تعمیر و نگهداری پیشبینیشده در صنایع خودروسازی حیاتی است زیرا میتواند از خرابیهای مکانیکی و فعالیتهای تعمیر و نگهداری واکنشی که عملکرد را مختل میکند، جلوگیری کند. با پیشبینی خرابیهای خودرو و برنامهریزی نگهداری و تعمیرات، زمان خرابی را کاهش میدهید، ایمنی را بهبود میبخشید و سطح بهرهوری را افزایش میدهید.
اگر میتوانستیم تکنیکهای یادگیری عمیق را در زمینههای رایجی که باعث خرابی خودرو، خرابیهای برنامهریزی نشده و هزینههای تعمیر میشوند، به کار ببریم، چه؟
در این پست، نحوه آموزش و استقرار مدلی برای پیشبینی احتمال خرابی ناوگان خودرو را با استفاده از آن به شما نشان میدهیم Amazon SageMaker JumpStart. SageMaker Jumpstart مرکز یادگیری ماشینی (ML) است آمازون SageMaker، مدل های از پیش آموزش دیده و در دسترس عموم را برای طیف گسترده ای از انواع مشکلات ارائه می کند تا به شما در شروع کار با ML کمک کند. راه حل ذکر شده در پست در دسترس است GitHub.
الگوهای راه حل SageMaker JumpStart
SageMaker JumpStart راه حل های یک کلیک و سرتاسری را برای بسیاری از موارد رایج استفاده از ML ارائه می دهد. برای اطلاعات بیشتر در مورد الگوهای راه حل موجود، موارد استفاده زیر را کاوش کنید:
الگوهای راه حل SageMaker JumpStart موارد استفاده مختلفی را پوشش می دهند که در زیر هر کدام چندین الگوی راه حل مختلف ارائه شده است (راه حل در این پست، تعمیر و نگهداری پیشگویانه برای ناوگان خودرو، هست در مزایا بخش). از صفحه فرود SageMaker JumpStart الگوی راه حلی را انتخاب کنید که به بهترین وجه مناسب مورد استفاده شما باشد. برای کسب اطلاعات بیشتر در مورد راه حل های خاص در هر مورد و نحوه راه اندازی راه حل SageMaker JumpStart، رجوع کنید به الگوهای راه حل.
بررسی اجمالی راه حل
راهحل تعمیر و نگهداری پیشبینیکننده AWS برای ناوگان خودرو، تکنیکهای یادگیری عمیق را در مناطق معمولی که باعث خرابی خودرو، خرابیهای برنامهریزی نشده و هزینههای تعمیر میشوند، اعمال میکند. این به عنوان یک بلوک اولیه برای شما عمل می کند تا در مدت زمان کوتاهی به اثبات مفهوم برسید. این راه حل شامل قابلیت آماده سازی و تجسم داده ها در SageMaker است و به شما اجازه می دهد تا فراپارامترهای مدل های یادگیری عمیق را برای مجموعه داده خود آموزش دهید و بهینه کنید. می توانید از داده های خود استفاده کنید یا راه حل را با مجموعه داده مصنوعی به عنوان بخشی از این راه حل امتحان کنید. این نسخه داده های حسگر خودرو را در طول زمان پردازش می کند. نسخه بعدی داده های سابقه نگهداری را پردازش می کند.
نمودار زیر نشان می دهد که چگونه می توانید از این راه حل با اجزای SageMaker استفاده کنید. به عنوان بخشی از راه حل، از خدمات زیر استفاده می شود:
- آمازون S3 - ما استفاده می کنیم سرویس ذخیره سازی ساده آمازون (Amazon S3) برای ذخیره مجموعه داده ها
- نوت بوک SageMaker - ما از یک دفترچه برای پیش پردازش و تجسم داده ها و آموزش مدل یادگیری عمیق استفاده می کنیم
- نقطه پایانی SageMaker - ما از نقطه پایانی برای استقرار مدل آموزش دیده استفاده می کنیم
گردش کار شامل مراحل زیر است:
- عصاره ای از داده های تاریخی از سیستم مدیریت ناوگان حاوی داده های خودرو و گزارش های حسگر ایجاد شده است.
- پس از آموزش مدل ML، آرتیفکت مدل SageMaker مستقر می شود.
- وسیله نقلیه متصل سیاهههای مربوط به سنسور را به AWS IoT Core (به طور متناوب، از طریق یک رابط HTTP).
- سیاهههای مربوط به سنسور از طریق Amazon Kinesis Data Firehose.
- سیاهههای مربوط به سنسور ارسال می شود AWS لامبدا برای پرس و جو در برابر مدل برای انجام پیش بینی.
- لامبدا گزارشهای حسگر را برای استنتاج مدل Sagemaker برای پیشبینی میفرستد.
- پیشبینیها همچنان ادامه دارد آمازون شفق قطبی.
- نتایج انبوه بر روی یک نمایش داده می شود آمازون QuickSight داشبورد.
- اعلانهای بیدرنگ در مورد احتمال شکست پیشبینیشده به ارسال میشوند سرویس اطلاع رسانی ساده آمازون (Amazon SNS).
- Amazon SNS اعلان ها را به وسیله نقلیه متصل ارسال می کند.
راه حل شامل شش نوت بوک است:
- 0_demo.ipynb - پیش نمایش سریع راه حل ما
- 1_introduction.ipynb - مقدمه و بررسی اجمالی راه حل
- 2_data_preparation.ipynb - یک مجموعه داده نمونه تهیه کنید
- 3_data_visualization.ipynb - مجموعه داده های نمونه ما را تجسم کنید
- 4_model_training.ipynb - یک مدل در مجموعه داده نمونه ما برای تشخیص خرابی ها آموزش دهید
- 5_results_analysis.ipynb - نتایج حاصل از مدلی که آموزش دادیم را تجزیه و تحلیل کنید
پیش نیازها
Amazon SageMaker Studio محیط توسعه یکپارچه (IDE) در SageMaker است که تمام ویژگی های ML را که در یک شیشه به آن نیاز داریم در اختیار ما قرار می دهد. قبل از اینکه بتوانیم SageMaker JumpStart را اجرا کنیم، باید SageMaker Studio را راه اندازی کنیم. اگر از قبل نسخه SageMaker Studio خود را در حال اجرا دارید، می توانید از این مرحله رد شوید.
اولین کاری که قبل از استفاده از خدمات AWS باید انجام دهیم این است که مطمئن شویم در AWS ثبت نام کرده ایم و یک حساب AWS ایجاد کرده ایم. سپس یک کاربر اداری و یک گروه ایجاد می کنیم. برای دستورالعمل های مربوط به هر دو مرحله، مراجعه کنید پیش نیازهای Amazon SageMaker را تنظیم کنید.
مرحله بعدی ایجاد دامنه SageMaker است. یک دامنه تمام فضای ذخیره سازی را تنظیم می کند و به شما امکان می دهد کاربرانی را برای دسترسی به SageMaker اضافه کنید. برای اطلاعات بیشتر مراجعه کنید ورود به دامنه Amazon SageMaker. این نسخه ی نمایشی در منطقه AWS us-east-1 ایجاد شده است.
در نهایت، SageMaker Studio را راه اندازی می کنید. برای این پست، توصیه می کنیم یک برنامه پروفایل کاربری راه اندازی کنید. برای دستورالعمل، مراجعه کنید Amazon SageMaker Studio را راه اندازی کنید.
برای اجرای این راه حل SageMaker JumpStart و استقرار زیرساخت در حساب AWS خود، باید یک نمونه فعال SageMaker Studio ایجاد کنید (نگاه کنید به ورود به Amazon SageMaker Studio). وقتی نمونه شما آماده شد، از دستورالعمل های موجود در آن استفاده کنید SageMaker JumpStart برای راه اندازی راه حل مصنوعات راه حل در این گنجانده شده است مخزن GitHub برای مرجع است.
راه حل SageMaker Jumpstart را اجرا کنید
برای شروع کار با راه حل، مراحل زیر را انجام دهید:
- در کنسول SageMaker Studio، را انتخاب کنید شروع به کار.
- بر مزایا برگه ، انتخاب کنید تعمیر و نگهداری پیشگویانه برای ناوگان خودرو.
- را انتخاب کنید راه اندازی.
چند دقیقه طول می کشد تا راه حل را اجرا کنید. - پس از استقرار راه حل، Open Notebook را انتخاب کنید.
اگر از شما خواسته شد هسته ای را انتخاب کنید، PyTorch 1.8 Python 3.6 را برای همه نوت بوک های این راه حل انتخاب کنید.
پیش نمایش راه حل
ابتدا روی آن کار می کنیم 0_demo.ipynb
نوت بوک. در این نوتبوک، میتوانید پیشنمایش سریعی از این که وقتی نوتبوک کامل این راهحل را تکمیل میکنید، نتیجه چگونه خواهد بود، دریافت کنید.
را انتخاب کنید دویدن و اجرای همه سلول ها برای اجرای تمام سلول ها در SageMaker Studio (یا سلول و همه را اجرا کنید در یک نمونه نوت بوک SageMaker). می توانید تمام سلول های هر نوت بوک را یکی پس از دیگری اجرا کنید. قبل از اینکه به نوت بوک بعدی بروید، اطمینان حاصل کنید که پردازش تمام سلول ها به پایان رسیده است.
این راه حل به یک فایل پیکربندی برای اجرای منابع AWS ارائه شده متکی است. ما فایل را به صورت زیر تولید می کنیم:
ما تعدادی نمونه داده ورودی سری زمانی داریم که شامل ولتاژ باتری خودرو و جریان باتری در طول زمان است. سپس داده های نمونه را بارگذاری و تجسم می کنیم. همانطور که در اسکرین شات های زیر نشان داده شده است، مقادیر ولتاژ و جریان در محور Y و خوانش ها (19 قرائت ثبت شده) در محور X هستند.
ما قبلاً مدلی را بر روی این داده های ولتاژ و جریان آموزش داده ایم که احتمال خرابی وسیله نقلیه را پیش بینی می کند و مدل را به عنوان نقطه پایانی در SageMaker مستقر کرده ایم. ما این نقطه پایانی را با برخی از داده های نمونه فراخوانی می کنیم تا احتمال خرابی در دوره زمانی بعدی مشخص شود.
با توجه به داده های ورودی نمونه، احتمال شکست پیش بینی شده است 45.73٪.
برای رفتن به مرحله بعدی، انتخاب کنید برای ادامه اینجا کلیک کنید.
مقدمه و بررسی اجمالی راه حل
La 1_introduction.ipynb
نوت بوک یک نمای کلی از راه حل و مراحل و نگاهی به فایل پیکربندی که دارای تعریف محتوا، دوره نمونه برداری داده، تعداد نمونه قطار و آزمایش، پارامترها، مکان و نام ستون ها برای محتوای تولید شده است را ارائه می دهد.
پس از بررسی این دفترچه، می توانید به مرحله بعدی بروید.
یک مجموعه داده نمونه تهیه کنید
ما یک مجموعه داده نمونه را در 2_data_preparation.ipynb
نوت بوک.
ابتدا فایل پیکربندی این راه حل را ایجاد می کنیم:
ویژگی های پیکربندی به شرح زیر است:
شما می توانید مجموعه داده های خود را تعریف کنید یا از اسکریپت های ما برای تولید یک مجموعه داده نمونه استفاده کنید:
می توانید داده های حسگر و داده های خودروی ناوگان را با هم ادغام کنید:
اکنون می توانیم به تجسم داده ها برویم.
مجموعه داده نمونه ما را تجسم کنید
ما مجموعه داده نمونه خود را در آن تجسم می کنیم 3_data_vizualization.ipynb
. این راه حل به یک فایل پیکربندی برای اجرای منابع AWS ارائه شده متکی است. بیایید فایلی مشابه نوت بوک قبلی ایجاد کنیم.
تصویر زیر مجموعه داده ما را نشان می دهد.
بعد، بیایید مجموعه داده را بسازیم:
اکنون که مجموعه داده آماده است، بیایید آمار داده ها را تجسم کنیم. تصویر زیر توزیع داده ها را بر اساس ساخت خودرو، نوع موتور، کلاس خودرو و مدل نشان می دهد.
با مقایسه داده های گزارش، اجازه دهید به مثالی از میانگین ولتاژ در سال های مختلف برای Make E و C (تصادفی) نگاه کنیم.
میانگین ولتاژ و جریان در محور Y و تعداد قرائت ها در محور X است.
- مقادیر ممکن برای log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- مقدار تخصیص تصادفی برای
log_target: make
- مقدار تخصیص تصادفی برای
- مقادیر ممکن برای log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- مقدار تخصیص تصادفی برای
log_target_value1: Make B
- مقدار تخصیص تصادفی برای
- مقادیر ممکن برای log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- مقدار تخصیص تصادفی برای
log_target_value2: Make D
- مقدار تخصیص تصادفی برای
بر اساس موارد فوق فرض می کنیم log_target: make
, log_target_value1: Make B
و log_target_value2: Make D
نمودارهای زیر میانگین داده های گزارش را تجزیه می کنند.
نمودارهای زیر نمونه ای از مقادیر مختلف ثبت سنسور در برابر ولتاژ و جریان را به تصویر می کشند.
برای شناسایی خرابی ها، مدلی را روی مجموعه داده نمونه آموزش دهید
در 4_model_training.ipynb
دفترچه یادداشت، ما مدلی را روی مجموعه داده نمونه خود آموزش می دهیم تا خرابی ها را تشخیص دهد.
بیایید فایل پیکربندی مشابه نوت بوک قبلی را ایجاد کنیم و سپس پیکربندی آموزشی را ادامه دهیم:
نتایج حاصل از مدلی را که آموزش دادیم تجزیه و تحلیل کنید
در 5_results_analysis.ipynb
دفترچه یادداشت، ما دادهها را از کار تنظیم فراپارامتری خود دریافت میکنیم، معیارهای همه مشاغل را برای شناسایی بهترین کار تجسم میکنیم و نقطه پایانی برای بهترین کار آموزشی ایجاد میکنیم.
بیایید فایل پیکربندی مشابه نوت بوک قبلی را تولید کنیم و معیارهای همه کارها را تجسم کنیم. طرح زیر دقت آزمون را در مقابل دوره تجسم می کند.
اسکرین شات زیر کارهای تنظیم هایپرپارامتر را نشان می دهد که اجرا کردیم.
اکنون می توانید داده های بهترین کار آموزشی (از بین چهار شغل آموزشی) را بر اساس دقت تست (قرمز) تجسم کنید.
همانطور که در اسکرین شات های زیر می بینیم، افت تست کاهش می یابد و AUC و دقت با دوره ها افزایش می یابد.
بر اساس تجسمها، اکنون میتوانیم یک نقطه پایانی برای بهترین شغل آموزشی ایجاد کنیم:
پس از ساختن نقطه پایانی، میتوانیم پیشبینیکننده را با ارسال نمونه گزارشهای حسگر آزمایش کنیم:
با توجه به داده های ورودی نمونه، احتمال شکست پیش بینی شده است ٪۱۰۰.
پاک کردن
وقتی این راه حل را به پایان رساندید، مطمئن شوید که همه منابع AWS ناخواسته را حذف کرده اید. در تعمیر و نگهداری پیشگویانه برای ناوگان خودرو صفحه، زیر راه حل را حذف کنید، انتخاب کنید تمام منابع را حذف کنید برای حذف تمام منابع مرتبط با راه حل.
شما باید منابع اضافی را که ممکن است در این نوت بوک ایجاد کرده اید به صورت دستی حذف کنید. برخی از مثالها شامل سطلهای اضافی S3 (به سطل پیشفرض راهحل) و نقاط پایانی اضافی SageMaker (با استفاده از یک نام سفارشی) میشوند.
راه حل را سفارشی کنید
راه حل ما برای سفارشی کردن ساده است. برای اصلاح تجسم داده های ورودی، به sagemaker/3_data_visualization.ipynb. برای سفارشی کردن یادگیری ماشینی، به sagemaker/source/train.py و sagemaker/source/dl_utils/network.py. برای سفارشی کردن پردازش داده ها، به sagemaker/1_introduction.ipynb نحوه تعریف فایل کانفیگ
علاوه بر این، می توانید پیکربندی را در فایل پیکربندی تغییر دهید. پیکربندی پیش فرض به صورت زیر است:
فایل کانفیگ دارای پارامترهای زیر است:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
وtest_dataset_fn
مکان فایل های مجموعه داده را تعریف کنیدvehicle_id_column
,timestamp_column
,target_column
وperiod_column
هدر ستون ها را تعریف کنیدdataset_size
,chunksize
,processing_chunksize
,period_ms
وwindow_length
ویژگی های مجموعه داده را تعریف کنید
نتیجه
در این پست، ما به شما نشان دادیم که چگونه با استفاده از SageMaker JumpStart، مدلی را برای پیشبینی احتمال خرابی ناوگان خودرو آموزش و به کار بگیرید. راه حل مبتنی بر ML و مدل های یادگیری عمیق است و به طیف گسترده ای از داده های ورودی از جمله هر داده حسگر متغیر با زمان اجازه می دهد. از آنجایی که هر خودرو دارای تله متری متفاوت است، می توانید مدل ارائه شده را با فرکانس و نوع داده ای که دارید تنظیم کنید.
برای کسب اطلاعات بیشتر در مورد کارهایی که می توانید با SageMaker JumpStart انجام دهید، به موارد زیر مراجعه کنید:
منابع
درباره نویسنده
راجاکومار سامپاتکومار یک مدیر حساب فنی اصلی در AWS است که راهنمایی های مشتریان را در مورد همسویی فناوری تجاری ارائه می دهد و از اختراع مجدد مدل ها و فرآیندهای عملیات ابری آنها پشتیبانی می کند. او علاقه زیادی به یادگیری ابری و ماشینی دارد. راج همچنین یک متخصص یادگیری ماشین است و با مشتریان AWS برای طراحی، استقرار و مدیریت حجم کاری و معماری AWS آنها کار می کند.
- 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/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- : دارد
- :است
- ][پ
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- ٪۱۰۰
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- درباره ما
- بالاتر
- دسترسی
- مطابق
- حساب
- دقت
- در میان
- فعال
- فعالیت ها
- اضافه کردن
- اداری
- پس از
- در برابر
- هم ترازی
- معرفی
- اجازه می دهد تا
- قبلا
- همچنین
- آمازون
- آمازون SageMaker
- Amazon SageMaker JumpStart
- آمازون خدمات وب
- an
- تحلیل
- و
- هر
- نرم افزار
- درخواست
- هستند
- مناطق
- AS
- اختصاص داده
- مرتبط است
- فرض
- At
- خودرو
- در دسترس
- اجتناب از
- AWS
- محور
- به عقب
- مستقر
- باتری
- زیرا
- قبل از
- بهترین
- مسدود کردن
- بدن
- بالا بردن
- هر دو
- شکستن
- ساختن
- بنا
- by
- صدا
- CAN
- می توانید دریافت کنید
- مورد
- موارد
- سلول ها
- تغییر دادن
- را انتخاب کنید
- کلاس
- مشتری
- ابر
- ستون
- مشترک
- کامل
- اجزاء
- مفهوم
- پیکر بندی
- متصل
- شامل
- تشکیل شده است
- کنسول
- شامل
- محتوا
- هزینه
- میتوانست
- پوشش
- ایجاد
- ایجاد شده
- بحرانی
- جاری
- سفارشی
- مشتریان
- سفارشی
- داشبورد
- داده ها
- آماده سازی داده ها
- تجسم داده ها
- کاهش می یابد
- عمیق
- یادگیری عمیق
- به طور پیش فرض
- تعریف
- نسخه ی نمایشی
- نشان می دهد
- گسترش
- مستقر
- طرح
- مشخص کردن
- پروژه
- مختلف
- نمایش داده
- مختل کردن
- توزیع
- do
- دامنه
- پایین
- مدت از کار افتادگی
- راندن
- e
- هر
- دیگر
- پشت سر هم
- نقطه پایانی
- موتور
- اطمینان حاصل شود
- محیط
- دوره
- دوره ها
- هر
- مثال
- مثال ها
- اکتشاف
- اضافی
- عصاره
- شکست
- غلط
- امکانات
- کمی از
- پرونده
- پایان
- نام خانوادگی
- ناوگان
- پیروی
- به دنبال آن است
- برای
- چهار
- فرکانس
- از جانب
- کامل
- قابلیت
- تولید می کنند
- تولید
- ژنراتور
- دریافت کنید
- داده
- شیشه
- GPU
- نمودار ها
- گروه
- راهنمایی
- آیا
- he
- هدر
- کمک
- اینجا کلیک نمایید
- تاریخی
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- قطب
- بهینه سازی هایپرپارامتر
- تنظیم فراپارامتر
- i
- شناسایی
- if
- واردات
- بهبود
- in
- شامل
- مشمول
- شامل
- از جمله
- افزایش
- لوازم
- اطلاعات
- شالوده
- اول
- وارد کردن
- ورودی
- نمونه
- دستورالعمل
- یکپارچه
- رابط
- به
- معرفی
- اینترنت اشیا
- IT
- کار
- شغل ها
- JPG
- json
- کلید
- فرود
- راه اندازی
- راه اندازی
- یاد گرفتن
- یادگیری
- سطح
- پسندیدن
- بار
- محلی
- محل
- ورود به سیستم
- نگاه کنيد
- شبیه
- خاموش
- دستگاه
- فراگیری ماشین
- نگهداری
- ساخت
- مدیریت
- مدیریت
- مدیر
- دستی
- بسیاری
- بیشینه ساختن
- ممکن است..
- متوسط
- مکانیکی
- ادغام کردن
- متریک
- دقیقه
- ML
- مدل
- مدل
- تغییر
- بیش
- حرکت
- متحرک
- نام
- نام
- نیاز
- بعد
- دفتر یادداشت
- اخطار
- اطلاعیه ها
- اکنون
- عدد
- of
- ارائه شده
- on
- ONE
- فقط
- باز کن
- عمل
- عملیات
- بهینه سازی
- بهینه سازی
- or
- OS
- دیگر
- ما
- خارج
- نتیجه
- مشخص شده
- روی
- مروری
- خود
- با ما
- قطعه
- پارامترهای
- بخش
- عبور
- احساساتی
- مسیر
- دوره
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- پست
- پیش بینی
- پیش بینی
- پیش بینی
- پیش بینی
- پیشگو
- پیش بینی می کند
- تهیه
- آماده
- پیش نمایش
- قبلی
- قبلا
- اصلی
- مشکل
- روند
- فرآیندهای
- در حال پردازش
- بهره وری
- مشخصات
- اثبات
- اثبات مفهوم
- املاک
- ارائه
- فراهم می کند
- ارائه
- عمومی
- پــایتــون
- مارماهی
- سریع
- تصادفی
- محدوده
- اماده
- توصیه
- رکورد
- ثبت
- قرمز
- كاهش دادن
- منطقه
- تعمیر
- منابع
- پاسخ
- نتایج
- برگشت
- این فایل نقد می نویسید:
- نقش
- دویدن
- در حال اجرا
- ایمنی
- حکیم ساز
- مجموعه داده نمونه
- زمان بندی
- تصاویر
- اسکریپت
- بخش
- دیدن
- می فرستد
- فرستاده
- سلسله
- خدمت
- خدمات
- جلسه
- تنظیم
- مجموعه
- چند
- کوتاه
- نشان
- نشان داد
- نشان داده شده
- نشان می دهد
- امضاء شده
- مشابه
- ساده
- تنها
- شش
- راه حل
- مزایا
- برخی از
- منبع
- متخصص
- خاص
- صحنه
- مراحل
- آغاز شده
- ارقام
- گام
- مراحل
- ذخیره سازی
- opbevare
- استودیو
- متعاقب
- حمایت از
- مطمئن
- ترکیبی
- سیستم
- طول می کشد
- فنی
- تکنیک
- قالب
- قالب
- آزمون
- که
- La
- شان
- سپس
- چیز
- این
- زمان
- سری زمانی
- برچسب زمان
- به
- با هم
- قطار
- آموزش دیده
- آموزش
- امتحان
- نوع
- انواع
- زیر
- ناخواسته
- us
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- کاربران
- با استفاده از
- ارزش
- ارزشها
- تنوع
- وسیله نقلیه
- نسخه
- از طريق
- تجسم
- ولت
- ولتاژ
- vs
- W
- we
- وب
- خدمات وب
- چی
- چه زمانی
- که
- وسیع
- دامنه گسترده
- اراده
- با
- در داخل
- مهاجرت کاری
- گردش کار
- با این نسخهها کار
- X
- یامل
- سال
- شما
- شما
- زفیرنت