تعیین ارزش مسکن یک مثال کلاسیک از استفاده از یادگیری ماشینی (ML) است. هریسون و روبینفلد (1978) که یک مقاله و مجموعه داده پیشگامانه را منتشر کردند که به طور غیررسمی به عنوان مجموعه داده مسکن بوستون شناخته شد، تأثیر قابل توجهی داشت. این کار اساسی روشی را برای تخمین قیمت مسکن به عنوان تابعی از ابعاد متعدد، از جمله کیفیت هوا، که تمرکز اصلی تحقیق آنها بود، پیشنهاد کرد. تقریباً 50 سال بعد، تخمین قیمت مسکن به یک ابزار آموزشی مهم برای دانشجویان و متخصصان علاقه مند به استفاده از داده ها و ML در تصمیم گیری تجاری تبدیل شده است.
در این پست، ما در مورد استفاده از یک مدل منبع باز که به طور خاص برای پاسخگویی به سوال بصری (VQA) طراحی شده است صحبت می کنیم. با VQA، میتوانید با استفاده از زبان طبیعی از یک عکس سؤال بپرسید و پاسخ سؤال خود را - همچنین به زبان ساده - دریافت کنید. هدف ما در این پست الهام بخشیدن و نشان دادن آنچه با استفاده از این فناوری ممکن است است. ما استفاده از این قابلیت را با آمازون SageMaker پلت فرم خدمات برای بهبود دقت مدل رگرسیون در یک مورد استفاده ML، و به طور مستقل، برای برچسبگذاری خودکار تصاویر بصری.
ما یک متناظر ارائه می دهیم ویدیو یوتیوب که نشان می دهد آنچه در اینجا بحث شده است. پخش ویدیو در میانه راه شروع می شود تا برجسته ترین نقطه برجسته شود. پیشنهاد می کنیم برای تقویت و درک بهتر این مفهوم، این مطلب را با ویدیو دنبال کنید.
مدل های فونداسیون
این راه حل بر استفاده از یک مدل پایه منتشر شده در مخزن مدل Hugging Face متمرکز است. در اینجا، ما از این اصطلاح استفاده می کنیم مدل پایه برای توصیف قابلیت هوش مصنوعی (AI) که از قبل بر روی حجم وسیع و متنوعی از داده ها آموزش دیده است. مدل های پایه گاهی اوقات می توانند بدون بار آموزش یک مدل از صفر آماده استفاده شوند. برخی از مدلهای پایه را میتوان بهخوبی تنظیم کرد، به این معنی که الگوهای دیگری را به آنها آموزش دهید که مرتبط با کسبوکار شما هستند، اما در مدل اصلی منتشر شده عمومی وجود ندارند. تنظیم دقیق گاهی اوقات برای ارائه پاسخ های صحیحی که منحصر به فرد مورد استفاده یا مجموعه دانش شما است مورد نیاز است.
در در آغوش کشیدن صورت مخزن، چندین مدل VQA برای انتخاب وجود دارد. ما مدلی را انتخاب کردیم که بیشترین دانلود را در زمان نگارش این مقاله داشت. اگرچه این پست توانایی استفاده از یک مدل از یک مخزن مدل منبع باز را نشان میدهد، اما همین مفهوم برای مدلی که شما از صفر آموزش دادهاید یا از ارائهدهنده مورد اعتماد دیگری استفاده کردهاید، صدق میکند.
یک رویکرد مدرن به یک مورد استفاده کلاسیک
تخمین قیمت خانه به طور سنتی از طریق داده های جدولی انجام می شود که در آن از ویژگی های ملک برای اطلاع از قیمت استفاده می شود. اگرچه صدها ویژگی برای در نظر گرفتن می تواند وجود داشته باشد، برخی از نمونه های اساسی عبارتند از اندازه خانه در فضای تکمیل شده، تعداد اتاق خواب ها و حمام ها، و محل سکونت.
یادگیری ماشینی میتواند منابع ورودی متنوعی را فراتر از دادههای جدولی، مانند صدا، تصاویر ثابت، فیلم حرکتی و زبان طبیعی ترکیب کند. در هوش مصنوعی، اصطلاح ملتمدل به استفاده از انواع رسانه ها، مانند تصاویر و داده های جدولی اشاره دارد. در این پست، نحوه استفاده از دادههای چندوجهی را برای یافتن و آزادسازی ارزش پنهان محبوس شده در اگزوز دیجیتال فراوان تولید شده توسط دنیای مدرن امروزی نشان میدهیم.
با در نظر گرفتن این ایده، ما استفاده از مدل های فونداسیون را برای استخراج ویژگی های پنهان از تصاویر دارایی نشان می دهیم. با استفاده از بینشهای موجود در تصاویر، که قبلاً در دادههای جدولی موجود نبودند، میتوانیم دقت مدل را بهبود ببخشیم. هم تصاویر و هم داده های جدولی مورد بحث در این پست در ابتدا در دسترس قرار گرفته و برای آنها منتشر شد GitHub توسط احمد و مصطفی (2016).
یک تصویر ارزش هزار کلمه است
حال که قابلیت های VQA را متوجه شدیم، دو تصویر زیر از آشپزخانه ها را در نظر می گیریم. ارزش خانه را از روی این تصاویر چگونه ارزیابی می کنید؟ چند سوال از خودتان می پرسید؟ هر تصویر ممکن است ده ها سوال را در ذهن شما ایجاد کند. برخی از این سوالات ممکن است به پاسخ های معناداری منجر شود که فرآیند ارزش گذاری خانه را بهبود می بخشد.
عکسها فرانچسکا توسولینی (L) و Sidekix Media (R) در Unsplash اعتبار دارند
جدول زیر نمونههای حکایتی از تعاملات VQA را با نشان دادن سؤالات در کنار پاسخهای مربوطه ارائه میکند. پاسخ ها می توانند به شکل پاسخ های مقوله ای، مقدار پیوسته یا باینری باشند.
نمونه سوال | نمونه پاسخ از مدل بنیاد |
کانترها از چه چیزی ساخته شده اند؟ | گرانیت، کاشی، سنگ مرمر، لمینت و غیره |
آیا این آشپزخانه گران قیمت است؟ | بله خیر |
چند سینک جدا شده وجود دارد؟ | 0، 1، 2 |
معماری مرجع
در این پست استفاده می کنیم Amazon SageMaker Data Rangler برای پرسیدن مجموعه ای یکسان از سوالات بصری برای هزاران عکس در مجموعه داده. SageMaker Data Wrangler به منظور ساده سازی فرآیند آماده سازی داده ها و مهندسی ویژگی ها ساخته شده است. SageMaker Data Wrangler با ارائه بیش از 300 تبدیل داخلی به کاهش زمان لازم برای آماده سازی داده های جدولی و تصویری برای ML از هفته ها به دقیقه کمک می کند. در اینجا، SageMaker Data Wrangler ویژگیهای داده از مجموعه جدولی اصلی را با ویژگیهای متولد شده در عکس از مدل پایه برای آموزش مدل ترکیب میکند.
در مرحله بعد، یک مدل رگرسیون با استفاده از آمازون SageMaker Canvas. SageMaker Canvas می تواند بدون نوشتن هیچ کدی یک مدل بسازد و نتایج اولیه را در کمتر از 2 تا 15 دقیقه ارائه دهد. در بخش زیر، معماری مرجعی را ارائه میدهیم که برای امکانپذیر کردن این راهحل استفاده میشود.
بسیاری از مدل های محبوب Hugging Face و سایر ارائه دهندگان با یک کلیک قابل اجرا هستند Amazon SageMaker JumpStart. صدها هزار مدل در این مخازن موجود است. برای این پست، مدلی را انتخاب میکنیم که در SageMaker JumpStart موجود نیست، که نیاز به استقرار مشتری دارد. همانطور که در شکل زیر نشان داده شده است، ما یک مدل صورت در آغوش گرفته را برای استنتاج با استفاده از یک استفاده می کنیم Amazon SageMaker Studio نوت بوک. نوت بوک برای استقرار یک نقطه پایانی برای استنتاج بلادرنگ استفاده می شود. این نوتبوک از داراییهایی استفاده میکند که شامل مدل باینری Hugging Face، یک اشارهگر به یک تصویر ظرف، و یک اسکریپت inference.py ساخته شده است که با ورودی و خروجی مورد انتظار مدل مطابقت دارد. با خواندن این مطلب، ترکیب مدلهای VQA موجود ممکن است تغییر کند. نکته مهم این است که در زمان خواندن این مطلب، مدلهای VQA موجود را بررسی کنید و برای استقرار مدلی که انتخاب میکنید آماده باشید، که درخواست API و قرارداد پاسخ خود را دارد.
پس از اینکه مدل VQA توسط نقطه پایانی SageMaker ارائه شد، از SageMaker Data Wrangler برای تنظیم خط لوله استفاده می کنیم که در نهایت داده های جدولی و ویژگی های استخراج شده از تصاویر دیجیتال را ترکیب می کند و داده ها را برای آموزش مدل تغییر شکل می دهد. شکل بعدی نمایی از نحوه اجرای کار تبدیل داده در مقیاس کامل را ارائه می دهد.
در شکل زیر از SageMaker Data Wrangler برای هماهنگ کردن وظایف آماده سازی داده ها و SageMaker Canvas برای آموزش مدل استفاده می کنیم. اول، SageMaker Data Wrangler استفاده می کند سرویس مکان آمازون برای تبدیل کدهای پستی موجود در داده های خام به ویژگی های طول و عرض جغرافیایی. دوم، SageMaker Data Wrangler میتواند ارسال هزاران عکس به نقطه پایانی میزبان SageMaker را برای استنتاج بلادرنگ هماهنگ کند و مجموعهای یکسان از سوالات را در هر صحنه بپرسد. این منجر به مجموعه ای غنی از ویژگی ها می شود که ویژگی های مشاهده شده در آشپزخانه ها، حمام ها، نمای بیرونی خانه و موارد دیگر را توصیف می کند. پس از تهیه داده ها توسط SageMaker Data Wrangler، مجموعه داده های آموزشی در دسترس است سرویس ذخیره سازی ساده آمازون (Amazon S3). با استفاده از داده های S3 به عنوان ورودی، SageMaker Canvas می تواند یک مدل را در کمتر از 2 تا 15 دقیقه بدون نوشتن هیچ کدی آموزش دهد.
تبدیل داده ها با استفاده از SageMaker Data Wrangler
تصویر زیر یک گردش کار SageMaker Data Wrangler را نشان می دهد. گردش کار با هزاران عکس از خانه های ذخیره شده در آمازون S3 آغاز می شود. بعد، یک آشکارساز صحنه، صحنه را تعیین می کند، مانند آشپزخانه یا حمام. در نهایت، مجموعهای از سؤالات مربوط به صحنه از تصاویر پرسیده میشود که در نتیجه یک مجموعه داده جدولی غنیتر برای آموزش در دسترس است.
در زیر نمونه ای از کد تبدیل سفارشی SageMaker Data Wrangler است که برای تعامل با مدل پایه و به دست آوردن اطلاعاتی در مورد تصاویر آشپزخانه استفاده می شود. در تصویر قبلی، اگر بخواهید گره ویژگی های آشپزخانه را انتخاب کنید، کد زیر ظاهر می شود:
به عنوان یک ملاحظات امنیتی، ابتدا باید SageMaker Data Wrangler را فعال کنید تا SageMaker شما را در زمان واقعی از طریق هویت AWS و مدیریت دسترسی (من هستم). به طور مشابه، هر منبع AWS که از طریق SageMaker Data Wrangler فراخوانی می کنید، به مجوزهای اجازه مشابه نیاز دارد.
ساختارهای داده قبل و بعد از SageMaker Data Wrangler
در این بخش، ساختار داده های جدولی اصلی و داده های پیشرفته را مورد بحث قرار می دهیم. دادههای پیشرفته حاوی ویژگیهای داده جدیدی نسبت به این مثال استفاده میشوند. در برنامه خود، زمانی را به تصور مجموعه متنوعی از سوالات موجود در تصاویر خود اختصاص دهید تا به وظیفه طبقه بندی یا رگرسیون شما کمک کند. ایده این است که تا حد امکان سؤالات زیادی را تصور کنید و سپس آنها را آزمایش کنید تا مطمئن شوید که ارزش افزوده دارند.
ساختار داده های جدولی اصلی
همانطور که در منبع توضیح داده شده است GitHub repoمجموعه داده نمونه شامل 535 رکورد جدولی شامل چهار تصویر در هر ویژگی است. جدول زیر ساختار داده های جدولی اصلی را نشان می دهد.
ویژگی | اظهار نظر |
تعداد اتاق خواب | . |
تعداد حمام | . |
مساحت (فوت مربع) | . |
کد ZIP | . |
قیمت | این متغیر هدفی است که باید پیش بینی شود. |
ساختار داده های پیشرفته
جدول زیر ساختار داده های پیشرفته را نشان می دهد که شامل چندین ویژگی جدید به دست آمده از تصاویر است.
ویژگی | اظهار نظر |
تعداد اتاق خواب | . |
تعداد حمام | . |
مساحت (فوت مربع) | . |
عرض جغرافیایی | با ارسال کد پستی اصلی به سرویس مکان آمازون محاسبه می شود. این مقدار مرکز برای ZIP است. |
طول جغرافیایی | با ارسال کد پستی اصلی به سرویس مکان آمازون محاسبه می شود. این مقدار مرکز برای ZIP است. |
آیا اتاق خواب دارای سقف طاقدار است؟ | 0 = خیر 1 = بله |
حمام گران است؟ | 0 = خیر 1 = بله |
آیا آشپزخانه گران است؟ | 0 = خیر 1 = بله |
قیمت | این متغیر هدفی است که باید پیش بینی شود. |
آموزش مدل با بوم SageMaker
یک کار پردازش SageMaker Data Wrangler تمام مجموعه داده های آموزشی جدولی را به طور کامل آماده می کند و در آمازون S3 در دسترس قرار می دهد. سپس، SageMaker Canvas به فاز ساخت مدل چرخه حیات ML می پردازد. Canvas با باز کردن مجموعه آموزشی S3 شروع می شود. توانایی درک یک مدل اغلب یک نیاز کلیدی مشتری است. SageMaker Canvas بدون نوشتن کد و با چند کلیک، بازخورد بصری و غنی را در مورد عملکرد مدل ارائه می دهد. همانطور که در تصویر در بخش زیر مشاهده می شود، SageMaker Canvas نشان می دهد که چگونه ویژگی های منفرد به مدل اطلاع می دهند.
مدل آموزش داده شده با داده های اصلی جدولی و ویژگی های مشتق شده از تصاویر مستغلات
از اسکرین شات زیر میتوانیم متوجه شویم که ویژگیهای ایجاد شده از تصاویر دارایی مهم هستند. بر اساس این نتایج، سوال "آیا این آشپزخانه گران است" از عکس از "تعداد اتاق خواب" در مجموعه جدولی اصلی با مقادیر اهمیت ویژگی به ترتیب 7.08 و 5.498 مهمتر بود.
تصویر زیر اطلاعات مهمی در مورد مدل ارائه می دهد. اول، نمودار باقیمانده بیشتر نقاط مجموعه را نشان می دهد که در اطراف ناحیه سایه دار بنفش خوشه می شوند. در اینجا، دو نقطه پرت به صورت دستی در خارج از بوم SageMaker برای این تصویر حاشیه نویسی شد. این نقاط پرت نشان دهنده شکاف های قابل توجهی بین ارزش واقعی خانه و ارزش پیش بینی شده است. علاوه بر این، R2 مقدار، که محدوده احتمالی 0-100٪ را دارد، در 76٪ نشان داده شده است. این نشان می دهد که مدل ناقص است و نقاط اطلاعاتی کافی برای محاسبه کامل همه تنوع برای برآورد کامل ارزش خانه ندارد.
ما میتوانیم از نشانههای پرت برای پیدا کردن و پیشنهاد سیگنالهای اضافی برای ساخت یک مدل جامعتر استفاده کنیم. به عنوان مثال، این املاک پرت ممکن است شامل یک استخر شنا یا در زمین های بزرگ باشد. مجموعه داده این ویژگی ها را شامل نمی شود. با این حال، ممکن است بتوانید این داده ها را پیدا کنید و یک مدل جدید با "دارای استخر شنا" به عنوان یک ویژگی اضافی آموزش دهید. در حالت ایده آل، در تلاش بعدی شما، R2 مقدار افزایش می یابد و مقادیر MAE و RMSE کاهش می یابد.
مدل آموزش دیده بدون ویژگی های مشتق شده از تصاویر املاک و مستغلات
در نهایت، قبل از رفتن به بخش بعدی، بیایید بررسی کنیم که آیا ویژگی های تصاویر مفید بوده اند یا خیر. اسکرین شات زیر یکی دیگر از مدل های آموزش دیده SageMaker Canvas را بدون ویژگی های مدل VQA ارائه می دهد. می بینیم که نرخ خطای مدل افزایش یافته است، از RMSE 282K به RMSE 352K. از این، می توان نتیجه گرفت که سه سوال ساده از تصاویر، دقت مدل را حدود 20٪ بهبود می بخشد. نشان داده نشده است، اما برای کامل شدن، R2 ارزش مدل زیر نیز بدتر شد و با ویژگی های VQA ارائه شده از مقدار 62 درصد به مقدار 76 درصد کاهش یافت. این نمونهای از این است که چگونه SageMaker Canvas آزمایش سریع و استفاده از یک رویکرد دادهمحور را ساده میکند که مدلی را برای پاسخگویی به نیازهای تجاری شما ارائه میدهد.
با نگاه به آینده
بسیاری از سازمان ها به طور فزاینده ای به مدل های پایه علاقه مند می شوند، به ویژه از آنجایی که ترانسفورماتورهای از پیش آموزش دیده عمومی (GPT) به طور رسمی در دسامبر 2022 به یک موضوع اصلی مورد علاقه تبدیل شدند. بخش بزرگی از علاقه به مدل های پایه بر روی وظایف مدل های زبان بزرگ (LLM) متمرکز شده است. ; با این حال، موارد استفاده متنوع دیگری نیز وجود دارد، مانند بینایی کامپیوتر و به طور محدودتر، وظیفه تخصصی VQA که در اینجا توضیح داده شده است.
این پست نمونه ای برای الهام بخشیدن به استفاده از داده های چندوجهی برای حل موارد استفاده در صنعت است. اگرچه ما استفاده و مزایای VQA را در یک مدل رگرسیونی نشان دادیم، اما میتوان از آن برای برچسبگذاری و برچسبگذاری تصاویر برای جستجوی بعدی یا مسیریابی گردش کار تجاری استفاده کرد. تصور کنید بتوانید املاک فهرست شده برای فروش یا اجاره را جستجو کنید. فرض کنید می خواهید ملکی با کف کاشی یا میزهای مرمر پیدا کنید. امروز، ممکن است مجبور شوید فهرست بلندبالایی از ویژگیهای نامزد دریافت کنید و هنگام مرور هر نامزد، خود را با دید فیلتر کنید. در عوض، تصور کنید که بتوانید فهرستهایی را که حاوی این ویژگیها هستند فیلتر کنید - حتی اگر شخصی آنها را به صراحت برچسبگذاری نکرده باشد. در صنعت بیمه، توانایی برآورد خسارت خسارت، یا مسیریابی اقدامات بعدی در یک گردش کار تجاری را از تصاویر تصور کنید. در پلتفرمهای رسانههای اجتماعی، عکسها میتوانند به صورت خودکار برای استفاده بعدی برچسبگذاری شوند.
خلاصه
این پست نحوه استفاده از بینایی کامپیوتری فعال شده توسط یک مدل پایه را برای بهبود یک مورد استفاده کلاسیک ML با استفاده از پلتفرم SageMaker نشان میدهد. به عنوان بخشی از راه حل پیشنهادی، ما یک مدل VQA محبوب موجود در یک رجیستری مدل عمومی را پیدا کردیم و آن را با استفاده از نقطه پایانی SageMaker برای استنتاج بلادرنگ به کار بردیم.
در مرحله بعد، ما از SageMaker Data Wrangler برای تنظیم جریان کاری استفاده کردیم که در آن سوالات یکسانی از تصاویر پرسیده می شد تا مجموعه ای غنی از داده های جدولی تولید شود. در نهایت از SageMaker Canvas برای آموزش یک مدل رگرسیون استفاده کردیم. توجه به این نکته مهم است که مجموعه داده نمونه بسیار ساده بود و بنابراین از نظر طراحی ناقص بود. با این حال، SageMaker Canvas درک دقت مدل و جستجوی سیگنال های اضافی را برای بهبود دقت مدل پایه آسان می کند.
امیدواریم این پست شما را تشویق کرده باشد که از دادههای چندوجهی که ممکن است سازمان شما داشته باشد استفاده کنید. علاوه بر این، امیدواریم این پست به شما انگیزه داده باشد که آموزش مدل را به عنوان یک فرآیند تکراری در نظر بگیرید. با کمی صبر می توان به یک مدل عالی دست یافت. مدل هایی که تقریباً کامل هستند ممکن است بیش از حد خوب باشند که واقعی باشند، شاید نتیجه نشت هدف یا نصب بیش از حد باشد. یک سناریوی ایده آل با مدلی آغاز می شود که خوب است، اما کامل نیست. با استفاده از خطاها، تلفات و نمودارهای باقیمانده، می توانید سیگنال های داده اضافی را برای افزایش دقت از برآورد اولیه اولیه خود بدست آورید.
AWS گستردهترین و عمیقترین مجموعه خدمات ML و پشتیبانی از زیرساختهای ابری را ارائه میدهد و ML را در دست هر توسعهدهنده، دانشمند داده و متخصص متخصص قرار میدهد. اگر کنجکاو هستید که درباره پلتفرم SageMaker، از جمله SageMaker Data Wrangler و SageMaker Canvas اطلاعات بیشتری کسب کنید، لطفاً با تیم حساب AWS خود تماس بگیرید و گفتگو را شروع کنید. همچنین، مطالعه بیشتر در مورد SageMaker Data Wrangler را در نظر بگیرید تحولات سفارشی.
منابع
احمد، ای اچ، و مصطفی، م. (2016). برآورد قیمت خانه از ویژگی های بصری و متنی. IJCCI 2016-مجموعه مقالات هشتمین کنفرانس مشترک بین المللی در زمینه هوش محاسباتی، 8، 3-62.
هریسون جونیور، دی، و روبینفلد، دی ال (1978). قیمت های لذت بخش مسکن و تقاضا برای هوای پاک. مجله اقتصاد و مدیریت محیط زیست, 5(1)، 81-102.
Kim, W., Son, B. & Kim, I.. (2021). ViLT: ترانسفورماتور Vision-and-Language بدون کانولوشن یا نظارت منطقه. مجموعه مقالات سی و هشتمین کنفرانس بین المللی یادگیری ماشین، در مجموعه مقالات تحقیقات یادگیری ماشین. 38:139-5583.
درباره نویسنده
چارلز لافلین یک معمار راه حل تخصصی AI/ML است و در تیم خدمات آمازون SageMaker در AWS کار می کند. او به شکلدهی نقشه راه خدمات کمک میکند و روزانه با مشتریان متنوع AWS همکاری میکند تا با استفاده از فناوریهای پیشرفته AWS و رهبری فکری، کسبوکارشان را تغییر دهد. چارلز دارای مدرک کارشناسی ارشد در مدیریت زنجیره تامین و دکترا است. در علم داده
- 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/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 سال
- 7
- 8
- 8th
- a
- توانایی
- قادر
- درباره ما
- فراوان
- دسترسی
- حساب
- دقت
- دست
- اقدامات
- اضافی
- علاوه بر این
- آدرس
- پس از
- احمد
- AI
- AI / ML
- AIR
- معرفی
- اجازه دادن
- تقریبا
- در کنار
- همچنین
- هر چند
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- amp
- an
- و
- دیگر
- پاسخ
- پاسخ
- هر
- API
- ظاهر شدن
- کاربرد
- درخواست
- روش
- معماری
- هستند
- دور و بر
- صف
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی (AI)
- AS
- پرسیدن
- خواهان
- ارزیابی کنید
- دارایی
- At
- کوشش
- سمعی
- خودکار
- در دسترس
- AWS
- مستقر
- خط مقدم
- BE
- شد
- شدن
- تبدیل شدن به
- بوده
- قبل از
- شروع
- بودن
- سود
- میان
- خارج از
- بدن
- بوستون
- هر دو
- ساختن
- بنا
- ساخته شده در
- بار
- کسب و کار
- کسب و کار
- اما
- by
- صدا
- CAN
- نامزد
- نقاشی
- قابلیت های
- قابلیت
- توانا
- مورد
- موارد
- سقف
- محور
- مراکز
- زنجیر
- تغییر دادن
- مشخصات
- چارلز
- را انتخاب کنید
- ادعا
- کلاسیک
- طبقه بندی
- تمیز
- ابر
- زیرساخت های ابری
- خوشه بندی
- رمز
- کد
- همکاری می کند
- رنگ
- ترکیب
- بیا
- کامل
- جامع
- محاسباتی
- کامپیوتر
- چشم انداز کامپیوتر
- مفهوم
- نتیجه گیری
- کنفرانس
- در نظر بگیرید
- توجه
- شامل
- ظرف
- شامل
- مداوم
- قرارداد
- گفتگو
- تبدیل
- مختصات
- اصلاح
- متناظر
- میتوانست
- اعتبار
- کنجکاو
- سفارشی
- مشتری
- مشتریان
- لبه برش
- روزانه
- داده ها
- آماده سازی داده ها
- علم اطلاعات
- دانشمند داده
- مجموعه داده ها
- ساختار داده ها
- داده محور
- دسامبر
- تصمیم گیری
- کاهش
- عمیق ترین
- ارائه
- تقاضا
- نشان دادن
- نشان
- نشان می دهد
- گسترش
- مستقر
- گسترش
- نشات گرفته
- توصیف
- شرح داده شده
- طرح
- طراحی
- تعیین می کند
- توسعه
- توسعه دهنده
- دیجیتال
- ابعاد
- بحث و تبادل نظر
- بحث کردیم
- مختلف
- do
- میکند
- نمی کند
- دانلود
- ده ها
- رها کردن
- e
- هر
- ساده
- اقتصاد (Economics)
- قادر ساختن
- فعال
- تشویق
- نقطه پایانی
- مهندسی
- افزایش
- کافی
- تمام
- محیطی
- خطا
- خطاهای
- به خصوص
- تخمین زدن
- و غیره
- حتی
- هر
- مثال
- مثال ها
- انتظار می رود
- گران
- تجربه
- کارشناس
- به صراحت
- اکتشاف
- عصاره
- چهره
- ویژگی
- امکانات
- باز خورد
- پا
- کمی از
- شکل
- فیلتر
- سرانجام
- پیدا کردن
- نام خانوادگی
- طبقه
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- برای
- فرم
- یافت
- پایه
- چهار
- از جانب
- در مقیاس کامل
- کاملا
- تابع
- توابع
- اساسی
- افزایش
- شکاف
- سوالات عمومی
- تولید می کنند
- دریافت کنید
- هدف
- خوب
- گراف
- بزرگ
- پیشگامانه
- راهنمایی
- دست ها
- آیا
- he
- کمک
- مفید
- کمک می کند
- اینجا کلیک نمایید
- پنهان
- نماد
- دارای
- صفحه اصلی
- خانه
- امید
- میزبانی
- خانه
- مسکن
- چگونه
- چگونه
- اما
- HTTP
- HTTPS
- صدها نفر
- i
- اندیشه
- دلخواه
- ایده آل
- هویت
- if
- نشان می دهد
- تصویر
- تصاویر
- تصور کنید
- واردات
- اهمیت
- مهم
- بهبود
- بهبود یافته
- in
- شامل
- مشمول
- از جمله
- گنجاندن
- افزایش
- افزایش
- به طور فزاینده
- به طور مستقل
- نشان می دهد
- صنعت
- نفوذ
- اطلاع دادن
- اطلاعات
- شالوده
- اول
- ورودی
- بینش
- الهام بخشیدن
- الهام بخش
- در عوض
- بیمه
- اطلاعات
- تعامل
- فعل و انفعالات
- علاقه
- علاقه مند
- بین المللی
- به
- IT
- ITS
- کار
- مشترک
- JPG
- json
- کلید
- کیم
- دانش
- شناخته شده
- برچسب
- زمین
- زبان
- بزرگ
- بعد
- رهبری
- رهبری
- یاد گرفتن
- یادگیری
- wifecycwe
- فهرست
- ذکر شده
- لیست
- کوچک
- LLM
- واقع شده
- محل
- قفل شده
- طولانی
- تلفات
- دستگاه
- فراگیری ماشین
- ساخته
- مسیر اصلی
- ساخت
- باعث می شود
- مدیریت
- دستی
- بسیاری
- کبریت
- ممکن است..
- معنی دار
- به معنی
- رسانه ها
- روش
- میدوی
- قدرت
- ذهن
- دقیقه
- گم
- مخلوط
- ML
- مدل
- مدل
- مدرن
- بیش
- اکثر
- حرکت
- متحرک
- باید
- طبیعی
- نیاز
- ضروری
- جدید
- ویژگی های جدید
- بعد
- نه
- گره
- دفتر یادداشت
- عدد
- متعدد
- گرفتن
- رخ داده است
- of
- پیشنهادات
- رسما
- غالبا
- on
- فقط
- منبع باز
- افتتاح
- or
- سفارش
- کدام سازمان ها
- سازمان های
- اصلی
- در اصل
- دیگر
- ما
- خارج
- دادههای خارج از محدوده
- تولید
- خارج از
- خود
- مقاله
- بخش
- عبور
- صبر
- الگوهای
- برای
- کامل
- کارایی
- شاید
- مجوز
- شخص
- فاز
- عکس
- عکس
- تصویر
- تصاویر
- خط لوله
- ساده
- سکو
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- نقطه
- نقطه
- استخر
- محبوب
- بخشی
- داشتن
- ممکن
- پست
- پیش بینی
- مقدماتی
- تهیه
- آماده
- آماده شده
- آماده می کند
- قبلا
- قیمت
- قیمت
- اصلی
- اقدامات
- روند
- در حال پردازش
- ساخته
- حرفه ای
- املاک
- ویژگی
- پیشنهادات
- پیشنهاد شده
- ارائه
- ارائه
- ارائه دهنده
- ارائه دهندگان
- فراهم می کند
- ارائه
- عمومی
- منتشر شده
- قرار دادن
- کیفیت
- سوال
- سوالات
- به سرعت
- R
- محدوده
- نرخ
- خام
- رسیدن به
- خواندن
- مطالعه
- اماده
- زمان واقعی
- گرفتن
- سوابق
- كاهش دادن
- مرجع
- اشاره دارد
- منطقه
- رجیستری
- تقویت کردن
- نسبی
- مربوط
- اجاره
- مخزن
- نشان دادن
- درخواست
- نیاز
- نیاز
- تحقیق
- تغییر شکل
- اقامتگاه
- منابع
- به ترتیب
- پاسخ
- پاسخ
- نتیجه
- نتیجه
- نتایج
- برگشت
- این فایل نقد می نویسید:
- غنی
- غنی تر
- نقشه راه
- مسیر
- مسیریابی
- دویدن
- زمان اجرا
- s
- حکیم ساز
- فروش
- همان
- مجموعه داده نمونه
- سناریو
- صحنه
- علم
- دانشمند
- اسکات
- خط
- جستجو
- دوم
- بخش
- تیم امنیت لاتاری
- دیدن
- به دنبال
- مشاهده گردید
- انتخاب شد
- در حال ارسال
- خدمت
- خدمت کرده است
- سرویس
- خدمات
- تنظیم
- چند
- شکل
- نشان
- نشان داده شده
- نشان می دهد
- منظره
- سیگنال
- قابل توجه
- مشابه
- به طور مشابه
- ساده
- ساده کردن
- پس از
- تنها
- اندازه
- So
- آگاهی
- رسانه های اجتماعی
- رسانه های اجتماعی
- راه حل
- حل
- برخی از
- گاهی
- آن
- منبع
- منابع
- فضا
- متخصص
- تخصصی
- به طور خاص
- مربع
- شروع
- هنوز
- ذخیره سازی
- ذخیره شده
- ساده
- ساختار
- ساختار
- دانشجویان
- متعاقب
- چنین
- نشان می دهد
- نظارت
- عرضه
- زنجیره تامین
- مدیریت زنجیره تامین
- حمایت از
- مطمئن
- جدول
- TAG
- گرفتن
- طول می کشد
- هدف
- کار
- وظایف
- تعلیم
- تیم
- فن آوری
- پیشرفته
- مدت
- آزمون
- متن
- نسبت به
- که
- La
- منبع
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- چیز
- این
- کسانی که
- فکر
- رهبری فکر
- هزار
- هزاران نفر
- سه
- از طریق
- زمان
- به
- امروز
- امروز
- هم
- ابزار
- موضوع
- به طور سنتی
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- دگرگونی
- تحولات
- ترانسفورماتور
- ترانسفورماتور
- درست
- مورد اعتماد
- دو
- نوع
- انواع
- در نهایت
- فهمیدن
- درک
- منحصر به فرد
- می Unsplash
- استفاده کنید
- مورد استفاده
- استفاده
- استفاده
- با استفاده از
- با استفاده از
- ارزیابی
- ارزش
- ارزش افزوده
- ارزشها
- متغیر
- تنوع
- بسیار
- تصویری
- چشم انداز
- قابل رویت
- دید
- بصری
- W
- می خواهم
- بود
- we
- وب
- خدمات وب
- هفته
- خوب
- بود
- چی
- چه شده است
- که
- WHO
- اراده
- پنجره
- با
- در داخل
- بدون
- چوب
- مهاجرت کاری
- گردش کار
- با این نسخهها کار
- جهان
- با ارزش
- خواهد بود
- نوشته
- سال
- بازده
- شما
- شما
- خودت
- یوتیوب
- زفیرنت
- صفر
- زیپ