به جای کلید زدن اطلاعات، بر تجزیه و تحلیل داده ها و بررسی برنامه ها تمرکز کنند.
- تایید برنامه ها - شرکتها تعداد زیادی درخواست، چه به صورت دستنویس یا فقط از طریق فرمهای درخواست دریافت میکنند. در بیشتر مواقع، این برنامهها ممکن است با شناسههای شخصی برای اهداف راستیآزمایی همراه شوند. اسناد اسکن شده شناسنامه مانند پاسپورت یا کارت معمولاً به صورت دستهای با فرمتهای مشابه ارائه میشوند. بنابراین، یک استخراجکننده داده بهخوبی میتواند دادهها (متون، جداول، شکلها، KVP) را به سرعت به متون قابل فهم ماشین تبدیل کند، که میتواند به طور قابلتوجهی ساعات کار را در این وظایف کاهش دهد و به جای استخراج، بر انتخاب برنامه تمرکز کند.
- تطبیق پرداخت - تطبیق پرداخت فرآیند مقایسه صورتهای بانکی برای اطمینان از تطابق اعداد بین حسابها است که به شدت حول استخراج دادهها از اسناد میچرخد - یک مسئله چالش برانگیز برای شرکتی با اندازه قابل توجه و منابع مختلف جریان درآمد. استخراج دادهها میتواند این فرآیند را تسهیل کند و به کارمندان اجازه دهد تا روی دادههای معیوب تمرکز کنند و رویدادهای تقلبی احتمالی در مورد جریان نقدی را کشف کنند.
- تجزیه و تحلیل آماری - بازخورد مشتریان یا شرکتکنندگان آزمایش توسط شرکتها و سازمانها برای بهبود محصولات و خدمات خود استفاده میشود و ارزیابی بازخورد جامع معمولاً به تجزیه و تحلیل آماری نیاز دارد. با این حال، دادههای نظرسنجی ممکن است در قالبهای متعدد یا پنهان در بین متنها با فرمتهای مختلف وجود داشته باشد. استخراج دادهها میتواند فرآیند را با اشاره به دادههای واضح از اسناد به صورت دستهای آسانتر کند، روند یافتن فرآیندهای مفید را آسان کند و در نهایت کارایی را افزایش دهد.
- به اشتراک گذاری سوابق گذشته - از مراقبتهای بهداشتی گرفته تا تعویض خدمات بانکی، صنایع بزرگ اغلب به اطلاعات مشتری جدیدی نیاز دارند که ممکن است قبلاً در جاهای دیگر وجود داشته باشد. به عنوان مثال، بیمار به دلیل جابجایی بیمارستان، ممکن است سوابق پزشکی از قبل موجود داشته باشد که می تواند برای بیمارستان جدید مفید باشد. در چنین مواردی، یک نرم افزار استخراج داده خوب به کار می آید، زیرا تنها چیزی که لازم است این است که فرد یک تاریخچه اسکن شده از سوابق را به بیمارستان جدید بیاورد تا به طور خودکار تمام اطلاعات را پر کند. این نه تنها راحت است، بلکه می تواند از خطرات گسترده به ویژه در صنعت مراقبت های بهداشتی که سوابق مهم بیماران نادیده گرفته می شود، جلوگیری کند.
به دنبال استخراج داده از اسناد اسکن شده هستید؟ نانوشبکه بدهید™ چرخشی برای دقت بالاتر، انعطاف پذیری بیشتر، پس پردازش، و مجموعه گسترده ای از ادغام!
آموزش
برای ارائه یک دید واضح تر در مورد نحوه انجام استخراج داده ها، ما دو مجموعه روش را برای انجام استخراج داده ها از اسناد اسکن نشان می دهیم.
ساختمان از ابتدا
ممکن است یک موتور OCR استخراج داده ساده از طریق موتور PyTesseract به صورت زیر بسازید:
try: from PIL import Image
except ImportError: import Image
import pytesseract # If you don't have tesseract executable in your PATH, include the following:
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# Example tesseract_cmd = r'C:Program Files (x86)Tesseract-OCRtesseract' # Simple image to string
print(pytesseract.image_to_string(Image.open('test.png'))) # List of available languages
print(pytesseract.get_languages(config='')) # French text image to string
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra')) # In order to bypass the image conversions of pytesseract, just use relative or absolute image path
# NOTE: In this case you should provide tesseract supported images or tesseract will return error
print(pytesseract.image_to_string('test.png')) # Batch processing with a single file containing the list of multiple image file paths
print(pytesseract.image_to_string('images.txt')) # Timeout/terminate the tesseract job after a period of time
try: print(pytesseract.image_to_string('test.jpg', timeout=2)) # Timeout after 2 seconds print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # Timeout after half a second
except RuntimeError as timeout_error: # Tesseract processing is terminated pass # Get bounding box estimates
print(pytesseract.image_to_boxes(Image.open('test.png'))) # Get verbose data including boxes, confidences, line and page numbers
print(pytesseract.image_to_data(Image.open('test.png'))) # Get information about orientation and script detection
print(pytesseract.image_to_osd(Image.open('test.png'))) # Get a searchable PDF
pdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')
with open('test.pdf', 'w+b') as f: f.write(pdf) # pdf type is bytes by default # Get HOCR output
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr') # Get ALTO XML output
xml = pytesseract.image_to_alto_xml('test.png')
برای کسب اطلاعات بیشتر در مورد کد، می توانید رسمی آنها را بررسی کنید مستندات.
به عبارت ساده، کد داده هایی مانند متون و جعبه های محدود را از یک تصویر مشخص استخراج می کند. اگرچه این موتور بسیار مفید است، اما به دلیل قدرت محاسباتی قابل توجهی که برای آموزش دارد، به اندازه راه حل های پیشرفته ارائه شده است.
با استفاده از Google Document API
def async_detect_document(gcs_source_uri, gcs_destination_uri):
"""OCR with PDF/TIFF as source files on GCS""" import json import re from google.cloud import vision from google.cloud import storage # Supported mime_types are: 'application/pdf' and 'image/tiff' mime_type = 'application/pdf' # How many pages should be grouped into each json output file. batch_size = 2 client = vision.ImageAnnotatorClient() feature = vision.Feature( type_=vision.Feature.Type.DOCUMENT_TEXT_DETECTION) gcs_source = vision.GcsSource(uri=gcs_source_uri) input_config = vision.InputConfig( gcs_source=gcs_source, mime_type=mime_type) gcs_destination = vision.GcsDestination(uri=gcs_destination_uri) output_config = vision.OutputConfig( gcs_destination=gcs_destination, batch_size=batch_size) async_request = vision.AsyncAnnotateFileRequest( features=[feature], input_config=input_config, output_config=output_config) operation = client.async_batch_annotate_files( requests=[async_request]) print('Waiting for the operation to finish.') operation.result(timeout=420) # Once the request has completed and the output has been # written to GCS, we can list all the output files. storage_client = storage.Client() match = re.match(r'gs://([^/]+)/(.+)', gcs_destination_uri) bucket_name = match.group(1) prefix = match.group(2) bucket = storage_client.get_bucket(bucket_name) # List objects with the given prefix. blob_list = list(bucket.list_blobs(prefix=prefix)) print('Output files:') for blob in blob_list: print(blob.name) # Process the first output file from GCS. # Since we specified batch_size=2, the first response contains # the first two pages of the input file. output = blob_list[0] json_string = output.download_as_string() response = json.loads(json_string) # The actual response for the first page of the input file. first_page_response = response['responses'][0] annotation = first_page_response['fullTextAnnotation'] # Here we print the full text from the first page. # The response contains more information: # annotation/pages/blocks/paragraphs/words/symbols # including confidence scores and bounding boxes print('Full text:n') print(annotation['text'])
در نهایت، هوش مصنوعی سند گوگل به شما این امکان را می دهد که اطلاعات متعددی را از اسناد با دقت بالا استخراج کنید. علاوه بر این، این سرویس برای استفاده های خاص نیز ارائه می شود، از جمله استخراج متن برای تصاویر عادی و وحشی.
لطفا به اینجا کلیک نمایید برای اطلاعات بیشتر.
راه حل های فعلی ارائه استخراج داده ها
علاوه بر شرکتهای بزرگ با API برای استخراج دادههای اسناد، راهحلهای متعددی وجود دارد که بسیار دقیق هستند PDF OCR خدمات. ما چندین گزینه PDF OCR را ارائه می دهیم که در جنبه های مختلف تخصصی هستند، و همچنین برخی از نمونه های اولیه تحقیقاتی اخیر که به نظر می رسد نتایج امیدوارکننده ای ارائه می دهند *:
*نکته جانبی: چندین سرویس OCR وجود دارد که برای کارهایی مانند تصاویر در طبیعت هدف قرار می گیرند. ما از این خدمات صرف نظر کردیم زیرا در حال حاضر فقط بر خواندن اسناد PDF تمرکز می کنیم.
- API های گوگل — به عنوان یکی از بزرگترین ارائه دهندگان خدمات آنلاین، Google نتایج خیره کننده ای را در استخراج اسناد با فناوری بینایی رایانه ای پیشگام خود ارائه می دهد. اگر استفاده بسیار کم باشد، می توانید از خدمات آنها به صورت رایگان استفاده کنید، اما با افزایش تماس های API، قیمت آن افزایش می یابد.
- خواننده عمیق — Deep Reader یک کار تحقیقاتی است که در کنفرانس ACCV 2019 منتشر شده است. چندین معماری شبکه پیشرفته را برای انجام وظایفی مانند تطبیق سند، بازیابی متن و حذف نویز تصاویر. ویژگی های اضافی مانند جداول و استخراج جفت کلید-مقدار-کلید وجود دارد که امکان بازیابی و ذخیره داده ها را به صورت سازمان یافته فراهم می کند.
- نانو شبکه ها - با یک تیم یادگیری عمیق بسیار ماهر، Nanonets™ PDF OCR کاملاً مستقل از الگو و قانون است. بنابراین، Nanonets نه تنها میتواند روی انواع خاصی از فایلهای PDF کار کند، بلکه میتواند روی هر نوع سندی برای بازیابی متن نیز اعمال شود.
به دنبال استخراج داده از اسناد اسکن شده هستید؟ نانوشبکه بدهید™ چرخشی برای دقت بالاتر، انعطاف پذیری بیشتر، پس پردازش، و مجموعه گسترده ای از ادغام!
نتیجه
در پایان، این مقاله توضیح کاملی در مورد استخراج داده ها از اسناد اسکن شده، از جمله چالش های پشت آن و فناوری مورد نیاز برای این فرآیند ارائه می دهد.
دو آموزش از روش های مختلف ارائه شده است، و راه حل های فعلی که آن را خارج از جعبه ارائه می دهد نیز برای مرجع ارائه شده است.
- 2019
- درباره ما
- مطلق
- حساب
- دقیق
- رسیدن
- اضافه
- اضافی
- پیشرفته
- پیشرفت
- AI
- الگوریتم
- معرفی
- قبلا
- جایگزین
- تحلیل
- تحلیل
- دیگر
- API
- رابط های برنامه کاربردی
- کاربرد
- برنامه های کاربردی
- روش
- معماری
- دور و بر
- مقاله
- مصنوعی
- هوش مصنوعی
- توجه
- اتوماسیون
- در دسترس
- AWS
- زمینه
- بانک
- بانک
- اساس
- بودن
- بهترین
- خارج از
- بزرگترین
- مرز
- جعبه
- ساختن
- کسب و کار
- کسب و کار
- کارت ها
- موارد
- پول دادن و سكس - پول دادن و كس كردن
- جریان نقدی
- معین
- چالش ها
- به چالش کشیدن
- نمودار
- وارسی
- کلاسیک
- ابر
- CNN
- رمز
- بیا
- مشترک
- شرکت
- شرکت
- به طور کامل
- تکمیل
- جامع
- محاسبه
- کامپیوتر
- مفهوم
- کنفرانس
- اعتماد به نفس
- متصل
- به طور مداوم
- شامل
- کمک
- راحتی
- مناسب
- تبدیل
- هسته
- شرکت ها
- متناظر
- میتوانست
- بسیار سخت
- جاری
- در حال حاضر
- مشتری
- مشتریان
- داده ها
- پردازش داده ها
- ذخیره سازی داده ها
- مقدار
- شرح داده شده
- طرح
- جزئیات
- کشف
- مختلف
- مشکل
- دیجیتال
- اسناد و مدارک
- به آسانی
- بهره وری
- کارکنان
- موتور
- مهندسی
- به خصوص
- اساسا
- تخمین می زند
- و غیره
- ارزیابی
- حوادث
- مثال
- جز
- تجربه
- اکتشاف
- وسیع
- عصاره ها
- خانواده
- ویژگی
- امکانات
- باز خورد
- زمینه
- پیدا کردن
- نام خانوادگی
- انعطاف پذیری
- جریان
- تمرکز
- متمرکز شده است
- تمرکز
- تمرکز
- پیروی
- خط مقدم
- فرم
- قالب
- اشکال
- رایگان
- فرانسوی
- تکمیل کنید
- کامل
- بیشتر
- هدف
- خوب
- گوگل
- بیشتر
- تا حد زیادی
- اداره
- دست
- سر
- بهداشت و درمان
- صنعت بهداشت و درمان
- مفید
- اینجا کلیک نمایید
- زیاد
- بالاتر
- خیلی
- تاریخ
- بیمارستان ها
- چگونه
- چگونه
- اما
- HTTPS
- انسان
- منابع انسانی
- انسان
- تصویر
- اهمیت
- مهم
- بهبود
- شامل
- از جمله
- درآمد
- افزایش
- فرد
- افراد
- لوازم
- صنعت
- اطلاعات
- ورودی
- الهام بخش
- اطلاعات
- موضوع
- IT
- کار
- کلید
- کلید
- آزمایشگاه
- زبان
- زبان ها
- بزرگ
- برجسته
- یاد گرفتن
- یادگیری
- لاین
- فهرست
- طولانی
- دستگاه
- فراگیری ماشین
- عمده
- اکثریت
- مرد
- روش
- بازار
- مسابقه
- مطابق
- پزشکی
- روش
- بیش
- اکثر
- محبوبترین
- متحرک
- چندگانه
- از جمله
- طبیعی
- نیازهای
- شبکه
- شبکه
- طبیعی
- تعداد
- متعدد
- ارائه
- ارائه شده
- ارائه
- پیشنهادات
- پیشنهادات
- رسمی
- مداوم
- آنلاین
- عمل
- گزینه
- سفارش
- سازمان های
- سازمان یافته
- دیگر
- صاحبان
- شرکت کنندگان
- پرداخت
- انجام
- دوره
- شخصی
- پیشگام
- محبوب
- پتانسیل
- قدرت
- پیش بینی
- پیش گویی
- در حال حاضر
- زیبا
- قبلی
- قیمت
- روند
- فرآیندهای
- در حال پردازش
- محصولات
- برنامه
- برنامه ها
- امید بخش
- ارائه
- ارائه
- اهداف
- به سرعت
- RE
- خواننده
- مطالعه
- گرفتن
- مصالحه
- سوابق
- كاهش دادن
- با توجه
- ارتباط
- درخواست
- نیاز
- ضروری
- نیاز
- تحقیق
- منابع
- پاسخ
- نتایج
- برگشت
- خطرات
- پویش
- ثانیه
- سرویس
- خدمات
- تنظیم
- چند
- کوتاه
- کوتاه مدت
- مشابه
- ساده
- پس از
- اندازه
- نرم افزار
- جامد
- مزایا
- برخی از
- تخصصی
- چرخش
- وضعیت هنر
- اظهارات
- آماری
- ذخیره سازی
- جریان
- قوی
- ساخت یافته
- قابل توجه
- موفق
- پشتیبانی
- بررسی
- هدف قرار
- وظایف
- تیم
- تکنیک
- فن آوری
- پیشرفته
- آزمون
- جهان
- از این رو
- هزاران نفر
- از طریق
- زمان
- بار
- با هم
- لحن
- طرف
- سنتی
- آموزش
- آموزش
- انواع
- فهمیدن
- منحصر به فرد
- استفاده کنید
- معمولا
- ارزش
- مختلف
- تایید
- چشم انداز
- دید
- چه
- در حین
- در داخل
- بدون
- کلمات
- مهاجرت کاری
- کارگران
- جهان
- خواهد بود
- XML
- سال