یک موتور توصیه فقط به اندازه داده های مورد استفاده برای تهیه آن خوب است. تبدیل داده های خام به قالبی که برای یک مدل مناسب است، کلید دریافت توصیه های شخصی بهتر برای کاربران نهایی است.
در این پست به نحوه تهیه و واردات آن می پردازیم مجموعه داده MovieLensمجموعه داده ای که توسط تحقیقات GroupLens در دانشگاه مینه سوتا تهیه شده است، که شامل رتبه بندی های مختلف کاربران از فیلم های مختلف است. آمازون شخصی سازی کنید با استفاده از Amazon SageMaker Data Rangler. [1]
بررسی اجمالی راه حل
Amazon Personalize یک سرویس مدیریت شده است که ارزش اصلی آن توانایی آن در یادگیری ترجیحات کاربر از رفتار گذشته آنها و تنظیم سریع آن ترجیحات آموخته شده برای در نظر گرفتن تغییر رفتار کاربر در زمان واقعی است. برای اینکه بتواند این درک از کاربران را توسعه دهد، Amazon Personalize باید رفتارهای تاریخی کاربر را آموزش دهد تا بتواند الگوهایی را پیدا کند که قابل تعمیم به آینده هستند. به طور خاص، نوع اصلی داده ای که Amazon Personalize از آن می آموزد همان چیزی است که ما آن را an می نامیم مجموعه داده های تعامل، که یک مجموعه داده جدولی است که حداقل از سه ستون مهم تشکیل شده است، userID
, itemID
و timestamp
، نشان دهنده یک تعامل مثبت بین یک کاربر و یک مورد در یک زمان خاص است. کاربران Amazon Personalize برای اینکه مدل بتواند این روندهای رفتاری را بیاموزد، باید دادههای حاوی تعاملات مشتری خود را بارگذاری کنند. اگرچه الگوریتمهای داخلی Amazon Personalize بر اساس تجربه آمازون در فضای یادگیری ماشینی انتخاب شدهاند، یک مدل شخصیشده با هیچ نوع دادهای از قبل بارگیری نمیشود و مدلها را بر اساس مشتری به مشتری آموزش میدهد.
مجموعه داده MovieLens بررسیشده در این راهنما در این قالب نیست، بنابراین برای آمادهسازی آن برای Amazon Personalize، از SageMaker Data Wrangler، یک ابزار جمعآوری دادهها و آمادهسازی هدفمند برای یادگیری ماشین استفاده میکنیم. دارای بیش از 300 تبدیل داده از پیش پیکربندی شده و همچنین امکان وارد کردن کدهای سفارشی برای ایجاد تغییرات سفارشی در PySpark، SQL و انواع کتابخانه های پردازش داده، مانند پانداها.
پیش نیازها
ابتدا باید یک داشته باشیم Amazon SageMaker Studio راه اندازی دامنه برای جزئیات در مورد نحوه تنظیم آن، به مراجعه کنید ورود به دامنه Amazon SageMaker با استفاده از راه اندازی سریع.
همچنین، ما نیاز داریم مجوزهای مناسب را تنظیم کنید با استفاده از هویت AWS و مدیریت دسترسی (IAM) برای Amazon Personalize و آمازون SageMaker نقش های خدماتی تا بتوانند به قابلیت های مورد نیاز دسترسی داشته باشند.
تو می توانی یک گروه داده جدید Amazon Personalize ایجاد کنید برای استفاده در این راهنما یا استفاده از یک موجود.
در نهایت، ما نیاز داریم دانلود و مجموعه داده MovieLens را از حالت فشرده خارج کرده و در یک قرار دهید سرویس ذخیره سازی ساده آمازون سطل (Amazon S3).
SageMaker Data Wrangler را از Amazon Personalize راه اندازی کنید
برای شروع با ادغام SageMaker Data Wrangler با Amazon Personalize، مراحل زیر را انجام دهید:
- در کنسول شخصی سازی آمازون، به این قسمت بروید بررسی اجمالی صفحه گروه داده شما
- را انتخاب کنید داده های تعامل را وارد کنید, وارد کردن داده های کاربر، یا داده های مورد را وارد کنیدبسته به نوع مجموعه داده (برای این پست، ما انتخاب می کنیم داده های تعامل را وارد کنید).
- برای روش واردات، انتخاب کنید داده ها را با استفاده از Data Wrangler وارد کنید.
- را انتخاب کنید بعدی.
- دامنه SageMaker، نمایه کاربر و نقش سرویس IAM را که قبلاً به عنوان بخشی از پیش نیازها ایجاد کرده اید، مشخص کنید.
- را انتخاب کنید بعدی.
- مراحل راه اندازی یک نمونه از SageMaker Data Wrangler را ادامه دهید.
تنظیم محیط برای اولین بار می تواند تا 5 دقیقه طول بکشد.
داده های خام را به SageMaker Data Wrangler وارد کنید
هنگام استفاده از SageMaker Data Wrangler برای تهیه و وارد کردن داده ها، از یک جریان داده استفاده می کنیم. آ گردش داده ها مجموعه ای از تبدیل ها و تجزیه و تحلیل ها را بر روی داده ها تعریف می کند تا آنها را برای ایجاد یک مدل یادگیری ماشین آماده کند. هر بار که مرحلهای به جریان خود اضافه میکنیم، SageMaker Data Wrangler اقدامی را روی دادههای ما انجام میدهد، مانند پیوستن آن به مجموعه داده دیگری یا حذف برخی از ردیفها و ستونها.
برای شروع، اجازه دهید داده های خام را وارد کنیم.
- در صفحه جریان داده، را انتخاب کنید وارد کردن داده.
با SageMaker Data Wrangler، می توانیم داده ها را از بیش از 50 منبع داده پشتیبانی شده وارد کنیم.
- برای منابع دادهانتخاب کنید آمازون S3.
- مجموعه داده ای را که در سطل S3 خود آپلود کرده اید انتخاب کنید.
SageMaker Data Wrangler به طور خودکار پیش نمایش داده ها را نمایش می دهد.
- تنظیمات پیش فرض را نگه دارید و انتخاب کنید وارد كردن.
پس از وارد شدن داده ها، SageMaker Data Wrangler به طور خودکار مجموعه داده ها را اعتبارسنجی می کند و انواع داده ها را برای همه ستون ها بر اساس نمونه برداری آن تشخیص می دهد.
- را انتخاب کنید گردش داده ها در بالای از انواع داده ها صفحه برای مشاهده جریان اصلی داده قبل از رفتن به مرحله بعدی.
یکی از مزیتهای اصلی SageMaker Data Wrangler این است که میتوانید پیشنمایش تبدیلهای خود را بر روی زیرمجموعه کوچکی از دادهها اجرا کنید، قبل از اینکه متعهد شوید که تبدیلها را در کل مجموعه داده اعمال کنید. برای اجرای همان تبدیل بر روی چندین فایل پارتیشن بندی شده در آمازون S3، می توانید استفاده کنید پارامترهای.
داده ها را متحول کنید
برای تبدیل داده ها در SageMaker Data Wrangler، یک مرحله Transform را به جریان داده خود اضافه می کنید. SageMaker Data Wrangler شامل بیش از 300 تبدیل است که می توانید برای آماده سازی داده های خود از آنها استفاده کنید. ستون های نقشه برای شخصی سازی آمازون تبدیل. میتوانید از تبدیلهای عمومی SageMaker Data Wrangler برای رفع مشکلاتی مانند موارد دورافتاده، مسائل مربوط به نوع و مقادیر گمشده یا اعمال مراحل پیشپردازش دادهها استفاده کنید.
برای استفاده از Amazon Personalize، دادههایی که در مجموعه دادههای تعاملی ارائه کردهاید باید مطابق با دادههای شما باشد طرح واره مجموعه داده. برای موتور توصیهکننده فیلم ما، طرح مجموعه داده تعاملات پیشنهادی شامل موارد زیر است:
user_id
(رشته)item_id
(رشته)event_type
(رشته)timestamp
(در قالب زمان یونیکس)
برای کسب اطلاعات بیشتر در مورد مجموعه داده ها و طرحواره های شخصی سازی آمازون، مراجعه کنید مجموعه داده ها و طرحواره ها.
فایل ratings.csv همانطور که در آخرین مرحله در بخش قبل نشان داده شده است شامل فیلم هایی است که از 1 تا 5 رتبه بندی شده اند. ما می خواهیم بر اساس آن یک موتور توصیه کننده فیلم بسازیم. برای این کار باید مراحل زیر را انجام دهیم:
- انواع داده های ستون ها را تغییر دهید.
- دو نوع رویداد ایجاد کنید: کلیک کنید و تماشا کردن.
- همه فیلم های دارای رتبه 2 و بالاتر را به عنوان اختصاص دهید کلیک کنید و فیلم های دارای رتبه 4 و بالاتر به عنوان هر دو کلیک کنید و تماشا کردن.
- رها کردن
ratings
ستون. - ستون ها را به طرح مجموعه داده تعاملات شخصی سازی آمازون نقشه برداری کنید.
- تأیید کنید که مُهر زمانی ما در زمان یونیکس است.
توجه داشته باشید که مرحله 3 برای ایجاد یک مدل شخصی سازی مورد نیاز نیست. اگر میخواهیم از یکی از توصیهکنندههای دامنه درخواستی ویدیوی ساده شده Amazon Personalize استفاده کنیم، مانند برترین ها برای شما، کلیک کنید و تماشا کنید انواع رویداد مورد نیاز است. با این حال، اگر اینها را نداشته باشیم، نمیتوانیم یک فیلد نوع رویداد اضافه کنیم (یا انواع رویدادهای خودمان را مانند رتبهبندیهای خام کاربر اضافه کنیم) و از دستور پخت سفارشی مانند شخصی سازی کاربر. صرف نظر از اینکه از چه نوع موتور توصیهای استفاده میکنیم، باید اطمینان حاصل کنیم که مجموعه داده ما فقط نمایشهایی از قصد مثبت کاربر داشته باشد. بنابراین هر رویکردی که انتخاب کنید، باید همه رتبهبندیهای یک ستاره (و احتمالاً رتبهبندیهای دو ستاره) را حذف کنید.
حالا بیایید از SageMaker Data Wrangler برای انجام مراحل قبل استفاده کنیم.
- بر گردش داده ها صفحه، اولین تبدیل به نام را انتخاب کنید انواع داده ها.
- نوع را برای هر ستون به روز کنید.
- را انتخاب کنید پیش نمایش برای منعکس کردن تغییرات، سپس انتخاب کنید بروزرسانی.
- برای افزودن یک مرحله در جریان داده، علامت مثبت را در کنار مرحله ای که می خواهید تبدیل روی آن انجام دهید، انتخاب کنید، سپس آن را انتخاب کنید. تبدیل را اضافه کنید.
- برای فیلتر کردن رویداد کلیک کردن از رتبهبندی فیلمها، یک مرحله Filter data اضافه میکنیم تا فیلمهای دارای رتبه ۲ و بالاتر را فیلتر کنیم.
- یک مرحله تبدیل سفارشی دیگر را برای اضافه کردن یک ستون جدید اضافه کنید،
eventType
، با کلیک کنید به عنوان یک مقدار اختصاص داده شده - را انتخاب کنید پیش نمایش برای بررسی تغییر شکل خود و بررسی مجدد نتایج مطابق مورد نظر، سپس انتخاب کنید اضافه کردن.
- در این حالت مقداری کد PySpark می نویسیم تا ستونی به نام اضافه کنیم
eventType
که ارزش آن به طور یکسان خواهد بود برای همه فیلم های دو ستاره تا پنج ستاره ما کلیک کنید:
- برای تماشا کردن رویدادها، مراحل قبلی را برای فیلم های دارای رتبه 4 و بالاتر تکرار کنید و آن را اختصاص دهید تماشا کردن ارزش با اضافه کردن مراحل به انواع داده ها گام. کد PySpark ما برای این مراحل به شرح زیر است:
تا این مرحله، جریان داده باید مانند تصویر زیر باشد.
به هم پیوستن مجموعه داده ها
از آنجایی که ما دو مجموعه داده برای رویدادهای مشاهده شده و کلیک شده داریم، بیایید نحوه الحاق آنها را در یک مجموعه داده تعاملی توضیح دهیم.
- بر گردش داده ها در صفحه، علامت مثبت کناری را انتخاب کنید ایجاد رویداد تماشا و انتخاب کنید ترکیب کردن.
- مرحله نهایی دیگر را انتخاب کنید (ایجاد رویداد کلیک، و این باید به طور خودکار هر دو مجموعه را در یک پیش نمایش پیوسته نگاشت (همگرا) کند.
- را انتخاب کنید مجموعه برای مشاهده پیش نمایش مجموعه داده های به هم پیوسته.
- یک نام به مرحله اضافه کنید.
- را انتخاب کنید اضافه کردن برای اضافه کردن مرحله
جریان داده اکنون مانند تصویر زیر است.
- اکنون، بیایید یک مرحله مدیریت ستونها را برای حذف ستون رتبهبندی اصلی اضافه کنیم.
Amazon Personalize دارای نام ستون های پیش فرض برای کاربران، اقلام و مُهرهای زمانی است. این نام ستون های پیش فرض هستند user_id
, item_id
و timestamp
.
- بیایید یک مرحله Transform for Amazon Personalize اضافه کنیم تا سرصفحه های ستون موجود را با سرصفحه های پیش فرض جایگزین کنیم.
- در مورد ما، ما نیز از
event_type
میدان، پس بیایید آن را نیز ترسیم کنیم.
با این مرحله، فعالیت تبدیل داده ها کامل شده و مجموعه داده های تعاملات برای مرحله بعدی آماده است.
در مرحله بعد، بیایید مهر زمانی خود را تأیید کنیم.
- ما می توانیم این کار را با افزودن یک مرحله تبدیل سفارشی انجام دهیم. برای این پست، ما انتخاب می کنیم پایتون (عملکرد تعریف شده توسط کاربر).
- مهر زمان را به عنوان ستون ورودی انتخاب کنید و به عنوان خروجی، یک ستون جدید به نام ایجاد کنید
readable_timestamp
. - را انتخاب کنید پــایتــون به عنوان حالت تبدیل و کد زیر را برای تابع پایتون وارد کنید:
- را انتخاب کنید پیش نمایش برای بررسی تغییرات
در این مورد، ما تاریخ هایی را در دهه 2000 می بینیم - زیرا MovieLens در سال 1996 شروع به جمع آوری داده ها کرد، این با آنچه انتظار می رود مطابقت دارد. اگر انتخاب نکنیم اضافه کردن، این تبدیل به جریان داده ما اضافه نخواهد شد.
- از آنجا که این صرفاً یک بررسی سلامت عقل بود، میتوانید با انتخاب به جریان دادهها برگردید گردش داده ها در گوشه بالا سمت چپ
در نهایت، ما یک مرحله تجزیه و تحلیل برای ایجاد یک گزارش خلاصه در مورد مجموعه داده اضافه می کنیم. این مرحله تجزیه و تحلیلی را برای ارزیابی مناسب بودن مجموعه داده برای Amazon Personalize انجام می دهد.
- علامت مثبت در کنار مرحله نهایی در جریان داده را انتخاب کنید و انتخاب کنید تجزیه و تحلیل را اضافه کنید.
- برای نوع تحلیلانتخاب کنید گزارش کیفیت داده و بینش برای Amazon Personalize.
- برای نوع مجموعه دادهانتخاب کنید تداخلات.
- را انتخاب کنید ساختن.
مجموعه داده MovieLens کاملاً تمیز است، بنابراین تجزیه و تحلیل هیچ مشکلی را نشان نمی دهد. اگر برخی از مشکلات شناسایی شد، میتوانید روی مجموعه داده تکرار کنید و تجزیه و تحلیل را دوباره اجرا کنید تا زمانی که بتوانید به آنها رسیدگی کنید.
توجه داشته باشید که تجزیه و تحلیل به طور پیش فرض روی نمونه ای از 50,000 ردیف اجرا می شود.
مجموعه داده را به Amazon Personalize وارد کنید
در این مرحله، داده های خام ما تغییر یافته است و ما آماده ایم مجموعه داده های تعاملات تغییر یافته را به Amazon Personalize وارد کنیم. SageMaker Data Wrangler به شما این امکان را می دهد که داده های خود را به مکانی در یک سطل S3 صادر کنید. با استفاده از یکی از روش های زیر می توانید مکان را مشخص کنید:
- گره مقصد – جایی که SageMaker Data Wrangler داده ها را پس از پردازش ذخیره می کند
- صادرات به - داده های حاصل از تبدیل را به Amazon S3 صادر می کند
- صادر کردن داده - برای مجموعه داده های کوچک، می توانید به سرعت داده هایی را که تغییر داده اید صادر کنید
با گره مقصد روش، برای صادرات داده های خود، گره های مقصد و یک کار SageMaker Data Wrangler ایجاد می کنید. ایجاد یک کار SageMaker Data Wrangler یک کار پردازش SageMaker را برای صدور جریان شما شروع می کند. میتوانید گرههای مقصدی را که میخواهید پس از ایجاد آنها صادر کنید، انتخاب کنید.
- علامت مثبت را در کنار گره ای که نشان دهنده تبدیل هایی است که می خواهید صادر کنید، انتخاب کنید.
- را انتخاب کنید صادرات به و سپس انتخاب کنید Amazon S3 (از طریق Jupyter Notebook).
توجه داشته باشید که میتوانستیم از طریق یک نوت بوک Jupyter موجود در SageMaker Data Wrangler، دادهها را به Amazon Personalize صادر کنیم.
- برای نام مجموعه داده، نامی را وارد کنید که به عنوان نام پوشه در سطل S3 ارائه شده به عنوان مقصد استفاده می شود.
- می توانید نوع فایل، جداکننده فیلد و روش فشرده سازی را مشخص کنید.
- به صورت اختیاری، تعداد پارتیشنها و ستونها را مشخص کنید.
- را انتخاب کنید مقصد را اضافه کنید.
جریان داده باید مانند تصویر زیر باشد.
- یک کار برای پردازش جریان داده ایجاد کنید و داده ها را در مقصد (سطل S3) که در مرحله قبل پیکربندی کردیم ذخیره کنید.
- نام شغل را وارد کنید، سپس انتخاب کنید کار را پیکربندی کنید.
SageMaker Data Wrangler توانایی پیکربندی نوع نمونه، تعداد نمونه و پیکربندی کار و امکان ایجاد یک برنامه زمان بندی برای پردازش کار را فراهم می کند. برای راهنمایی در مورد نحوه انتخاب تعداد نمونه، مراجعه کنید ایجاد و استفاده از Data Wrangler Flow.
برای نظارت بر وضعیت کار، به مسیر بروید داشبورد صفحه در کنسول SageMaker. را پردازش بخش تعداد مشاغل تکمیل شده و ایجاد شده را نشان می دهد. میتوانید برای دریافت جزئیات بیشتر در مورد کار تکمیلشده، جزئیات را بررسی کنید.
هنگامی که کار کامل شد، یک فایل جدید از داده های تبدیل شده در مقصد مشخص شده ایجاد می شود.
- به کنسول شخصی سازی آمازون برگردید و برای وارد کردن مجموعه داده دیگری به گروه مجموعه داده بروید.
- را انتخاب کنید داده های تعامل را وارد کنید.
- انتخاب کنید داده ها را مستقیماً به مجموعه داده های شخصی سازی آمازون وارد کنید برای وارد کردن مجموعه داده تبدیل شده به طور مستقیم از Amazon S3، سپس انتخاب کنید بعدی.
- طرحواره را تعریف کنید. برای این پست، مجموعه داده ما شامل موارد زیر است
user_id
(رشته)،item_id
(رشته)،event_type
(رشته)، وtimestamp
میدان های (طولانی).
در این مرحله، می توانید یک توصیه کننده دامنه درخواستی ویدیویی یا یک راه حل سفارشی ایجاد کنید. برای انجام این کار، مراحل را دنبال کنید آماده سازی و وارد کردن داده ها
نتیجه
در این پست، نحوه استفاده از SageMaker Data Wrangler برای تهیه یک مجموعه داده نمونه برای Amazon Personalize را شرح دادیم. SageMaker Data Wrangler ارائه می دهد 300 تبدیل. این تحولات و توانایی اضافه کردن تبدیلهای کاربر سفارشی میتواند به سادهسازی فرآیند ایجاد یک مجموعه داده با کیفیت برای ارائه محتوای فوقشخصی به کاربران نهایی کمک کند.
اگرچه ما در این پست فقط نحوه تهیه مجموعه داده های تعاملی را بررسی کردیم، می توانید از SageMaker Data Wrangler برای تهیه مجموعه داده های کاربر و آیتم نیز استفاده کنید. برای اطلاعات بیشتر در مورد انواع داده هایی که می توان با Amazon Personalize استفاده کرد، مراجعه کنید مجموعه داده ها و طرحواره ها.
اگر تازه وارد Amazon Personalize یا SageMaker Data Wrangler هستید، به آن مراجعه کنید با Amazon Personalize شروع کنید or با SageMaker Data Wrangler شروع کنید، به ترتیب. اگر سوالی در رابطه با این پست دارید، در قسمت نظرات مطرح کنید.
درباره نویسنده
میسرا حمدان یک معمار Partner Solutions مستقر در آتلانتا، جورجیا است. Maysara بیش از 15 سال تجربه در ساخت و معماری برنامه های نرم افزاری و محصولات متصل به اینترنت اشیا در صنایع مخابرات و خودرو دارد. در AWS، Maysara به شرکا در ایجاد روشهای ابری و رشد کسبوکارشان کمک میکند. Maysara مشتاق فن آوری های جدید است و همیشه به دنبال راه هایی برای کمک به شرکا در نوآوری و رشد است.
اریک بولمه یک معمار راه حل تخصصی با AWS در ساحل شرقی ایالات متحده است. او 8 سال تجربه ایجاد انواع یادگیری عمیق و سایر موارد استفاده از هوش مصنوعی دارد و روی موارد استفاده شخصی سازی و توصیه با AWS تمرکز دارد.
منابع
[1] ماکسول هارپر و جوزف آ. کنستان. 2015. مجموعه داده های MovieLens: تاریخچه و زمینه. ACM Transactions on Interactive Intelligent Systems (TiiS) 5، 4، ماده 19 (دسامبر 2015)، 19 صفحه. DOI=http://dx.doi.org/10.1145/2827872
- 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/prepare-your-data-for-amazon-personalize-with-amazon-sagemaker-data-wrangler/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 000
- 1
- 11
- 12
- 13
- 14
- سال 15
- ٪۱۰۰
- 160
- 19
- 1996
- 2015
- 50
- 501
- 7
- 8
- 9
- a
- توانایی
- قادر
- درباره ما
- بالاتر
- دسترسی
- حساب
- ACM
- عمل
- فعالیت
- اضافه کردن
- اضافه
- اضافه کردن
- نشانی
- مزایای
- پس از
- تجمع
- AI
- موارد استفاده ai
- الگوریتم
- تراز می کند
- معرفی
- همچنین
- هر چند
- همیشه
- آمازون
- آمازون شخصی سازی کنید
- آمازون SageMaker
- Amazon SageMaker Data Rangler
- آمازون خدمات وب
- an
- تجزیه و تحلیل
- تحلیل
- و
- دیگر
- هر
- برنامه های کاربردی
- درخواست
- روش
- هستند
- مقاله
- AS
- ارزیابی کنید
- اختصاص داده
- At
- بطور خودکار
- خودرو
- در دسترس
- AWS
- به عقب
- مستقر
- اساس
- BE
- بوده
- قبل از
- رفتار
- بهتر
- میان
- هر دو
- به ارمغان بیاورد
- ساختن
- بنا
- کسب و کار
- by
- صدا
- نام
- CAN
- مورد
- موارد
- تبادل
- متغیر
- بررسی
- را انتخاب کنید
- انتخاب
- برگزیده
- کلیک
- ابر
- ساحل
- رمز
- جمع آوری
- ستون
- ستون ها
- بیا
- نظرات
- مرتکب شدن
- کامل
- تکمیل شده
- پیکر بندی
- پیکربندی
- متصل
- تشکیل شده است
- کنسول
- شامل
- محتوا
- زمینه
- همگرا
- هسته
- گوشه
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- بحرانی
- سفارشی
- داده ها
- پردازش داده ها
- مجموعه داده ها
- تاریخ
- زمان قرار
- دسامبر
- عمیق
- یادگیری عمیق
- به طور پیش فرض
- تعریف می کند
- تقاضا
- بستگی دارد
- شرح داده شده
- مقصد
- جزئیات
- توسعه
- مستقیما
- صفحه نمایش
- do
- نمی کند
- دامنه
- آیا
- پایین
- قطره
- رها کردن
- هر
- پیش از آن
- شرق
- موتور
- اطمینان حاصل شود
- وارد
- تمام
- محیط
- دوره
- واقعه
- حوادث
- موجود
- انتظار می رود
- تجربه
- کشف
- صادرات
- صادرات
- رشته
- زمینه
- پرونده
- فایل ها
- فیلتر
- نهایی
- پیدا کردن
- نام خانوادگی
- بار اول
- رفع
- جریان
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- برای
- قالب
- از جانب
- تابع
- ویژگی های
- توابع
- آینده
- سوالات عمومی
- گرجستان
- دریافت کنید
- گرفتن
- می دهد
- خوب
- گروه
- شدن
- در حال رشد
- راهنمایی
- آیا
- he
- هدر
- کمک
- کمک می کند
- تاریخی
- تاریخ
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- شناسایی
- هویت
- if
- واردات
- واردات
- in
- شامل
- شامل
- از جمله
- لوازم
- اطلاعات
- نوآوری
- ورودی
- بینش
- نمونه
- ادغام
- هوشمند
- مورد نظر
- قصد
- اثر متقابل
- فعل و انفعالات
- تعاملی
- داخلی
- به
- اینترنت اشیا
- مسائل
- IT
- اقلام
- ITS
- کار
- شغل ها
- پیوستن
- JPG
- کلید
- نام
- راه اندازی
- یاد گرفتن
- آموخته
- یادگیری
- ترک کرد
- کتابخانه ها
- پسندیدن
- محل
- طولانی
- نگاه کنيد
- شبیه
- به دنبال
- مطالب
- دستگاه
- فراگیری ماشین
- اصلی
- ساخت
- مدیریت
- اداره می شود
- نقشه
- مسابقه
- ماکسول
- صرفا - فقط
- روش
- روش
- حد اقل
- دقیقه
- گم
- حالت
- مدل
- مدل
- مانیتور
- بیش
- سینما
- فیلم ها
- متحرک
- چندگانه
- باید
- نام
- نام
- هدایت
- نیاز
- ضروری
- نیازهای
- جدید
- فناوری های نوین
- بعد
- نه
- گره
- گره
- دفتر یادداشت
- اکنون
- عدد
- of
- ارائه
- پیشنهادات
- on
- ONE
- فقط
- or
- سفارش
- اصلی
- دیگر
- ما
- خارج
- تولید
- روی
- خود
- با ما
- صفحات
- پانداها
- بخش
- شریک
- شرکای
- احساساتی
- گذشته
- الگوهای
- انجام
- انجام می دهد
- شخصی
- شخصی کردن
- شخصی
- کلاهبرداری
- محل
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- به علاوه
- نقطه
- مثبت
- احتمالا
- پست
- شیوه های
- تنظیمات
- تهیه
- آماده
- آماده شده
- پیش نیازها
- پیش نمایش
- پریمیر لیگ در انگلستان
- قبلی
- روند
- فرآوری شده
- در حال پردازش
- محصولات
- مشخصات
- پیشنهاد شده
- پیشنهاد
- ارائه
- فراهم می کند
- پــایتــون
- کیفیت
- سوالات
- سریع
- به سرعت
- کاملا
- دارای رتبه
- رتبه
- رتبه بندی
- خام
- اماده
- دستور العمل
- توصیه
- توصیه
- مراجعه
- بازتاب
- بدون در نظر گرفتن
- مربوط
- تکرار
- جایگزین کردن
- گزارش
- نمایندگی
- نشان دهنده
- ضروری
- تحقیق
- به ترتیب
- نتیجه
- نتایج
- برگشت
- این فایل نقد می نویسید:
- راست
- نقش
- نقش
- دویدن
- اجرا می شود
- حکیم ساز
- همان
- مجموعه داده نمونه
- برنامه
- بخش
- دیدن
- سلسله
- سرویس
- خدمات
- تنظیم
- مجموعه
- تنظیمات
- باید
- نشان داده شده
- نشان می دهد
- امضاء
- ساده
- کوچک
- So
- نرم افزار
- راه حل
- مزایا
- برخی از
- منابع
- فضا
- متخصص
- خاص
- به طور خاص
- مشخص شده
- شروع
- آغاز شده
- شروع می شود
- ایالات
- وضعیت
- گام
- مراحل
- ذخیره سازی
- opbevare
- داده ها را ذخیره کنید
- پرده
- ساده کردن
- ساده
- رشته
- چنین
- مناسب بودن
- مناسب
- خلاصه
- پشتیبانی
- سیستم های
- گرفتن
- طول می کشد
- فن آوری
- مخابراتی
- که
- La
- آینده
- شان
- آنها
- سپس
- اینها
- آنها
- این
- کسانی که
- سه
- از طریق
- زمان
- برچسب زمان
- به
- ابزار
- بالا
- طرف
- قطار
- قطار
- معاملات
- دگرگون کردن
- دگرگونی
- تحولات
- مبدل
- تبدیل شدن
- تبدیل می شود
- روند
- دو
- نوع
- انواع
- درک
- متحد
- ایالات متحده
- دانشگاه
- یونیکس
- تا
- آپلود شده
- استفاده کنید
- استفاده
- کاربر
- کاربران
- با استفاده از
- تصدیق
- ارزش
- ارزشها
- تنوع
- مختلف
- از طريق
- تصویری
- ویدیو در خواست
- چشم انداز
- راه رفتن
- خرید
- می خواهم
- بود
- تماشا کردن
- تماشا
- راه
- we
- وب
- خدمات وب
- خوب
- بود
- چی
- چه شده است
- هر چه
- که
- که
- اراده
- با
- در داخل
- خواهد بود
- نوشتن
- سال
- شما
- شما
- زفیرنت
- زیپ