Tietojen valmistelu on kriittinen vaihe kaikissa datalähtöisissä projekteissa, ja oikeat työkalut voivat parantaa huomattavasti toiminnan tehokkuutta. Amazon SageMaker Data Wrangler vähentää aikaa, joka kuluu taulukko- ja kuvatietojen kokoamiseen ja valmisteluun koneoppimista (ML) varten viikoista minuutteihin. SageMaker Data Wranglerin avulla voit yksinkertaistaa tietojen valmistelua ja ominaisuuksien suunnittelua ja suorittaa tietojen valmistelutyön jokaisen vaiheen, mukaan lukien tietojen valinnan, puhdistamisen, tutkimisen ja visualisoinnin yhdestä visuaalisesta käyttöliittymästä.
Tässä viestissä tutkimme SageMaker Data Wranglerin uusimpia ominaisuuksia, jotka on suunniteltu erityisesti parantamaan käyttökokemusta. Perehdymme tukemiseen Yksinkertainen säilytyspalvelu (Amazon S3) ilmeinen tiedostot, päättelyartefaktit interaktiivisessa tietovirrassa ja saumaton integrointi JSON (JavaScript Object Notation) johtopäätösten muotoa ja korostaa, kuinka nämä parannukset tekevät tietojen valmistelusta helpompaa ja tehokkaampaa.
Esittelyssä uusia ominaisuuksia
Tässä osiossa käsittelemme SageMaker Data Wranglerin uusia ominaisuuksia tietojen optimaalista valmistelua varten.
S3-luettelotiedostojen tuki SageMaker Autopilotilla ML-päätelmien tekemiseen
SageMaker Data Wrangler mahdollistaa a yhtenäinen tietojen valmistelu ja mallikoulutus kokemusta Amazon SageMaker -autopilotti muutamalla napsautuksella. SageMaker Autopilotin avulla voit automaattisesti kouluttaa, virittää ja ottaa käyttöön malleja tietovirrassasi muunnetuissa tiedoissa.
Tätä kokemusta on nyt yksinkertaistettu entisestään S3-luettelotiedostojen tuella. S3-luettelotiedosto on tekstitiedosto, jossa luetellaan S3-ämpäriin tallennetut objektit (tiedostot). Jos viety tietojoukkosi SageMaker Data Wranglerissa on melko suuri ja jaettu moniosaisiin datatiedostoihin Amazon S3:ssa, nyt SageMaker Data Wrangler luo automaattisesti luettelotiedoston S3:een, joka edustaa kaikkia näitä datatiedostoja. Tätä luotua luettelotiedostoa voidaan nyt käyttää SageMakerin Autopilot-käyttöliittymän kanssa SageMaker Data Wranglerissa kaikkien osioitujen tietojen poimimiseen harjoittelua varten.
Ennen tämän ominaisuuden käynnistämistä, kun käytit SageMaker Autopilot -malleja, jotka on koulutettu SageMaker Data Wranglerista valmistettuihin tietoihin, voit valita vain yhden datatiedoston, joka ei välttämättä edusta koko tietojoukkoa, varsinkin jos tietojoukko on erittäin suuri. Tämän uuden luettelotiedostokokemuksen avulla et rajoitu tietojoukkosi osajoukkoon. Voit rakentaa ML-mallin SageMaker Autopilotilla, joka edustaa kaikkia tietojasi luettelotiedoston avulla, ja käyttää sitä ML-päätelmässä ja tuotannon käyttöönotossa. Tämä ominaisuus parantaa toiminnan tehokkuutta yksinkertaistamalla koulutusta ML-malleja SageMaker Autopilotilla ja virtaviivaistamalla tietojenkäsittelyn työnkulkuja.
Lisätty tuki päättelyvirralle luoduissa artefakteissa
Asiakkaat haluavat ottaa mallin opetusdataan soveltamansa datamuunnokset, kuten yhden kuuman koodauksen, PCA:n ja imputoida puuttuvat arvot, ja soveltaa näitä datamuunnoksia reaaliaikaiseen päättelyyn tai eräpäätelmään tuotannossa. Tätä varten sinulla on oltava SageMaker Data Wrangler -päätelmäartefaktti, jonka SageMaker-malli kuluttaa.
Aiemmin päätelmäartefakteja voitiin luoda vain käyttöliittymästä, kun vietiin SageMaker Autopilot -koulutukseen tai vietiin päätelmäputken muistikirja. Tämä ei tarjonnut joustavuutta, jos halusit viedä SageMaker Data Wrangler -virtasi Amazon SageMaker Studio ympäristöön. Nyt voit luoda päätelmäartefaktin mille tahansa yhteensopivalle vuotiedostolle SageMaker Data Wrangler -käsittelytyön avulla. Tämä mahdollistaa ohjelmalliset, päästä päähän MLO:t SageMaker Data Wrangler -virrat koodiensimmäisille MLOps-persoille sekä intuitiivisen, koodittoman polun päätelmäartefaktin saamiseksi luomalla työ käyttöliittymästä.
Tietojen valmistelun virtaviivaistaminen
JSONista on tullut laajalti käytetty muoto tiedonvaihtoon nykyaikaisissa dataekosysteemeissä. SageMaker Data Wranglerin integraatio JSON-muotoon mahdollistaa JSON-tietojen saumattoman käsittelyn muuntamista ja puhdistusta varten. Tarjoamalla alkuperäisen tuen JSON:lle SageMaker Data Wrangler yksinkertaistaa strukturoidun ja puolistrukturoidun tiedon käsittelyä, jolloin voit poimia arvokkaita oivalluksia ja valmistella tietoja tehokkaasti. SageMaker Data Wrangler tukee nyt JSON-muotoa sekä erä- että reaaliaikaisessa päätepisteiden käyttöönotossa.
Ratkaisun yleiskatsaus
Käyttötapauksessamme käytämme näytettä Amazonin asiakkaiden arvostelujen tietojoukko näyttää, kuinka SageMaker Data Wrangler voi yksinkertaistaa uuden ML-mallin rakentamista SageMaker Autopilotin avulla. Amazonin asiakasarvostelutietojoukko sisältää Amazonin tuotearvioita ja metatietoja, mukaan lukien 142.8 miljoonaa arvostelua toukokuusta 1996 heinäkuuhun 2014.
Korkealla tasolla käytämme SageMaker Data Wrangleria tämän suuren tietojoukon hallintaan ja seuraavien toimien suorittamiseen:
- Kehitä ML-malli SageMaker Autopilotissa käyttämällä kaikkea tietojoukkoa, ei vain näytettä.
- Rakenna reaaliaikainen päättelyputki SageMaker Data Wranglerin luomasta päätelmäartefaktista ja käytä JSON-muotoilua syöttämiseen ja tulostukseen.
S3-luettelotiedostojen tuki SageMaker Autopilotin kanssa
Kun luot SageMaker Autopilot -kokeilua SageMaker Data Wranglerilla, voit aiemmin määrittää vain yhden CSV- tai Parquet-tiedoston. Nyt voit käyttää myös S3-luettelotiedostoa, jonka avulla voit käyttää suuria tietomääriä SageMaker Autopilot -kokeissa. SageMaker Data Wrangler osioi syötetyt datatiedostot automaattisesti useiksi pienemmiksi tiedostoiksi ja luo luettelon, jota voidaan käyttää SageMaker Autopilot -kokeessa kaikkien tietojen keräämiseksi interaktiivisesta istunnosta, ei vain pientä näytettä.
Suorita seuraavat vaiheet:
- Tuo Amazonin asiakasarvostelutiedot CSV-tiedostosta SageMaker Data Wrangleriin. Muista poistaa otanta käytöstä, kun tuot tietoja.
- Määritä muunnokset, jotka normalisoivat tiedot. Tässä esimerkissä poista symbolit ja muuta kaikki pieniksi käyttämällä SageMaker Data Wranglerin sisäänrakennettuja muunnoksia.
- Valita Junamalli aloittaa harjoittelu.
Mallin kouluttamiseksi SageMaker Autopilotilla SageMaker vie tiedot automaattisesti S3-säihöön. Tämän kaltaisissa suurissa tietojoukoissa se pilkkoo tiedoston automaattisesti pienempiin tiedostoihin ja luo luettelon, joka sisältää pienempien tiedostojen sijainnin.
- Valitse ensin syötetyt tiedot.
Aiemmin SageMaker Data Wranglerilla ei ollut mahdollisuutta luoda luettelotiedostoa käytettäväksi SageMaker Autopilotin kanssa. Tänään, kun manifestitiedostotuki on julkaistu, SageMaker Data Wrangler vie automaattisesti manifestitiedoston Amazon S3:een, esitäyttää SageMaker Autopilot -koulutuksen S3-sijainnin manifestitiedoston S3 sijainnilla ja vaihtaa manifestitiedoston vaihtoehdon asentoon. Kyllä. Luettelotiedoston luominen tai käyttäminen ei vaadi työtä.
- Määritä kokeilusi valitsemalla tavoite mallin ennustamiselle.
- Valitse seuraavaksi harjoitusmenetelmä. Tässä tapauksessa valitsemme auto ja anna SageMaker Autopilotin päättää paras harjoitusmenetelmä tietojoukon koon perusteella.
- Määritä käyttöönottoasetukset.
- Tarkista lopuksi työn kokoonpano ja lähetä SageMaker Autopilot -kokeilu koulutukseen. Kun SageMaker Autopilot suorittaa kokeen, voit tarkastella harjoitustuloksia ja tutkia parasta mallia.
Luettelotiedostojen tuen ansiosta voit käyttää koko tietojoukkoasi SageMaker Autopilot -kokeilussa, ei vain osaa tiedoistasi.
Lisätietoja SageMaker Autopilotin käyttämisestä SageMaker Data Wranglerin kanssa on kohdassa Yhtenäinen tietojen valmistelu ja mallikoulutus Amazon SageMaker Data Wranglerin ja Amazon SageMaker Autopilotin kanssa.
Luo päätelmien artefakteja SageMaker Processing -töistä
Katsotaanpa nyt, kuinka voimme luoda päätelmiä sekä SageMaker Data Wrangler -käyttöliittymän että SageMaker Data Wrangler -muistikirjojen kautta.
SageMaker Data Wrangler -käyttöliittymä
Käyttötapauksessamme haluamme käsitellä tietomme käyttöliittymän kautta ja käyttää sitten saatuja tietoja mallin kouluttamiseen ja käyttöönottoon SageMaker-konsolin kautta. Suorita seuraavat vaiheet:
- Avaa edellisessä osiossa luomasi tietovirta.
- Valitse plusmerkki viimeisen muunnoksen vierestä, valitse Lisää määränpää, ja valitse Amazon S3. Tämä on paikka, jossa käsitellyt tiedot tallennetaan.
- Valita Luo työpaikka.
- valita Luo päätelmäartefakteja Päättelyparametrit -osiossa luodaksesi päättelyartefaktin.
- Kirjoita päätelmäartefaktin nimi kohtaan Päätelmäartefaktin nimi (tiedostotunniste on .tar.gz).
- Syötä Inference output node -kohdassa harjoitustietoihisi käytettyjä muunnoksia vastaava kohdesolmu.
- Valita Määritä työ.
- Alle Työn määritys, anna polku kohteelle Flow-tiedoston S3 sijainti. Kansio nimeltä
data_wrangler_flows
luodaan tähän sijaintiin, ja päättelyartefaktti ladataan tähän kansioon. Jos haluat muuttaa lähetyspaikkaa, aseta toinen S3-sijainti. - Jätä oletusasetukset kaikille muille vaihtoehdoille ja valitse luoda käsittelytyön luomiseksi.
Käsittelytyö luo atarball (.tar.gz)
sisältää muokatun tietovirtatiedoston, jossa on äskettäin lisätty päättelyosa, jonka avulla voit käyttää sitä johtopäätösten tekemiseen. Tarvitset päättelyartefaktin S3 yhtenäisen resurssitunnisteen (URI), jotta artefakti saadaan toimitettua SageMaker-malliin, kun otat johtopäätösratkaisusi käyttöön. URI on muodossa{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Jos et ole huomannut näitä arvoja aiemmin, voit etsiä tarvittavat tiedot valitsemalla linkin käsittelytyöhön. Esimerkissämme URI on
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- Kopioi arvo Käsitellään kuvaa; tarvitsemme tämän URI:n myös mallia luodessaan.
- Tämän URI:n avulla voimme nyt luoda SageMaker-mallin SageMaker-konsolissa, jonka voimme myöhemmin ottaa käyttöön päätepisteeseen tai erämuunnostyöhön.
- Alle Mallin asetukset¸ anna mallin nimi ja määritä IAM-rooli.
- varten Säilön syöttövaihtoehdotvalitse Anna malliesineet ja päättele kuvan sijainti.
- varten Päätelmäkoodikuvan sijainti, anna käsittelykuvan URI.
- varten Malliesineiden sijainti, kirjoita päättelyartefaktin URI.
- Lisäksi, jos tiedoillasi on kohdesarake, jonka koulutettu ML-malli ennustaa, määritä kyseisen sarakkeen nimi kohdassa Ympäristömuuttujat, kanssa
INFERENCE_TARGET_COLUMN_NAME
as avain ja sarakkeen nimi muodossa Arvo. - Lopeta mallin luominen valitsemalla Luo malli.
Meillä on nyt malli, jonka voimme ottaa käyttöön päätepisteeseen tai erämuunnostyöhön.
SageMaker Data Wrangler -muistikirjat
Koodiensimmäistä lähestymistapaa varten päättelyartefaktin luomiseksi käsittelytyöstä voimme löytää esimerkkikoodin valitsemalla Vie osoitteeseen solmuvalikosta ja valitse jompikumpi Amazon S3, SageMaker-putkistottai SageMaker Inference Pipeline. Me valitsemme SageMaker Inference Pipeline tässä esimerkissä.
Tässä muistikirjassa on osio nimeltä Luo prosessori (tämä on identtinen SageMaker Pipelines -muistikirjassa, mutta Amazon S3 -muistikirjassa vastaava koodi on Työn kokoonpanot jakso). Tämän osion alareunassa on konfiguraatio päätelmäartefaktillemme nimeltä inference_params
. Se sisältää samat tiedot, jotka näimme käyttöliittymässä, nimittäin päättelyartefaktin nimen ja päättelyn lähtösolmun. Nämä arvot täytetään valmiiksi, mutta niitä voidaan muokata. Lisäksi on parametri nimeltä use_inference_params
, joka on asetettava True
käyttääksesi tätä kokoonpanoa käsittelytyössä.
Alempana on osio nimeltä Määritä putkilinjan vaiheet, Jossa inference_params
konfiguraatio liitetään työn argumenttien luetteloon ja siirretään SageMaker Data Wrangler -käsittelyvaiheen määritykseen. Amazon S3 -muistikirjassa job_arguments
määritellään välittömästi sen jälkeen Työn kokoonpanot osiossa.
Näillä yksinkertaisilla kokoonpanoilla tämän muistikirjan luoma käsittelytyö luo päätelmäartefaktin samaan S3-sijaintiin kuin vuotiedostomme (määritelty aiemmin muistikirjassamme). Voimme määrittää ohjelmallisesti tämän S3-sijainnin ja käyttää tätä artefaktia SageMaker-mallin luomiseen käyttämällä SageMaker Python SDK, joka näkyy SageMaker Inference Pipeline -muistikirjassa.
Samaa lähestymistapaa voidaan soveltaa mihin tahansa Python-koodiin, joka luo SageMaker Data Wrangler -käsittelytyön.
JSON-tiedostomuodon tuki tulolle ja ulostulolle päättelyn aikana
On melko yleistä, että verkkosivustot ja sovellukset käyttävät JSONia sovellusliittymien pyyntönä/vastauksena, jotta tiedot on helppo jäsentää eri ohjelmointikielillä.
Aiemmin, kun sinulla oli koulutettu malli, pystyit olemaan vuorovaikutuksessa sen kanssa vain CSV:n kautta syöttömuodossa SageMaker Data Wrangler -päätelmäputkessa. Nykyään voit käyttää JSON:ia syöttö- ja tulostusmuotona, mikä tarjoaa enemmän joustavuutta vuorovaikutuksessa SageMaker Data Wrangler -päätelmäsäiliöiden kanssa.
Aloita JSON-protokollan käyttäminen päätelmäliukuhihnan muistikirjan syöttämiseen ja ulostuloon suorittamalla seuraavat vaiheet:
- Määrittele hyötykuorma.
Jokaiselle hyötykuormalle malli odottaa avainta nimeltä esiintymät. Arvo on luettelo objekteista, joista jokainen on oma tietopisteensä. Objektit vaativat avaimen, jota kutsutaan ominaisuuksiksi, ja arvojen tulee olla yksittäisen datapisteen ominaisuuksia, jotka on tarkoitus lähettää malliin. Yhdessä pyynnössä voidaan lähettää useita tietopisteitä, yhteensä enintään 6 Mt pyyntöä kohden.
Katso seuraava koodi:
- Määritä
ContentType
asapplication/json
. - Anna tiedot mallille ja vastaanota päätelmät JSON-muodossa.
nähdä Yleiset tietomuodot päätelmiä varten JSON-esimerkkeihin.
Puhdistaa
Kun olet lopettanut SageMaker Data Wranglerin käytön, suosittelemme, että suljet sen ajettavan ilmentymän, jotta vältytään lisäkuluilta. Katso ohjeet SageMaker Data Wrangler -sovelluksen ja siihen liittyvän ilmentymän sulkemisesta Sammuta Data Wrangler.
Yhteenveto
SageMaker Data Wranglerin uudet ominaisuudet, kuten tuki S3-luettelotiedostoille, päättelyominaisuudet ja JSON-muotojen integrointi, muuttavat tietojen valmistelun käyttökokemusta. Nämä parannukset virtaviivaistavat tietojen tuontia, automatisoivat tietojen muunnoksia ja yksinkertaistavat työskentelyä JSON-tietojen kanssa. Näiden ominaisuuksien avulla voit parantaa toimintasi tehokkuutta, vähentää manuaalista työtä ja poimia arvokkaita oivalluksia tiedoistasi helposti. Hyödynnä SageMaker Data Wranglerin uusien ominaisuuksien voima ja hyödynnä tietojen valmistelutyönkulkujesi täysi potentiaali.
Aloita SageMaker Data Wranglerin käyttäminen tutustumalla uusimpiin tietoihin SageMaker Data Wrangler -tuotesivu.
Tietoja kirjoittajista
Munish Dabra on johtava ratkaisuarkkitehti Amazon Web Servicesissä (AWS). Hänen tämänhetkisen painopistealueensa ovat AI/ML ja Observability. Hänellä on vahva tausta skaalautuvien hajautettujen järjestelmien suunnittelusta ja rakentamisesta. Hän nauttii auttaa asiakkaita innovoimaan ja muuttamaan liiketoimintaansa AWS:ssä. LinkedIn: /mdabra
Patrick Lin on ohjelmistokehitysinsinööri Amazon SageMaker Data Wranglerilla. Hän on sitoutunut tekemään Amazon SageMaker Data Wranglerista ykköstyökalun tuotantomuotoisten ML-työnkulkujen tietojen valmisteluun. Työn ulkopuolella voit tavata hänet lukemassa, kuuntelemassa musiikkia, keskustelemassa ystävien kanssa ja palvelemassa kirkossaan.
- 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. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- toimet
- lisä-
- lisä-
- Lisäksi
- hyväksytty
- Jälkeen
- AI / ML
- Kaikki
- Salliminen
- mahdollistaa
- Myös
- Amazon
- Amazon Sage Maker
- Amazon SageMaker -autopilotti
- Amazon SageMaker Data Wrangler
- Amazon Web Services
- Amazon Web Services (AWS)
- määrät
- an
- ja
- Kaikki
- API
- sovelluksen
- sovellukset
- sovellettu
- käyttää
- lähestymistapa
- OVAT
- alueet
- perustelut
- AS
- liittyvä
- At
- automatisoida
- automaattisesti
- välttää
- AWS
- tausta
- perustua
- BE
- tulevat
- ovat
- PARAS
- Iso
- sekä
- pohja
- Tauko
- rakentaa
- Rakentaminen
- sisäänrakennettu
- liiketoiminta
- mutta
- by
- nimeltään
- CAN
- kyvyt
- tapaus
- muuttaa
- maksut
- tarkastaa
- Valita
- valita
- kirkko
- Siivous
- koodi
- Sarake
- sitoutunut
- Yhteinen
- yhteensopiva
- täydellinen
- Täydentää
- Konfigurointi
- Console
- kulutetaan
- Kontit
- sisältää
- keskustelut
- vastaava
- voisi
- luoda
- luotu
- luo
- Luominen
- kriittinen
- Nykyinen
- asiakas
- Asiakkaat
- tiedot
- Tiedonvaihto
- datapisteet
- Tietojen valmistelu
- tietojenkäsittely
- data-driven
- aineistot
- päivä
- päättää
- oletusarvot
- määritelty
- määritelmä
- kaivaa
- osoittivat
- sijoittaa
- levityspinnalta
- käyttöönotto
- suunniteltu
- suunnittelu
- määränpää
- yksityiskohdat
- Määrittää
- Kehitys
- eri
- pohtia
- jaettu
- hajautetut järjestelmät
- do
- alas
- aikana
- kukin
- Aikaisemmin
- helpottaa
- helpompaa
- helppo
- ekosysteemit
- tehokkuus
- tehokas
- tehokkaasti
- vaivaa
- myöskään
- omaksua
- mahdollistaa
- mahdollistaa
- päittäin
- päätepiste
- insinööri
- Tekniikka
- parantaa
- parannuksia
- Parantaa
- enter
- Koko
- ympäristö
- Vastaava
- erityisesti
- EVER
- Joka
- joka päivä
- kaikki
- esimerkki
- Esimerkit
- Vaihdetaan
- odottaa
- experience
- kokeilu
- kokeiluja
- tutkimus
- tutkia
- vienti
- vientiä
- laajentaminen
- uute
- Ominaisuus
- Ominaisuudet
- harvat
- filee
- Asiakirjat
- Löytää
- Joustavuus
- virtaus
- virrat
- Keskittää
- seurata
- jälkeen
- varten
- muoto
- muoto
- ystäviä
- alkaen
- koko
- edelleen
- tuottaa
- syntyy
- saada
- suuresti
- HAD
- kahva
- Olla
- ottaa
- he
- auttaa
- Korkea
- korostus
- häntä
- hänen
- Miten
- Miten
- HTML
- HTTPS
- i
- identtinen
- tunniste
- if
- kuva
- heti
- tuoda
- tuovan
- parantaa
- in
- sisältää
- Mukaan lukien
- tiedot
- innovoida
- panos
- oivalluksia
- esimerkki
- ohjeet
- integraatio
- tarkoitettu
- olla vuorovaikutuksessa
- vuorovaikutuksessa
- vuorovaikutteinen
- liitäntä
- tulee
- intuitiivinen
- IT
- SEN
- JavaScript
- Job
- jpg
- json
- heinäkuu
- vain
- avain
- kielet
- suuri
- Sukunimi
- myöhemmin
- uusin
- käynnistää
- oppiminen
- antaa
- Taso
- pitää
- rajallinen
- LINK
- Lista
- Kuunteleminen
- Listat
- sijainti
- katso
- kone
- koneoppiminen
- tehdä
- Tekeminen
- hoitaa
- manuaalinen
- Saattaa..
- valikko
- Metadata
- menetelmä
- ehkä
- miljoona
- minuuttia
- puuttuva
- ML
- MLOps
- malli
- mallit
- Moderni
- muokattu
- lisää
- tehokkaampi
- moninkertainen
- Musiikki
- täytyy
- nimi
- nimetty
- nimittäin
- syntyperäinen
- välttämätön
- Tarve
- tarpeet
- Uusi
- Uudet ominaisuudet
- hiljattain
- seuraava
- Nro
- solmu
- muistikirja
- nyt
- numero
- objekti
- esineet
- of
- on
- ONE
- vain
- toiminta-
- optimaalinen
- Optimoida
- Vaihtoehto
- Vaihtoehdot
- or
- Muut
- meidän
- ulos
- ulostulo
- ulkopuolella
- oma
- parametri
- parametrit
- Hyväksytty
- polku
- varten
- Suorittaa
- poimia
- putki
- Platon
- Platonin tietotieto
- PlatonData
- plus
- Kohta
- pistettä
- Kirje
- mahdollinen
- teho
- ennustaa
- ennusti
- valmistelu
- Valmistella
- valmis
- aika
- aiemmin
- Pääasiallinen
- prosessi
- Käsitelty
- käsittely
- Tuotteet
- Tuotearvostelut
- tuotanto
- ohjelmallinen
- Ohjelmointi
- ohjelmointikielet
- projekti
- toimittaa
- tarjoamalla
- Python
- Lukeminen
- reaaliaikainen
- vastaanottaa
- suositella
- vähentää
- vähentää
- vapauta
- merkityksellinen
- poistaa
- edustaa
- edustavat
- pyyntö
- edellyttää
- resurssi
- Saatu ja
- tulokset
- arviot
- Arvostelut
- oikein
- Rooli
- toimii
- s
- sagemaker
- SageMaker-johtopäätös
- SageMaker-putkistot
- sama
- näki
- skaalautuva
- saumaton
- saumattomasti
- Osa
- nähdä
- valitsemalla
- valinta
- Palvelut
- palvelevat
- Istunto
- setti
- settings
- useat
- shouldnt
- näyttää
- sulkea
- merkki
- Yksinkertainen
- yksinkertaistettu
- yksinkertaistaa
- yksinkertaistaminen
- single
- Koko
- pieni
- pienempiä
- So
- Tuotteemme
- ohjelmistokehitys
- ratkaisu
- Ratkaisumme
- jännitys
- erityisesti
- jakaa
- Alkaa
- alkoi
- Vaihe
- Askeleet
- Levytila
- tallennettu
- tehostaa
- virtaviivaistaminen
- vahva
- jäsennelty
- antaa
- toimitettu
- niin
- tuki
- Tukee
- varma
- järjestelmät
- ottaa
- vie
- Kohde
- että
- -
- tiedot
- heidän
- sitten
- Siellä.
- Nämä
- tätä
- ne
- Kautta
- aika
- nimeltään
- että
- tänään
- liian
- työkalu
- työkalut
- Yhteensä
- Juna
- koulutettu
- koulutus
- Muuttaa
- Muutos
- muunnokset
- transformoitu
- muunnoksia
- Kahdesti
- ui
- varten
- avata
- ladattu
- käyttää
- käyttölaukku
- käytetty
- käyttämällä
- arvokas
- arvo
- arvot
- hyvin
- kautta
- Näytä
- visualisointi
- haluta
- halusi
- we
- verkko
- verkkopalvelut
- sivustot
- viikkoa
- HYVIN
- kun
- joka
- laajalti
- tulee
- with
- Referenssit
- työnkulku
- työnkulkuja
- työskentely
- Voit
- Sinun
- zephyrnet