فروشگاه ویژگی آمازون SageMaker یک راه حل سرتاسر برای خودکارسازی مهندسی ویژگی برای یادگیری ماشین (ML) ارائه می دهد. برای بسیاری از موارد استفاده از ML، دادههای خام مانند فایلهای گزارش، خوانش حسگر یا سوابق تراکنش باید به ویژگیهای معنیداری تبدیل شوند که برای آموزش مدل بهینه شدهاند.
کیفیت ویژگی برای اطمینان از یک مدل ML بسیار دقیق بسیار مهم است. تبدیل داده های خام به ویژگی ها با استفاده از تجمیع، رمزگذاری، عادی سازی و سایر عملیات اغلب مورد نیاز است و می تواند به تلاش قابل توجهی نیاز داشته باشد. مهندسان باید به صورت دستی پیش پردازش داده ها و منطق تجمیع را در پایتون یا اسپارک برای هر مورد استفاده بنویسند.
این وزنه برداری تمایز نیافته دست و پا گیر، تکراری و مستعد خطا است. این SageMaker Feature Store Feature Processor با تبدیل خودکار داده های خام به ویژگی های انبوه مناسب برای مدل های آموزش دسته ای ML، این بار را کاهش می دهد. این به مهندسان امکان می دهد توابع ساده تبدیل داده ها را ارائه دهند، سپس آنها را در مقیاس در Spark اجرا کرده و زیرساخت های زیربنایی را مدیریت کنند. این به دانشمندان داده و مهندسان داده امکان می دهد تا به جای جزئیات پیاده سازی، بر منطق مهندسی ویژگی ها تمرکز کنند.
در این پست، نشان میدهیم که چگونه یک شرکت فروش خودرو میتواند از Feature Processor برای تبدیل دادههای معاملات خام فروش به ویژگیها در سه مرحله استفاده کند:
- اجرای محلی تبدیل داده ها
- از راه دور با استفاده از Spark در مقیاس اجرا می شود.
- عملیاتی شدن از طریق خطوط لوله
ما نشان میدهیم که چگونه SageMaker Feature Store دادههای خام را جذب میکند، تبدیل ویژگیها را از راه دور با استفاده از Spark اجرا میکند، و ویژگیهای جمعآوری شده را در یک بارگیری میکند. گروه ویژگی. سپس می توان از این ویژگی های مهندسی شده برای آموزش مدل های ML استفاده کرد.
برای این مورد استفاده، میبینیم که چگونه فروشگاه ویژگی SageMaker به تبدیل دادههای خام فروش خودرو به ویژگیهای ساختاری کمک میکند. این ویژگی ها متعاقباً برای به دست آوردن بینش هایی مانند:
- میانگین و حداکثر قیمت کانورتیبل قرمز از سال 2010
- مدل هایی با بهترین مسافت پیموده شده در مقایسه با قیمت
- روند فروش خودروهای نو در مقایسه با خودروهای دست دوم طی سالها
- تفاوت در میانگین MSRP در مکان ها
همچنین میبینیم که چگونه خطوط لوله فروشگاه ویژگی SageMaker ویژگیها را با ورود دادههای جدید بهروز نگه میدارد و این شرکت را قادر میسازد که به طور مداوم در طول زمان بینشهایی را به دست آورد.
بررسی اجمالی راه حل
ما با مجموعه داده کار می کنیم car_data.csv
که شامل مشخصاتی از قبیل مدل، سال، وضعیت، مسافت پیموده شده، قیمت و MSRP برای خودروهای کارکرده و نو فروخته شده توسط شرکت می باشد. تصویر زیر نمونه ای از مجموعه داده را نشان می دهد.
دفترچه راه حل feature_processor.ipynb
شامل مراحل اصلی زیر است که در این پست توضیح می دهیم:
- دو گروه ویژگی ایجاد کنید: یکی فراخوانی شده است
car-data
برای سوابق خام فروشی خودرو و دیگری به نامcar-data-aggregated
برای کل سوابق فروش خودرو - استفاده از
@feature_processor
دکوراتور برای بارگذاری داده ها در گروه ویژگی داده خودرو از سرویس ذخیره سازی ساده آمازون (Amazon S3). - اجرا کن
@feature_processor code
از راه دور به عنوان یک برنامه Spark برای جمع آوری داده ها. - عملیاتی کردن پردازنده ویژگی از طریق خطوط لوله SageMaker و برنامه اجرا می شود.
- خطوط لوله پردازش ویژگی و اصل و نسب in Amazon SageMaker Studio.
- از ویژگی های انبوه برای آموزش مدل ML استفاده کنید.
پیش نیازها
برای دنبال کردن این آموزش به موارد زیر نیاز دارید:
برای این پست به ادامه مطلب مراجعه می کنیم دفتر یادداشت، که نحوه شروع کار با Feature Processor را با استفاده از SageMaker Python SDK نشان می دهد.
ایجاد گروه های ویژگی
برای ایجاد گروه های ویژگی، مراحل زیر را انجام دهید:
- تعریف گروه ویژگی برای
car-data
به شرح زیر است:
ویژگی ها مربوط به هر ستون در car_data.csv
مجموعه داده (Model
, Year
, Status
, Mileage
, Price
و MSRP
).
- شناسه رکورد را اضافه کنید
id
و زمان رویدادingest_time
به گروه ویژگی:
- تعریف گروه ویژگی برای
car-data-aggregated
به شرح زیر است:
برای گروه ویژگی های انبوه، ویژگی ها عبارتند از وضعیت سال مدل، میانگین مسافت پیموده شده، حداکثر مسافت پیموده شده، میانگین قیمت، حداکثر قیمت، میانگین MSRP، حداکثر MSRP، و زمان مصرف. شناسه رکورد را اضافه می کنیم model_year_status
و زمان رویداد ingest_time
به این گروه ویژگی
- اکنون، ایجاد کنید
car-data
گروه ویژگی:
- ایجاد
car-data-aggregated
گروه ویژگی:
می توانید به گزینه SageMaker Feature Store در زیر بروید داده ها در استودیوی SageMaker صفحه اصلی منو برای دیدن گروه های ویژگی.
برای بارگیری داده ها از دکوراتور @feature_processor استفاده کنید
در این بخش، داده های ورودی خام را به صورت محلی تبدیل می کنیم (car_data.csv
) از آمازون S3 به car-data
گروه ویژگی با استفاده از پردازنده ویژگی های فروشگاه ویژگی. این اجرای محلی اولیه به ما امکان توسعه و تکرار را قبل از اجرای از راه دور می دهد و در صورت تمایل می تواند برای تکرار سریعتر روی نمونه ای از داده ها انجام شود.
با @feature_processor
decorator، تابع تبدیل شما در یک محیط زمان اجرا Spark اجرا می شود که در آن آرگومان های ورودی ارائه شده به تابع شما و مقدار بازگشتی آن Spark DataFrames هستند.
- نصب ویژگی SDK پردازنده از SageMaker Python SDK و موارد اضافی آن با استفاده از دستور زیر:
تعداد پارامترهای ورودی در تابع تبدیل شما باید با تعداد ورودی های پیکربندی شده در تابع باشد @feature_processor
دکوراتور در این مورد، @feature_processor
دکوراتور دارد car-data.csv
به عنوان ورودی و car-data
گروه ویژگی به عنوان خروجی، نشان می دهد که این یک عملیات دسته ای با target_store
as OfflineStore
:
- تعریف کنید
transform()
عملکرد تبدیل داده ها این تابع اقدامات زیر را انجام می دهد:- نام ستون ها را به حروف کوچک تبدیل کنید.
- زمان رویداد را به آن اضافه کنید
ingest_time
ستون. - علائم نگارشی را حذف کنید و مقادیر از دست رفته را با NA جایگزین کنید.
- با ... تماس بگیر
transform()
تابع برای ذخیره داده ها درcar-data
گروه ویژگی:
خروجی نشان میدهد که دادهها با موفقیت در گروه ویژگی دادههای خودرو وارد میشوند.
خروجی transform_df.show()
عملکرد به شرح زیر است:
ما با موفقیت دادههای ورودی را تبدیل کرده و آنها را در داخل وارد کردهایم car-data
گروه ویژگی
کد @feature_processor را از راه دور اجرا کنید
در این بخش، اجرای کد پردازش ویژگی را از راه دور به عنوان یک برنامه Spark با استفاده از @remote
دکوراتور قبلا توضیح داده شد. ما پردازش ویژگی را از راه دور با استفاده از Spark اجرا می کنیم تا به مجموعه داده های بزرگ مقیاس دهیم. Spark پردازش توزیع شده را روی خوشهها برای مدیریت دادههایی که برای یک ماشین خیلی بزرگ هستند، فراهم میکند. را @remote
دکوراتور کد محلی پایتون را به عنوان یک کار آموزشی SageMaker تک یا چند گره ای اجرا می کند.
- استفاده از
@remote
دکوراتور همراه با@feature_processor
دکوراتور به شرح زیر
La spark_config
پارامتر نشان می دهد که این به صورت a اجرا می شود Spark application
. نمونه SparkConfig پیکربندی Spark و وابستگی ها را پیکربندی می کند.
- تعریف کنید
aggregate()
عملکرد جمع آوری داده ها با استفاده از PySpark SQL و توابع تعریف شده توسط کاربر (UDF). این تابع اقدامات زیر را انجام می دهد:- ترکیب کردن
model
,year
وstatus
برای ایجادmodel_year_status
. - میانگین بگیرید
price
برای ایجادavg_price
. - حداکثر مقدار را در نظر بگیرید
price
برای ایجادmax_price
. - میانگین بگیرید
mileage
برای ایجادavg_mileage
. - حداکثر مقدار را در نظر بگیرید
mileage
برای ایجادmax_mileage
. - میانگین بگیرید
msrp
برای ایجادavg_msrp
. - حداکثر مقدار را در نظر بگیرید
msrp
برای ایجادmax_msrp
. - دسته بندی بر اساس
model_year_status
.
- ترکیب کردن
- اجرا کن
aggregate()
تابعی که یک کار آموزشی SageMaker برای اجرای برنامه Spark ایجاد می کند:
در نتیجه، SageMaker یک کار آموزشی برای برنامه Spark که قبلا تعریف شده بود ایجاد می کند. این یک محیط زمان اجرا Spark با استفاده از sagemaker-spark-processing image
.
ما در اینجا از مشاغل SageMaker Training برای اجرای برنامه پردازش ویژگی Spark خود استفاده می کنیم. با آموزش SageMaker، میتوانید زمان راهاندازی را با استفاده از جمعبندی گرم که در SageMaker Processing در دسترس نیست، به ۱ دقیقه یا کمتر کاهش دهید. این باعث میشود که آموزش SageMaker برای کارهای دستهای کوتاه مانند پردازش ویژگیها که زمان راهاندازی مهم است، بهتر بهینه شود.
- برای مشاهده جزئیات، در کنسول SageMaker، را انتخاب کنید مشاغل آموزشی زیر آموزش در صفحه پیمایش، سپس کار را با نام انتخاب کنید
aggregate-<timestamp>
.
خروجی تجمیع() تابع کد تله متری را تولید می کند. در داخل خروجی، داده های جمع آوری شده را به صورت زیر مشاهده خواهید کرد:
وقتی کار آموزشی کامل شد، باید خروجی زیر را ببینید:
پردازشگر ویژگی را از طریق خطوط لوله SageMaker عملیاتی کنید
در این بخش، نحوه عملیاتی کردن پردازنده ویژگی را با ارتقاء آن به خط لوله SageMaker و زمانبندی اجراها نشان میدهیم.
- ابتدا، را آپلود کنید transformation_code.py فایل حاوی منطق پردازش ویژگی آمازون S3:
- بعد، یک خط لوله پردازشگر ویژگی ایجاد کنید ماشین_داده_خط لوله با استفاده از .to_pipeline() عملکرد:
- برای اجرای خط لوله از کد زیر استفاده کنید:
- به طور مشابه، شما می توانید یک خط لوله برای ویژگی های انباشته ایجاد کنید
car_data_aggregated_pipeline
و دویدن را شروع کنید - برنامه ریزی کنید
car_data_aggregated_pipeline
برای اجرا هر 24 ساعت:
در قسمت خروجی، ARN خط لوله و نقش اجرای خط لوله و جزئیات برنامه را مشاهده خواهید کرد:
- برای دریافت تمام خطوط لوله پردازشگر ویژگی در این حساب، از
list_pipelines()
عملکرد در پردازنده ویژگی:
خروجی به صورت زیر خواهد بود:
ما با موفقیت خطوط لوله SageMaker Feature Processor را ایجاد کردیم.
خطوط لوله پردازش ویژگی و اصل و نسب ML را کاوش کنید
در SageMaker Studio مراحل زیر را انجام دهید:
- در کنسول SageMaker Studio، در صفحه اصلی منو ، انتخاب کنید خطوط لوله.
شما باید دو خط لوله ایجاد شده را ببینید: car-data-ingestion-pipeline
و car-data-aggregated-ingestion-pipeline
.
- انتخاب
car-data-ingestion-pipeline
.
جزئیات اجرا را بر روی نشان می دهد اعدام تب.
- برای مشاهده گروه ویژگی پر شده توسط خط لوله، را انتخاب کنید فروشگاه ویژگی زیر داده ها و انتخاب کنید
car-data
.
دو گروه ویژگی که در مراحل قبل ایجاد کردیم را مشاهده خواهید کرد.
- انتخاب
car-data
گروه ویژگی
جزئیات ویژگی ها را روی آن خواهید دید امکانات تب.
مشاهده اجراهای خط لوله
برای مشاهده اجرای خط لوله، مراحل زیر را انجام دهید:
- بر اجرای خط لولهبرگه s را انتخاب کنید
car-data-ingestion-pipeline
.
این همه اجراها را نشان می دهد.
- یکی از پیوندها را برای مشاهده جزئیات اجرا انتخاب کنید.
- برای مشاهده نسب، Lineage را انتخاب کنید.
نسب کامل برای car-data
منبع داده ورودی را نشان می دهد car_data.csv
و نهادهای بالادستی نسب برای car-data-aggregated
ورودی را نشان می دهد car-data
گروه ویژگی
- را انتخاب کنید بارگذاری ویژگی ها و سپس انتخاب کنید پرس و جو از اصل و نسب بالادست on
car-data
وcar-data-ingestion-pipeline
برای دیدن همه موجودات بالادست.
نسب کامل برای car-data
گروه ویژگی باید مانند تصویر زیر باشد.
به طور مشابه، نسب برای car-aggregated-data
گروه ویژگی باید مانند تصویر زیر باشد.
SageMaker Studio یک محیط واحد را برای ردیابی خطوط لوله برنامه ریزی شده، مشاهده اجراها، کاوش خط و نسب و مشاهده کد پردازش ویژگی فراهم می کند.
ویژگی های جمع آوری شده مانند قیمت متوسط، حداکثر قیمت، میانگین مسافت پیموده شده و موارد دیگر در car-data-aggregated
گروه ویژگی بینشی در مورد ماهیت داده ها ارائه می دهد. همچنین می توانید از این ویژگی ها به عنوان مجموعه داده برای آموزش مدلی برای پیش بینی قیمت خودرو یا سایر عملیات استفاده کنید. با این حال، آموزش مدل خارج از محدوده این پست است، که بر نمایش قابلیتهای SageMaker Feature Store برای مهندسی ویژگی تمرکز دارد.
پاک کردن
فراموش نکنید که منابع ایجاد شده به عنوان بخشی از این پست را پاکسازی کنید تا از تحمیل هزینه های مداوم جلوگیری کنید.
- غیرفعال کردن خط لوله برنامه ریزی شده از طریق
fp.schedule()
روش با پارامتر state asDisabled
:
- هر دو گروه ویژگی را حذف کنید:
دادههای موجود در سطل S3 و فروشگاه ویژگیهای آفلاین میتوانند هزینههایی را متحمل شوند، بنابراین باید آنها را حذف کنید تا از هرگونه هزینهای جلوگیری کنید.
- اشیاء S3 را حذف کنید.
- سوابق را حذف کنید از فروشگاه ویژگی
نتیجه
در این پست نشان دادیم که چگونه یک شرکت فروش خودرو از SageMaker Feature Store Feature Processor برای به دست آوردن بینش ارزشمند از داده های خام فروش خود استفاده می کند:
- بلع و تبدیل داده های دسته ای در مقیاس با استفاده از Spark
- عملیاتی کردن گردش کار مهندسی ویژگی از طریق خطوط لوله SageMaker
- ارائه ردیابی نسب و یک محیط واحد برای نظارت بر خطوط لوله و کشف ویژگی ها
- آماده سازی ویژگی های انبوه بهینه شده برای آموزش مدل های ML
با دنبال کردن این مراحل، این شرکت توانست دادههای غیرقابل استفاده قبلی را به ویژگیهای ساختاری تبدیل کند که میتوان از آن برای آموزش مدلی برای پیشبینی قیمت خودرو استفاده کرد. SageMaker Feature Store آنها را قادر می سازد تا به جای زیرساخت های اساسی، بر مهندسی ویژگی ها تمرکز کنند.
امیدواریم این پست به شما کمک کند تا با استفاده از پردازنده ویژگی SageMaker Feature Store، اطلاعات ارزشمند ML را از دادههای خود باز کنید!
برای اطلاعات بیشتر در این مورد رجوع کنید پردازش ویژگی و مثال SageMaker در فروشگاه ویژگی Amazon SageMaker: معرفی پردازنده ویژگی.
درباره نویسنده
داوال شاه یک معمار ارشد راه حل در AWS، متخصص در یادگیری ماشین است. او با تمرکز قوی بر کسبوکارهای بومی دیجیتال، مشتریان را قادر میسازد تا از AWS استفاده کنند و رشد کسبوکار خود را هدایت کنند. داوال بهعنوان یک علاقهمند به ML، با اشتیاق خود برای ایجاد راهحلهای تأثیرگذار که تغییرات مثبت را به همراه دارد، هدایت میشود. او در اوقات فراغت به عشق سفر می پردازد و لحظات باکیفیتی را در کنار خانواده اش رقم می زند.
نیناد جوشی یک معمار ارشد راه حل در AWS است که به مشتریان جهانی AWS کمک می کند تا راه حل های ایمن، مقیاس پذیر و مقرون به صرفه را در فضای ابری طراحی کنند تا چالش های پیچیده تجاری در دنیای واقعی خود را حل کنند. کار او در یادگیری ماشین (ML) طیف وسیعی از موارد استفاده از AI/ML را با تمرکز اصلی بر ML End-to-End، پردازش زبان طبیعی، و Computer Vision پوشش می دهد. نیناد قبل از پیوستن به AWS، بیش از 12 سال به عنوان یک توسعه دهنده نرم افزار کار می کرد. نیناد خارج از تلاش های حرفه ای خود، از بازی شطرنج و کاوش در بازی های مختلف لذت می برد.
- 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/unlock-ml-insights-using-the-amazon-sagemaker-feature-store-feature-processor/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 11
- 116
- 12
- 13
- 14
- ٪۱۰۰
- 16
- 20
- 24
- ٪۱۰۰
- 40
- 7
- 8
- 9
- a
- قادر
- حساب
- دقیق
- در میان
- اقدامات
- اضافه کردن
- تجمیع
- تجمع
- AI / ML
- معرفی
- اجازه می دهد تا
- در امتداد
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- an
- و
- دیگر
- هر
- کاربرد
- هستند
- استدلال
- AS
- At
- خودکار بودن
- بطور خودکار
- در دسترس
- میانگین
- اجتناب از
- AWS
- اساسی
- BE
- قبل از
- بهترین
- بهتر
- بزرگ
- هر دو
- به ارمغان بیاورد
- بار
- کسب و کار
- کسب و کار
- by
- نام
- CAN
- قابلیت های
- ماشین
- اتومبیل
- مورد
- موارد
- چالش ها
- تغییر دادن
- بار
- شطرنج
- را انتخاب کنید
- ابر
- رمز
- ستون
- ستون ها
- می آید
- شرکت
- کامل
- پیچیده
- کامپیوتر
- چشم انداز کامپیوتر
- پیکر بندی
- پیکربندی
- کنسول
- شامل
- به طور مستمر
- تبدیل
- هزینه
- هزینه
- میتوانست
- را پوشش می دهد
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- بحرانی
- سنگین
- سفارشی
- مشتریان
- داده ها
- مجموعه داده ها
- مشخص
- تعریف
- نشان دادن
- نشان
- نشان می دهد
- نشان دادن
- وابستگی
- شرح داده شده
- شرح
- طرح
- مطلوب
- جزئیات
- توسعه
- توسعه دهنده
- مختلف
- دیجیتال
- غیر فعال
- نمایش
- توزیع شده
- انجام شده
- راندن
- رانده
- هر
- پیش از آن
- موثر
- تلاش
- توانمندسازی
- فعال
- را قادر می سازد
- را قادر می سازد
- پشت سر هم
- تلاش می کند
- مهندسی
- مورد تأیید
- اطمینان حاصل شود
- علاقهمند
- اشخاص
- محیط
- واقعه
- هر
- مثال
- اجرا کردن
- اعدام
- خارج شدن
- توضیح دهید
- اکتشاف
- بررسی
- خانواده
- سریعتر
- ویژگی
- امکانات
- پرونده
- فایل ها
- تمرکز
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- برای
- کسری
- از جانب
- کامل
- تابع
- توابع
- افزایش
- تولید می کند
- دریافت کنید
- جهانی
- گروه
- گروه ها
- رشد
- دسته
- دستگیره
- آیا
- he
- هدر
- سنگین
- بلند کردن سنگین
- کمک
- کمک می کند
- اینجا کلیک نمایید
- مشخص کردن
- خیلی
- خود را
- صفحه اصلی
- امید
- ساعت ها
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- ID
- شناسه
- if
- تصویر
- تأثیرگذار
- پیاده سازی
- واردات
- مهم
- in
- از جمله
- نشان می دهد
- اطلاعات
- اطلاعات
- شالوده
- اول
- ورودی
- ورودی
- داخل
- بینش
- بینش
- نصب
- نمونه
- به
- IT
- تکرار
- ITS
- کار
- شغل ها
- پیوستن
- JPG
- نگاه داشتن
- زبان
- بزرگ
- یادگیری
- کمتر
- اجازه می دهد تا
- قدرت نفوذ
- بلند کردن اجسام
- پسندیدن
- اصل و نسب
- لینک ها
- فهرست
- بار
- بارهای
- محلی
- به صورت محلی
- ورود به سیستم
- منطق
- نگاه کنيد
- شبیه
- عشق
- دستگاه
- فراگیری ماشین
- اصلی
- باعث می شود
- مدیریت
- دستی
- بسیاری
- مسابقه
- حداکثر
- بیشترین
- mdx
- معنی دار
- فهرست
- روش
- دقیقه
- گم
- ML
- مدل
- مدل
- لحظه
- مانیتور
- بیش
- باید
- نام
- نام
- بومی
- طبیعی
- پردازش زبان طبیعی
- طبیعت
- هدایت
- جهت یابی
- نیاز
- ضروری
- جدید
- گره
- دفتر یادداشت
- عدد
- of
- آنلاین نیست.
- غالبا
- on
- ONE
- مداوم
- فقط
- عمل
- عملیات
- بهینه
- گزینه
- or
- دیگر
- ما
- خارج
- تولید
- خارج از
- روی
- خود
- قطعه
- پارامتر
- پارامترهای
- بخش
- شور
- انجام
- انجام می دهد
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- پر جمعیت
- مثبت
- پست
- pr
- پیش بینی
- قبلی
- قبلا
- قیمت
- قیمت
- اصلی
- قبلا
- در حال پردازش
- پردازنده
- حرفه ای
- ترویج
- ارائه
- ارائه
- فراهم می کند
- پــایتــون
- کیفیت
- محدوده
- نسبتا
- خام
- دنیای واقعی
- رکورد
- سوابق
- قرمز
- كاهش دادن
- را کاهش می دهد
- مراجعه
- برداشتن
- تکراری
- جایگزین کردن
- نیاز
- منابع
- نتیجه
- نتیجه
- برگشت
- نقش
- دویدن
- در حال اجرا
- اجرا می شود
- s
- حکیم ساز
- فروش
- حراجی
- مقیاس پذیر
- مقیاس
- برنامه
- برنامه ریزی
- زمان بندی
- دانشمندان
- حوزه
- sdk
- sdn
- ثانیه
- بخش
- امن
- دیدن
- ارشد
- خدمات
- کوتاه
- باید
- نشان
- نشان می دهد
- قابل توجه
- ساده
- تنها
- محیط واحد
- So
- نرم افزار
- فروخته شده
- راه حل
- مزایا
- حل
- منبع
- جرقه
- متخصص
- مشخصات
- مشخص شده
- ورزش ها
- شروع
- آغاز شده
- شروع
- دولت
- وضعیت
- مراحل
- ذخیره سازی
- opbevare
- داده ها را ذخیره کنید
- رشته
- قوی
- ساخت یافته
- استودیو
- ارسال
- متعاقبا
- موفق
- موفقیت
- چنین
- مناسب
- جدول
- نسبت به
- که
- La
- دولت
- شان
- آنها
- سپس
- اینها
- این
- سه
- زمان
- بار
- به
- هم
- بالا
- مسیر
- پیگردی
- قطار
- آموزش
- معامله
- دگرگون کردن
- دگرگونی
- تحولات
- مبدل
- تبدیل شدن
- سفر
- روند
- آموزش
- دو
- نوع
- انواع
- ui
- زیر
- اساسی
- باز
- به روز شده
- us
- استفاده کنید
- مورد استفاده
- استفاده
- با استفاده از
- ارزشمند
- ارزش
- ارزشها
- مختلف
- وسایل نقلیه
- از طريق
- چشم انداز
- دید
- vs
- گرم
- بود
- we
- وب
- خدمات وب
- که
- وسیع
- دامنه گسترده
- اراده
- با
- مهاجرت کاری
- مشغول به کار
- گردش کار
- نوشتن
- سال
- سال
- شما
- شما
- زفیرنت