در کتاب خود کتاب چرا، Judea Pearl از آموزش اصول علت و معلولی به ماشین ها به منظور افزایش هوش آنها حمایت می کند. دستاوردهای یادگیری عمیق اساساً فقط یک نوع برازش منحنی هستند، در حالی که علیت میتواند برای کشف تعاملات بین سیستمهای جهان تحت محدودیتهای مختلف بدون آزمایش مستقیم فرضیهها استفاده شود. این می تواند پاسخ هایی را ارائه دهد که ما را به AGI (هوش تعمیم یافته مصنوعی) هدایت کند.
این راهحل یک چارچوب استنتاج علی با استفاده از شبکههای بیزی برای نشان دادن وابستگیهای علی و نتیجهگیری علی بر اساس تصاویر ماهوارهای مشاهدهشده و دادههای آزمایشی آزمایشی در قالب شرایط آب و هوا و خاک شبیهسازی شده پیشنهاد میکند. این بررسی موردی رابطه علی بین مصرف کود مبتنی بر نیتروژن و عملکرد ذرت است.
تصاویر ماهواره ای با استفاده از هدف ساخته شده پردازش می شوند قابلیت های جغرافیایی Amazon SageMaker و با ساخت سفارشی غنی شده است پردازش آمازون SageMaker عملیات موتور استنتاج علّی استقرار یافته است Amazon SageMaker Inference Asynchronous.
در این پست، نحوه ایجاد این تحلیل خلاف واقع را با استفاده از آن نشان می دهیم Amazon SageMaker JumpStart راه حل.
بررسی اجمالی راه حل
نمودار زیر معماری جریان کار انتها به انتها را نشان می دهد.
پیش نیازها
شما نیاز به یک حساب AWS برای استفاده از این محلول
برای اجرای این راه حل JumpStart 1P و استقرار زیرساخت در حساب AWS خود، باید یک فعال ایجاد کنید. Amazon SageMaker Studio نمونه (رجوع کنید به ورود به دامنه Amazon SageMaker). وقتی نمونه Studio شما آماده شد، دستورالعملهای موجود را دنبال کنید SageMaker JumpStart برای راهاندازی راهحل Crop Yield Counterfactuals.
توجه داشته باشید که این راه حل در حال حاضر فقط در منطقه غرب (اورگان) ایالات متحده موجود است.
استنتاج علی
علیت همه چیز در مورد درک تغییر است، اما نحوه رسمی کردن آن در آمار و یادگیری ماشین (ML) یک تمرین بیاهمیت نیست.
در این مطالعه عملکرد محصول، نیتروژن اضافه شده به عنوان کود و نتایج عملکرد ممکن است مخدوش شود. به طور مشابه، نیتروژن اضافه شده به عنوان یک کود و نتایج شستشوی نیتروژن نیز می تواند مخدوش شود، به این معنا که یک علت مشترک می تواند ارتباط آنها را توضیح دهد. با این حال، ارتباط علیت نیست. اگر بدانیم کدام عوامل مشاهده شده ارتباط را مخدوش می کنند، آنها را به حساب می آوریم، اما اگر متغیرهای پنهان دیگری مسئول مخدوش شدن وجود داشته باشند چه؟ کاهش مقدار کود لزوماً نیتروژن باقیمانده را کاهش نمی دهد. به طور مشابه، ممکن است عملکرد را به شدت کاهش ندهد، در حالی که خاک و شرایط آب و هوایی می توانند عوامل مشاهده شده ای باشند که این ارتباط را مخدوش می کنند. نحوه رسیدگی به مخدوش کردن، مشکل اصلی استنتاج علی است. تکنیک معرفی شده توسط RA Fisher به نام کارآزمایی کنترل شده تصادفی هدف آن شکستن گیج کننده احتمالی است.
با این حال، در غیاب کارآزماییهای کنترل تصادفیسازی شده، نیاز به استنتاج علی صرفاً از دادههای مشاهدهای وجود دارد. راههایی برای اتصال سؤالهای علّی به دادهها در مطالعات مشاهدهای با نوشتن مدل گرافیکی علّی در مورد آنچه ما به عنوان چگونگی وقوع اتفاقات فرض میکنیم، وجود دارد. این شامل ادعا میشود که تراورسهای متناظر وابستگیهای مربوطه را دریافت میکنند، در حالی که معیار گرافیکی برای نادیدهانگاری مشروط را برآورده میکند (تا چه اندازه میتوانیم علیت را به عنوان ارتباط بر اساس مفروضات علی تلقی کنیم). پس از اینکه ساختار را فرض کردیم، میتوانیم از عدم تغییرهای ضمنی برای یادگیری از دادههای مشاهدهای استفاده کنیم و سؤالات علّی را اضافه کنیم، و ادعاهای علّی را بدون کارآزماییهای کنترل تصادفی استنباط کنیم.
این راهحل از دادههای آزمایشهای کنترل تصادفیسازی شده شبیهسازی شده (RCT) و همچنین دادههای مشاهدهای از تصاویر ماهوارهای استفاده میکند. مجموعه ای از شبیه سازی های انجام شده در هزاران مزرعه و چندین سال در ایلینوی (ایالات متحده آمریکا) برای مطالعه واکنش ذرت به افزایش نرخ نیتروژن برای ترکیب گسترده ای از تغییرات آب و هوا و خاک که در منطقه مشاهده می شود، استفاده می شود. این محدودیت استفاده از دادههای آزمایشی محدود در تعداد خاکها و سالهایی را که میتواند با استفاده از شبیهسازیهای محصول سناریوهای مختلف کشاورزی و جغرافیایی کشف کند، برطرف میکند. پایگاه داده با استفاده از داده های بیش از 400 کارآزمایی در منطقه کالیبره و اعتبارسنجی شد. غلظت اولیه نیتروژن در خاک به طور تصادفی در یک محدوده معقول تعیین شد.
علاوه بر این، پایگاه داده با مشاهدات از تصاویر ماهوارهای تقویت میشود، در حالی که آمار ناحیهای از شاخصهای طیفی بهمنظور نمایش تغییرات مکانی-زمانی در پوشش گیاهی، که در سراسر جغرافیاها و مراحل فنولوژیکی دیده میشود، مشتق شدهاند.
استنتاج علی با شبکه های بیزی
مدلهای علّی ساختاری (SCM) از مدلهای گرافیکی برای نشان دادن وابستگیهای علی با ترکیب ورودیهای داده محور و انسانی استفاده میکنند. نوع خاصی از مدل علّی ساختار به نام شبکههای بیزی برای مدلسازی دینامیک فنولوژی محصول با استفاده از عبارات احتمالی با نشان دادن متغیرها به عنوان گره و روابط بین متغیرها به عنوان لبه پیشنهاد شده است. گره ها شاخص های رشد محصول، شرایط خاک و آب و هوا هستند و لبه های بین آنها نشان دهنده روابط علّی مکانی-زمانی است. گره های والد پارامترهای مربوط به مزرعه هستند (از جمله روز کاشت و سطح کاشت)، و گره های فرزند معیارهای عملکرد، جذب نیتروژن و شستشوی نیتروژن هستند.
برای اطلاعات بیشتر به این بخش مراجعه کنید خصوصیات پایگاه داده و راهنمایی برای شناسایی مراحل رشد ذرت
برای ساخت مدل شبکه های بیزی چند مرحله لازم است (با CausalNex) قبل از اینکه بتوانیم آن را برای تحلیل خلاف واقع و مداخله ای استفاده کنیم. ساختار مدل علّی در ابتدا از دادهها آموخته میشود، در حالی که تخصص موضوعی (ادبیات مورد اعتماد یا باورهای تجربی) برای فرض وابستگیها و استقلالهای اضافی بین متغیرهای تصادفی و متغیرهای مداخله، و همچنین ادعای علی بودن ساختار استفاده میشود.
با استفاده از بدون اشکیک الگوریتم بهینهسازی پیوسته برای یادگیری ساختار، ساختار نموداری که وابستگیهای شرطی بین متغیرها را توصیف میکند، با مجموعهای از محدودیتها بر لبهها، گرههای والد، و گرههای فرزند که در مدل علی مجاز نیستند، از دادهها آموخته میشود. این امر وابستگی های زمانی بین متغیرها را حفظ می کند. کد زیر را ببینید:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
مرحله بعدی دانش حوزه را در مدلها رمزگذاری میکند و پویایی فنولوژی را به تصویر میکشد، در حالی که از روابط جعلی اجتناب میکند. تجزیه و تحلیل چند خطی، تجزیه و تحلیل عامل تورم تغییرات، و اهمیت ویژگی جهانی با استفاده از SHAP تجزیه و تحلیل برای استخراج بینش ها و محدودیت های متغیرهای تنش آب (گسترش، فنولوژی و فتوسنتز در اطراف گلدهی)، متغیرهای آب و هوا و خاک، شاخص های طیفی و شاخص های مبتنی بر نیتروژن انجام می شود:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
شبکه های بیزی در CausalNex فقط از توزیع های گسسته پشتیبانی می کنند. هر ویژگی پیوسته، یا ویژگی با تعداد زیادی دسته، قبل از تطبیق با شبکه بیزی گسسته می شود:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
پس از بررسی ساختار، توزیع احتمال شرطی هر متغیر با توجه به والدینش را می توان از داده ها در مرحله ای به نام تخمین احتمال:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
در نهایت، ساختار و احتمالات برای انجام استنتاج مشاهداتی بر روی مگس، به دنبال یک قطعی استفاده می شود. الگوریتم درخت اتصال (JTA)، و انجام مداخلات با استفاده از انجام حساب. استنتاج ناهمزمان SageMaker اجازه می دهد تا درخواست های دریافتی را در صف قرار داده و آنها را به صورت ناهمزمان پردازش کند. این گزینه برای سناریوهای استنتاج مشاهدهای و خلاف واقع ایدهآل است، جایی که فرآیند را نمیتوان موازی کرد، در نتیجه زمان قابلتوجهی برای بهروزرسانی احتمالات در سراسر شبکه صرف میشود، اگرچه چندین پرسوجو را میتوان به صورت موازی اجرا کرد. کد زیر را ببینید:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
برای جزئیات بیشتر، مراجعه کنید اسکریپت استنتاج.
مدل علّی دفتر یادداشت راهنمای گام به گام اجرای مراحل قبل است.
پردازش داده های جغرافیایی
مشاغل رصد زمین (EOJs) برای به دست آوردن و تبدیل تصاویر ماهوارهای به یکدیگر زنجیر شدهاند، در حالی که عملیاتهای هدفمند و مدلهای از پیش آموزشدیده برای حذف ابر، موزاییکسازی، عملیات ریاضی باند، و نمونهبرداری مجدد استفاده میشوند. در این بخش، مراحل پردازش جغرافیایی را با جزئیات بیشتری مورد بحث قرار می دهیم.
منطقه مورد علاقه
در شکل زیر، چند ضلعی های سبز، شهرستان های انتخاب شده، شبکه نارنجی، نقشه پایگاه داده (شبکه ای از سلول های 10×10 کیلومتری که در آن آزمایش ها در منطقه انجام می شود)، و شبکه مربع های خاکستری 100 کیلومتر در 100 کیلومتر است. شبکه کاشی کاری UTM Sentinel-2.
فایلهای فضایی برای نقشهبرداری پایگاهداده شبیهسازیشده با تصاویر ماهوارهای مربوطه، پوشاندن چند ضلعیهای ۱۰ کیلومتر در ۱۰ کیلومتر که ایالت ایلینویز (جایی که آزمایشها در منطقه انجام میشود)، چند ضلعیهای شهرستانها، و ۱۰۰ کیلومتر در ۱۰۰ کیلومتری نگهبان، استفاده میشوند. 10 کاشی UTM. برای بهینهسازی خط لوله پردازش دادههای مکانی، ابتدا چند کاشی Sentinel-10 نزدیک انتخاب میشوند. سپس، هندسههای انباشته کاشیها و سلولها به منظور بدست آوردن ناحیه مورد نظر (RoI) روی هم قرار میگیرند. شهرستانها و شناسههای سلولی که به طور کامل در RoI مشاهده میشوند، انتخاب میشوند تا هندسه چند ضلعی ارسال شده به EOJها را تشکیل دهند.
محدوده زمانی
برای این تمرین، چرخه فنولوژی ذرت به سه مرحله تقسیم می شود: مراحل رویشی v5 تا R1 (ظهور، یقه برگ و منگوله برداری)، مراحل زایشی R1 تا R4 (ابریشم، تاول، شیر و خمیر) و مراحل زایشی. R5 ( دندانه دار) و R6 (بلوغ فیزیولوژیکی). بازدیدهای ماهواره ای متوالی برای هر مرحله فنولوژی در بازه زمانی 2 هفته و منطقه مورد علاقه از پیش تعریف شده (شهرستان های انتخاب شده) به دست می آید که امکان تجزیه و تحلیل مکانی و زمانی تصاویر ماهواره ای را فراهم می کند. شکل زیر این معیارها را نشان می دهد.
حذف ابرها
حذف ابر برای دادههای Sentinel-2 از یک مدل تقسیمبندی معنایی مبتنی بر ML برای شناسایی ابرها در تصویر استفاده میکند، جایی که پیکسلهای ابری با مقدار -9999 (مقدار nodata) جایگزین میشوند:
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
پس از ایجاد EOJ، ARN برگردانده شده و برای انجام عملیات ژئوموزائیک بعدی استفاده می شود.
برای گرفتن وضعیت شغلی می توانید اجرا کنید sg_client.get_earth_observation_job(Arn = response['Arn']).
ژئوموزائیک
ژئوموزائیک EOJ برای ادغام تصاویر از چندین بازدید ماهواره ای در یک موزاییک بزرگ، با رونویسی گره داده ها یا پیکسل های شفاف (از جمله پیکسل های ابری) با پیکسل های سایر مهرهای زمانی استفاده می شود:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
پس از ایجاد EOJ، ARN برگردانده می شود و برای انجام عملیات نمونه گیری مجدد بعدی استفاده می شود.
تغییر شکل
نمونه برداری مجدد برای کاهش مقیاس وضوح تصویر جغرافیایی به منظور مطابقت با وضوح ماسک های برش استفاده می شود (تغییر مقیاس با وضوح 10-30 متر):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
پس از ایجاد EOJ، ARN برگردانده می شود و برای انجام عملیات ریاضی باند بعدی استفاده می شود.
ریاضی باند
عملیات ریاضی باند برای تبدیل مشاهدات از چندین باند طیفی به یک باند واحد استفاده می شود. این شامل شاخص های طیفی زیر است:
- EVI2 - شاخص گیاهی تقویت شده دو باند
- DGVI - شاخص تفاوت کلی گیاهی
- NDMI - شاخص رطوبت تفاوت نرمال شده
- NDVI - شاخص تفاوت عادی شده گیاهی
- NDWI - شاخص تفاوت عادی آب
کد زیر را ببینید:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
آمار منطقه ای
با استفاده از شاخص های طیفی بیشتر غنی می شوند پردازش آمازون SageMaker، که در آن از منطق سفارشی مبتنی بر GDAL برای انجام کارهای زیر استفاده می شود:
- ادغام کردن شاخص های طیفی به یک موزاییک چند کاناله تک
- دوباره طرح موزاییک را به ماسک محصولطرح ریزی
- ماسک برش را اعمال کنید و موزاییک را مجدداً روی CRC چند ضلعی سلول ها پخش کنید
- محاسبه آمار ناحیه ای برای چند ضلعی های انتخاب شده (سلول های 10 کیلومتر در 10 کیلومتر)
با توزیع داده های موازی، فایل های مانیفست (برای هر مرحله فنولوژیکی محصول) در چندین نمونه با استفاده از ShardedByS3Key
نوع توزیع داده S3. برای جزئیات بیشتر، مراجعه کنید اسکریپت استخراج ویژگی.
پردازش جغرافیایی دفتر یادداشت راهنمای گام به گام اجرای مراحل قبل است.
شکل زیر کانالهای RGB بازدیدهای متوالی ماهوارهای را نشان میدهد که مراحل رویشی و زایشی چرخه فنولوژی ذرت را با ماسکهای زراعی (راست) و بدون (چپ) نشان میدهد (CW 20، 26 و 33، ایلینوی مرکزی 2018).
در شکل زیر، شاخص های طیفی (NDVI, EVI2, NDMI) بازدیدهای متوالی ماهواره ای نشان دهنده مراحل رویشی و زایشی چرخه فنولوژی ذرت است (CW 20، 26 و 33، 2018 ایلینوی مرکزی).
پاک کردن
اگر دیگر نمی خواهید از این راه حل استفاده کنید، می توانید منابع ایجاد شده را حذف کنید. پس از استقرار راه حل در استودیو، را انتخاب کنید تمام منابع را حذف کنید برای حذف خودکار تمام منابع استانداردی که هنگام راه اندازی راه حل ایجاد شده اند، از جمله سطل S3.
نتیجه
این راه حل طرحی را برای موارد استفاده ارائه می دهد که در آن استنتاج علی با شبکه های بیزی روش ترجیحی برای پاسخ به سؤالات علی از ترکیبی از داده ها و ورودی های انسانی است. جریان کار شامل یک پیاده سازی کارآمد از موتور استنتاج است که پرس و جوها و مداخلات دریافتی را در صف قرار می دهد و آنها را به صورت ناهمزمان پردازش می کند. جنبه مدولار امکان استفاده مجدد از اجزای مختلف از جمله پردازش مکانی با عملیات هدفمند و مدل های از پیش آموزش داده شده، غنی سازی تصاویر ماهواره ای با عملیات GDAL سفارشی و مهندسی ویژگی های چندوجهی (شاخص های طیفی و داده های جدولی) را فراهم می کند.
علاوه بر این، میتوانید از این راهحل بهعنوان الگویی برای ساخت مدلهای محصول شبکهای که در آن مدیریت کود نیتروژن و تحلیل سیاستهای زیستمحیطی انجام میشود، استفاده کنید.
برای اطلاعات بیشتر به مراجعه کنید الگوهای راه حل و به دنبال راهنمایی برای راهاندازی راهحل ضدعملکرد محصول در منطقه غرب ایالات متحده (اورگان). کد در دسترس است GitHub repo.
استناد
آلمانی ماندرینی، سوتیریوس وی. آرخونتولیس، کامرون ام. پیتلکوو، تارو مینو، نیکلاس اف. مارتین،
مجموعه داده شبیه سازی شده پاسخ ذرت به نیتروژن در هزاران مزرعه و چندین سال در ایلینوی،
داده ها به طور خلاصه، جلد 40، 2022، 107753، ISSN 2352-3409
منابع مفید
درباره نویسنده
پل بارنا یک دانشمند ارشد داده با آزمایشگاه های نمونه سازی یادگیری ماشین در AWS است.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :است
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- درباره ما
- دستاوردهای
- حساب
- به دست آوردن
- به دست آورد
- در میان
- فعال
- اضافه
- اضافه
- اضافی
- آدرس
- طرفداران
- پس از
- AGI
- اهداف
- الگوریتم
- معرفی
- اجازه می دهد تا
- هر چند
- آمازون
- آمازون SageMaker
- Amazon SageMaker JumpStart
- در میان
- مقدار
- تحلیل
- و
- پاسخ
- هر جا
- کاربرد
- معماری
- هستند
- محدوده
- دور و بر
- AS
- ظاهر
- ادعا
- انجمن
- At
- بطور خودکار
- در دسترس
- اجتناب از
- AWS
- باند
- مستقر
- بیزی
- BE
- قبل از
- میان
- آبی
- کتاب
- شکستن
- پهن
- ساختن
- بنا
- by
- نام
- CAN
- قابلیت های
- گرفتن
- جلب
- موارد
- دسته
- علت
- سلول ها
- مرکزی
- زنجیر شده
- تغییر دادن
- تبادل
- کانال
- کودک
- را انتخاب کنید
- مدعی
- ادعای
- ابر
- رمز
- یقه
- ترکیب
- مشترک
- اجزاء
- غلظت
- شرایط
- انجام
- اتصال
- متوالی
- محدودیت ها
- مداوم
- کنترل
- کنترل
- متناظر
- میتوانست
- ایجاد
- ایجاد شده
- محصول
- در حال حاضر
- منحنی
- سفارشی
- سفارشی
- چرخه
- داده ها
- پردازش داده ها
- دانشمند داده
- داده محور
- پایگاه داده
- روز
- عمیق
- یادگیری عمیق
- نشان دادن
- مستقر
- نشات گرفته
- جزئیات
- جزئیات
- تفاوت
- مستقیما
- بحث و تبادل نظر
- توزیع شده
- توزیع
- توزیع
- تقسیم شده
- دامنه
- به شدت
- قرعه کشی
- دینامیک
- هر
- اثر
- خروج
- را قادر می سازد
- را قادر می سازد
- پشت سر هم
- موتور
- مهندسی
- افزایش
- غنی شده
- محیطی
- سیاست محیط زیست
- اساسا
- ورزش
- توسعه
- کارشناس
- تخصص
- توضیح دهید
- اکتشاف
- اصطلاحات
- گسترش
- عصاره
- عوامل
- کشاورزی
- ویژگی
- امکانات
- کمی از
- زمینه
- شکل
- به دنبال
- پیروی
- برای
- فرم
- چارچوب
- از جانب
- کاملا
- بیشتر
- تولید می کنند
- جغرافیاها
- دریافت کنید
- GitHub
- داده
- جهانی
- گراف
- سیاه و سفید
- سبز
- توری
- رشد
- راهنمایی
- دسته
- رخ دادن
- آیا
- پنهان
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- انسان
- دلخواه
- شناسایی
- شناسایی
- ایلینوی
- تصویر
- تصاویر
- تأثیر
- پیاده سازی
- ضمنی
- واردات
- اهمیت
- تحمیل
- تحمیل
- in
- شامل
- از جمله
- وارد شونده
- گنجاندن
- افزایش
- شاخص ها
- Indices
- اطلاعات
- شالوده
- اول
- در ابتدا
- بینش
- نمونه
- دستورالعمل
- اطلاعات
- فعل و انفعالات
- علاقه
- مداخله
- معرفی
- IT
- ITS
- کار
- دانستن
- دانش
- آزمایشگاه
- بزرگ
- راه اندازی
- راه اندازی
- رهبری
- یاد گرفتن
- آموخته
- یادگیری
- محدودیت
- محدود شده
- ادبیات
- دیگر
- دستگاه
- فراگیری ماشین
- ماشین آلات
- ساخته
- ساخت
- مدیریت
- نقشه
- مارتین
- ماسک
- ماسک
- مسابقه
- ریاضی
- ماده
- بلوغ
- ادغام کردن
- روش شناسی
- متریک
- قدرت
- شیر
- ML
- مدل
- مدل
- پیمانهای
- بیش
- چندگانه
- نام
- ناسا
- نزدیک
- لزوما
- نیاز
- شبکه
- شبکه
- بعد
- نیکولا
- گره
- توزیع گره
- گره
- عدد
- گرفتن
- of
- on
- عمل
- عملیات
- بهینه سازی
- بهینه سازی
- گزینه
- نارنجی
- سفارش
- اورگان
- دیگر
- موازی
- پارامترهای
- پدر و مادر
- ویژه
- گذشت
- انجام
- فتوسنتز
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- برق وصل کردن
- سیاست
- چند ضلعی
- ممکن
- پست
- مرجح
- از اصول
- قبلا
- مشکل
- روند
- فرآوری شده
- فرآیندهای
- در حال پردازش
- املاک
- ویژگی
- پیشنهاد شده
- پیشنهاد می کند
- نمونه سازی
- ارائه
- فراهم می کند
- صرفا
- سوالات
- تصادفی
- تصادفی
- محدوده
- نرخ
- اماده
- معقول
- قرمز
- كاهش دادن
- کاهش
- منطقه
- ارتباط
- روابط
- برداشت
- جایگزین
- نشان دادن
- نمایندگی
- درخواست
- ضروری
- وضوح
- منابع
- پاسخ
- مسئوليت
- بررسی
- RGB
- ROI
- دویدن
- در حال اجرا
- حکیم ساز
- ماهواره ای
- سناریوها
- دانشمند
- بخش
- تقسیم بندی
- انتخاب شد
- ارشد
- حس
- سلسله
- تنظیم
- چند
- نشان می دهد
- به طور مشابه
- تنها
- راه حل
- مزایا
- برخی از
- فضایی
- طیفی
- مربع
- صحنه
- مراحل
- استاندارد
- دولت
- ایالات
- ارقام
- وضعیت
- گام
- مراحل
- فشار
- ساختار
- مطالعات
- استودیو
- مهاجرت تحصیلی
- موضوع
- متعاقب
- پشتیبانی
- سیستم های
- مصرف
- تارو
- تعلیم
- قالب
- تست
- که
- La
- نمودار
- دولت
- جهان
- شان
- آنها
- در نتیجه
- اینها
- اشیاء
- هزاران نفر
- سه
- از طریق
- سراسر
- زمان
- به
- با هم
- قطار
- دگرگون کردن
- تبدیل شدن
- شفاف
- درمان
- محاکمه
- آزمایش های
- مورد اعتماد
- UCLA
- برملا کردن
- زیر
- درک
- واحد
- متحد
- ایالات متحده
- بروزرسانی
- به روز رسانی
- us
- استفاده کنید
- تایید شده
- ارزش
- مختلف
- بازدیدکننده داشته است
- حجم
- آب
- راه
- هوا
- هفته
- خوب
- غرب
- چی
- که
- در حین
- اراده
- با
- در داخل
- بدون
- جهان
- نوشته
- X
- سال
- بازده
- بازده
- شما
- شما
- زفیرنت