Kirjassaan Miksi kirja, Judea Pearl kannattaa syy-seurausperiaatteiden opettamista koneille niiden älykkyyden parantamiseksi. Syväoppimisen saavutukset ovat pohjimmiltaan vain eräänlaista käyräsovitusta, kun taas kausaalisuutta voitaisiin käyttää paljastamaan maailman järjestelmien välisiä vuorovaikutuksia erilaisten rajoitusten alaisena ilman hypoteesien suoraa testausta. Tämä voisi tarjota vastauksia, jotka johtavat meidät AGI:hen (keinotekoinen yleistetty älykkyys).
Tämä ratkaisu ehdottaa kausaalista päättelykehystä, jossa käytetään Bayesin verkkoja edustamaan kausaalisia riippuvuuksia ja tekemään kausaalisia johtopäätöksiä havaittujen satelliittikuvien ja kokeellisten tutkimustietojen perusteella simuloitujen sää- ja maaperäolosuhteiden muodossa. The tapaustutkimus on syy-yhteys typpipohjaisten lannoitteiden levityksen ja maissisadon välillä.
Satelliittikuvat käsitellään tarkoitukseen rakennetulla tavalla Amazon SageMakerin geospatiaaliset ominaisuudet ja rikastettu mittatilaustyönä valmistetuilla Amazon SageMaker -käsittely toiminnot. Syy-seurausmoottori on otettu käyttöön Amazon SageMakerin asynkroninen päättely.
Tässä viestissä näytämme, kuinka tämä kontrafaktuaalinen analyysi luodaan käyttämällä Amazon SageMaker JumpStart ratkaisuja.
Ratkaisun yleiskatsaus
Seuraava kaavio näyttää päästä-päähän työnkulun arkkitehtuurin.
Edellytykset
Tarvitset AWS-tili käyttää tätä ratkaisua.
Jotta voit suorittaa tämän JumpStart 1P -ratkaisun ja saada infrastruktuurin käyttöön AWS-tilillesi, sinun on luotava aktiivinen Amazon SageMaker Studio esimerkki (katso Sisääntulo Amazon SageMaker -verkkotunnukseen). Kun Studio-esiintymäsi on valmis, seuraa ohjeita SageMaker JumpStart käynnistää Crop Yield Counterfactuals -ratkaisun.
Huomaa, että tämä ratkaisu on tällä hetkellä saatavilla vain Yhdysvaltain läntisessä (Oregon) alueella.
Kausaalinen päättely
Syy-suhteessa on kyse muutoksen ymmärtämisestä, mutta sen virallistaminen tilastoissa ja koneoppimisessa (ML) ei ole triviaali harjoitus.
Tässä satotutkimuksessa lannoitteeksi lisätty typpi ja satotulokset voivat olla hämmentyneitä. Samoin lannoitteeksi lisätty typpi ja typen huuhtoutumistulokset voivat olla hämmentyneitä siinä mielessä, että yhteinen syy voi selittää niiden yhteyden. Yhteys ei kuitenkaan ole syy-yhteyttä. Jos tiedämme, mitkä havaitut tekijät hämmentävät assosiaatiota, otamme ne huomioon, mutta entä jos on muita piilotettuja muuttujia, jotka ovat vastuussa hämmennyksestä? Lannoitteen määrän vähentäminen ei välttämättä vähennä jäännöstyppeä; Samoin se ei välttämättä vähennä satoa rajusti, kun taas maaperä ja ilmasto-olosuhteet voivat olla havaitut tekijät, jotka hämmentävät yhteyttä. Se, kuinka käsitellä sekavuutta, on kausaalisen päättelyn keskeinen ongelma. RA Fisherin esittelemä tekniikka nimeltä satunnainen kontrolloitu kokeilu pyrkii katkaisemaan mahdollisen hämmennyksen.
Satunnaistettujen kontrollikokeiden puuttuessa syy-seuraus on kuitenkin tehtävä puhtaasti havaintotiedoista. On olemassa tapoja yhdistää syy-kysymykset havainnointitutkimuksen tietoihin kirjoittamalla kausaalinen graafinen malli siitä, mitä oletamme asioiden tapahtuvan. Tämä edellyttää väittämistä, että vastaavat traverssit kaappaavat vastaavat riippuvuudet, samalla kun ehdollisen tietämättömyyden graafinen kriteeri täyttyy (missä määrin voimme käsitellä kausaalista yhteyttä syy-oletusten perusteella). Kun olemme olettaneet rakenteen, voimme käyttää implisiittisiä invariansseja oppiaksemme havainnointitiedoista ja liittääksemme syy-kysymykset, päätellen syy-väittämiä ilman satunnaistettuja kontrollitutkimuksia.
Tämä ratkaisu käyttää sekä simuloitujen satunnaistettujen kontrollikokeiden (RCT) tietoja että satelliittikuvien havainnointitietoja. Simulaatioiden sarjaa, joka on suoritettu tuhansien peltojen ja useiden vuosien ajan Illinoisissa (Yhdysvallat), tutkitaan maissin vastetta lisääntyviin typpipitoisuuksiin alueella havaittujen sää- ja maaperän vaihteluiden laajalla yhdistelmällä. Se käsittelee koetietojen käytön rajoituksia niiden maaperän ja vuosien osalta, joita se voi tutkia käyttämällä eri viljelyskenaarioiden ja maantieteellisten viljelykasvien simulaatioita. Tietokanta kalibroitiin ja validoitiin käyttämällä tietoja yli 400 alueella tehdystä kokeesta. Alkuperäinen typpipitoisuus maaperässä asetettiin satunnaisesti kohtuulliselle alueelle.
Lisäksi tietokantaa täydennetään satelliittikuvista saatujen havaintojen avulla, kun taas vyöhyketilastot johdetaan spektri-indekseistä, jotta ne kuvaavat kasvillisuuden aika- ja paikkamuutoksia maantieteellisesti ja fenologisissa vaiheissa.
Syy-johtopäätös Bayesin verkoista
Rakenteelliset syy-mallit (SCM) käyttävät graafisia malleja kausaalisten riippuvuuksien esittämiseen sisällyttämällä sekä datapohjaiseen että ihmisen syötteeseen. Tietyntyyppistä rakenteen kausaalimallia, nimeltään Bayesin verkkoja, ehdotetaan mallintamaan sadon fenologian dynamiikkaa käyttämällä todennäköisyyslausekkeita esittämällä muuttujia solmuina ja muuttujien välisiä suhteita reunoina. Solmut ovat sadon kasvun, maaperän ja sääolosuhteiden indikaattoreita, ja niiden väliset reunat edustavat spatio-temporaalisia syy-suhteita. Pääsolmut ovat peltokohtaisia parametreja (mukaan lukien kylvöpäivä ja istutusala), ja alisolmut ovat sato-, typenotto- ja typen huuhtoutumismittareita.
Lisätietoja on tietokannan karakterisointi ja ohjaavat maissin kasvuvaiheiden tunnistamiseen.
Bayesin verkkomallin rakentaminen vaatii muutaman vaiheen (ja CausalNex) ennen kuin voimme käyttää sitä kontrafaktuaaliseen ja interventioanalyysiin. Kausaalimallin rakenne opitaan alun perin tiedoista, kun taas aiheen asiantuntemusta (luotettua kirjallisuutta tai empiirisiä uskomuksia) käytetään lisäriippuvuuksien ja riippuvuuksien postuloimiseen satunnaismuuttujien ja interventiomuuttujien välillä sekä väittäen, että rakenne on kausaalinen.
Käyttäminen EI KYYNELEITÄ, jatkuva optimointialgoritmi rakenteen oppimiseen, muuttujien välisiä ehdollisia riippuvuuksia kuvaava kaaviorakenne opitaan tiedoista, ja reunoille, pääsolmuille ja lapsisolmuille on asetettu rajoituksia, jotka eivät ole sallittuja kausaalimallissa. Tämä säilyttää muuttujien väliset ajalliset riippuvuudet. Katso seuraava koodi:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
Seuraava vaihe koodaa toimialueen tietämyksen malleihin ja vangitsee fenologian dynamiikan välttäen samalla vääriä suhteita. Multikollineaarisuusanalyysi, variaatioinflaatiotekijäanalyysi ja globaalien piirteiden tärkeyden käyttö SHAP analyysit tehdään veden stressimuuttujien (laajeneminen, fenologia ja fotosynteesi kukinnan ympärillä), sään ja maaperän muuttujien, spektriindeksien ja typpipohjaisten indikaattoreiden näkemyksiä ja rajoituksia varten:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
CausalNexin Bayes-verkot tukevat vain erillisiä jakeluja. Kaikki jatkuvat ominaisuudet tai ominaisuudet, joissa on suuri määrä luokkia, eristetään ennen Bayesin verkkoon asentamista:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
Kun rakenne on tarkasteltu, kunkin muuttujan ehdollinen todennäköisyysjakauma sen vanhempien mukaan voidaan oppia tiedoista vaiheessa ns. todennäköisyysarvio:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Lopuksi rakennetta ja todennäköisyyksiä käytetään havainnointipäätelmien tekemiseen lennossa noudattaen determinististä Junction Tree -algoritmi (JTA) ja interventioita käyttämällä do-calculus. SageMaker asynkroninen päättely mahdollistaa saapuvien pyyntöjen asettamisen jonoon ja käsittelee ne asynkronisesti. Tämä vaihtoehto on ihanteellinen sekä havainnointi- että kontrafaktuaalisiin päättelyskenaarioihin, joissa prosessia ei voida rinnastaa, jolloin kuluu huomattavasti aikaa todennäköisyyksien päivittämiseen koko verkossa, vaikka useita kyselyjä voidaan suorittaa rinnakkain. Katso seuraava koodi:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Katso lisätietoja osoitteesta päättelyskripti.
Kausaalinen malli muistikirja on vaiheittainen opas edellisten vaiheiden suorittamiseen.
Paikkatietojen käsittely
Maan havainnointityöt (EOJ:t) on ketjutettu yhteen satelliittikuvien hankkimiseksi ja muuntamiseksi, kun taas tarkoitukseen rakennettuja toimintoja ja valmiiksi koulutettuja malleja käytetään pilven poistamiseen, mosaiikkiin, kaistan matemaattisiin operaatioihin ja uudelleennäytteenottoon. Tässä osiossa käsittelemme yksityiskohtaisemmin geospatiaalisen käsittelyn vaiheita.
Kiinnostava alue
Seuraavassa kuvassa vihreät polygonit ovat valitut maakunnat, oranssi ruudukko on tietokantakartta (10 x 10 km solujen ruudukko, jossa kokeita suoritetaan alueella) ja harmaasävyruutujen ruudukko on 100 km x 100 km. Sentinel-2 UTM laatoitusritilä.
Spatiaalisia tiedostoja käytetään kartoittamaan simuloitu tietokanta vastaavilla satelliittikuvilla, päällekkäin 10 km x 10 km solujen polygoneilla, jotka jakavat Illinoisin osavaltion (jossa kokeita suoritetaan alueella), kreivikuntien polygoneja ja 100 km x 100 km Sentinel- 2 UTM-laattaa. Paikkatietojen käsittelyprosessin optimoimiseksi muutama lähellä oleva Sentinel-2-laatta valitaan ensin. Seuraavaksi laattojen ja solujen aggregoidut geometriat asetetaan päällekkäin kiinnostavan alueen (RoI) saamiseksi. Maakunnat ja solutunnukset, jotka on täysin havaittu RoI:ssa, valitaan muodostamaan monikulmiogeometria, joka välitetään EOJ:ille.
Aikahaarukka
Tässä harjoituksessa maissin fenologinen sykli on jaettu kolmeen vaiheeseen: vegetatiiviset vaiheet v5 - R1 (syntyminen, lehtien kaulukset ja tupsuminen), lisääntymisvaiheet R1 - R4 (silkkiminen, rakkula, maito ja taikina) ja lisääntymisvaiheet. R5 (lommottu) ja R6 (fysiologinen kypsyys). Peräkkäisiä satelliittikäyntejä hankitaan jokaiselle fenologiavaiheelle 2 viikon aikavälillä ja ennalta määritetylle kiinnostuksen kohteelle (valitut maakunnat), mikä mahdollistaa satelliittikuvien tila- ja ajallisen analyysin. Seuraava kuva havainnollistaa näitä mittareita.
Pilvien poisto
Pilvien poisto Sentinel-2-datalle käyttää ML-pohjaista semanttista segmentointimallia tunnistamaan kuvan pilvet, joissa pilviset pikselit korvataan arvolla -9999 (nodata-arvo):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Kun EOJ on luotu, ARN palautetaan ja sitä käytetään seuraavan geomosaiikkioperaation suorittamiseen.
Saadaksesi työn tilan, voit juosta sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaiikki
Gemosaiikki-EOJ:tä käytetään useiden satelliittivierailujen kuvien yhdistämiseen suureksi mosaiikiksi ylikirjoittamalla solmutiedot tai läpinäkyvät pikselit (mukaan lukien pilviset pikselit) pikseleillä muista aikaleimoista:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Kun EOJ on luotu, ARN palautetaan ja sitä käytetään seuraavan uudelleennäytteenottotoiminnon suorittamiseen.
Rs
Uudelleennäytteenottoa käytetään geospatiaalisen kuvan resoluution pienentämiseen, jotta se vastaa rajausmaskien resoluutiota (10–30 m:n resoluution uudelleenskaalaus):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Kun EOJ on luotu, ARN palautetaan ja sitä käytetään seuraavan kaistan matemaattisen toiminnon suorittamiseen.
Bändin matematiikka
Kaistan matemaattisia operaatioita käytetään havaintojen muuntamiseen useilta spektrikaistoilta yhdeksi kaistaksi. Se sisältää seuraavat spektriindeksit:
- EVI2 – Kaksikaistainen tehostettu kasvillisuusindeksi
- DGVI – Yleistynyt kasvillisuuden eroindeksi
- NDMI – Normalized Difference Moisture Index
- NDVI – Normalized Difference Vegetation Index
- NDWI – Normalisoitu vesiindeksiero
Katso seuraava koodi:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Aluetilastot
Spektriindeksejä rikastetaan edelleen käyttämällä Amazon SageMaker -käsittely, jossa GDAL-pohjaista mukautettua logiikkaa käytetään seuraaviin toimiin:
- Yhdistä spektriindeksit yhdeksi monikanavaiseksi mosaiikiksi
- Projisoi mosaiikki uudelleen sadon maskin projektio
- Käytä rajausmaskia ja projisoi mosaiikki uudelleen solupolygonien CRC:hen
- Laske vyöhyketilastot valituille polygoneille (10 km x 10 km soluja)
Rinnakkaistietojen jakelussa manifestitiedostot (jokaiselle sadon fenologiselle vaiheelle) jaetaan useisiin esiintymiin käyttämällä ShardedByS3Key
S3 tiedon jakelutyyppi. Katso lisätietoja osoitteesta ominaisuuden purkuohjelma.
Geopatiaalinen käsittely muistikirja on vaiheittainen opas edellisten vaiheiden suorittamiseen.
Seuraavassa kuvassa näkyvät peräkkäisten satelliittikäyntien RGB-kanavat, jotka edustavat maissin fenologian syklin vegetatiivisia ja lisääntymisvaiheita (oikealla) ja ilman (vasemmalla) viljelymaskeja (CW 20, 26 ja 33, 2018 Central Illinois).
Seuraavassa kuvassa spektriindeksit (NDVI, EVI2, NDMI) peräkkäisistä satelliittivierailuista edustavat maissin fenologian syklin vegetatiivisia ja lisääntymisvaiheita (CW 20, 26 ja 33, 2018 Central Illinois).
Puhdistaa
Jos et enää halua käyttää tätä ratkaisua, voit poistaa sen luomat resurssit. Kun ratkaisu on otettu käyttöön Studiossa, valitse Poista kaikki resurssit poistaa automaattisesti kaikki vakioresurssit, jotka luotiin ratkaisua käynnistettäessä, mukaan lukien S3-säilö.
Yhteenveto
Tämä ratkaisu tarjoaa suunnitelman käyttötapauksiin, joissa kausaaliset päättelyt Bayesin verkkojen kanssa ovat suositeltavin menetelmä kausaalisiin kysymyksiin vastaamiseen datan ja ihmisen syötteiden yhdistelmästä. Työnkulkuun sisältyy johtopäätösmoottorin tehokas toteutus, joka asettaa saapuvat kyselyt ja interventiot jonoon ja käsittelee ne asynkronisesti. Modulaarinen näkökulma mahdollistaa eri komponenttien uudelleenkäytön, mukaan lukien geospatiaalinen käsittely tarkoitukseen rakennetuilla toiminnoilla ja esikoulutetuilla malleilla, satelliittikuvien rikastaminen räätälöidyillä GDAL-toiminnoilla ja multimodaalinen ominaisuussuunnittelu (spektriindeksit ja taulukkotiedot).
Lisäksi voit käyttää tätä ratkaisua mallina ruudukkomallien rakentamiseen, joissa tehdään typpilannoitteiden hallintaa ja ympäristöpolitiikan analyysiä.
Lisätietoja on Ratkaisumallit ja seuraa ohjaavat lanseeraamaan Crop Yield Counterfactuals -ratkaisun Yhdysvaltain läntisessä (Oregon) alueella. Koodi on saatavilla osoitteessa GitHub repo.
Lainaukset
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Simuloitu tietojoukko maissin vasteesta typelle tuhansien peltojen ja useiden vuosien ajalta Illinoisissa,
Tiedot lyhyesti, nide 40, 2022, 107753, ISSN 2352-3409
Hyödyllisiä resursseja
Tietoja Tekijät
Paul Barna on vanhempi datatieteilijä AWS:n koneoppimisprototyyppilaboratorioissa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :On
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Meistä
- saavutukset
- Tili
- hankkia
- hankittu
- poikki
- aktiivinen
- lisä-
- Lisäksi
- lisä-
- osoitteet
- kannattaa
- Jälkeen
- AGI
- tavoitteet
- algoritmi
- Kaikki
- mahdollistaa
- Vaikka
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- keskuudessa
- määrä
- analyysi
- ja
- vastauksia
- kaikkialla
- Hakemus
- arkkitehtuuri
- OVAT
- ALUE
- noin
- AS
- ulkomuoto
- väittäen
- Yhdistys
- At
- automaattisesti
- saatavissa
- välttämällä
- AWS
- Bändi
- perustua
- Bayes
- BE
- ennen
- välillä
- sininen
- kirja
- Tauko
- laaja
- rakentaa
- Rakentaminen
- by
- nimeltään
- CAN
- kyvyt
- kaapata
- kaappaa
- tapauksissa
- luokat
- Aiheuttaa
- Solut
- keskeinen
- kahlittu
- muuttaa
- Muutokset
- kanavat
- lapsi
- Valita
- väittäen
- vaatimukset
- pilvi
- koodi
- kaulukset
- yhdistelmä
- Yhteinen
- osat
- keskittyminen
- olosuhteet
- tehty
- kytkeä
- peräkkäinen
- rajoitteet
- jatkuva
- ohjaus
- hallinnassa
- vastaava
- voisi
- luoda
- luotu
- sato
- Tällä hetkellä
- käyrä
- asiakassuhde
- Erikoisvalmisteinen
- sykli
- tiedot
- tietojenkäsittely
- tietojen tutkija
- data-driven
- tietokanta
- päivä
- syvä
- syvä oppiminen
- osoittaa
- käyttöön
- johdettu
- yksityiskohta
- yksityiskohdat
- ero
- suoraan
- pohtia
- jaettu
- jakelu
- Jakaumat
- jaettu
- verkkotunnuksen
- rajusti
- piirtää
- dynamiikka
- kukin
- vaikutus
- syntyminen
- mahdollistaa
- mahdollistaa
- päittäin
- Moottori
- Tekniikka
- tehostettu
- rikastettu
- ympäristön
- Ympäristöpolitiikka
- olennaisesti
- Käyttää
- laajeneminen
- asiantuntija
- asiantuntemus
- Selittää
- tutkia
- ilmauksia
- laajentaminen
- uute
- tekijät
- maanviljely
- Ominaisuus
- Ominaisuudet
- harvat
- Fields
- Kuva
- seurata
- jälkeen
- varten
- muoto
- Puitteet
- alkaen
- täysin
- edelleen
- tuottaa
- maantieteelliset alueet
- saada
- GitHub
- tietty
- Global
- kaavio
- Harmaasävy
- Vihreä
- ruudukko
- Kasvu
- ohjaavat
- kahva
- tapahtua
- Olla
- kätketty
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- ihmisen
- ihanteellinen
- tunnistaa
- tunnistaminen
- Illinois
- kuva
- kuvien
- Vaikutus
- täytäntöönpano
- epäsuora
- tuoda
- merkitys
- määrätty
- vaikuttava
- in
- sisältää
- Mukaan lukien
- Saapuva
- sisältävät
- lisää
- indikaattorit
- Indeksit
- tiedot
- Infrastruktuuri
- ensimmäinen
- ensin
- oivalluksia
- esimerkki
- ohjeet
- Älykkyys
- vuorovaikutukset
- korko
- interventio
- käyttöön
- IT
- SEN
- Job
- Tietää
- tuntemus
- Labs
- suuri
- käynnistää
- käynnistäminen
- johtaa
- OPPIA
- oppinut
- oppiminen
- rajoitus
- rajallinen
- kirjallisuus
- kauemmin
- kone
- koneoppiminen
- Koneet
- tehty
- Tekeminen
- johto
- kartta
- räystäspääsky
- naamio
- Maskit
- ottelu
- matematiikka
- asia
- kypsyys
- mennä
- Metodologia
- Metrics
- ehkä
- Maito
- ML
- malli
- mallit
- modulaarinen
- lisää
- moninkertainen
- nimi
- Nasa
- Lähellä
- välttämättä
- Tarve
- verkko
- verkot
- seuraava
- Nicolas
- solmu
- Solmujen jakelu
- solmut
- numero
- saada
- of
- on
- toiminta
- Operations
- optimointi
- Optimoida
- Vaihtoehto
- Oranssi
- tilata
- Oregon
- Muut
- Parallel
- parametrit
- vanhemmat
- erityinen
- Hyväksytty
- Suorittaa
- Fotosynteesi
- putki
- Platon
- Platonin tietotieto
- PlatonData
- pistoke
- politiikka
- Monikulmio
- mahdollinen
- Kirje
- Suositut
- periaatteet
- Aikaisempi
- Ongelma
- prosessi
- Käsitelty
- Prosessit
- käsittely
- ominaisuudet
- omaisuus
- ehdotettu
- ehdottaa
- prototyyppien
- toimittaa
- tarjoaa
- puhtaasti
- kysymykset
- satunnainen
- satunnaistettu
- alue
- Hinnat
- valmis
- kohtuullinen
- punainen
- vähentää
- vähentämällä
- alue
- yhteys
- Ihmissuhteet
- poistaminen
- korvataan
- edustaa
- edustavat
- pyynnöt
- tarvitaan
- päätöslauselma
- Esittelymateriaalit
- vastaus
- vastuullinen
- tarkistetaan
- RGB
- ROI
- ajaa
- juoksu
- sagemaker
- satelliitti
- skenaariot
- Tiedemies
- Osa
- jakautuminen
- valittu
- vanhempi
- tunne
- Sarjat
- setti
- useat
- Näytä
- samalla lailla
- single
- ratkaisu
- Ratkaisumme
- jonkin verran
- tila-
- spektri-
- neliöitä
- Vaihe
- vaiheissa
- standardi
- Osavaltio
- Valtiot
- tilasto
- Tila
- Vaihe
- Askeleet
- stressi
- rakenne
- opinnot
- studio
- tutkimus
- aihe
- myöhempi
- tuki
- järjestelmät
- ottaen
- Taro
- Opetus
- sapluuna
- Testaus
- että
- -
- Kaavio
- Valtion
- maailma
- heidän
- Niitä
- siten
- Nämä
- asiat
- tuhansia
- kolmella
- Kautta
- kauttaaltaan
- aika
- että
- yhdessä
- Juna
- Muuttaa
- muuttamassa
- läpinäkyvä
- kohdella
- oikeudenkäynti
- tutkimuksissa
- luotettu
- UCLA
- paljastaa
- varten
- ymmärtäminen
- yksikkö
- Yhtenäinen
- Yhdysvallat
- Päivitykset
- päivittäminen
- us
- käyttää
- validoitu
- arvo
- eri
- Vierailut
- tilavuus
- vesi
- tavalla
- Sää
- viikkoa
- HYVIN
- Länsi
- Mitä
- joka
- vaikka
- tulee
- with
- sisällä
- ilman
- maailman-
- kirjoittaminen
- X
- vuotta
- tuotto
- saannot
- Voit
- Sinun
- zephyrnet