Datalähtöisen päätöksenteon maailmassa aikasarjojen ennustaminen on avainasemassa, jotta yritykset voivat käyttää historiallisia datamalleja ennakoidakseen tulevia tuloksia. Työskenteletpä sitten omaisuusriskien hallinnan, kaupankäynnin, sääennusteiden, energiantarpeen ennustamisen, elintoimintojen valvonnan tai liikenneanalyysin parissa, kyky ennustaa tarkasti on ratkaisevan tärkeää menestymisen kannalta.
Näissä sovelluksissa aikasarjatiedoilla voi olla raskashäntäinen jakelut, joissa klaava edustavat ääriarvoja. Tarkka ennustaminen näillä alueilla on tärkeää määritettäessä, kuinka todennäköinen äärimmäinen tapahtuma on ja onko syytä tehdä hälytys. Nämä poikkeavat arvot vaikuttavat kuitenkin merkittävästi perusjakauman estimointiin, mikä tekee luotettavasta ennustamisesta haastavaa. Rahoituslaitokset luottavat vankoihin malleihin ennustaakseen poikkeavuuksia, kuten markkinoiden romahduksia. Energia-, sää- ja terveydenhuollon aloilla tarkat ennusteet harvoin mutta vaikuttavista tapahtumista, kuten luonnonkatastrofeista ja pandemioista, mahdollistavat tehokkaan suunnittelun ja resurssien allokoinnin. Häntäkäyttäytymisen laiminlyönti voi johtaa tappioihin, menettäneisiin tilaisuuksiin ja vaarantaa turvallisuutta. Tarkkuuden priorisointi pyrstissä auttaa luomaan luotettavia ja toteutettavissa olevia ennusteita. Tässä postauksessa koulutamme vankan aikasarjan ennustemallin, joka pystyy tallentamaan tällaisia äärimmäisiä tapahtumia käyttämällä Amazon Sage Maker.
Tämän mallin kouluttamiseksi tehokkaasti luomme MLOps-infrastruktuurin, joka virtaviivaistaa mallin kehitysprosessia automatisoimalla tietojen esikäsittelyä, ominaisuussuunnittelua, hyperparametrien viritystä ja mallin valintaa. Tämä automaatio vähentää inhimillisiä virheitä, parantaa toistettavuutta ja nopeuttaa mallin kehityssykliä. Koulutusputken avulla yritykset voivat tehokkaasti sisällyttää uutta tietoa ja mukauttaa mallejaan muuttuviin olosuhteisiin, mikä auttaa varmistamaan, että ennusteet pysyvät luotettavina ja ajan tasalla.
Kun aikasarjaennustemalli on koulutettu, sen käyttöönotto päätepisteessä antaa reaaliaikaiset ennustusominaisuudet. Tämä antaa sinulle mahdollisuuden tehdä tietoon perustuvia ja reagoivia päätöksiä uusimpien tietojen perusteella. Lisäksi mallin käyttöönotto päätepisteessä mahdollistaa skaalautuvuuden, koska useat käyttäjät ja sovellukset voivat käyttää ja hyödyntää mallia samanaikaisesti. Näitä vaiheita noudattamalla yritykset voivat hyödyntää vankan aikasarjaennusteen tehoa tehdäkseen tietoisia päätöksiä ja pysyäkseen edellä nopeasti muuttuvassa ympäristössä.
Katsaus ratkaisuun
Tämä ratkaisu esittelee aikasarjaennustemallin koulutusta, joka on erityisesti suunniteltu käsittelemään poikkeavuuksia ja tietojen vaihtelua käyttämällä Temporal Convolutional Network (TCN) ja SBP (Spliced Binned Pareto) -jakauma. Lisätietoja tämän ratkaisun multimodaalisesta versiosta on kohdassa NFL Next Gen Statsin uuden läpäisymittarin taustalla oleva tiede. Havainnollistaaksemme edelleen SBP-jakauman tehokkuutta vertaamme sitä samaan TCN-malliin, mutta käytämme sen sijaan Gaussin jakaumaa.
Tämä prosessi hyötyy merkittävästi MLOps-ominaisuudet SageMakerin, joka virtaviivaistaa datatieteen työnkulkua hyödyntämällä AWS:n tehokasta pilviinfrastruktuuria. Ratkaisussamme käytämme Amazon SageMaker automaattinen mallin viritys hyperparametrihakua varten, Amazon SageMaker -kokeilut kokeiden hallintaan, Amazon SageMaker -mallirekisteri hallita malliversioita ja Amazon SageMaker -putkistot ohjaamaan prosessia. Käytämme sitten malliamme SageMaker-päätepisteeseen reaaliaikaisten ennusteiden saamiseksi.
Seuraava kaavio havainnollistaa koulutusputken arkkitehtuuria.
Seuraava kaavio havainnollistaa päättelyputkia.
Löydät täydellisen koodin osoitteesta GitHub repo. Voit toteuttaa ratkaisun suorittamalla solut sisään SBP_main.ipynb
.
Avaa AWS-konsoli napsauttamalla tätä ja seuraa mukana.
SageMaker-putki
SageMaker Pipelines tarjoaa käyttäjäystävällisen Python SDK luoda integroituja koneoppimisen (ML) työnkulkuja. Nämä työnkulut, jotka esitetään suunnatuina asyklisinä kuvaajina (DAG), koostuvat vaiheista, joilla on erilaisia tyyppejä ja riippuvuuksia. SageMaker Pipelinesin avulla voit virtaviivaistaa mallien koulutus- ja arviointiprosessia päästä päähän, mikä parantaa ML-työnkulkujen tehokkuutta ja toistettavuutta.
Koulutusputki alkaa synteettisen tietojoukon luomisella, joka on jaettu koulutus-, validointi- ja testijoukkoon. Harjoitussarjaa käytetään kahden TCN-mallin kouluttamiseen, joista toinen käyttää Spliced Binned-Pareto -jakelu ja toinen käyttää Gaussin jakaumaa. Molemmat mallit käyvät läpi hyperparametrien virityksen käyttämällä validointisarjaa kunkin mallin optimoimiseksi. Myöhemmin suoritetaan arviointi testijoukkoa vastaan sen mallin määrittämiseksi, jolla on pienin keskimääräinen neliövirhe (RMSE). Malli, jolla on paras tarkkuusmittari, ladataan mallirekisteriin.
Seuraava kaavio havainnollistaa putkilinjan vaiheita.
Keskustellaan vaiheista tarkemmin.
Tietojen luominen
Liukulinjamme ensimmäinen vaihe tuottaa synteettisen tietojoukon, jolle on ominaista siniaaltomuoto ja epäsymmetrinen raskaan pyrstön kohina. Data luotiin käyttämällä useita parametreja, kuten vapausasteita, kohinan kertojaa ja skaalausparametria. Nämä elementit vaikuttavat tietojakauman muotoon, moduloivat datamme satunnaisvaihtelua ja vastaavasti säätelevät tietojakauman leviämistä.
Tämä tietojenkäsittelytyö suoritetaan käyttämällä a PyTorchProcessor, joka suorittaa PyTorch-koodin (gener_data.py) SageMakerin hallinnoimassa säilössä. Tiedot ja muut asiaankuuluvat virheenkorjauksen artefaktit sijaitsevat oletusarvoissa Amazonin yksinkertainen tallennuspalvelu (Amazon S3) -ämpäri, joka liittyy SageMaker-tiliin. Jokaisen käsittelyvaiheen lokit löytyvät osoitteesta amazonin pilvikello.
Seuraava kuva on esimerkki putkilinjan tuottamista tiedoista.
Voit korvata syötteen useilla aikasarjatiedoilla, kuten symmetrisellä, epäsymmetrisellä, kevytsuuntaisella, raskaan pyrstöllä tai multimodaalisella jakaumalla. Mallin robustisuus mahdollistaa sen soveltuvuuden monenlaisiin aikasarjaongelmiin, mikäli havaintoja on riittävästi.
Malliharjoittelu
Tietojen luomisen jälkeen koulutamme kaksi TCN:ää: yhden SBP-jakauman ja toisen Gaussin jakelun avulla. SBP-jakauman ennustuspohjana on diskreetti binned-jakauma, jossa todellinen akseli on jaettu erillisiin säiliöihin, ja malli ennustaa todennäköisyyden, että havainto osuu kuhunkin laatikkoon. Tämä menetelmä mahdollistaa epäsymmetrioiden ja useiden tilojen kaappaamisen, koska kunkin säiliön todennäköisyys on riippumaton. Esimerkki binned-jakaumasta on esitetty seuraavassa kuvassa.
Vasemmalla oleva ennustava binned-jakauma on kestävä ääritapahtumille, koska log-todennäköisyys ei riipu ennustetun keskiarvon ja havaitun pisteen välisestä etäisyydestä, vaan se eroaa parametrisistä jakaumista, kuten Gaussin tai Studentin t. Siksi punaisen pisteen edustama äärimmäinen tapahtuma ei vääristä jakauman opittua keskiarvoa. Äärimmäisen tapahtuman todennäköisyys on kuitenkin nolla. Äärimmäisten tapahtumien kaappaamiseksi muodostamme SBP-jakauman määrittelemällä alemman hännän 5. kvantiilin kohdalla ja ylemmän hännän 95. kvantiilin kohdalla, korvaamalla molemmat hännän painotetuilla yleistetyillä Pareto-jakaumilla (GPD), jotka voivat kvantifioida tapahtuman todennäköisyyden. TCN tulostaa binoidun jakelukannan ja GPD-pyrstöjen parametrit.
Hyperparametrihaku
Parhaan tuloksen saavuttamiseksi käytämme automaattinen mallin viritys löytääksesi parhaan version mallista hyperparametrien viritys. Tämä vaihe on integroitu SageMaker Pipelines -järjestelmään ja mahdollistaa useiden koulutustöiden rinnakkaisen suorittamisen käyttämällä erilaisia menetelmiä ja ennalta määritettyjä hyperparametrialueita. Tuloksena on parhaan mallin valinta määritellyn mallimetriikan, joka on RMSE, perusteella. Suunnittelemme erityisesti oppimisnopeutta ja koulutusjaksojen määrää optimoidaksemme mallimme suorituskyvyn. SageMakerin hyperparametrien viritysominaisuuden avulla lisäämme todennäköisyyttä, että mallimme saavuttaa optimaalisen tarkkuuden ja yleistyksen annetussa tehtävässä.
Tietojemme synteettisen luonteen vuoksi pidämme kontekstin pituuden ja läpimenoajan staattisina parametreina. Kontekstin pituus viittaa malliin syötettyjen historiallisten aikavaiheiden määrään, ja läpimenoaika edustaa aikaaskeleiden määrää ennustehorisontissamme. Esimerkkikoodin osalta säädämme vain oppimisnopeutta ja aikakausien määrää säästääksemme aikaa ja kustannuksia.
SBP-spesifiset parametrit pidetään vakiona tekijöiden alkuperäisen paperin laajan testauksen perusteella eri tietosarjoissa:
- Säiliöiden määrä (100) – Tämä parametri määrittää jakauman perustan mallintamiseen käytettyjen alustojen lukumäärän. Se pidetään 100:ssa, mikä on osoittautunut tehokkaimmaksi useilla toimialoilla.
- Persentiilihäntä (0.05) – Tämä tarkoittaa yleistettyjen Pareto-jakaumien kokoa häntäpäässä. Kuten edellinen parametri, tämä on testattu perusteellisesti ja todettu tehokkaimmaksi.
Kokeilut
Hyperparametriprosessi on integroitu SageMaker-kokeet, joka auttaa järjestämään, analysoimaan ja vertailemaan iteratiivisia ML-kokeiluja tarjoamalla oivalluksia ja helpottamaan parhaiten suoriutuvien mallien seurantaa. Koneoppiminen on iteratiivinen prosessi, joka sisältää lukuisia kokeita, jotka sisältävät datamuunnelmia, algoritmivalinnat ja hyperparametrien virityksen. Nämä kokeet auttavat asteittain tarkentamaan mallin tarkkuutta. Suuri määrä harjoitusajoja ja mallien iteraatioita voi kuitenkin tehdä haasteelliseksi tunnistaa parhaiten toimivia malleja ja tehdä merkityksellisiä vertailuja nykyisten ja aiempien kokeilujen välillä. SageMaker Experiments korjaa tämän seuraamalla automaattisesti hyperparametrien viritystöitämme ja antaa meille mahdollisuuden saada lisätietoja ja tietoa viritysprosessista, kuten seuraavassa kuvakaappauksessa näkyy.
Mallin arviointi
Mallit käyvät läpi koulutuksen ja hyperparametrivirityksen, ja ne arvioidaan myöhemmin arvioida.py käsikirjoitus. Tämä vaihe käyttää testisarjaa, joka eroaa hyperparametrien viritysvaiheesta, mallin todellisen tarkkuuden mittaamiseksi. RMSE:tä käytetään arvioimaan ennusteiden tarkkuutta.
Jakauman vertailua varten käytämme todennäköisyys-todennäköisyys (PP) -kaaviota, joka arvioi todellisen vs. ennustetun jakauman välisen sovituksen. Pisteiden läheisyys diagonaaliin osoittaa täydellisen istuvuuden. Vertailumme SBP:n ja Gaussin ennustettujen jakaumien välillä todellista jakaumaa vastaan osoittavat, että SBP:n ennusteet ovat lähempänä todellisia tietoja.
Kuten voimme havaita, SBP:llä on alempi RMSE tyvessä, alempi häntä ja ylempi häntä. SBP-jakauma paransi Gaussin jakauman tarkkuutta 61 % tyvestä, 56 % alapyrstöstä ja 30 % yläpyrstöstä. Kaiken kaikkiaan SBP-jakaumalla on huomattavasti parempia tuloksia.
Malli valinta
Käytämme SageMaker Pipelinesissä ehtovaihetta mallien arviointiraporttien analysointiin ja valitsemme mallin, jonka RMSE on alhaisin jakelutarkkuuden parantamiseksi. Valittu malli muunnetaan SageMaker-malliobjektiksi, joka valmistelee sen käyttöönottoa varten. Tämä edellyttää mallipaketin luomista tärkeiden parametrien kanssa ja sen pakkaamista a ModelStep.
Mallin rekisteri
Valittu malli ladataan sitten kohteeseen SageMaker-mallirekisteri, jolla on kriittinen rooli tuotantovalmiiden mallien hallinnassa. Se tallentaa malleja, järjestää malliversioita, kaappaa tärkeitä metatietoja ja esineitä, kuten säilökuvia, ja hallitsee kunkin mallin hyväksymistilaa. Rekisterin avulla voimme tehokkaasti ottaa käyttöön malleja saavutettaviin SageMaker-ympäristöihin ja luoda perustan jatkuvalle integraatiolle ja jatkuvalle käyttöönotolle (CI/CD).
Päättely
Kun koulutusprosessimme on saatu päätökseen, mallimme otetaan käyttöön käyttämällä SageMaker-isännöintipalvelut, joka mahdollistaa päätelmäpäätepisteen luomisen reaaliaikaisia ennusteita varten. Tämä päätepiste mahdollistaa saumattoman integroinnin sovellusten ja järjestelmien kanssa, mikä tarjoaa pyynnöstä pääsyn mallin ennakoiviin ominaisuuksiin suojatun HTTPS-rajapinnan kautta. Reaaliaikaisia ennusteita voidaan käyttää skenaarioissa, kuten osakekurssien ja energian kysynnän ennusteissa. Päätepisteemme tarjoaa yksivaiheisen ennusteen toimitetuille aikasarjatiedoille prosenttipisteinä ja mediaanina seuraavan kuvan ja taulukon mukaisesti.
1st prosenttipiste | 5th prosenttipiste | Mediaani | 95th prosenttipiste | 99th prosenttipiste |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
Puhdistaa
Kun olet suorittanut tämän ratkaisun, varmista, että puhdistat tarpeettomat AWS-resurssit odottamattomien kustannusten välttämiseksi. Voit puhdistaa nämä resurssit SageMaker Python SDK:lla, joka löytyy muistikirjan lopusta. Poistamalla nämä resurssit estät lisäveloitukset resursseista, joita et enää käytä.
Yhteenveto
Tarkka ennuste voi vaikuttaa suuresti yrityksen tulevaisuuden suunnitteluun ja voi myös tarjota ratkaisuja erilaisiin ongelmiin eri toimialoilla. Tutkimme vankkoja aikasarjaennusteita MLOpsilla SageMakerissa on osoittanut menetelmän tarkan ennusteen saamiseksi ja virtaviivaistetun koulutusputken tehokkuuden.
Mallimme, joka toimii Temporal Convolutional Networkin ja Spliced Binned Pareto -jakauman avulla, on osoittanut tarkkuutta ja sopeutumiskykyä poikkeaviin arvoihin parantamalla RMSE:tä 61 % pohjasta, 56 % alemmasta pyrstöstä ja 30 % ylemmästä pyrstöstä. TCN Gaussin jakaumalla. Nämä luvut tekevät siitä luotettavan ratkaisun todellisiin ennustetarpeisiin.
Liukulinja osoittaa MLOps-ominaisuuksien automatisoinnin arvon. Tämä voi vähentää ihmisen manuaalista työtä, mahdollistaa toistettavuuden ja nopeuttaa mallin käyttöönottoa. SageMakerin ominaisuudet, kuten SageMaker Pipelines, automaattinen mallin viritys, SageMaker Experiments, SageMaker Model Registry ja päätepisteet, tekevät tämän mahdolliseksi.
Ratkaisumme käyttää miniatyyri-TCN:ää, joka optimoi vain muutaman hyperparametrin rajatulla määrällä kerroksia, jotka riittävät tehokkaasti korostamaan mallin suorituskykyä. Monimutkaisemmissa käyttötapauksissa harkitse PyTorchin tai muiden PyTorch-pohjaisten kirjastojen käyttämistä räätälöidyn TCN:n rakentamiseen, joka vastaa tarpeitasi. Lisäksi olisi hyödyllistä tutustua muihin SageMakerin ominaisuudet parantaaksesi putkistosi toimivuutta entisestään. Voit automatisoida käyttöönottoprosessin täysin käyttämällä AWS Cloud Development Kit (AWS CDK) tai AWS-pilven muodostuminen.
Lisätietoja AWS:n aikasarjaennusteista on seuraavassa:
Voit vapaasti jättää kommentin, jos sinulla on ajatuksia tai kysymyksiä!
Tietoja Tekijät
Nick Biso on koneoppimisinsinööri AWS Professional Servicesissä. Hän ratkaisee monimutkaisia organisatorisia ja teknisiä haasteita tietotieteen ja tekniikan avulla. Lisäksi hän rakentaa ja ottaa käyttöön AI/ML-malleja AWS Cloudissa. Hänen intohimonsa ulottuu hänen taipumukseen matkustamiseen ja monipuolisiin kulttuurikokemuksiin.
Alston Chan on ohjelmistokehitysinsinööri Amazon Adsissa. Hän rakentaa koneoppimisputkia ja suositusjärjestelmiä tuotesuosituksiin tietosivulla. Työn ulkopuolella hän nauttii pelien kehittämisestä ja kalliokiipeilystä.
Maria Masood on erikoistunut tietoputkien ja datavisualisointien rakentamiseen AWS Commerce Platformissa. Hänellä on asiantuntemusta koneoppimisesta, joka kattaa luonnollisen kielen käsittelyn, tietokonenäön ja aikasarja-analyysin. Sydämellään kestävän kehityksen innostunut Maria nauttii puutarhanhoidosta ja koiransa kanssa leikkimisestä seisokkien aikana.
- 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/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 100
- 5.
- 7
- a
- kyky
- Meistä
- kiihdyttää
- kiihdyttää
- pääsy
- saatavilla
- Suoritetut
- Tili
- tarkkuus
- tarkka
- tarkasti
- päästään
- poikki
- todellinen
- asykliset
- sopeuttaa
- Lisäksi
- Lisäksi
- osoitteet
- mainokset
- vastaan
- eteenpäin
- AI / ML
- hälytys
- algoritmi
- kohdista
- Kohdistaa
- jako
- Salliminen
- mahdollistaa
- pitkin
- Myös
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- analyysi
- analysoida
- ja
- ennakoida
- Kaikki
- sovelletaan
- sovellukset
- hyväksyminen
- arkkitehtuuri
- OVAT
- AS
- arvioida
- arvioi
- etu
- liittyvä
- At
- Tekijät
- automatisoida
- automaattisesti
- automaattisesti
- automatisointi
- Automaatio
- saatavissa
- välttää
- AWS
- AWS-asiantuntijapalvelut
- Akseli
- pohja
- perustua
- BE
- koska
- ollut
- käyttäytyminen
- takana
- suotuisa
- Hyödyt
- PARAS
- Paremmin
- välillä
- puolueellisuus
- BIN
- sekä
- laaja
- Rakentaminen
- rakentaa
- yritykset
- mutta
- nappia
- by
- CAN
- kyvyt
- valmiudet
- kykenee
- kaapata
- kaappaa
- Kaappaaminen
- tapauksissa
- Solut
- haasteet
- haastava
- muuttuviin
- tunnettu siitä,
- maksut
- valintoja
- napsauttaa
- Kiipeily
- tarkasti
- pilvi
- pilvi infrastruktuuri
- koodi
- kommentti
- Kaupankäynti
- verrata
- vertailu
- täydellinen
- valmistuminen
- monimutkainen
- Vaarantunut
- tietokone
- Tietokoneen visio
- ehto
- olosuhteet
- tehty
- Harkita
- Console
- vakio
- rakentaa
- Kontti
- tausta
- jatkuva
- muunnetaan
- Hinta
- kustannukset
- päällyste
- luoda
- luotu
- Luominen
- luominen
- kriittinen
- ratkaiseva
- kulttuurinen
- Nykyinen
- räätälöityjä
- sykli
- tiedot
- tietojenkäsittely
- tietojenkäsittely
- data-driven
- aineistot
- Päivämäärä
- Päätöksenteko
- päätökset
- oletusarvo
- määrittelemällä
- Kysyntä
- Kysynnän ennustaminen
- osoittivat
- osoittaa
- tarkoittaa
- riippuvuudet
- riippuvainen
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- lauennut
- suunniteltu
- yksityiskohta
- yksityiskohdat
- Määrittää
- määrittää
- määritetään
- Kehitys
- eri
- erilaiset
- suunnattu
- katastrofien
- pohtia
- etäisyys
- selvä
- jakelu
- Jakaumat
- useat
- jaettu
- Koira
- DOT
- seisokkeja
- aikana
- kukin
- Tehokas
- tehokkaasti
- tehokkuuden
- tehokkuus
- tehokas
- tehokkaasti
- vaivaa
- elementtejä
- käyttämällä
- työllistää
- valtuutetaan
- mahdollistaa
- mahdollistaa
- mahdollistaa
- kattaa
- loppu
- päittäin
- päätepiste
- energia
- insinööri
- Tekniikka
- parantaa
- parantaa
- varmistaa
- intoilija
- ympäristö
- ympäristöissä
- aikakausia
- virhe
- olennainen
- perustaa
- arvioitu
- arviointiin
- arviointi
- tapahtuma
- Tapahtumat
- kehittyvä
- esimerkki
- Elämykset
- kokeiluja
- asiantuntemus
- tutkimus
- tutkia
- ulottuu
- laaja
- äärimmäinen
- helpottaminen
- Falling
- Ominaisuus
- Ominaisuudet
- harvat
- Kuva
- luvut
- taloudellinen
- Rahoituslaitokset
- Löytää
- Etunimi
- sovittaa
- seurata
- jälkeen
- varten
- Ennuste
- ennusteet
- muoto
- löytyi
- perusta
- Ilmainen
- Vapaus
- alkaen
- täysin
- toiminnallisuus
- edelleen
- Lisäksi
- tulevaisuutta
- Saada
- peli
- pelin kehittäminen
- arvioida
- Gen
- syntyy
- synnyttää
- tuottaa
- sukupolvi
- tietty
- Go
- hallitsee
- GPD
- avustukset
- kaaviot
- kahva
- valjaat
- valjastaminen
- Olla
- he
- terveydenhuollon
- sydän
- auttaa
- hänen
- tätä
- korostus
- erittäin
- hänen
- historiallinen
- horisontti
- hotellit
- Miten
- Kuitenkin
- HTML
- HTTPS
- ihmisen
- Hyperparametrien viritys
- tunnistaa
- havainnollistaa
- kuvien
- Vaikutus
- toteuttaa
- tärkeä
- parani
- parantaa
- parantaminen
- in
- sisällyttää
- Kasvaa
- itsenäinen
- ilmaisee
- teollisuuden
- vaikutus
- tiedot
- tietoa
- Infrastruktuuri
- panos
- tietoa
- oivalluksia
- sen sijaan
- laitokset
- integroitu
- integraatio
- liitäntä
- tulee
- johon
- IT
- toistojen
- SEN
- Job
- Työpaikat
- jpg
- vain
- pito
- säilytetään
- avain
- Kieli
- suuri
- kerrokset
- johtaa
- oppinut
- oppiminen
- jättää
- vasemmalle
- Pituus
- kirjastot
- pitää
- todennäköisyys
- Todennäköisesti
- rajallinen
- sijaitsevat
- kauemmin
- tappiot
- alentaa
- alin
- kone
- koneoppiminen
- tehdä
- Tekeminen
- hoitaa
- onnistui
- johto
- toimitusjohtaja
- manuaalinen
- Maria
- markkinat
- markkinoiden kaatumiset
- tarkoittaa
- mielekäs
- Metadata
- menetelmä
- Metodologia
- menetelmät
- metrinen
- hukata
- ML
- MLOps
- malli
- mallit
- tilat
- seuranta
- lisää
- eniten
- moninkertainen
- Luonnollinen
- Luonnollinen kielen käsittely
- luonto
- tarpeet
- sentähden
- verkko
- Uusi
- seuraava
- seuraava sukupolvi
- NFL
- Nro
- Melu
- muistikirja
- numero
- useat
- objekti
- tarkkailla
- saada
- of
- Tarjoukset
- on
- Tarpeen vaatiessa
- ONE
- vain
- avata
- Mahdollisuudet
- optimaalinen
- Optimoida
- optimoimalla
- or
- organisatorinen
- organisoi
- alkuperäinen
- Muut
- meidän
- tuloksiin
- ulostulo
- ulkopuolella
- yli
- yleinen
- paketti
- pakkaus
- sivulla
- pandemiat
- Paperi
- Parallel
- parametri
- parametrit
- Pareto
- Ohimenevä
- intohimo
- Ohi
- kuviot
- täydellinen
- suorituskyky
- putki
- suunnittelu
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- soittaa
- Kohta
- pistettä
- mahdollinen
- Kirje
- teho
- powered
- voimakas
- ennustaa
- ennusti
- ennustus
- Ennusteet
- ennustaa
- esitetty
- estää
- edellinen
- hinta
- priorisointi
- ongelmia
- prosessi
- käsittely
- Tuotteet
- tuotanto
- ammatillinen
- todistettu
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- Python
- pytorch
- nostaa
- satunnainen
- alue
- nopeasti
- hinta
- valmis
- Valmiina
- todellinen
- todellinen maailma
- reaaliaikainen
- äskettäinen
- Suositus
- suosituksia
- punainen
- vähentää
- vähentää
- katso
- viittaa
- tarkentaa
- alueet
- rekisterin
- merkityksellinen
- luotettava
- luottaa
- jäädä
- korvata
- Raportit
- edustaa
- edustettuina
- edustaa
- resurssi
- Esittelymateriaalit
- vastaavasti
- herkkä
- johtua
- tulokset
- Riski
- riskienhallinta
- luja
- kestävyys
- rock
- Rooli
- juuri
- ajaa
- toimii
- Turvallisuus
- sagemaker
- SageMaker-putkistot
- sama
- Säästä
- skaalautuvuus
- Asteikko
- skenaariot
- tiede
- käsikirjoitus
- sdk
- saumaton
- Haku
- sektorit
- turvallinen
- valittu
- valinta
- Sarjat
- palvella
- Palvelut
- setti
- Setit
- Muoto
- hän
- näyttää
- esitetty
- merkki
- merkittävästi
- Yksinkertainen
- samanaikaisesti
- Koko
- Tuotteemme
- ohjelmistokehitys
- ratkaisu
- Ratkaisumme
- Ratkaisee
- erikoistunut
- erityinen
- erityisesti
- määritelty
- jakaa
- levitä
- Squared
- Vaihe
- Tila
- pysyä
- Vaihe
- Askeleet
- Varastossa
- Levytila
- varastot
- tehostaa
- virtaviivainen
- Myöhemmin
- menestys
- niin
- riittävä
- varma
- kestävyys
- synteettinen
- järjestelmät
- taulukko
- Tehtävä
- Tekninen
- testi
- testattu
- Testaus
- että
- -
- maailma
- heidän
- sitten
- siksi
- Nämä
- tätä
- Kautta
- aika
- Aikasarja
- että
- Seuranta
- kaupankäynti
- liikenne
- Juna
- koulutettu
- koulutus
- matkustaa
- kaksi
- tyypit
- läpikäydä
- Odottamaton
- tarpeeton
- ladattu
- us
- käyttää
- käytetty
- helppokäyttöinen
- Käyttäjät
- käyttämällä
- käyttää
- hyödyntää
- Hyödyntämällä
- validointi
- arvo
- arvot
- lajike
- eri
- versio
- versiot
- kautta
- visio
- elintärkeä
- vs
- oli
- we
- Sää
- verkko
- verkkopalvelut
- onko
- joka
- leveä
- tulee
- with
- sisällä
- Referenssit
- työnkulku
- työnkulkuja
- työskentely
- maailman-
- olisi
- Voit
- Sinun
- zephyrnet
- nolla-