پردازش زبان طبیعی (NLP) رشتهای در یادگیری ماشینی (ML) است که به رایانهها توانایی درک متن و کلمات گفتاری را به همان روشی که انسان میتواند میدهد، میپردازد. اخیراً معماری های پیشرفته ای مانند معماری ترانسفورماتور برای دستیابی به عملکرد نزدیک به انسان در کارهای پایین دستی NLP مانند خلاصه سازی متن، طبقه بندی متن، شناسایی موجودیت و موارد دیگر استفاده می شود.
مدلهای زبان بزرگ (LLM) مدلهای مبتنی بر ترانسفورماتور هستند که بر روی مقدار زیادی متن بدون برچسب با صدها میلیون آموزش داده شدهاند.برت) به بیش از یک تریلیون پارامتر (MiCS) و اندازه آن آموزش تک GPU را غیرعملی می کند. به دلیل پیچیدگی ذاتی آنها، آموزش LLM از ابتدا یک کار بسیار چالش برانگیز است که تعداد کمی از سازمان ها می توانند از عهده آن برآیند. یک روش معمول برای کارهای پایین دستی NLP، گرفتن یک LLM از قبل آموزش دیده و تنظیم دقیق آن است. برای اطلاعات بیشتر در مورد تنظیم دقیق، به تطبیق با دامنه تنظیم دقیق مدلهای بنیاد در Amazon SageMaker JumpStart در دادههای مالی و مدلهای زبان ترانسفورماتور را برای تنوع زبانی با چهره در آغوش گرفته در Amazon SageMaker تنظیم کنید.
یادگیری صفر شات در NLP اجازه می دهد تا a LLM از پیش آموزش دیده برای ایجاد پاسخ به وظایفی که به صراحت برای آنها آموزش ندیده است (حتی بدون تنظیم دقیق). به طور خاص در مورد طبقه بندی متن صحبت می کنیم، طبقه بندی متن صفر شات وظیفه ای در پردازش زبان طبیعی است که در آن یک مدل NLP برای طبقه بندی متن از کلاس های نادیده استفاده می شود. طبقه بندی تحت نظارت، که در آن مدلهای NLP فقط میتوانند متنهایی را که به کلاسهایی در دادههای آموزشی تعلق دارند، طبقهبندی کنند.
ما اخیراً پشتیبانی از مدل طبقه بندی صفر شات را راه اندازی کردیم Amazon SageMaker JumpStart. SageMaker JumpStart مرکز ML است آمازون SageMaker که دسترسی به مدل های پایه از پیش آموزش دیده (FM)، LLM ها، الگوریتم های داخلی و الگوهای راه حل را فراهم می کند تا به شما کمک کند تا به سرعت با ML شروع کنید. در این پست نشان می دهیم که چگونه می توانید با استفاده از مدل های از پیش آموزش دیده در SageMaker Jumpstart طبقه بندی صفر شات را انجام دهید. شما یاد خواهید گرفت که چگونه از SageMaker Jumpstart UI و SageMaker Python SDK برای استقرار راه حل و اجرای استنتاج با استفاده از مدل های موجود استفاده کنید.
یادگیری شات صفر
طبقه بندی صفر شات پارادایم است که در آن یک مدل می تواند نمونه های جدید و دیده نشده را که متعلق به کلاس هایی هستند که در داده های آموزشی وجود نداشتند طبقه بندی کند. به عنوان مثال، یک مدل زبانی که برای درک زبان انسان آموزش دیده است، میتواند برای طبقهبندی توییتهای تصمیمات سال نو در کلاسهای مختلف مانند career
, health
و finance
، بدون اینکه مدل زبان به صراحت در مورد وظیفه طبقه بندی متن آموزش داده شود. این برخلاف تنظیم دقیق مدل است، زیرا دومی مستلزم آموزش مجدد مدل (از طریق یادگیری انتقال) است در حالی که یادگیری صفر شات به آموزش اضافی نیاز ندارد.
نمودار زیر تفاوت بین یادگیری انتقالی (چپ) در مقابل یادگیری شات صفر (راست) را نشان می دهد.
یین و همکاران چارچوبی برای ایجاد طبقهبندیکنندههای شات صفر با استفاده از استنتاج زبان طبیعی (NLI) پیشنهاد کرد. این چارچوب با قرار دادن دنباله به عنوان یک فرض NLI کار می کند و یک فرضیه از هر برچسب نامزد می سازد. برای مثال، اگر بخواهیم بررسی کنیم که آیا یک دنباله به کلاس تعلق دارد یا خیر politics
میتوانیم فرضیهای بسازیم که «این متن درباره سیاست است». سپس احتمالات مستلزم و تناقض به احتمالات برچسب تبدیل می شوند. به عنوان یک بررسی سریع، NLI دو جمله را در نظر می گیرد: یک مقدمه و یک فرضیه. وظیفه این است که با توجه به پیش فرض، تعیین کنیم که آیا فرضیه درست (استلزام) یا نادرست (تضاد) است. در جدول زیر چند نمونه آورده شده است.
فرضیه | برچسب | فرضیه |
مردی لباس یک چهره را در یکی از کشورهای شرق آسیا بازرسی می کند. | تناقض | مرد خواب است. |
مردی پیر و جوان در حال لبخند زدن. | خنثی | دو مرد به گربه هایی که روی زمین بازی می کنند لبخند می زنند و می خندند. |
یک بازی فوتبال با چند مرد در حال بازی. | مستلزم | برخی از مردان در حال انجام یک ورزش هستند. |
بررسی اجمالی راه حل
در این پست به موارد زیر می پردازیم:
- نحوه استقرار مدل های طبقه بندی متن صفر شات از پیش آموزش دیده با استفاده از SageMaker JumpStart UI و اجرای استنتاج بر روی مدل مستقر شده با استفاده از داده های متن کوتاه
- نحوه استفاده از SageMaker Python SDK برای دسترسی به مدل های از پیش آموزش دیده طبقه بندی متن صفر شات در SageMaker JumpStart و استفاده از اسکریپت استنتاج برای استقرار مدل در نقطه پایانی SageMaker برای یک مورد استفاده طبقه بندی متن بلادرنگ
- نحوه استفاده از SageMaker Python SDK برای دسترسی به مدل های از پیش آموزش دیده طبقه بندی متن صفر شات و استفاده از تبدیل دسته ای SageMaker برای استفاده دسته بندی متن دسته ای
SageMaker JumpStart تنظیم دقیق و استقرار با یک کلیک را برای طیف گسترده ای از مدل های از پیش آموزش دیده در سراسر وظایف محبوب ML، و همچنین مجموعه ای از راه حل های سرتاسری که مشکلات رایج تجاری را حل می کند، ارائه می دهد. این ویژگی ها بار سنگین را از هر مرحله از فرآیند ML حذف می کند، توسعه مدل های با کیفیت بالا را ساده می کند و زمان استقرار را کاهش می دهد. این API های JumpStart به شما این امکان را می دهد که مجموعه وسیعی از مدل های از پیش آموزش دیده را در مجموعه داده های خود به صورت برنامه ریزی شده استقرار و تنظیم کنید.
مرکز مدل JumpStart دسترسی به تعداد زیادی مدل NLP را فراهم می کند که امکان یادگیری انتقال و تنظیم دقیق در مجموعه داده های سفارشی را فراهم می کند. از زمان نگارش این مقاله، مرکز مدل JumpStart شامل بیش از 300 مدل متن در انواع مدلهای محبوب، مانند Stable Diffusion، Flan T5، Alexa TM، Bloom و غیره است.
توجه داشته باشید که با انجام مراحل این بخش، زیرساخت هایی را در حساب AWS خود مستقر خواهید کرد که ممکن است هزینه هایی را به همراه داشته باشد.
یک مدل طبقهبندی متن صفر شات مستقل ایجاد کنید
در این بخش، نحوه استقرار یک مدل طبقه بندی صفر شات را با استفاده از SageMaker JumpStart نشان می دهیم. می توانید از طریق صفحه فرود JumpStart به مدل های از پیش آموزش دیده دسترسی داشته باشید Amazon SageMaker Studio. مراحل زیر را کامل کنید:
- در SageMaker Studio، صفحه فرود JumpStart را باز کنید.
به مراجعه JumpStart را باز کرده و از آن استفاده کنید برای جزئیات بیشتر در مورد نحوه پیمایش به SageMaker JumpStart. - در مدلهای متنی چرخ فلک، کارت مدل «طبقه بندی متن صفر شات» را پیدا کنید.
- را انتخاب کنید مشاهده مدل برای دسترسی به
facebook-bart-large-mnli
مدل.
یا می توانید مدل طبقه بندی صفر شات را در نوار جستجو جستجو کنید و در SageMaker JumpStart به مدل برسید. - یک پیکربندی استقرار، نوع نمونه میزبانی SageMaker، نام نقطه پایانی، سرویس ذخیره سازی ساده آمازون نام سطل (Amazon S3) و سایر پارامترهای مورد نیاز.
- به صورت اختیاری، می توانید تنظیمات امنیتی مانند آن را مشخص کنید هویت AWS و مدیریت دسترسی نقش (IAM)، تنظیمات VPC و سرویس مدیریت کلید AWS کلیدهای رمزگذاری (AWS KMS).
- را انتخاب کنید گسترش برای ایجاد یک نقطه پایانی SageMaker.
تکمیل این مرحله چند دقیقه طول می کشد. وقتی کامل شد، میتوانید استنتاج را در مقابل نقطه پایانی SageMaker که میزبان مدل طبقهبندی صفر شات است، اجرا کنید.
در ویدیوی زیر مراحل این بخش را به شما نشان می دهیم.
از JumpStart به صورت برنامه نویسی با SageMaker SDK استفاده کنید
در بخش SageMaker JumpStart در SageMaker Studio، در زیر راه حل های شروع سریع، می توانید پیدا کنید الگوهای راه حل. الگوهای راه حل SageMaker JumpStart راه حل های یک کلیک و سرتاسری برای بسیاری از موارد رایج استفاده از ML هستند. از زمان نگارش این مقاله، بیش از 20 راه حل برای موارد استفاده چندگانه، مانند پیش بینی تقاضا، تشخیص تقلب، و توصیه های شخصی، در دسترس است.
راه حل «طبقه بندی متن صفر شات با صورت در آغوش گرفته» راهی برای طبقه بندی متن بدون نیاز به آموزش مدلی برای برچسب های خاص ارائه می دهد.طبقه بندی شات صفر) با استفاده از یک طبقه بندی متن از قبل آموزش دیده. مدل طبقه بندی صفر شات پیش فرض برای این راه حل است facebook-bart-large-mnli مدل (BART). برای این راه حل، ما از مجموعه داده تصمیمات سال نو 2015 برای طبقه بندی قطعنامه ها زیر مجموعه ای از مجموعه داده اصلی که فقط شامل Resolution_Category
(برچسب حقیقت زمین) و text
ستون ها در دارایی های راه حل گنجانده شده است.
دادههای ورودی شامل رشتههای متنی، فهرستی از دستههای مورد نظر برای طبقهبندی، و اینکه آیا طبقهبندی چند برچسبی است یا نه برای استنتاج همزمان (زمان واقعی) است. برای استنتاج ناهمزمان (دسته ای)، فهرستی از رشته های متن، فهرست دسته بندی ها برای هر رشته، و اینکه آیا طبقه بندی چند برچسبی است یا نه در یک فایل متنی قالب بندی شده با خطوط JSON ارائه می دهیم.
نتیجه استنتاج یک شی JSON است که چیزی شبیه تصویر زیر است.
ما متن اصلی را در sequence
فیلد، برچسبهای مورد استفاده برای طبقهبندی متن در labels
فیلد، و احتمال اختصاص داده شده به هر برچسب (به همان ترتیب ظاهری) در فیلد scores
.
برای استقرار راه حل Zero Shot Text Classification with Hugging Face، مراحل زیر را انجام دهید:
- در صفحه فرود SageMaker JumpStart، را انتخاب کنید مدل ها، نوت بوک ها، راه حل ها در صفحه ناوبری
- در مزایا بخش، را انتخاب کنید همه راه حل ها را کاوش کنید.
- بر مزایا صفحه، کارت مدل طبقه بندی متن صفر شات با صورت در آغوش گرفته را انتخاب کنید.
- جزئیات استقرار را بررسی کنید و در صورت موافقت، انتخاب کنید راه اندازی.
این استقرار یک نقطه پایانی بلادرنگ SageMaker برای استنتاج بلادرنگ و یک سطل S3 برای ذخیره نتایج تبدیل دسته ای فراهم می کند.
نمودار زیر معماری این روش را نشان می دهد.
استنتاج بلادرنگ را با استفاده از مدل طبقه بندی شات صفر انجام دهید
در این بخش، نحوه استفاده از Python SDK برای اجرای طبقهبندی متن صفر شات (با استفاده از هر یک از مدلهای موجود) در زمان واقعی با استفاده از نقطه پایانی SageMaker را بررسی میکنیم.
- ابتدا درخواست بار استنتاج را به مدل پیکربندی می کنیم. این به مدل وابسته است، اما برای مدل BART، ورودی یک شی JSON با ساختار زیر است:
- توجه داشته باشید که مدل BART به صراحت در مورد آموزش داده نشده است
candidate_labels
. ما از تکنیک طبقه بندی شات صفر برای طبقه بندی دنباله متن به کلاس های دیده نشده استفاده خواهیم کرد. کد زیر نمونه ای با استفاده از متنی از مجموعه داده های تصمیمات سال نو و کلاس های تعریف شده است: - در مرحله بعد، می توانید یک نقطه پایانی SageMaker را با بارگذاری صفر شات فراخوانی کنید. نقطه پایانی SageMaker به عنوان بخشی از راه حل SageMaker JumpStart مستقر شده است.
- شی پاسخ استنتاج شامل دنباله اصلی، برچسبها بر اساس امتیاز از حداکثر تا حداقل مرتبسازی شدهاند، و امتیازات در هر برچسب:
یک کار تبدیل دسته ای SageMaker را با استفاده از Python SDK اجرا کنید
این بخش نحوه اجرای استنتاج تبدیل دسته ای با طبقه بندی صفر شات را توضیح می دهد facebook-bart-large-mnli
مدل با استفاده از SageMaker Python SDK. مراحل زیر را کامل کنید:
- داده های ورودی را در قالب خطوط JSON فرمت کنید و فایل را در Amazon S3 آپلود کنید.
تبدیل دسته ای SageMaker استنتاج را روی نقاط داده آپلود شده در فایل S3 انجام می دهد. - آرتیفکت های استقرار مدل را با پارامترهای زیر تنظیم کنید:
- مدل_id - استفاده کنید
huggingface-zstc-facebook-bart-large-mnli
. - deploy_image_uri - با استفاده از
image_uris
تابع Python SDK برای دریافت تصویر SageMaker Docker از پیش ساخته شده برایmodel_id
. تابع را برمی گرداند رجیستری ظروف الاستیک آمازون (Amazon ECR) URI. - deploy_source_uri – استفاده از
script_uris
utility API برای بازیابی S3 URI که حاوی اسکریپت هایی برای اجرای استنتاج مدل از پیش آموزش دیده است. را مشخص می کنیمscript_scope
asinference
. - model_uri - استفاده کنید
model_uri
برای دریافت مصنوعات مدل از آمازون S3 برای مشخص شدهmodel_id
.
- مدل_id - استفاده کنید
- استفاده کنید
HF_TASK
برای تعریف وظیفه خط لوله ترانسفورماتور Hugging Face وHF_MODEL_ID
برای تعریف مدل مورد استفاده برای طبقه بندی متن:برای فهرست کامل وظایف، نگاه کنید خطوط لوله در مستندات صورت بغل کردن.
- یک شی مدل Hugging Face ایجاد کنید تا با کار تبدیل دسته ای SageMaker به کار گرفته شود:
- برای اجرای یک کار دسته ای یک تبدیل ایجاد کنید:
- یک کار تبدیل دسته ای را شروع کنید و از داده های S3 به عنوان ورودی استفاده کنید:
می توانید کار پردازش دسته ای خود را در کنسول SageMaker نظارت کنید (انتخاب کنید مشاغل تبدیل دسته ای زیر استنباط در صفحه ناوبری). هنگامی که کار کامل شد، می توانید خروجی پیش بینی مدل را در فایل S3 مشخص شده در آن بررسی کنید output_path
.
برای لیستی از تمام مدل های از پیش آموزش دیده موجود در SageMaker JumpStart، مراجعه کنید الگوریتم های داخلی با جدول مدل از پیش آموزش دیده. از کلمه کلیدی "zstc" (مخفف طبقه بندی متن صفر شات) در نوار جستجو برای پیدا کردن همه مدل هایی که قادر به انجام طبقه بندی متن صفر شات هستند استفاده کنید.
پاک کردن
پس از اتمام اجرای نوت بوک، مطمئن شوید که تمام منابع ایجاد شده در این فرآیند را حذف کرده اید تا مطمئن شوید که هزینه های متحمل شده توسط دارایی های مستقر در این راهنما متوقف می شود. کد پاکسازی منابع مستقر شده در نوت بوک های مرتبط با راه حل و مدل طبقه بندی متن صفر شات ارائه شده است.
تنظیمات امنیتی پیش فرض
مدلهای SageMaker JumpStart با استفاده از تنظیمات امنیتی پیشفرض زیر مستقر میشوند:
برای کسب اطلاعات بیشتر در مورد موضوعات مرتبط با امنیت SageMaker، بررسی کنید امنیت را در Amazon SageMaker پیکربندی کنید.
نتیجه
در این پست، ما به شما نشان دادیم که چگونه یک مدل طبقه بندی صفر شات را با استفاده از SageMaker JumpStart UI اجرا کنید و با استفاده از نقطه پایانی مستقر شده استنتاج کنید. ما از راه حل حل سال نو SageMaker JumpStart استفاده کردیم تا نشان دهیم چگونه می توانید از SageMaker Python SDK برای ساختن یک راه حل انتها به انتها و پیاده سازی برنامه طبقه بندی صفر شات استفاده کنید. SageMaker JumpStart دسترسی به صدها مدل و راه حل از پیش آموزش دیده را برای کارهایی مانند بینایی رایانه، پردازش زبان طبیعی، سیستم های توصیه و غیره فراهم می کند. راه حل را خودتان امتحان کنید و نظرات خود را با ما در میان بگذارید.
درباره نویسندگان
دیوید لاردو یک معمار نمونه سازی در AWS Envision Engineering در LATAM است، جایی که به توسعه نمونه های اولیه یادگیری ماشین کمک کرده است. او قبلاً به عنوان مهندس یادگیری ماشین کار می کرد و بیش از 5 سال است که به یادگیری ماشین می پردازد. حوزه های مورد علاقه او NLP، سری های زمانی، و end-to-end ML هستند.
ویکرام الانگو یک معمار راه حل های تخصصی AI/ML در خدمات وب آمازون، مستقر در ویرجینیا، ایالات متحده است. Vikram با طراحی و رهبری فکری به مشتریان صنعت مالی و بیمه کمک می کند تا برنامه های یادگیری ماشین را در مقیاس بسازند و به کار گیرند. او در حال حاضر روی پردازش زبان طبیعی، هوش مصنوعی مسئول، بهینهسازی استنتاج و مقیاسبندی ML در سراسر سازمان متمرکز است. او در اوقات فراغت خود از مسافرت، پیاده روی، آشپزی و کمپینگ با خانواده لذت می برد.
دکتر ویوک مدان یک دانشمند کاربردی با تیم آمازون SageMaker JumpStart است. او دکترای خود را از دانشگاه ایلینویز در Urbana-Champaign گرفت و پژوهشگر پست دکترا در جورجیا تک بود. او یک محقق فعال در یادگیری ماشین و طراحی الگوریتم است و مقالاتی در کنفرانس های EMNLP، ICLR، COLT، FOCS و SODA منتشر کرده است.
- 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.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- توانایی
- درباره ما
- بالاتر
- دسترسی
- حساب
- رسیدن
- در میان
- فعال
- اضافی
- در برابر
- AI
- AI / ML
- AL
- چک
- الگوریتم
- الگوریتم
- معرفی
- اجازه دادن
- اجازه می دهد تا
- آمازون
- آمازون SageMaker
- Amazon SageMaker JumpStart
- آمازون خدمات وب
- مقدار
- an
- و
- هر
- API
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- معماری
- هستند
- مناطق
- AS
- آسیایی
- دارایی
- اختصاص داده
- مرتبط است
- At
- بطور خودکار
- در دسترس
- AWS
- بار
- پایه
- مستقر
- BE
- بوده
- بودن
- متعلق
- میان
- شکوفه
- بدن
- کتاب
- صبحانه
- ساختن
- ساخته شده در
- کسب و کار
- اما
- by
- CAN
- نامزد
- توانا
- کارت
- کاریابی
- چرخ فلک
- موارد
- دسته
- گربه ها
- به چالش کشیدن
- بررسی
- را انتخاب کنید
- کلاس
- کلاس ها
- طبقه بندی
- طبقه بندی
- طبقه بندی کنید
- رمز
- ستون ها
- مشترک
- کامل
- پیچیدگی
- کامپیوتر
- چشم انداز کامپیوتر
- کامپیوتر
- علاقمند
- همایش ها
- پیکر بندی
- در نظر می گیرد
- کنسول
- ساختن
- ظرف
- شامل
- کنتراست
- مبدل
- هزینه
- میتوانست
- کشور
- زن و شوهر
- ایجاد
- ایجاد شده
- ایجاد
- در حال حاضر
- سفارشی
- مشتریان
- داده ها
- نقاط داده
- مجموعه داده ها
- اختصاصی
- به طور پیش فرض
- تعريف كردن
- مشخص
- تقاضا
- پیش بینی تقاضا
- نشان دادن
- وابستگی
- وابسته
- گسترش
- مستقر
- گسترش
- طرح
- مطلوب
- جزئیات
- کشف
- مشخص کردن
- توسعه
- پروژه
- تفاوت
- انتشار
- بحث و تبادل نظر
- تنوع
- کارگر بارانداز
- مستندات
- نمی کند
- عمل
- انجام شده
- دو
- E&T
- هر
- شرق
- آموزش
- پست الکترونیک
- قادر ساختن
- رمزگذاری
- پشت سر هم
- نقطه پایانی
- مهندس
- مهندسی
- اطمینان حاصل شود
- سرمایه گذاری
- موجودیت
- تجسم
- ارزیابی
- حتی
- مثال
- مثال ها
- چهره
- غلط
- خانواده
- امکانات
- کمی از
- رشته
- شکل
- پرونده
- سرمایه گذاری
- مالی
- پیدا کردن
- طبقه
- متمرکز شده است
- پیروی
- برای
- قالب
- پایه
- چارچوب
- تقلب
- کشف تقلب
- از جانب
- تابع
- بازی
- تولید می کنند
- گرجستان
- دریافت کنید
- GitHub
- داده
- دادن
- زمین
- رشد
- راهنمایی
- اداره
- آیا
- he
- سلامتی
- سنگین
- بلند کردن سنگین
- کمک
- کمک کرد
- کمک می کند
- با کیفیت بالا
- خود را
- میزبانی وب
- میزبان
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- قطب
- انسان
- شوخ طبعی
- صدها نفر
- صدها میلیون
- ID
- هویت
- if
- ایلینوی
- نشان می دهد
- تصویر
- انجام
- واردات
- in
- مشمول
- شامل
- صنعت
- اطلاعات
- شالوده
- ذاتی
- ورودی
- ورودی
- نمونه
- بیمه
- علاقه
- IT
- کار
- شغل ها
- JPG
- json
- کلید
- کلید
- دانستن
- برچسب
- برچسب ها
- فرود
- زبان
- بزرگ
- LATAM
- راه اندازی
- رهبری
- یاد گرفتن
- یادگیری
- ترک کرد
- اجازه
- بلند کردن اجسام
- پسندیدن
- لاین
- خطوط
- فهرست
- LLM
- بارگیری
- مطالب
- دستگاه
- فراگیری ماشین
- ساخت
- باعث می شود
- مرد
- مدیریت
- بسیاری
- حداکثر
- ممکن است..
- مردان
- روش
- میلیون ها نفر
- دقیقه
- دقیقه
- ML
- مدل
- مدل
- مانیتور
- بیش
- چندگانه
- my
- نام
- طبیعی
- پردازش زبان طبیعی
- هدایت
- جهت یابی
- نیاز
- جدید
- سال نو
- nlp
- نه
- دفتر یادداشت
- عدد
- هدف
- of
- on
- فقط
- باز کن
- بهینه سازی
- or
- سفارش
- سازمان های
- اصلی
- دیگر
- خارج
- تولید
- روی
- خود
- با ما
- قطعه
- اوراق
- نمونه
- پارامترهای
- بخش
- مسیر
- برای
- انجام
- کارایی
- مجوز
- شخصی
- شخصی
- دکترا
- فیلانتروپی
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- سیاست
- محبوب
- پست
- تمرین
- پیش گویی
- پیش بینی
- در حال حاضر
- قبلا
- مشکلات
- روند
- در حال پردازش
- پیشنهاد شده
- نمونه
- نمونه سازی
- ارائه
- ارائه
- فراهم می کند
- تدارک
- منتشر شده
- پــایتــون
- مارماهی
- سریع
- به سرعت
- خواندن
- واقعی
- زمان واقعی
- تازه
- به رسمیت شناختن
- توصیه
- توصیه
- کاهش
- برداشتن
- درخواست
- نیاز
- ضروری
- پژوهشگر
- منابع
- پاسخ
- پاسخ
- مسئوليت
- نتیجه
- نتایج
- بازده
- این فایل نقد می نویسید:
- راست
- نقش
- دویدن
- در حال اجرا
- s
- حکیم ساز
- همان
- ذخیره
- مقیاس
- مقیاس گذاری
- دانشمند
- نمره
- خراش
- اسکریپت
- پیمایش
- sdk
- جستجو
- بخش
- تیم امنیت لاتاری
- دیدن
- انتخاب
- دنباله
- سلسله
- خدمات
- تنظیمات
- کوتاه
- عکس
- نشان
- نشان داد
- ساده
- ساده
- پس از
- اندازه
- فوتبال
- راه حل
- مزایا
- حل
- برخی از
- چیزی
- صحبت کردن
- متخصص
- خاص
- به طور خاص
- مشخص شده
- گفته شده
- ورزش ها
- پایدار
- مستقل
- شروع
- آغاز شده
- وضعیت هنر
- ماندن
- گام
- مراحل
- متوقف شد
- ذخیره سازی
- ذخیره سازی
- رشته
- ساختار
- استودیو
- چنین
- پشتیبانی
- مطمئن
- سیستم های
- جدول
- گرفتن
- طول می کشد
- کار
- وظایف
- تیم
- فن آوری
- قالب
- طبقه بندی متن
- که
- La
- شان
- سپس
- اینها
- این
- فکر
- رهبری فکر
- از طریق
- زمان
- سری زمانی
- TM
- به
- تاپیک
- قطار
- آموزش دیده
- آموزش
- انتقال
- دگرگون کردن
- دگرگونی
- ترانسفورماتور
- ترانسفورماتور
- سفر
- تریلیون
- درست
- حقیقت
- امتحان
- توییت
- دو
- نوع
- ui
- زیر
- فهمیدن
- دانشگاه
- آپلود شده
- us
- استفاده کنید
- استفاده
- با استفاده از
- سودمندی
- تنوع
- وسیع
- نسخه
- بسیار
- تصویری
- ویرجینیا
- دید
- vs
- خرید
- می خواهم
- بود
- مسیر..
- we
- وب
- خدمات وب
- خوب
- بود
- چه زمانی
- چه
- در حین
- که
- وسیع
- اراده
- با
- بدون
- کلمات
- مشغول به کار
- با این نسخهها کار
- نوشته
- سال
- سال
- شما
- جوانتر
- شما
- زفیرنت
- صفر
- آموزش صفر شات