Amazon SageMaker Data Wrangler vähentää aikaa, joka kuluu tietojen kokoamiseen ja valmisteluun koneoppimista (ML) varten viikoista minuutteihin Amazon SageMaker Studiossa. Data Wranglerin avulla voit käyttää tietoja useista suosituista lähteistä (Amazon S3, Amazon Athena, Amazonin punainen siirto, Amazonin EMR ja Snowflake) ja yli 40 muuta kolmannen osapuolen lähdettä. Tästä päivästä alkaen voit muodostaa yhteyden Amazonin EMR Hive ison datan kyselymoottorina tuomaan suuria tietojoukkoja ML:ään.
Suurten tietomäärien kokoaminen ja valmistelu on kriittinen osa ML-työnkulkua. Tietotieteilijät ja tietoinsinöörit käyttävät Apache Sparkia, Apache Hivea ja Prestoa Amazon EMR:ssä laajamittaiseen tietojenkäsittelyyn. Tässä blogiviestissä käydään läpi, kuinka data-ammattilaiset voivat käyttää SageMaker Data Wranglerin visuaalista käyttöliittymää paikantaakseen olemassa olevia Amazon EMR -klustereita Hive-päätepisteillä ja muodostaakseen niihin yhteyden. Valmistautuakseen mallintamiseen tai raportointiin he voivat analysoida visuaalisesti tietokantaa, taulukoita, skeemaa ja Hive-kyselyjä luodakseen ML-tietojoukon. Sitten he voivat nopeasti profiloida tietoja Data Wranglerin visuaalisen käyttöliittymän avulla arvioidakseen tietojen laatua, havaitakseen poikkeavuuksia ja puuttuvia tai virheellisiä tietoja ja saada neuvoja näiden ongelmien ratkaisemiseksi. Ne voivat hyödyntää suositumpia ja ML-käyttöisiä sisäänrakennettuja analyysejä ja yli 300:aa Sparkin tukemaa sisäänrakennettua muunnosa analysoidakseen, puhdistaakseen ja suunnitellakseen ominaisuuksia kirjoittamatta yhtään koodiriviä. Lopuksi he voivat myös kouluttaa ja ottaa käyttöön malleja SageMaker-autopilotti, ajoita töitä tai käytä tietojen valmistelua SageMaker-putkilinjassa Data Wranglerin visuaalisesta käyttöliittymästä.
Ratkaisun yleiskatsaus
SageMaker Studio -asetuksien avulla data-ammattilaiset voivat nopeasti tunnistaa olemassa olevat EMR-klusterit ja muodostaa niihin yhteyden. Lisäksi data-ammattilaiset voivat löytää EMR-klustereita SageMaker Studio käyttämällä ennalta määritettyjä malleja pyynnöstä vain muutamalla napsautuksella. Asiakkaat voivat käyttää SageMaker Studio -yleistä muistikirjaa ja kirjoittaa koodia sisään Apache Spark, Hive, Presto or PySpark suorittaa tietojen valmistelua mittakaavassa. Kaikki data-ammattilaiset eivät kuitenkaan osaa kirjoittaa Spark-koodia tietojen valmistelemiseksi, koska siihen liittyy jyrkkä oppimiskäyrä. He voivat nyt muodostaa yhteyden Amazon EMR:ään nopeasti ja yksinkertaisesti kirjoittamatta riviäkään koodia, koska Amazon EMR on Amazon SageMaker Data Wranglerin tietolähde.
Seuraava kaavio kuvaa tässä ratkaisussa käytettyjä komponentteja.
Esittelemme kaksi todennusvaihtoehtoa, joiden avulla voidaan muodostaa yhteys EMR-klusteriin. Jokaiselle vaihtoehdolle otamme käyttöön ainutlaatuisen pinon AWS-pilven muodostuminen malleja.
CloudFormation-malli suorittaa seuraavat toiminnot, kun kukin vaihtoehto on valittuna:
- Luo Studio-verkkotunnuksen vain VPC-tilassa ja nimetyn käyttäjäprofiilin
studio-user
. - Luo rakennuspalikoita, mukaan lukien VPC:n, päätepisteet, aliverkot, suojausryhmät, EMR-klusterin ja muut tarvittavat resurssit esimerkkien suorittamiseksi onnistuneesti.
- Yhdistää EMR-klusterille AWS-liimatietokatalogin EMR Hiven ja Preston metastoriksi, luo Hive-taulukon EMR:ssä ja täyttää sen datalla Yhdysvaltain lentokentän tietojoukko.
- Luo LDAP CloudFormation -mallia varten Amazonin elastinen laskentapilvi (Amazon EC2) -esiintymä LDAP-palvelimen isännöimiseksi Hive- ja Presto LDAP -käyttäjän todentamiseksi.
Vaihtoehto 1: Lightweight Access Directory Protocol
LDAP-todennusmallin CloudFormation-mallia varten tarjoamme Amazon EC2 -esiintymän LDAP-palvelimella ja määritämme EMR-klusterin käyttämään tätä palvelinta todentamiseen. Tämä on TLS käytössä.
Vaihtoehto 2: Ei todennusta
No-Auth-todennusta käyttävässä CloudFormation-mallissa käytämme tavallista EMR-klusteria ilman todennusta.
Ota resurssit käyttöön AWS CloudFormationin avulla
Suorita seuraavat vaiheet ympäristön käyttöönottamiseksi:
- Kirjaudu sisään AWS-hallintakonsoli kuin AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) -käyttäjä, mieluiten järjestelmänvalvojan käyttäjä.
- Valita Käynnistä pino käynnistääksesi CloudFormation-mallin sopivaa todennusskenaariota varten. Varmista, että CloudFormation-pinon käyttöönotossa käytetyllä alueella ei ole Studio-verkkotunnusta. Jos sinulla on jo Studio Domain jollakin alueella, voit valita toisen alueen.
LDAP Ei todennusta - Valita seuraava.
- varten Pino nimi, kirjoita pinolle nimi (esimerkiksi
dw-emr-hive-blog
). - Jätä muut arvot oletusarvoiksi.
- Jatka valitsemalla seuraava pinon tietosivulta ja pinovaihtoehdoista.
LDAP-pino käyttää seuraavia valtuustietoja.- käyttäjätunnus:
david
- salasana:
welcome123
- käyttäjätunnus:
- Valitse tarkastelusivulla valintaruutu varmistaaksesi, että AWS CloudFormation saattaa luoda resursseja.
- Valita Luo pino. Odota, kunnes pinon tila muuttuu
CREATE_IN_PROGRESS
ettäCREATE_COMPLETE
. Prosessi kestää yleensä 10–15 minuuttia.
Määritä Amazon EMR tietolähteeksi Data Wranglerissa
Tässä osiossa käsittelemme yhteyden muodostamista olemassa olevaan Amazon EMR -klusteriin, joka on luotu CloudFormation-mallin kautta Data Wranglerin tietolähteenä.
Luo uusi tietovirta
Luo tietovirta suorittamalla seuraavat vaiheet:
- Napsauta SageMaker-konsolissa Verkkotunnukset, napsauta sitten StudioDomain luotu suorittamalla CloudFormation-mallin yläpuolella.
- valita studio-käyttäjä käyttäjäprofiili ja käynnistä Studio.
- Valita Avoin studio.
- Valitse Studio Home -konsolissa Tuo ja valmistele tiedot visuaalisesti. Vaihtoehtoisesti osoitteessa filee pudotusvalikosta, valitse Uusi, valitse sitten Data Wrangler Flow.
- Uuden kulun luominen voi kestää muutaman minuutin. Kun virta on luotu, näet Tuo päivämäärät sivu.
- Lisää Amazon EMR tietolähteeksi Data Wrangleriin. Käytössä Lisää tietolähde valikosta, valitse Amazon EMR.
Voit selata kaikkia EMR-klustereita, jotka Studio-suoritusroolillasi on oikeudet nähdä. Sinulla on kaksi vaihtoehtoa muodostaa yhteys klusteriin; yksi on interaktiivisen käyttöliittymän kautta, ja toinen on ensin Luo salaisuus AWS Secrets Managerin avulla JDBC-URL-osoitteella, mukaan lukien EMR-klusteritiedot, ja anna sitten tallennettu AWS-salainen ARN käyttöliittymään muodostaaksesi yhteyden Hiveen. Tässä blogissa noudatamme ensimmäistä vaihtoehtoa.
- Valitse jokin seuraavista klustereista, jota haluat käyttää. Valitse seuraavaja valitse päätepisteet.
- valita Pesä, muodosta yhteys Amazon EMR:ään, luo nimi yhteytesi tunnistamiseksi ja napsauta seuraava.
- Valitse joko todennustyyppi Kevyt Directory Access Protocol (LDAP) or Ei todennusta.
Valitse LDAP (Lightweight Directory Access Protocol) -vaihtoehto ja napsauta Seuraavaksi kirjaudu sisään ryhmäänr, anna sitten käyttäjätunnus ja salasana todentaa varten ja napsauta Yhdistä.
Ei todennusta varten sinut yhdistetään EMR Hiveen antamatta käyttäjän tunnistetietoja VPC:ssä. Siirry Data Wranglerin SQL Explorer -sivulle EMR:ää varten.
- Kun yhteys on muodostettu, voit tarkastella interaktiivisesti tietokantapuuta ja taulukon esikatselua tai skeemaa. Voit myös tiedustella, tutkia ja visualisoida tietoja EMR:stä. Esikatselua varten näet oletuksena 100 tietueen rajan. Kun olet antanut SQL-lauseen kyselyn muokkausruutuun ja napsauta ajaa -painiketta, kysely suoritetaan EMR:n Hive-moottorissa tietojen esikatselua varten.
- Peruuta kysely -painikkeella voit peruuttaa käynnissä olevat kyselyt, jos ne vievät epätavallisen kauan.
- Viimeinen vaihe on tuonti. Kun olet valmis käsittelemään kyselyn tietoja, voit päivittää tietojen valinnan otanta-asetukset otantatyypin (FirstK, Random tai Stratified) ja otantakoon mukaan tietojen tuomiseksi Data Wrangleriin.
Napauta Tuo. Valmistelusivu ladataan, jolloin voit lisätä tietojoukkoon erilaisia muunnoksia ja olennaisia analyyseja.
- Navigoida johonkin Tietovirta ylänäytöstä ja lisää kulkuun vaiheita tarpeen mukaan muunnoksia ja analyysiä varten. Voit ajaa a tietotietoraportti tunnistaa tietojen laatuongelmia ja saada suosituksia näiden ongelmien korjaamiseksi. Katsotaanpa joitain esimerkkimuunnoksia.
- In Tietovirta näkymästä, sinun pitäisi nähdä, että käytämme EMR:ää tietolähteenä Hive-liittimen avulla.
- Napsautamme kohtaa + painiketta oikealla puolella Tietotyypit ja valitse Lisää muunnos. Kun teet sen, palaat takaisin Päiväys näkymä.
Tutkitaan tietoja. Näemme, että siinä on useita ominaisuuksia, kuten iata_code, lentoasema, kaupunki, olivat, maa, leveysasteja pituusaste. Näemme, että koko tietojoukko perustuu yhteen maahan, joka on Yhdysvaltoihin, ja sieltä puuttuu arvoja leveysaste ja pituusaste. Puuttuvat tiedot voivat aiheuttaa harhaa parametrien arvioinnissa ja heikentää näytteiden edustavuutta, joten meidän on suoritettava joitakin syyksi lukeminen ja käsittelemme tietojoukostamme puuttuvia arvoja.
- Napsautamme kohtaa Lisää vaihe -painiketta navigointipalkissa oikealla. Valitse Kahva puuttuu. Kokoonpanot näkyvät seuraavissa kuvakaappauksissa.
Alle Muuttaa, valita Impute. Valitse Sarakkeen tyyppi as Numeerinen ja Syöttösarake nimet leveysaste ja pituusaste. Laskemme puuttuvat arvot käyttämällä likimääräistä mediaaniarvoa.
Napsauta ensin preview nähdäksesi puuttuva arvo ja napsauta sitten päivitä lisätäksesi muunnos.
- Katsotaanpa nyt toista muunnosesimerkkiä. Kun rakennat ML-mallia, sarakkeet poistetaan, jos ne ovat tarpeettomia tai eivät auta malliasi. Yleisin tapa poistaa sarake on pudottaa se. Tietojoukossamme ominaisuus maa voidaan hylätä, koska tietojoukko on tarkoitettu erityisesti Yhdysvaltain lentoasematietoihin. Voit hallita sarakkeita napsauttamalla Lisää vaihe -painiketta navigointipalkissa oikealla ja valitse Hallitse sarakkeita. Kokoonpanot näkyvät seuraavissa kuvakaappauksissa. Alla Muuttaavalitse Pudota sarake, ja alle Pudotettavat sarakkeetvalitse maa.
- Valitse preview ja sitten Päivitykset pudottaaksesi sarakkeen.
- Feature Store on arkisto ML-mallien ominaisuuksien tallentamiseen, jakamiseen ja hallintaan. Napsautamme kohtaa + painiketta oikealla puolella Pudota sarake. Valita Vie osoitteeseen Ja valitse SageMaker-ominaisuuskauppa (Jupyter-muistikirjan kautta).
- valitsemalla SageMaker-ominaisuuskauppa kohteena voit tallentaa ominaisuudet olemassa olevaan ominaisuusryhmään tai luoda uuden.
Olemme nyt luoneet ominaisuuksia Data Wranglerilla ja tallentaneet ne helposti Feature Storeen. Näimme esimerkin työnkulusta ominaisuussuunnittelusta Data Wrangler -käyttöliittymässä. Sitten tallensimme nämä ominaisuudet Feature Storeen suoraan Data Wranglerista luomalla uuden ominaisuusryhmän. Lopuksi suoritimme käsittelytyön näiden ominaisuuksien siirtämiseksi Feature Storeen. Data Wrangler ja Feature Store auttoivat meitä rakentamaan automaattisia ja toistettavia prosesseja, jotka virtaviivaistavat tietojen valmistelutehtävämme mahdollisimman vähäisellä koodauksella. Data Wrangler tarjoaa meille myös joustavuuden automatisoida sama tiedon valmisteluvirta käyttämällä aikataulutetut työt. Voimme myös automaattisesti kouluttaa ja ottaa käyttöön malleja SageMaker Autopilotin avulla Data Wranglerin visuaalisesta käyttöliittymästä tai luo koulutus- tai ominaisuussuunnitteluputki SageMaker Pipelinesin avulla (Jupyter Notebookin kautta) ja ota se käyttöön päätelmäpäätepisteessä SageMaker-päätelmäputken avulla (Jupyter Notebookin kautta).
Puhdistaa
Jos työsi Data Wranglerin kanssa on valmis, seuraavat vaiheet auttavat sinua poistamaan luodut resurssit lisäkulujen välttämiseksi.
- Sammuta SageMaker Studio.
Sulje SageMaker Studiossa kaikki välilehdet ja valitse sitten filee sitten Sulkea. Valitse pyydettäessä Sammuta kaikki.
Sammutus saattaa kestää muutaman minuutin esiintymän tyypin mukaan. Varmista, että kaikki käyttäjäprofiiliin liittyvät sovellukset on poistettu. Jos niitä ei poistettu, poista käyttäjäprofiiliin liitetty sovellus manuaalisesti.
- Tyhjennä kaikki S3-sangot, jotka on luotu CloudFormationin käynnistämisestä.
Avaa Amazon S3 -sivu etsimällä S3 AWS-konsolin haussa. Tyhjennä kaikki S3-ryhmät, jotka luotiin klustereita valmisteltaessa. Ämpäri olisi muotoa dw-emr-hive-blog-
.
- Poista SageMaker Studio EFS.
Avaa EFS-sivu etsimällä EFS AWS-konsolin hausta.
Etsi SageMakerin luoma tiedostojärjestelmä. Voit vahvistaa tämän napsauttamalla Tiedostojärjestelmän tunnus ja vahvistaa tunnisteen ManagedByAmazonSageMakerResource
på den Tunnisteet Tab.
- Poista CloudFormation-pinot. Avaa CloudFormation etsimällä ja avaamalla CloudFormation-palvelu AWS-konsolista.
Valitse malli alkaen dw- kuten seuraavassa näytössä näkyy, ja poista pino napsauttamalla Poista painiketta.
Tämä on odotettavissa, ja palaamme tähän ja puhdistamme sen seuraavissa vaiheissa.
- Poista VPC sen jälkeen, kun CloudFormation-pino ei valmistu. Avaa ensin VPC AWS-konsolista.
- Tunnista seuraavaksi SageMaker Studio CloudFormationin luoma VPC, jonka otsikko on
dw-emr-
ja poista VPC noudattamalla ohjeita. - Poista CloudFormation-pino.
Palaa CloudFormationiin ja yritä pinon poistamista uudelleen dw-emr-hive-blog
.
Saattaa loppuun! Kaikki tässä blogiviestissä kuvatun CloudFormation-mallin tarjoamat resurssit poistetaan nyt tililtäsi.
Yhteenveto
Tässä viestissä kävimme läpi, kuinka Amazon EMR asetetaan tietolähteeksi Data Wranglerissa, miten tietojoukko muutetaan ja analysoidaan ja kuinka tulokset viedään tietovirtaan käytettäväksi Jupyter-muistikirjassa. Kun visualisoimme tietojoukkomme Data Wranglerin sisäänrakennettujen analyyttisten ominaisuuksien avulla, paransimme edelleen tietovirtaamme. Se, että loimme tietojen valmisteluputkiston kirjoittamatta yhtään koodiriviä, on merkittävää.
Jos haluat aloittaa Data Wranglerin käytön, katso Valmista ML-tiedot Amazon SageMaker Data Wrangler -sovelluksella ja katso uusimmat tiedot Data Wrangler -tuotesivu ja AWS:n tekniset asiakirjat.
Tietoja Tekijät
Ajjay Govindaram on AWS:n vanhempi ratkaisuarkkitehti. Hän työskentelee strategisten asiakkaiden kanssa, jotka käyttävät tekoälyä/ML:ää monimutkaisten liiketoimintaongelmien ratkaisemiseen. Hänen kokemuksensa on teknisen ohjauksen ja suunnitteluavun tarjoaminen vaatimattomissa ja suurissa AI/ML-sovellusten käyttöönotoissa. Hänen tietämyksensä ulottuu sovellusarkkitehtuurista big dataan, analytiikkaan ja koneoppimiseen. Hän nauttii musiikin kuuntelusta lepääessään, ulkoiluun ja rakkaittensa kanssa viettämiseen.
Isha Dua on vanhempi ratkaisuarkkitehti San Franciscon lahden alueella. Hän auttaa AWS-yritysasiakkaita kasvamaan ymmärtämällä heidän tavoitteensa ja haasteensa, ja opastaa heitä suunnittelemaan sovelluksiaan pilvipohjaisella tavalla varmistaen samalla joustavuuden ja skaalautuvuuden. Hän on intohimoinen koneoppimistekniikoista ja ympäristön kestävyydestä.
Varun Mehta on ratkaisuarkkitehti AWS:ssä. Hän on intohimoinen auttamaan asiakkaita rakentamaan yritystason hyvin suunniteltuja ratkaisuja AWS-pilveen. Hän työskentelee strategisten asiakkaiden kanssa, jotka käyttävät tekoälyä/ML:ää monimutkaisten liiketoimintaongelmien ratkaisemiseen.
- 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/accelerate-time-to-insight-with-amazon-sagemaker-data-wrangler-and-the-power-of-apache-hive/
- :On
- $ YLÖS
- 1
- 10
- 100
- 11
- 7
- a
- Meistä
- kiihdyttää
- pääsy
- Access Protocol
- Mukaan
- Tili
- toimet
- Lisäksi
- lisä-
- admin
- neuvot
- Jälkeen
- AI / ML
- lentoasema
- Kaikki
- Salliminen
- mahdollistaa
- jo
- Amazon
- Amazon EC2
- Amazonin EMR
- Amazon Sage Maker
- Amazon SageMaker Data Wrangler
- Amazon SageMaker Studio
- määrät
- analyysit
- analyysi
- analyyttinen
- Analytics
- analysoida
- ja
- Toinen
- Apache
- sovelluksen
- Hakemus
- sovellukset
- sopiva
- sovellukset
- arkkitehtuuri
- OVAT
- ALUE
- AS
- Apu
- liittyvä
- At
- todentaa
- todennettu
- Authentication
- kirjoittaja
- automatisoida
- automaattisesti
- automaattisesti
- AWS
- AWS-pilven muodostuminen
- AWS-liima
- takaisin
- baari
- perustua
- Lahti
- BE
- koska
- ovat
- puolueellisuus
- Iso
- Big Data
- Blocks
- Blogi
- Laatikko
- tuoda
- rakentaa
- Rakentaminen
- sisäänrakennettu
- liiketoiminta
- nappia
- by
- CAN
- luettelo
- Aiheuttaa
- haasteet
- Muutokset
- tarkastaa
- Valita
- napsauttaa
- lähellä
- pilvi
- Cluster
- koodi
- Koodaus
- Sarake
- Pylväät
- Tulla
- Yhteinen
- täydellinen
- monimutkainen
- osat
- Laskea
- Vahvistaa
- kytkeä
- kytketty
- Kytkeminen
- liitäntä
- Yhdistää
- Console
- jatkaa
- maa
- kattaa
- luoda
- luotu
- luo
- Luominen
- Valtakirja
- kriittinen
- käyrä
- Asiakkaat
- tiedot
- Tietojen valmistelu
- tietojenkäsittely
- tietokanta
- aineistot
- sopimus
- oletusarvo
- Kysyntä
- osoittaa
- sijoittaa
- käyttöönotot
- on kuvattu
- Malli
- määränpää
- yksityiskohdat
- eri
- suunta
- suoraan
- löytää
- verkkotunnuksen
- Dont
- alas
- Pudota
- putosi
- kukin
- helposti
- toimittaja
- myöskään
- käytössä
- mahdollistaa
- päätepiste
- Moottori
- insinööri
- Tekniikka
- Engineers
- tehostettu
- varmistamalla
- enter
- yritys
- Koko
- ympäristö
- ympäristön
- olennainen
- perustaa
- arvioida
- esimerkki
- Esimerkit
- teloitus
- olemassa
- odotettu
- experience
- kokevat
- tutkia
- tutkimusmatkailija
- vienti
- epäonnistuu
- tuttu
- Ominaisuus
- Ominaisuudet
- Maksut
- harvat
- Vihdoin
- Etunimi
- Korjata
- virtaus
- seurata
- jälkeen
- varten
- Francisco
- alkaen
- edelleen
- saada
- Go
- Tavoitteet
- Ryhmä
- Ryhmän
- Kasvaa
- Oppaat
- kahva
- Olla
- auttaa
- auttanut
- auttaa
- auttaa
- Hive
- Etusivu
- isäntä
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- tunnistaa
- Identiteetti
- tuoda
- tuovan
- in
- Mukaan lukien
- tiedot
- tietoa
- esimerkki
- vuorovaikutteinen
- liitäntä
- osallistuva
- kysymykset
- IT
- Job
- Työpaikat
- jpg
- tuntemus
- suuri
- laaja
- Sukunimi
- uusin
- käynnistää
- oppiminen
- Vaikutusvalta
- piilee
- kevyt
- RAJOITA
- linja
- Kuunteleminen
- Pitkät
- pitkä aika
- katso
- rakastettu
- kone
- koneoppiminen
- tehdä
- hoitaa
- johto
- tapa
- käsin
- valikko
- ehkä
- minimi
- minuuttia
- puuttuva
- ML
- tila
- malli
- mallit
- lisää
- eniten
- moninkertainen
- Musiikki
- nimi
- nimetty
- nimet
- suunnistus
- Tarve
- Uusi
- muistikirja
- of
- on
- ONE
- jatkuva
- avata
- avaaminen
- Vaihtoehto
- Vaihtoehdot
- Muut
- ulkona
- sivulla
- parametrit
- osa
- intohimoinen
- Salasana
- Suorittaa
- suorittaa
- Oikeudet
- putki
- Platon
- Platonin tietotieto
- PlatonData
- Suosittu
- Kirje
- teho
- Valmistella
- valmistelee
- preview
- ongelmia
- prosessi
- Prosessit
- käsittely
- Tuotteet
- ammattilaiset
- Profiili
- protokolla
- toimittaa
- tarjoaa
- tarjoamalla
- säännös
- laatu
- nopeasti
- satunnainen
- valmis
- suosituksia
- asiakirjat
- vähentää
- vähentää
- alue
- poistaa
- poistettu
- toistettavissa
- Raportointi
- säilytyspaikka
- edustaa
- tarvitaan
- kimmoisuus
- Esittelymateriaalit
- tulokset
- arviot
- Rooli
- ajaa
- juoksu
- sagemaker
- SageMaker-johtopäätös
- SageMaker-putkistot
- sama
- San
- San Francisco
- Säästä
- skaalautuvuus
- Asteikko
- skenaario
- aikataulu
- tutkijat
- Näytön
- kuvakaappauksia
- Haku
- haku
- salaisuus
- Osa
- turvallisuus
- valittu
- valitsemalla
- valinta
- vanhempi
- palvelu
- setti
- settings
- Jaa:
- shouldnt
- esitetty
- merkittävä
- yksinkertaisesti
- koska
- single
- Koko
- So
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- lähde
- Lähteet
- Kipinä
- erityisesti
- menot
- Kaupallinen
- pino
- Stacks
- standardi
- alkoi
- Aloita
- Lausunto
- tilasto
- Tila
- Vaihe
- Askeleet
- verkkokaupasta
- tallennettu
- Strateginen
- tehostaa
- studio
- aliverkkoon
- myöhempi
- Onnistuneesti
- niin
- Tuetut
- kestävyys
- järjestelmä
- taulukko
- TAG
- ottaa
- vie
- ottaen
- tehtävät
- Tekninen
- Technologies
- sapluuna
- malleja
- Kiitos
- että
- -
- heidän
- Niitä
- Nämä
- kolmannen osapuolen
- Kautta
- aika
- että
- tänään
- yhdessä
- ylin
- Juna
- koulutus
- Muuttaa
- muunnokset
- ui
- varten
- ymmärtäminen
- unique
- Yleismaailmallinen
- Päivitykset
- URL
- us
- käyttää
- käyttäjä
- yleensä
- arvo
- arvot
- lajike
- eri
- kautta
- Näytä
- odottaa
- Tapa..
- viikkoa
- HYVIN
- joka
- vaikka
- KUKA
- leveä
- wikipedia
- tulee
- with
- sisällä
- ilman
- Referenssit
- toimii
- olisi
- kirjoittaa
- kirjoita koodi
- kirjoittaminen
- yaml
- Voit
- Sinun
- zephyrnet