Amazon SageMaker -ominaisuuskauppa on tarkoitukseen rakennettu palvelu ominaisuustietojen tallentamiseen ja hakemiseen koneoppimismalleissa (ML) käytettäväksi. Feature Store tarjoaa verkkokaupan, joka pystyy lukemaan ja kirjoittamaan vähän viivettä, korkean suorituskyvyn, sekä offline-myymälän, joka tarjoaa massakäyttöoikeuden kaikkiin historiallisiin tietuetietoihin. Feature Store hoitaa tietojen synkronoinnin online- ja offline-kauppojen välillä.
Koska mallinkehitys on iteratiivinen prosessi, asiakkaat tekevät usein kyselyitä offline-myymälästä ja rakentavat erilaisia tietojoukkoja mallin koulutusta varten. Tällä hetkellä offline-kaupan ominaisuuksia voi käyttää useilla tavoilla, mukaan lukien SQL-kyselyjen suorittaminen Amazon Athena tai käyttämällä Spark SQL:ää Apache Sparkissa. Nämä mallit edellyttävät kuitenkin ad hoc (ja joskus monimutkaisten) SQL-lauseiden kirjoittamista, mikä ei aina sovi datatieteilijälle.
Ominaisuuksien kauppa äskettäin laajennettu SageMaker Python SDK helpottaa tietojoukkojen luomista offline-kaupasta. Tämän julkaisun avulla voit luoda tietojoukkoja kirjoittamatta SQL-kyselyitä käyttämällä SDK:n uusia menetelmiä. Nämä uudet menetelmät tukevat yleisiä toimintoja, kuten aikamatkailua, päällekkäisten tietueiden suodatusta ja useiden ominaisuusryhmien yhdistämistä varmistaen samalla ajankohtaisen tarkkuuden.
Tässä viestissä osoitamme, kuinka SageMaker Python SDK:ta käytetään ML-valmiiden tietojoukkojen luomiseen kirjoittamatta SQL-lauseita.
Ratkaisun yleiskatsaus
Uuden toiminnallisuuden esittelemiseksi työskentelemme kahden tietojoukon kanssa: liidit ja verkkomarkkinoinnin mittarit. Näitä tietojoukkoja voidaan käyttää mallin luomiseen, joka ennustaa, muuttuuko liidi myyntiksi, kun otetaan huomioon kyseiselle liidille kerätyt markkinointitoiminnot ja mittarit.
Liiditiedot sisältävät tietoa mahdollisista asiakkaista, jotka on tunnistettu käyttämällä Lead_ProspectID
. Liidin ominaisuudet (esim. LeadSource
) voidaan päivittää ajan myötä, mikä johtaa uuteen ennätykseen kyseiselle liidille. The Lead_EventTime
edustaa aikaa, jolloin kukin tietue on luotu. Seuraavassa kuvakaappauksessa on esimerkki näistä tiedoista.
Verkkomarkkinoinnin mittaustiedot seuraavat liidin sitoutumismittareita, joissa jokainen liidi tunnistetaan käyttämällä Web_ProspectID
. Web_EventTime
edustaa aikaa, jolloin tietue luotiin. Toisin kuin liidiominaisuusryhmässä, tässä ominaisuusryhmässä on vain yksi tietue liidettä kohden. Seuraavassa kuvakaappauksessa on esimerkki näistä tiedoista.
Kävelemme läpi tärkeimmät osat sagemaker-feature-store-offline-sdk.ipynb
muistikirja, joka näyttää seuraavat vaiheet:
- Luo tietojoukko ominaisuusryhmästä.
- Liity useisiin ominaisuusryhmiin.
- Luo ajankohtaisen liitoksen ominaisuusryhmän ja tietojoukon välillä tapahtumien joukon perusteella tietyillä aikaleimoilla.
- Hae ominaisuushistoria tietyn ajanjakson sisällä.
- Hae ominaisuuksia tietyn aikaleiman mukaan.
Edellytykset
Tarvitset seuraavat edellytykset:
Oletetaan, että liiditietojen ominaisuusryhmä on luotu käyttämällä olemassa olevia FeatureGroup.create
menetelmällä, ja siihen voidaan viitata muuttujan avulla base_fg
. Lisätietoja ominaisuusryhmistä on kohdassa Luo ominaisuusryhmiä.
Luo tietojoukko ominaisuusryhmästä
Tietojoukon luomiseen SageMaker SDK:lla käytämme uutta FeatureStore
luokka, joka sisältää create_dataset
menetelmä. Tämä menetelmä hyväksyy perusominaisuusryhmän, joka voidaan liittää muihin ominaisuusryhmiin tai DataFrame-kehyksiin. Aloitamme tarjoamalla liidien ominaisuusryhmän pohjaksi ja an Amazonin yksinkertainen tallennuspalvelu (Amazon S3) polku tietojoukon tallentamiseen:
- create_dataset
method palauttaa a DatasetBuilder
objekti, jota voidaan käyttää tietojoukon luomiseen yhdestä tai useista ominaisuusryhmistä (jotka esittelemme seuraavassa osiossa). Luodaksemme yksinkertaisen tietojoukon, joka koostuu vain liidiominaisuuksista, kutsumme to_csv_file
menetelmä. Tämä suorittaa Athenassa kyselyn ominaisuuksien noutamiseksi offline-kaupasta ja tallentaa tulokset määritettyyn S3-polkuun.
Liity useisiin ominaisuusryhmiin
SageMaker SDK:n avulla voit helposti liittyä useisiin ominaisuusryhmiin luodaksesi tietojoukon. Voit myös suorittaa liitosoperaatioita olemassa olevan Pandas DataFramen välillä yhteen tai useampaan ominaisuusryhmään. The perusominaisuusryhmä on tärkeä käsite liitoksille. Perusominaisuusryhmä on ominaisuusryhmä, johon on liitetty muita ominaisuusryhmiä tai Pandas DataFrame.
Kun luot tietojoukkoa käyttämällä create_dataset
-toimintoa, käytämme with_feature_group
menetelmä, joka suorittaa sisäisen liitoksen perusominaisuusryhmän ja toisen piirreryhmän välillä käyttäen tietuetunnistetta ja kohdeominaisuuden nimeä perusominaisuusryhmässä. Esimerkissämme perusominaisuusryhmä on liidiominaisuusryhmä ja kohdeominaisuusryhmä on verkkomarkkinoinnin ominaisuusryhmä. The with_feature_group
menetelmä hyväksyy seuraavat argumentit:
- ominaisuus_ryhmä – Tämä on se ominaisuusryhmä, johon liitymme. Koodinäytteessämme kohdeominaisuusryhmä luodaan verkkomarkkinoinnin tietojoukon avulla.
- kohde-ominaisuuden_nimi_base – Perusominaisuusryhmän ominaisuuden nimi, jota käytämme liitosavaimena. Käytämme
Lead_ProspectID
perusominaisuusryhmän tietuetunnisteena. - mukana_ominaisuuksien_nimet – Tämä on luettelo perusominaisuusryhmän ominaisuuksien nimistä. Käytämme tätä kenttää määrittääksemme ominaisuudet, jotka haluamme sisällyttää tietojoukkoon.
Seuraava koodi näyttää esimerkin tietojoukon luomisesta yhdistämällä perusominaisuusryhmä kohdeominaisuusryhmään:
Voit laajentaa liitostoimintoja sisältämään useita ominaisuusryhmiä lisäämällä with_feature_group
menetelmä edellisen koodiesimerkin lopussa ja määrittämällä vaaditut argumentit uudelle ominaisuusryhmälle. Voit myös suorittaa liitosoperaatioita olemassa olevan DataFramen kanssa määrittämällä perustaksi olemassa oleva Pandas DataFrame ja liittymällä kiinnostuneiden ominaisuusryhmien kanssa. Seuraava koodiesimerkki näyttää kuinka luodaan tietojoukko olemassa olevan Pandas DataFramen ja olemassa olevan ominaisuusryhmän avulla:
Lisää esimerkkejä näistä eri kokoonpanoista on kohdassa Luo tietojoukko ominaisuusryhmistäsi.
Luo ajankohtainen liittyminen
Yksi tämän parannuksen tehokkaimmista ominaisuuksista on suorittaa pisteliitokset yksinkertaisesti ja ilman monimutkaista SQL-koodia. ML-malleja rakentaessaan datatieteilijöiden on vältettävä tietojen vuotaminen tai kohdevuoto, joka käyttää vahingossa mallikoulutuksen aikana tietoja, jotka eivät olisi käytettävissä ennustushetkellä. Jos esimerkiksi yritämme ennustaa luottokorttipetoksia, meidän tulee sulkea pois tapahtumat, jotka saapuvat ennustamamme vilpillisen veloituksen jälkeen, muuten koulutettu malli voi käyttää näitä petoksen jälkeisiä tietoja mallin muuttamiseksi, jolloin se yleistää. huonommin.
Ajankohtaisten tarkkojen ominaisuustietojen hakeminen edellyttää, että toimitat entiteetin DataFrame, joka tarjoaa joukon tietuetunnuksia (tai ensisijaista avainta) ja vastaavat tapahtumaajat, jotka toimivat tapahtuman katkaisuajana. Tätä hakumekanismia kutsutaan joskus nimellä rivitason aikamatkailu, koska se mahdollistaa eri aikarajoitusten soveltamisen jokaiselle rivinäppäimelle. Suorittaaksemme ajankohtaisia liitoksia SageMaker SDK:n kanssa käytämme Tietojoukon rakennustyökalu luokkaan ja anna entiteetti DataFrame perusargumentiksi rakentajalle.
Seuraavassa koodissa luomme yksinkertaisen entiteetin DataFrame kahdella tietueella. Asetamme tapahtumaajat, joita käytetään osoittamaan katkaisuaikaa, lähelle aikasarjatietojen puoliväliä (tammikuu 2023 puoliväli):
Kun käytämme point_in_time_accurate_join
toiminnallisuus kanssa create_dataset
kutsua, sisäinen kysely sulkee pois kaikki tietueet, joissa on aikaleimat myöhemmin kuin toimitetut katkaisuajat, ja palauttaa viimeisimmät ominaisuusarvot, jotka olisivat olleet käytettävissä tapahtuman aikaan:
Huomaa, että DataFrame-kehyksessä on vain kaksi tietuetta, jotka ajankohtaliitoksen palauttaa. Tämä johtuu siitä, että lähetimme vain kaksi tietuetunnusta DataFrame-entiteettiin, yhden kullekin Lead_ProspectID
haluamme hakea. Point-in-time kriteerit määrittelevät, että tietueen tapahtuma-aika (tallennettu Lead_Eventtime
kenttä) sisältää arvon, joka on pienempi kuin raja-aika.
Lisäksi ohjeistamme kyselyä hakemaan vain viimeisimmän tietueen, joka täyttää nämä kriteerit, koska olemme käyttäneet with_number_of_recent_records_by_record_identifier
menetelmä. Kun sitä käytetään yhdessä point_in_time_accurate_join
Tämän menetelmän avulla soittaja voi määrittää, kuinka monta tietuetta palautetaan tietueista, jotka täyttävät ajankohtaiset liittymisehdot.
Vertaa ajankohtaisia liitostuloksia Athena-kyselyn tuloksiin
SageMaker SDK:n palauttaman lähdön tarkistaminen point_in_time_accurate_join
funktiota, vertaamme sitä Athena-kyselyn tulokseen. Ensin luomme standardin Athena-kyselyn käyttämällä SELECT-käskyä, joka on sidottu tiettyyn Feature Store -ajonaikaisen taulukkoon. Tämän taulukon nimi löytyy viittaamalla table_name
kenttään instantoinnin jälkeen athena_query
mistä FeatureGroup
API:t:
Athena-kysely ei sisällä ajankohtaista liitossemantiikkaa, joten se palauttaa kaikki tietueet, jotka vastaavat määritettyä record_id
(Lead_ProspectID
).
Seuraavaksi käytämme Pandas-kirjastoa lajitellaksemme Athenen tulokset tapahtuma-aikojen mukaan vertailun helpottamiseksi. Tietueet, joiden aikaleimat ovat myöhempiä kuin entiteetissä DataFrame määritetyt tapahtumaajat (esim. 2023-01-15T00:00:00Z
) toimitettu point_in_time_accurate_join
eivät näy ajankohtaisissa tuloksissa. Koska määritimme lisäksi, että haluamme vain yhden tietueen edellisestä create_dataset
koodi, saamme vain viimeisimmän tietueen ennen katkaisuaikaa. Vertaamalla SageMaker SDK:n tuloksia Athena-kyselyn tuloksiin huomaamme, että point-in-time -liitosfunktio palautti oikeat tietueet.
Siksi luotamme siihen, että voimme käyttää SageMaker SDK:ta rivitason aikamatkojen suorittamiseen ja kohdevuotojen välttämiseen. Lisäksi tämä ominaisuus toimii useissa ominaisuusryhmissä, jotka voidaan päivittää täysin eri aikajanalla.
Hae ominaisuushistoria tietyn ajanjakson sisällä
Haluamme myös havainnollistaa aikaväli-ikkunan määrittämisen käyttöä liitettäessä ominaisuusryhmiä muodostamaan tietojoukko. Aikaikkuna määritellään käyttämällä with_event_time_range
, joka hyväksyy kaksi tuloa, starting_timestamp
ja ending_timestamp
, ja palauttaa tietojoukon rakennusobjektin. Koodinäytteessämme asetimme hakuaikaikkunaksi 1 koko päivä alkaen 2022-07-01 00:00:00
asti 2022-07-02 00:00:00
.
Seuraava koodi näyttää, kuinka luodaan tietojoukko määritetyllä tapahtumaaikaikkunalla samalla, kun liitetään perusominaisuusryhmään kohdeominaisuusryhmän kanssa:
Vahvistamme myös käyttämällä luodun tietojoukon kokojen välisen eron with_event_time_range
viemällä Pandas DataFrameen to_dataframe()
menetelmä ja tietojen näyttäminen. Huomaa, että tulosjoukossa on vain murto-osa alkuperäisestä 10,020 XNUMX tietueesta, koska se hakee vain tietueita, joiden event_time
on 1 päivän sisällä.
Hae ominaisuuksia tietyn aikaleiman mukaan
- DatasetBuilder as_of
menetelmä hakee tietojoukosta ominaisuuksia, jotka täyttävät aikaleimapohjaisen rajoitteen, jonka kutsuja antaa argumenttina funktiolle. Tämä mekanismi on hyödyllinen skenaarioissa, kuten kokeilujen uudelleen suorittamisessa aiemmin kerätyillä tiedoilla, aikasarjamallien jälkitestauksella tai tietojoukon luomisessa aiemmasta offline-säilön tilasta tietojen tarkastusta varten. Tätä toimintoa kutsutaan joskus aikamatkaksi, koska se olennaisesti palauttaa tietovaraston aikaisempaan päivämäärään ja kellonaikaan. Tätä aikarajoitusta kutsutaan myös nimellä katkaisun aikaleima.
Esimerkkikoodissamme luomme ensin katkaisuaikaleiman lukemalla write_time
arvo viimeksi ominaisuuskauppaan kirjoitetulle tietueelle, jolla on kirjoitettu put_record
. Sitten annamme tämän katkaisuaikaleiman DatasetBuilder
argumenttina as_of
menetelmä:
On tärkeää huomata, että as_of
menetelmä soveltaa aikarajoitusta sisäiseen write_time
-kenttä, jonka Feature Store luo automaattisesti. The write_time
-kenttä edustaa todellista aikaleimaa, kun tietue kirjoitetaan tietovarastoon. Tämä on erilainen kuin muut menetelmät, kuten point-in-time-accurate-join
ja with_event_time_range
jotka käyttävät asiakkaan toimittamaa event_time
kenttä vertailukohtana.
Puhdistaa
Muista poistaa kaikki tässä esimerkissä luodut resurssit välttääksesi jatkuvia kuluja. Tämä sisältää ominaisuusryhmät ja offline-säilötiedot sisältävän S3-alueen.
SageMaker Python SDK -kokemus verrattuna SQL:n kirjoittamiseen
SageMaker Python SDK:n uusien menetelmien avulla voit luoda nopeasti tietojoukkoja ja siirtyä nopeasti koulutusvaiheeseen ML-elinkaaren aikana. Jotta voidaan näyttää säästettävä aika ja vaiva, tarkastellaan käyttötapausta, jossa meidän on yhdistettävä kaksi ominaisuusryhmää ja haettava ominaisuuksia tietyn ajan kuluessa. Seuraavassa kuvassa verrataan Python-kyselyitä offline-ominaisuuskaupassa ja SQL:ssä, jota käytetään Python-kyselyn takana olevan tietojoukon luomiseen.
Kuten näet, sama operaatio kahden ominaisuusryhmän yhdistämisessä edellyttää pitkän, monimutkaisen SQL-kyselyn luomista, kun taas se voidaan suorittaa käyttämällä vain with_feature_group
ja with_event_time_range
menetelmät SageMaker Python SDK:ssa.
Yhteenveto
Python SageMaker SDK:n uusien offline-säilytysmenetelmien avulla voit tehdä kyselyitä offline-ominaisuuksista ilman monimutkaisten SQL-käskyjen kirjoittamista. Tämä tarjoaa saumattoman kokemuksen asiakkaille, jotka ovat tottuneet kirjoittamaan Python-koodia mallinkehityksen aikana. Lisätietoja ominaisuusryhmistä on kohdassa Luo tietojoukko ominaisuusryhmistäsi ja Feature Store -sovellusliittymät: Feature Group.
Tämän postauksen täydellinen esimerkki löytyy osoitteesta GitHub-arkisto. Kokeile ja kerro meille palautteesi kommenteissa.
Tietoja Tekijät
Paul Hargis on keskittynyt koneoppimiseen useissa yrityksissä, mukaan lukien AWS, Amazon ja Hortonworks. Hän nauttii teknisten ratkaisujen rakentamisesta ja ihmisten opettamisesta niiden hyödyntämiseen. Paul haluaa auttaa asiakkaita laajentamaan koneoppimisaloitteitaan todellisten ongelmien ratkaisemiseksi. Ennen rooliaan AWS:ssä hän oli Amazon Exports and Expansions -yksikön pääarkkitehti, joka auttoi amazon.com parantaa kansainvälisten ostajien kokemusta.
Mecit Gungor on AWS:n AI/ML-asiantuntijaratkaisuarkkitehti, joka auttaa asiakkaita suunnittelemaan ja rakentamaan AI/ML-ratkaisuja mittakaavassa. Hän kattaa laajan valikoiman AI/ML-käyttötapauksia televiestintäasiakkaille ja keskittyy tällä hetkellä generatiiviseen tekoälyyn, LLM:ihin sekä koulutukseen ja päätelmien optimointiin. Hänet voi usein tavata vaeltamassa erämaassa tai pelaamassa lautapelejä ystäviensä kanssa vapaa-ajallaan.
Tony Chen on AWS:n koneoppimisratkaisuarkkitehti, joka auttaa asiakkaita suunnittelemaan skaalautuvia ja kestäviä koneoppimisominaisuuksia pilvessä. Entisenä datatieteilijänä ja data-insinöörinä hän hyödyntää kokemustaan auttaakseen ratkaisemaan joitain haastavimmista ongelmista, joita organisaatiot kohtaavat koneoppimisen toiminnalle.
Sovik Kumar Nath on AI/ML-ratkaisuarkkitehti AWS:n kanssa. Hänellä on laaja kokemus päästä päähän -suunnittelusta ja -ratkaisuista koneoppimiseen; Liiketoiminnan analytiikka rahoitus-, toiminta- ja markkinointianalytiikan puitteissa; terveydenhuolto; toimitusketju; ja IoT. Työn ulkopuolella Sovik nauttii matkustamisesta ja elokuvien katselusta.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- EVM Finance. Hajautetun rahoituksen yhtenäinen käyttöliittymä. Pääsy tästä.
- Quantum Media Group. IR/PR vahvistettu. Pääsy tästä.
- PlatoAiStream. Web3 Data Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/build-machine-learning-ready-datasets-from-the-amazon-sagemaker-offline-feature-store-using-the-amazon-sagemaker-python-sdk/
- :on
- :On
- :missä
- $ YLÖS
- 1
- 10
- 100
- 11
- 14
- 15%
- 16
- 2023
- 22
- 24
- 7
- 8
- a
- Meistä
- hyväksyy
- pääsy
- Suoritetut
- tarkkuus
- tarkka
- poikki
- toiminta
- todellinen
- Ad
- lisää
- Lisäksi
- Jälkeen
- AI
- AI / ML
- Kaikki
- sallia
- mahdollistaa
- Myös
- aina
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- Analytics
- ja
- Toinen
- Kaikki
- Apache
- api
- API
- sovellettu
- OVAT
- perustelu
- perustelut
- AS
- At
- tilintarkastus
- automaattisesti
- saatavissa
- välttää
- AWS
- takaisin
- Backtesting
- pohja
- perustua
- BE
- koska
- ollut
- takana
- välillä
- hallitus
- Lautapelit
- rakentaa
- rakentaja
- Rakentaminen
- liiketoiminta
- by
- soittaa
- soittaja
- CAN
- kyvyt
- kykenee
- kiinni
- kortti
- tapaus
- tapauksissa
- ketju
- haastava
- lataus
- maksut
- luokka
- pilvi
- koodi
- kommentit
- Yhteinen
- Yritykset
- verrata
- vertaamalla
- vertailu
- täysin
- monimutkainen
- käsite
- luottamus
- Vahvistaa
- yhdessä
- Koostuu
- sisältää
- sisältää
- muuntaa
- vastaava
- voisi
- Covers
- luoda
- luotu
- Luominen
- pisteitä
- luottokortti
- kriteerit
- Tällä hetkellä
- Asiakkaat
- tiedot
- tietojen tutkija
- aineistot
- Päivämäärä
- treffiaika
- päivä
- määritelty
- määrittelemällä
- osoittaa
- osoittaa
- Malli
- mallit
- Kehitys
- ero
- eri
- näyttämällä
- ei
- Dont
- aikana
- kukin
- Aikaisemmin
- helpompaa
- helposti
- helppo
- vaivaa
- ponnisteluja
- loppu
- päittäin
- sitoumus
- insinööri
- varmistamalla
- kokonaisuus
- aikakausi
- olennaisesti
- tapahtuma
- Tapahtumat
- tutkia
- esimerkki
- Esimerkit
- olemassa
- Laajentaa
- experience
- kokeiluja
- vientiä
- laajentaa
- laaja
- Kattava kokemus
- Kasvot
- Ominaisuus
- Ominaisuudet
- FeatureStore
- palaute
- ala
- Kuva
- filee
- suodatus
- taloudellinen
- Etunimi
- keskityttiin
- keskittyy
- jälkeen
- varten
- muoto
- Entinen
- löytyi
- jae
- FRAME
- petos
- vilpillinen
- Ilmainen
- usein
- ystäviä
- alkaen
- koko
- toiminto
- toiminnallisuus
- Lisäksi
- Pelit
- tuottaa
- syntyy
- generatiivinen
- Generatiivinen AI
- saada
- Antaa
- tietty
- Ryhmä
- Ryhmän
- Vetimet
- Olla
- ottaa
- he
- terveydenhuollon
- auttaa
- auttaa
- hänen
- historiallinen
- historia
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- tunnistettu
- tunniste
- ids
- if
- tuoda
- tärkeä
- parantaa
- in
- sisältää
- sisältää
- Mukaan lukien
- osoittaa
- tiedot
- aloitteita
- tuloa
- esimerkki
- kiinnostunut
- sisäinen
- kansainvälisesti
- tulee
- Esineiden internet
- IT
- yhdistää
- liittyi
- tuloaan
- Liitosten
- jpg
- vain
- avain
- Tietää
- Sukunimi
- myöhemmin
- uusin
- johtaa
- Liidit
- oppiminen
- vähemmän
- antaa
- Vaikutusvalta
- vipusuhteita
- Kirjasto
- elinkaari
- pitää
- tykkää
- Lista
- sijainti
- Pitkät
- kone
- koneoppiminen
- tehdä
- Tekeminen
- monet
- Marketing
- ottelu
- Saattaa..
- mekanismi
- Tavata
- Meets
- menetelmä
- menetelmät
- Metrics
- Keskimmäinen
- ML
- malli
- mallit
- lisää
- eniten
- liikkua
- Elokuvat
- moninkertainen
- täytyy
- nimi
- nimet
- Lähellä
- Tarve
- Uusi
- seuraava
- muistikirja
- Ilmoitus..
- objekti
- of
- offline
- usein
- on
- ONE
- jatkuva
- verkossa
- vain
- toiminta
- toiminta-
- Operations
- optimointi
- or
- organisaatioiden
- alkuperäinen
- Muut
- muuten
- meidän
- ulostulo
- ulkopuolella
- yli
- pandas
- osa
- osat
- kulkea
- polku
- kuviot
- Paavali
- Ihmiset
- Suorittaa
- suorittaa
- aika
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- Kirje
- voimakas
- ennustaa
- ennustus
- ennustaa
- edellytyksiä
- edellinen
- aiemmin
- ensisijainen
- Aikaisempi
- ongelmia
- prosessi
- asianmukainen
- mahdollinen
- toimittaa
- tarjoaa
- tarjoamalla
- tarkoituksiin
- Python
- kyselyt
- nopeasti
- alue
- Lukeminen
- todellinen maailma
- ennätys
- asiakirjat
- viittaaminen
- tarkoitettuja
- vapauta
- edustaa
- edellyttää
- tarvitaan
- Vaatii
- Esittelymateriaalit
- johtua
- tulokset
- palata
- palaavat
- Tuotto
- luja
- Rooli
- rullina
- RIVI
- juoksu
- sagemaker
- myynti
- sama
- skaalautuva
- Asteikko
- skenaariot
- Tiedemies
- tutkijat
- sdk
- saumaton
- sekuntia
- Osa
- nähdä
- semantiikka
- Sarjat
- palvella
- palvelu
- Palvelut
- setti
- asetus
- setup
- useat
- shouldnt
- näyttää
- Näytä
- Yksinkertainen
- yksinkertaisesti
- single
- koot
- So
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- Kipinä
- asiantuntija
- erityinen
- määritelty
- standardi
- Alkaa
- Osavaltio
- Lausunto
- lausuntoja
- Vaihe
- Askeleet
- Levytila
- verkkokaupasta
- tallennettu
- varastot
- toimitettu
- niin
- sopiva
- toimitetaan
- toimittaa
- toimitusketju
- tuki
- tahdistus
- taulukko
- puuttua
- Kohde
- Opetus
- Elektroniikka
- tietoliikenne
- kuin
- että
- -
- heidän
- Niitä
- sitten
- Siellä.
- Nämä
- tätä
- ne
- Kautta
- tied
- aika
- Aikasarja
- aikamatka
- aikataulut
- kertaa
- aikaleima
- että
- Tony
- koulutettu
- koulutus
- Liiketoimet
- matkustaa
- Matkustaminen
- yrittää
- kaksi
- unix
- toisin kuin
- asti
- päivitetty
- us
- käyttää
- käyttölaukku
- käytetty
- käyttämällä
- arvo
- arvot
- eri
- todentaa
- vs
- haluta
- oli
- katsomassa
- tavalla
- we
- verkko
- verkkopalvelut
- HYVIN
- kun
- taas
- joka
- vaikka
- KUKA
- jonka
- leveä
- Laaja valikoima
- wikipedia
- tulee
- with
- sisällä
- ilman
- Referenssit
- toimii
- olisi
- kirjoittaa
- kirjoittaminen
- kirjallinen
- Voit
- Sinun
- zephyrnet