Tämä viesti on kirjoitettu yhteistyössä Brad Duncanin, Rachel Johnsonin ja Richard Alcockin kanssa MathWorksista.
MATLAB on suosittu ohjelmointityökalu monenlaisiin sovelluksiin, kuten tietojenkäsittelyyn, rinnakkaislaskentaan, automaatioon, simulointiin, koneoppimiseen ja tekoälyyn. Sitä käytetään voimakkaasti monilla teollisuudenaloilla, kuten autoteollisuudessa, ilmailuteollisuudessa, viestinnässä ja valmistuksessa. Viime vuosina MathWorks on tuonut monia tuotetarjouksia pilveen, erityisesti pilvessä Amazon Web Services (AWS). Lisätietoja MathWorks-pilvituotteista on kohdassa MATLAB ja Simulink in the Cloud or sähköposti Mathworks.
Tässä viestissä tuomme MATLABin koneoppimismahdollisuudet mukaan Amazon Sage Maker, jolla on useita merkittäviä etuja:
- Laske resurssit: SageMakerin tarjoaman korkean suorituskyvyn laskentaympäristön käyttäminen voi nopeuttaa koneoppimiskoulutusta.
- Yhteistyö: MATLAB ja SageMaker yhdessä tarjoavat vankan alustan, jonka avulla t tiimit voivat tehdä tehokasta yhteistyötä koneoppimismallien rakentamisessa, testaamisessa ja käyttöönotossa.
- Käyttöönotto ja saavutettavuus: Mallit voidaan ottaa käyttöön SageMakerin reaaliaikaisina päätepisteinä, jolloin ne ovat helposti muiden sovellusten käytettävissä suoratoistodatan käsittelyä varten.
Näytämme sinulle, kuinka voit kouluttaa MATLAB-koneoppimismallin SageMaker-koulutustyöksi ja ottaa mallin käyttöön reaaliaikaisena SageMaker-päätepisteenä, jotta se voi käsitellä suoraa suoratoistodataa.
Käytämme tätä varten ennakoivaa huoltoesimerkkiä, jossa luokittelemme viat toimivassa pumpussa, joka suoratoistaa reaaliaikaisia anturitietoja. Meillä on pääsy suureen arkistoon merkittyjä tietoja, jotka on luotu a Simulink simulaatio, jossa on kolme mahdollista vikatyyppiä erilaisissa mahdollisissa yhdistelmissä (esimerkiksi yksi terve ja seitsemän viallista tilaa). Koska meillä on järjestelmämalli ja viat ovat harvinaisia, voimme hyödyntää simuloitua dataa algoritmimme kouluttamiseen. Malli voidaan virittää vastaamaan todellisen pumpumme toimintatietoja käyttämällä MATLAB- ja Simulink-parametrien estimointitekniikoita.
Tavoitteenamme on osoittaa MATLABin ja Amazon SageMakerin yhdistetty teho käyttämällä tätä vikaluokitusesimerkkiä.
Aloitamme kouluttamalla luokitinmallin työpöydällämme MATLABin avulla. Ensin poimimme ominaisuuksia koko tietojoukon osajoukosta käyttämällä Diagnostiikkatoimintojen suunnittelija sovellus ja suorita sitten mallikoulutus paikallisesti MATLAB-päätöspuumallilla. Kun olemme tyytyväisiä parametriasetuksiin, voimme luoda MATLAB-funktion ja lähettää työn yhdessä tietojoukon kanssa SageMakerille. Tämän ansiosta voimme skaalata koulutusprosessia paljon suurempiin tietokokonaisuuksiin. Mallin harjoittamisen jälkeen otamme sen käyttöön live-päätepisteenä, joka voidaan integroida loppupään sovellukseen tai kojelautaan, kuten MATLAB Web App -sovellukseen.
Tämä esimerkki tekee yhteenvedon jokaisesta vaiheesta ja tarjoaa käytännön käsityksen siitä, kuinka MATLABia ja Amazon SageMakeria voidaan hyödyntää koneoppimistehtävissä. Esimerkin täydellinen koodi ja kuvaus ovat saatavilla tästä säilytyspaikka.
Edellytykset
- MATLAB 2023a tai uudempi työympäristö MATLAB Compilerilla ja Statistics and Machine Learning Toolboxilla Linuxissa. Tässä on pikaopas kuinka käyttää MATLABia AWS:ssä.
- Docker perustettiin vuonna Amazon Elastic Compute Cloud (Amazon EC2) esimerkki, jossa MATLAB on käynnissä. Jompikumpi Ubuntu or Linux.
- Asennus AWS-komentoriviliittymä (AWS CLI), AWS-määrityksetja Python3.
- AWS CLI, pitäisi olla jo asennettuna, jos noudatit asennusopasta osoitteesta vaiheeseen 1.
- Määritä AWS Configure olla vuorovaikutuksessa AWS-resurssien kanssa.
- Tarkista python3-asennus suorittamalla
python -V
orpython --version
komento terminaalissasi. Asenna Python tarvittaessa.
- Kopioi tämä repo Linux-koneesi kansioon suorittamalla:
- Tarkista repo-kansion käyttöoikeudet. Jos sillä ei ole kirjoitusoikeutta, suorita seuraava komentotulkkikomento:
- Rakenna MATLAB-harjoitussäiliö ja työnnä se paikalleen Amazon Elastic Container Registry (Amazon ECR).
- Siirry kansioon
docker
- Luo Amazon ECR -repo käyttämällä AWS CLI:tä (korvaa REGION haluamallasi AWS-alueella)
- Suorita seuraava Docker-komento:
- Siirry kansioon
- Avaa MATLAB ja avaa live-skripti nimeltä
PumpFaultClassificationMATLABSageMaker.mlx
kansiossaexamples/PumpFaultClassification
. Tee tästä kansiosta nykyinen työkansiosi MATLABissa.
Osa 1: Tietojen valmistelu ja ominaisuuksien poimiminen
Ensimmäinen askel missä tahansa koneoppimisprojektissa on tietojen valmistelu. MATLAB tarjoaa laajan valikoiman työkaluja ominaisuuksien tuomiseen, puhdistamiseen ja poimimiseen tiedoistasi.:
- SensorData.mat
tietojoukko sisältää 240 tietuetta. Jokaisella tietueella on kaksi aikataulua: flow
ja pressure
. Kohdesarake on faultcode
, joka on binääriesitys kolmesta mahdollisesta pumpun vikayhdistelmästä. Näissä aikasarjataulukoissa jokaisessa taulukossa on 1,201 1.2 riviä, jotka jäljittelevät 0.001 sekunnin pumpun virtauksen ja paineen mittausta XNUMX sekunnin välein.
Seuraavaksi Diagnostic Feature Designer -sovelluksen avulla voit poimia, visualisoida ja luokitella erilaisia ominaisuuksia tiedoista. Tässä sinä käytät Automaattiset ominaisuudet, joka poimii nopeasti laajan joukon aika- ja taajuusalueen ominaisuuksia tietojoukosta ja listaa mallikoulutuksen parhaat ehdokkaat. Tämän jälkeen voit viedä MATLAB-funktion, joka laskee uudelleen 15 parasta arvostettua ominaisuutta uusista syöttötiedoista. Kutsutaan tätä funktiota extractFeaturesTraining
. Tämä toiminto voidaan määrittää vastaanottamaan kaikki tiedot yhdessä erässä tai suoratoistodatana.
Tämä toiminto tuottaa taulukon ominaisuuksista ja niihin liittyvistä vikakoodeista, kuten seuraavassa kuvassa:
Osa 2: Järjestä tiedot SageMakeria varten
Seuraavaksi sinun on järjestettävä tiedot tavalla, jota SageMaker voi käyttää koneoppimiskoulutukseen. Tyypillisesti tämä sisältää datan jakamisen opetus- ja validointijoukkoon ja ennustajadatan jakamisen kohdevasteesta.
Tässä vaiheessa voidaan tarvita muita monimutkaisempia tietojen puhdistus- ja suodatustoimenpiteitä. Tässä esimerkissä tiedot ovat jo puhtaita. Mahdollisesti, jos tietojenkäsittely on erittäin monimutkaista ja aikaa vievää, SageMaker-käsittelytöitä voidaan käyttää näiden töiden suorittamiseen SageMaker-koulutuksen lisäksi, jotta ne voidaan jakaa kahteen vaiheeseen.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
Osa 3: Kouluta ja testaa koneoppimismallia MATLABissa
Ennen kuin siirryt SageMakeriin, on hyvä idea rakentaa ja testata koneoppimismalli paikallisesti MATLABissa. Tämä mahdollistaa mallin nopean iteroinnin ja virheenkorjauksen. Voit määrittää ja kouluttaa yksinkertaisen päätöspuuluokituksen paikallisesti.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
Tässä harjoitustyön pitäisi kestää alle minuutti, ja se luo kaavioita harjoituksen edistymisestä. Koulutuksen päätyttyä tuotetaan MATLAB-koneoppimismalli. The Luokittelu Oppija sovelluksen avulla voidaan kokeilla monenlaisia luokitusmalleja ja virittää niitä parhaan suorituskyvyn saavuttamiseksi ja tuottaa sitten tarvittava koodi edellä olevan mallin koulutuskoodin korvaamiseksi.
Kun olemme tarkistaneet paikallisesti koulutetun mallin tarkkuusmittarit, voimme siirtää koulutuksen Amazon SageMakeriin.
Osa 4: Kouluta malli Amazon SageMakerissa
Kun olet tyytyväinen malliin, voit harjoitella sitä mittakaavassa SageMakerin avulla. Aloittaaksesi SageMaker SDK:iden kutsumisen, sinun on aloitettava SageMaker-istunto.
session = sagemaker.Session();
Määritä SageMaker-suoritus IAM-rooli joita koulutustyöt ja päätepisteiden isännöinti käyttävät.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
Tallenna harjoitustiedot MATLABista .csv-tiedostona Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ämpäri.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Luo SageMaker Estimator
Seuraavaksi sinun on luotava SageMaker-estimaattori ja välitettävä sille kaikki tarvittavat parametrit, kuten harjoitustelakkakuva, koulutusfunktio, ympäristömuuttujat, koulutusinstanssin koko ja niin edelleen. Harjoituskuvan URI:n tulee olla Amazon ECR URI, jonka loit muodon edellytysvaiheessa ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. Koulutustoiminto tulisi tarjota MATLAB-live-skriptin alareunassa.
Lähetä SageMaker-koulutustyö
Sovitusmenetelmän kutsuminen estimaattorista lähettää harjoitustyön SageMakeriin.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
Voit myös tarkistaa koulutustyön tilan SageMaker-konsolista:
Kun koulutustyöt ovat päättyneet, työn linkin valitseminen vie työnkuvaussivulle, jossa näet omistettuun S3-ämpäriin tallennetun MATLAB-mallin:
Osa 5: Ota malli käyttöön reaaliaikaisena SageMaker-päätepisteenä
Harjoittelun jälkeen voit ottaa mallin käyttöön reaaliaikaisena SageMaker-päätepisteenä, jonka avulla voit tehdä ennusteita reaaliajassa. Voit tehdä tämän kutsumalla käyttöönottomenetelmän estimaattorista. Täällä voit määrittää haluamasi ilmentymän koon isännöinnille työmäärän mukaan.
Kulissien takana tämä vaihe rakentaa päättelytelakointikuvan ja työntää sen Amazon ECR -tietovarastoon, eikä käyttäjältä vaadita mitään johtopäätössäilön rakentamiseen. Kuva sisältää kaikki tarvittavat tiedot johtopäätöspyynnön palvelemiseksi, kuten mallin sijainti, MATLAB-todennustiedot ja algoritmit. Tämän jälkeen Amazon SageMaker luo SageMaker-päätepistemäärityksen ja ottaa lopulta käyttöön reaaliaikaisen päätepisteen. Päätepistettä voidaan valvoa SageMaker-konsolissa ja se voidaan lopettaa milloin tahansa, jos sitä ei enää käytetä.
Osa 6: Testaa päätepiste
Nyt kun päätepiste on valmis ja käynnissä, voit testata päätepistettä antamalla sille muutaman tietueen ennakoitavaksi. Valitse seuraavalla koodilla 10 tietuetta harjoitustiedoista ja lähetä ne päätepisteeseen ennustamista varten. Ennustetulos lähetetään takaisin päätepisteestä ja näkyy seuraavassa kuvassa.
Osa 7: Kojelaudan integrointi
Monet alkuperäiset AWS-palvelut voivat kutsua SageMaker-päätepistettä. Sitä voidaan käyttää myös vakiona REST API:na, jos se otetaan käyttöön yhdessä AWS Lambda toiminto ja API-yhdyskäytävä, jotka voidaan integroida kaikkiin verkkosovelluksiin. Tässä erityisessä käyttötapauksessa voit käyttää suoratoistoa Amazon SageMaker Feature Storen ja Amazon Managed Streaming for Apache Kafka, MSK:n kanssa, jotta voit tehdä koneoppimiseen perustuvia päätöksiä lähes reaaliajassa. Toinen mahdollinen integrointi on yhdistelmän käyttäminen Amazon kinesis, SageMaker ja Apache Flink rakentaakseen hallitun, luotettavan, skaalautuvan ja erittäin saatavilla olevan sovelluksen, joka pystyy tekemään reaaliaikaisia päätelmiä tietovirrasta.
Kun algoritmit on otettu käyttöön SageMaker-päätepisteessä, saatat haluta visualisoida ne käyttämällä kojelautaa, joka näyttää suoratoistoennusteet reaaliajassa. Seuraavassa mukautetussa MATLAB-verkkosovelluksessa voit nähdä pumpun paine- ja virtaustiedot sekä reaaliaikaiset vikaennusteet käyttöönotetusta mallista.
Tämä kojelauta sisältää jäljellä olevan käyttöiän (RUL) mallin, joka ennustaa kunkin pumpun vikaantumisajan. Katso lisätietoja RUL-algoritmien kouluttamisesta Ennakoivan ylläpidon työkalupakki.
Puhdistaa
Kun olet suorittanut tämän ratkaisun, varmista, että puhdistat tarpeettomat AWS-resurssit odottamattomien kustannusten välttämiseksi. Voit puhdistaa nämä resurssit käyttämällä SageMaker Python SDK tai AWS-hallintakonsoli tiettyjä tässä käytettyjä palveluita varten (SageMaker, Amazon ECR ja Amazon S3). Poistamalla nämä resurssit estät lisäveloitukset resursseista, joita et enää käytä.
Yhteenveto
Olemme osoittaneet, kuinka voit tuoda MATLABin SageMakeriin pumpun ennakoivaa huoltoa varten koko koneoppimisen elinkaaren ajan. SageMaker tarjoaa täysin hallitun ympäristön koneoppimistyökuormien suorittamiseen ja mallien käyttöönottoon sekä laajan valikoiman laskentaesiintymiä erilaisiin tarpeisiin.
Vastuun kieltäminen: Tässä viestissä käytetyn koodin omistaa ja ylläpitää MathWorks. Katso GitHub-repon lisenssiehdot. Jos sinulla on ongelmia koodiin tai ominaisuuspyyntöihin, avaa GitHub-ongelma arkistossa
Viitteet
Tietoja Tekijät
Brad Duncan on MathWorksin tilasto- ja koneoppimistyökalupalkin koneoppimisominaisuuksien tuotepäällikkö. Hän työskentelee asiakkaiden kanssa soveltaakseen tekoälyä uusilla suunnittelualueilla, kuten virtuaalisten antureiden sisällyttämisessä suunniteltuihin järjestelmiin, selittävien koneoppimismallien rakentamiseen ja tekoälyn työnkulkujen standardointiin MATLABin ja Simulinkin avulla. Ennen MathWorksiin tuloaan hän johti tiimejä 3D-simulaatiossa ja ajoneuvojen aerodynamiikan optimoinnissa, käyttäjäkokemuksessa 3D-simulaatiossa ja tuotehallinnassa simulointiohjelmistoissa. Brad on myös vieraileva luennoitsija Tuftsin yliopistossa ajoneuvojen aerodynamiikan alalla.
Richard Alcock on MathWorksin Cloud Platform -integraatioiden vanhempi kehityspäällikkö. Tässä roolissa hän on avainasemassa MathWorks-tuotteiden saumaisessa integroinnissa pilvi- ja konttialustoille. Hän luo ratkaisuja, joiden avulla insinöörit ja tutkijat voivat hyödyntää MATLABin ja Simulinkin täyden potentiaalin pilvipohjaisissa ympäristöissä. Hän työskenteli aiemmin ohjelmistosuunnittelijana MathWorksissä ja kehitti ratkaisuja rinnakkaisten ja hajautettujen laskennan työnkulkujen tukemiseen.
Rachel Johnson on MathWorksin ennakoivan ylläpidon tuotepäällikkö ja vastaa yleisestä tuotestrategiasta ja markkinoinnista. Hän oli aiemmin sovellusinsinööri, joka tuki suoraan ilmailuteollisuutta ennakoivissa kunnossapitoprojekteissa. Ennen MathWorksia Rachel oli Yhdysvaltain laivaston aerodynamiikka- ja propulsiosimulaatioinsinööri. Hän vietti myös useita vuosia opettaen matematiikkaa, fysiikkaa ja tekniikkaa.
Shun Mao on vanhempi AI/ML Partner Solutions -arkkitehti Amazon Web Services Emerging Technologies -tiimissä. Hän on intohimoinen työskentely yritysasiakkaiden ja kumppaneiden kanssa suunnitella, ottaa käyttöön ja skaalata tekoäly-/ML-sovelluksia niiden liiketoiminta-arvojen johtamiseksi. Työn ulkopuolella hän nauttii kalastuksesta, matkustamisesta ja pingistä.
Ramesh Jatiya on ratkaisuarkkitehti Independent Software Vendor (ISV) -tiimissä Amazon Web Services -palvelussa. Hän on intohimoinen työskennellä ISV-asiakkaiden kanssa suunnitella, ottaa käyttöön ja skaalata heidän sovelluksiaan pilvessä saadakseen heidän liiketoiminta-arvonsa. Hän suorittaa myös koneoppimisen ja liiketoimintaanalytiikan MBA-tutkintoa Babson Collegesta Bostonista. Työn ulkopuolella hän harrastaa juoksemista, tenniksen pelaamista ja ruoanlaittoa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- Meistä
- edellä
- pääsy
- saatavilla
- majoittaa
- Tili
- tarkkuus
- Etu
- Aerospace
- Jälkeen
- AI
- AI / ML
- algoritmi
- algoritmit
- Kaikki
- mahdollistaa
- pitkin
- jo
- Myös
- Amazon
- Amazon EC2
- Amazon Sage Maker
- Amazon Web Services
- an
- Analytics
- ja
- Toinen
- Kaikki
- Apache
- erilleen
- api
- sovelluksen
- sovellus sallii
- Hakemus
- sovellukset
- käyttää
- OVAT
- ALUE
- alueet
- keinotekoinen
- tekoäly
- AS
- liittyvä
- At
- Authentication
- auto
- Automaatio
- Automotive
- saatavissa
- välttää
- AWS
- AWS-hallintakonsoli
- Babson
- takaisin
- BE
- koska
- ennen
- alkaa
- Hyödyt
- PARAS
- boston
- pohja
- brad
- tuoda
- laaja
- toi
- rakentaa
- Rakentaminen
- rakentaa
- liiketoiminta
- by
- soittaa
- nimeltään
- soittamalla
- CAN
- ehdokkaat
- kyvyt
- kykenee
- tapaus
- maksut
- tarkastaa
- tarkkailun
- luokittelu
- luokitella
- puhdas
- Siivous
- pilvi
- Pilvialusta
- koodi
- koodit
- tehdä yhteistyötä
- yhteistyö
- College
- Sarake
- KOM
- yhdistelmä
- yhdistelmät
- yhdistetty
- tuleva
- Viestintä
- monimutkainen
- Laskea
- tietojenkäsittely
- Konfigurointi
- määritetty
- Console
- kuluttaa
- Kontti
- sisältää
- kustannukset
- luoda
- luotu
- luo
- Nykyinen
- asiakassuhde
- Asiakkaat
- kojelauta
- tiedot
- Tietojen valmistelu
- tietojenkäsittely
- aineistot
- päätös
- päätökset
- omistautunut
- osoittaa
- osoittivat
- Riippuen
- sijoittaa
- käyttöön
- levityspinnalta
- lauennut
- ajelehtia
- kuvaus
- Malli
- Suunnittelija
- haluttu
- pöytä-
- yksityiskohdat
- kehittämällä
- Kehitys
- diagnostinen
- suoraan
- näytöt
- jaettu
- hajautettu laskenta
- do
- Satamatyöläinen
- ei
- verkkotunnuksen
- Duncan
- kukin
- tehokkaasti
- myöskään
- syntymässä
- kehittyvät teknologiat
- mahdollistaa
- loppu
- päätepiste
- insinööri
- suunniteltu
- Tekniikka
- Engineers
- yritys
- Koko
- ympäristö
- ympäristöissä
- erityisesti
- esimerkki
- teloitus
- experience
- vienti
- uute
- otteet
- Epäonnistuminen
- viat
- viallinen
- Ominaisuus
- Ominaisuudet
- harvat
- Kuva
- filee
- suodatus
- Vihdoin
- viimeistely
- Etunimi
- Kalastus
- sovittaa
- virtaus
- seurannut
- jälkeen
- seuraa
- varten
- muoto
- Taajuus
- alkaen
- koko
- täysin
- toiminto
- edelleen
- portti
- tuottaa
- syntyy
- synnyttää
- GitHub
- Antaminen
- hyvä
- kaaviot
- suuri
- vieras
- ohjaavat
- valjaat
- Olla
- he
- terveys
- terve
- raskaasti
- tätä
- korkea suorituskyky
- erittäin
- hotellit
- Miten
- Miten
- HTML
- HTTPS
- ajatus
- if
- kuva
- tuovan
- in
- sisältää
- sisältävät
- lisäys
- itsenäinen
- osoittaa
- teollisuuden
- teollisuus
- tiedot
- aloittaa
- panos
- asentaa
- asennus
- asennetaan
- esimerkki
- instrumentaalinen
- integroitu
- Integrointi
- integraatio
- integraatiot
- Älykkyys
- olla vuorovaikutuksessa
- liitäntä
- tulee
- kysymys
- kysymykset
- isv
- IT
- Job
- Työpaikat
- Johnson
- jpg
- suuri
- suurempi
- myöhemmin
- uusin
- OPPIA
- oppiminen
- Led
- vähemmän
- Vaikutusvalta
- Lisenssi
- elämä
- elinkaari
- LINK
- linux
- elää
- paikallisesti
- sijainti
- Kirjaudu sisään
- kauemmin
- kone
- koneoppiminen
- huolto
- tehdä
- Tekeminen
- onnistui
- johto
- johtaja
- valmistus
- monet
- Marketing
- ottelu
- matematiikka
- mittaus
- menetelmä
- Metrics
- ehkä
- minuutti
- ML
- malli
- mallit
- monitori
- seurataan
- lisää
- liikkua
- liikkuvat
- paljon
- nimetty
- syntyperäinen
- Lähellä
- välttämätön
- Tarve
- tarvitaan
- tarpeet
- Uusi
- Nro
- ei mitään
- tavoite
- of
- tarjotaan
- tarjoukset
- on
- kerran
- ONE
- avata
- toiminta
- toiminta-
- Operations
- optimointi
- or
- Muut
- meidän
- ulostulo
- ulkopuolella
- yleinen
- omistuksessa
- sivulla
- Parallel
- parametri
- parametrit
- erityinen
- kumppani
- kumppani
- kulkea
- intohimoinen
- suorituskyky
- lupa
- Fysiikka
- foorumi
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- Ole hyvä
- Suosittu
- mahdollinen
- Kirje
- mahdollinen
- mahdollisesti
- teho
- Käytännön
- ennustaa
- ennustus
- Ennusteet
- Predictor
- Suositut
- valmistelu
- Valmistella
- paine
- estää
- aiemmin
- Aikaisempi
- prosessi
- käsittely
- tuottaa
- valmistettu
- tuottaa
- Tuotteet
- tuotehallinta
- tuotepäällikkö
- Tuotteemme
- Ohjelmointi
- Edistyminen
- projekti
- hankkeet
- työntövoima
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- pumppu
- Työnnä
- työntää
- Python
- kysymys
- nopeasti
- alue
- sijoitus
- sijoittui
- rivit
- HARVINAINEN
- helposti
- todellinen
- reaaliaikainen
- äskettäinen
- ennätys
- asiakirjat
- katso
- alue
- rekisterin
- luotettava
- jäljellä oleva
- korvata
- säilytyspaikka
- edustus
- pyyntö
- pyynnöt
- tarvitaan
- Esittelymateriaalit
- vastaus
- vastuullinen
- REST
- johtua
- Richard
- luja
- Rooli
- ajaa
- juoksu
- sagemaker
- vakuuttunut
- tyytyväinen
- Säästä
- tallennettu
- skaalautuva
- Asteikko
- kohtaukset
- tutkijat
- käsikirjoitus
- sdks
- saumattomasti
- sekuntia
- nähdä
- valitsemalla
- valinta
- lähettää
- vanhempi
- anturit
- lähetetty
- Sarjat
- palvella
- palvelu
- Palvelut
- palvelevat
- Istunto
- setti
- Setit
- settings
- seitsemän
- useat
- hän
- Kuori
- shouldnt
- näyttää
- esitetty
- merkittävä
- Yksinkertainen
- simulointi
- Koko
- So
- Tuotteemme
- ohjelmistotuotanto
- ratkaisu
- Ratkaisumme
- jonkin verran
- erityinen
- nopeus
- käytetty
- Vaihe
- standardi
- standardointi
- Alkaa
- Valtiot
- tilasto
- Tila
- Vaihe
- Askeleet
- Levytila
- verkkokaupasta
- Strategia
- virta
- streaming
- niin
- yhteenveto
- tuki
- Tukea
- varma
- järjestelmä
- järjestelmät
- taulukko
- TAG
- ottaa
- vie
- Kohde
- tehtävät
- Opetus
- joukkue-
- tiimit
- tekniikat
- Technologies
- terminaali
- ehdot
- testi
- Testaus
- kuin
- että
- -
- Alue
- heidän
- Niitä
- sitten
- Nämä
- ne
- tätä
- ne
- kolmella
- aika
- Aikasarja
- että
- yhdessä
- työkalu
- Toolbox
- työkalut
- ylin
- Juna
- koulutus
- Matkustaminen
- puu
- yrittää
- virittää
- viritetty
- kaksi
- tyypit
- tyypillisesti
- ymmärtäminen
- Odottamaton
- yliopisto
- us
- käyttää
- käyttölaukku
- käytetty
- käyttäjä
- Käyttäjäkokemus
- käyttämällä
- validointi
- arvot
- lajike
- eri
- ajoneuvo
- myyjä
- hyvin
- Virtual
- havainnollistaa
- haluta
- oli
- Tapa..
- we
- verkko
- web-sovellukset
- verkkopalvelut
- joka
- leveä
- Laaja valikoima
- tulee
- with
- Referenssit
- työnkulkuja
- työskentely
- toimii
- kirjoittaa
- kirjallinen
- vuotta
- Voit
- Sinun
- zephyrnet