Amazon SageMaker JumpStart a SageMaker gépi tanulási (ML) központja, amely előre betanított, nyilvánosan elérhető modelleket kínál számos problématípushoz, hogy segítsen elkezdeni a gépi tanulást.
Az ügyfelek viselkedésének megértése ma minden vállalkozás számára a legfontosabb. Ha betekintést nyer abba, hogy az ügyfelek miért és hogyan vásárolnak, az növelheti a bevételt. Az ügyfelek lemorzsolódása olyan probléma, amellyel a távközléstől a banki szolgáltatásokig a vállalatok széles köre szembesül, ahol az ügyfelek jellemzően elvesznek a versenytársak előtt. A vállalat érdeke a meglévő ügyfelek megtartása, ahelyett, hogy új ügyfeleket szereznének, mivel általában lényegesen többe kerül az új ügyfelek vonzása. Amikor megpróbálják megtartani az ügyfeleket, a vállalatok gyakran azokra az ügyfelekre összpontosítják erőfeszítéseiket, akik nagyobb valószínűséggel távoznak. A felhasználói viselkedés és az ügyfélszolgálati csevegési naplók értékes mutatókat tartalmazhatnak arra vonatkozóan, hogy az ügyfél milyen valószínűséggel fejezi be a szolgáltatást. Ebben a megoldásban egy lemorzsolódás-előrejelzési modellt tanítunk és alkalmazunk, amely a legmodernebb természetes nyelvi feldolgozási (NLP) modellt használja a hasznos jelek szövegben való megtalálásához. A szöveges bevitelek mellett ez a modell hagyományos strukturált adatbeviteleket, például numerikus és kategorikus mezőket használ.
A multimodalitás egy multidiszciplináris kutatási terület, amely a mesterséges intelligencia egyes eredeti céljaival foglalkozik több modalitás integrálásával és modellezésével. Ennek a bejegyzésnek az a célja, hogy olyan modellt hozzon létre, amely képes feldolgozni és összekapcsolni az információkat többféle módozattal, például táblázatos és szöveges jellemzőkkel.
Megmutatjuk, hogyan lehet betanítani, telepíteni és használni egy olyan lemorzsolódás-előrejelzési modellt, amely numerikus, kategorikus és szöveges jellemzőket dolgozott fel az előrejelzéshez. Bár ebben a bejegyzésben mélyrehatóan belemerülünk egy lemorzsolódási előrejelzés használati esetébe, ezt a megoldást sablonként használhatja az előre betanított modellek finomhangolására saját adatkészletével, majd ezt követően futtathatja a hiperparaméter-optimalizálást (HPO) a pontosság növelése érdekében. Akár le is cserélheti a példaadatkészletet a sajátjával, és végpontokig futtathatja saját használati eseteinek megoldásához. A bejegyzésben vázolt megoldás elérhető a GitHub.
JumpStart megoldássablonok
Amazon SageMaker JumpStart egykattintásos, végpontok közötti megoldásokat kínál számos gyakori ML használati esethez. Az elérhető megoldássablonokkal kapcsolatos további információkért tekintse meg a következő használati eseteket:
A JumpStart megoldássablonok számos felhasználási esetet lefednek, amelyek mindegyike alatt több különböző megoldássablon található (ez a Dokumentumértelmezési megoldás az „Adatok kinyerése és elemzése dokumentumokból” használati eset alatt található).
A JumpStart nyitóoldaláról válassza ki az Ön használati esetének leginkább megfelelő megoldássablont. Az egyes használati esetekre vonatkozó konkrét megoldásokról és a JumpStart megoldás elindításának módjáról lásd: Megoldási sablonok.
Megoldás áttekintése
A következő ábra bemutatja, hogyan használhatja ezt a megoldást Amazon SageMaker alkatrészek. A SageMaker képzési feladatok a különböző NLP-modellek betanítására szolgálnak, a SageMaker-végpontok pedig a modellek telepítésére minden szakaszban. Használjuk Amazon egyszerű tárolási szolgáltatás (Amazon S3) a SageMaker mellett a képzési adatok és a modelltermékek tárolására, és amazonfelhőóra a képzési és végponti kimenetek naplózására.
A lemorzsolódás előrejelzési problémájának megoldását a következő lépésekkel közelítjük meg:
- Adatfeltárás az adatok ML-készsé tételére.
- Tanítson multimodális modellt a Ölelõ arc mondattranszformátor és a Scikit-learn véletlenszerű erdőosztályozó.
- Javítsa tovább a modell teljesítményét a HPO használatával SageMaker automatikus modelltuning.
- Vonat kettő AutoGluon multimodális modellek: egy AutoGluon multimodális súlyozott/halmozott együttes modell és egy AutoGluon multimodális fúziós modell.
- Értékelje és hasonlítsa össze a modell teljesítményét a holdout teszt adatain.
Előfeltételek
Kipróbálni a megoldások a saját fiókjában győződjön meg arról, hogy a következők vannak a helyén:
- AWS-fiók. Ha nincs fiókja, akkor megteheti iratkozz fel egyet.
- A bejegyzésben vázolt megoldás a SageMaker JumpStart része. A JumpStart megoldás futtatásához és az infrastruktúra AWS-fiókjában való üzembe helyezéséhez létre kell hoznia egy aktív fiókot Amazon SageMaker Studio példány (lásd Bekapcsolva az Amazon SageMaker Studio-ba). Amikor a Studio-példány készen áll, használja a JumpStart utasításait a megoldás elindításához.
- Ennek futtatásakor jegyzetfüzet a Stúdióban, győződjön meg arról, hogy a Python 3 (PyTorch 1.10 Python 3.8 CPU optimalizálva) kép/kernelt használunk.
A jegyzetfüzet futtatásához a megoldásban leírtak szerint telepítheti a szükséges csomagokat:
Nyissa meg a lemorzsolódás előrejelzésének használati esetét
A Studio konzolon válassza a lehetőséget Megoldások, modellek, példafüzetek alatt Gyorsindítási megoldások a navigációs ablakban. Navigáljon a Lemorzsolódás előrejelzés szöveggel megoldás a JumpStartban.
Most közelebbről is megvizsgálhatunk néhány olyan eszközt, amelyek ebben a megoldásban szerepelnek.
Adatfeltárás
Először töltsük le a teszt, érvényesítés és betanítás adatkészletet a forrás S3 tárolóból, és töltsük fel az S3 tárolónkba. A következő képernyőképen 10 megfigyelést láthatunk az edzési adatokról.
Kezdjük a vonat és az érvényesítési adatkészlet feltárásával.
Amint látja, különböző funkciókkal rendelkezünk, mint pl CustServ Calls
, Day Charge
és Day Calls
amelyet a céloszlop előrejelzésére használunk y
(függetlenül attól, hogy az ügyfél elhagyta-e a szolgáltatást).
y
az úgynevezett cél attribútum: az az attribútum, amelyet az ML modelltől előre jelezni szeretnénk. Mivel a célattribútum bináris, modellünk bináris előrejelzést hajt végre, más néven bináris osztályozás.
21 szolgáltatás van, beleértve a célváltozót. A betanítási és érvényesítési adatok példáinak száma 43,000 5,000, illetve XNUMX XNUMX.
A következő képernyőkép a képzési adatkészlet összefoglaló statisztikáit mutatja.
Feltártuk az adatkészletet, és felosztottuk képzési, érvényesítési és tesztkészletekre. A képzési és érvényesítési készlet képzéshez és HPO-hoz használatos. A tesztkészletet a modell teljesítményértékelésének tartókészleteként használják. Most elvégezzük a jellemző tervezési lépéseket, majd beillesztjük a modellt.
Szereljen fel egy multimodális modellt Hugging Face mondattranszformátorral és Scikit-learn véletlenszerű erdőosztályozóval
A modellképzés két részből áll: egy jellemzőtervezési lépésből, amely numerikus, kategorikus és szöveges jellemzőket dolgoz fel, és egy modellillesztési lépésből, amely az átalakított jellemzőket egy Scikit-learn véletlenszerű erdőosztályozó.
A funkciótervezéshez a következő lépéseket hajtjuk végre:
- Töltse ki a hiányzó értékeket a numerikus jellemzőkhöz.
- Kategorikus jellemzők kódolása egyszeri értékekbe, ahol a hiányzó értékek az egyes jellemzők egyik kategóriájának számítanak.
- Használat Ölelõ arc mondattranszformátor a szövegjellemző kódolása egy X-dimenziós sűrű vektor létrehozásához, ahol X értéke egy adott mondattranszformátortól függ.
Kiválasztjuk a három legtöbbet letöltött mondattranszformátor modellt, és ezeket használjuk a következő modellillesztésben és HPO-ban. Konkrétan használjuk all-MiniLM-L6-v2, multi-qa-mpnet-base-dot-v1és parafrázis-MiniLM-L6-v2. A véletlenszerű erdőosztályozó hiperparamétereihez lásd a GitHub repo.
A következő ábra a modell architektúra diagramját mutatja be.
Számos hiperparamétert hangolhat, például n-becslők, max-depth és bootstrap. További részletekért lásd a GitHub repo.
Bemutatási célokra csak numerikus jellemzőket használunk CustServ Calls
és a Account Length
, kategorikus jellemzők plan
és limit
, és szöveg funkció text
hogy illeszkedjen a modellhez. A több funkciót , jellel kell elválasztani.
A modellt a képzés befejezése után telepítjük:
Amikor új végpontunkat a notebookból hívjuk, SageMaker SDK-t használunk Predictor. A Predictor
arra szolgál, hogy adatokat küldjön egy végponthoz (kérelem részeként), és értelmezze a választ. A JSON a bemeneti adatok és a kimeneti válasz formátumaként is használatos, mivel ez egy szabványos végpontformátum, és a végponti válasz tartalmazhat beágyazott adatstruktúrákat.
Ha modellünket sikeresen telepítettük, és előrejelzőnket konfiguráltunk, kipróbálhatjuk a lemorzsolódás előrejelzési modelljét egy példa bemeneten:
A következő kód a végpont lekérdezéséből származó választ (a lemorzsolódás valószínűségét) mutatja:
Vegye figyelembe, hogy a modell által visszaadott valószínűség nincs kalibrálva. Ha a modell például 20%-os lemorzsolódási valószínűséget ad meg, ez nem feltétlenül jelenti azt, hogy az ügyfelek 20%-a 20%-os valószínűséggel eredményezett lemorzsolódást. A kalibrálás bizonyos körülmények között hasznos tulajdonság, de nem szükséges olyan esetekben, amikor elegendő a lemorzsolódás és a nem lemorzsolódás megkülönböztetése. CalibratedClassifierCV ból ből Scikit elsajátítható modell kalibrálására használható.
Most lekérdezzük a végpontot a kitartási tesztadatok segítségével, amelyek 1,939 példából állnak. Az alábbi táblázat összefoglalja a Hugging Face mondattranszformátorral és a Scikit-learn véletlenszerű erdőosztályozóval ellátott multimodális modellünk értékelési eredményeit.
Metric | BERT + Random Forest |
Pontosság | 0.77463 |
ROC AUC | 0.75905 |
A modell teljesítménye a hiperparaméter-konfigurációtól függ. Egy modell betanítása egyetlen hiperparaméter-konfigurációval nem garantálja az optimális modellt. Ennek eredményeként a következő részben futtatjuk a HPO folyamatot a modell teljesítményének további javítása érdekében.
Szereljen fel egy multimodális modellt HPO-val
Ebben a részben tovább javítjuk a modell teljesítményét a HPO tuning hozzáadásával SageMaker automatikus modelltuning. A SageMaker automatikus modellhangolás, más néven hiperparaméter-hangolás, úgy találja meg a modell legjobb verzióját, hogy számos betanítási feladatot futtat az adatkészleten az Ön által megadott algoritmus és hiperparaméter-tartományok használatával. Ezután kiválasztja azokat a hiperparaméter-értékeket, amelyek a legjobban teljesítő modellt eredményezik, az Ön által választott mérőszámmal mérve. Az érvényesítési adatokon kiválasztásra kerül a legjobb modell és a hozzá tartozó hiperparaméterek. Ezután a legjobb modellt a kitartási tesztadatok alapján értékeljük, amelyek ugyanazok a tesztadatok, amelyeket az előző részben készítettünk. Végül megmutatjuk, hogy a HPO-val betanított modell teljesítménye lényegesen jobb, mint a HPO nélkül betanított modellé.
A következők azok a statikus hiperparaméterek, amelyeket nem hangolunk, és a dinamikus hiperparaméterek, amelyeket hangolni akarunk, és ezek keresési tartományai:
Meghatározzuk az objektív metrika nevét, a metrika definícióját (regex mintával) és az objektív típusát a hangolási feladathoz.
Először az érvényesítési adatok pontossági pontszámaként állítjuk be a célt (roc auc score on validation data
) és metrikákat definiált a hangolási feladathoz az objektív metrikanév és egy reguláris kifejezés (regex) megadásával. A reguláris kifejezés az algoritmus naplókimenetének egyeztetésére és a metrikák numerikus értékeinek rögzítésére szolgál.
Ezután hiperparaméter-tartományokat adunk meg a legjobb hiperparaméter-értékek kiválasztásához. A hangolási feladatok teljes számát 10-ben állítjuk be, és ezeket a munkákat öt különbözőre osztjuk ki Amazon rugalmas számítási felhő (Amazon EC2) példányok párhuzamos hangolási feladatok futtatásához.
Végül ezeket az értékeket adjuk át egy SageMaker Estimator objektum példányosításához, hasonlóan ahhoz, amit az előző tanítási lépésben tettünk. Ahelyett, hogy a Becslő objektum fit függvényét hívnánk meg, a Becslő objektumot paraméterként adjuk át a HyperparameterTuner konstruktort, és hívja meg annak fit függvényét a hangolási feladatok elindításához:
Amikor a hangolási feladat befejeződött, előállíthatjuk az összes hangolási feladat összesítő táblázatát.
A hangolási feladatok befejezése után telepítjük azt a modellt, amely a legjobb értékelési metrika pontszámot adja az érvényesítési adatkészleten, következtetéseket hajtunk végre ugyanazon a kitartási tesztadatkészleten, amelyet az előző részben tettünk, és kiszámítjuk az értékelési metrikákat.
Metric | BERT + Random Forest | BERT + Random Forest HPO-val |
Pontosság | 0.77463 | 0.9278 |
ROC AUC | 0.75905 | 0.79861 |
Láthatjuk, hogy a HPO futtatása SageMaker automatikus modellhangolással jelentősen javítja a modell teljesítményét.
A HPO mellett a modell teljesítménye az algoritmustól is függ. Fontos több korszerű algoritmus betanítása, teljesítményük összehasonlítása ugyanazon kitartási tesztadatokon, és kiválasztani az optimálisat. Ezért a következő szakaszokban további két AutoGluon multimodális modellt tanítunk.
Illessze az AutoGluon multimodális súlyozott/halmozott együttes modellt
Kétféle AutoGluon multimodalitás létezik:
- Több táblázatos modell képzése, valamint a
TextPredictor
modell (felhasználva aTextPredictor
modell belülTabularPredictor
), majd kombinálja őket súlyozott együttesen vagy halmozott együttesen keresztül, amint azt a AutoGluon-Tabular: Robusztus és pontos AutoML a strukturált adatokhoz - Egyesítsen közvetlenül több neurális hálózati modellt, és kezelje a nyers szöveget (amely további numerikus és kategorikus oszlopok kezelésére is alkalmas)
Ebben a részben először egy multimodális súlyozott vagy halmozott együttes modellt tanítunk, a következő részben pedig egy fúziós neurális hálózati modellt.
Először lekérjük az AutoGluon edzési képet:
Ezután átadjuk a hiperparamétereket. Ellentétben a meglévő AutoML-keretrendszerekkel, amelyek elsősorban a modell- vagy hiperparaméter-kiválasztásra összpontosítanak, az AutoGluonTabular több modell összeállításával és több rétegbe rakásával sikeres. Ezért az AutoGluon ensemble modellekhez általában nincs szükség HPO-ra.
Végül létrehozzuk a SageMaker Becslő és hívja estimator.fit()
képzési munka megkezdéséhez:
A betanítás befejezése után lekérjük az AutoGluon következtetési képet, és üzembe helyezzük a modellt:
A végpontok telepítése után ugyanazzal a tesztkészlettel lekérdezzük a végpontot, és kiszámítjuk az értékelési metrikákat. A következő táblázatban láthatjuk, hogy az AutoGluon multimodális együttese körülbelül 3%-kal javult a ROC AUC-ban, összehasonlítva a BERT mondattranszformátorral és a véletlenszerű erdővel a HPO-val.
Metric | BERT + Random Forest | BERT + Random Forest HPO-val | AutoGluon multimodális együttes |
Pontosság | 0.77463 | 0.9278 | 0.92625 |
ROC AUC | 0.75905 | 0.79861 | 0.82918 |
Szerelje fel az AutoGluon multimodális fúziós modellt
Az alábbi ábra szemlélteti a modell felépítését. A részletekért lásd AutoMM szöveghez + táblázatokhoz – Gyors használat.
Belsőleg különböző hálózatokat használunk a szövegoszlopok, kategorikus oszlopok és numerikus oszlopok kódolására. Az egyes hálózatok által generált jellemzőket egy késői fúziós aggregátor összesíti. Az aggregátor kiadhatja a logitokat vagy a pontszám előrejelzéseket is.
Itt az előképzett NLP gerincet használjuk a szövegjellemzők kinyerésére, majd két másik tornyot használunk a jellemző kategorikus oszlopból és numerikus oszlopból történő kinyerésére.
Ezenkívül több szövegmező kezeléséhez ezeket a mezőket elválasztjuk a [SEP] tokennel, és alternatív 0-kat és 1-eket szegmensazonosítóként, amint az a következő ábrán látható.
Hasonlóképpen követjük az előző részben található utasításokat az AutoGluon multimodális fúziós modell betanításához és üzembe helyezéséhez:
Az alábbi táblázat összefoglalja az AutoGluon multimodális fúziós modell értékelési eredményeit, valamint az előző szakaszokban értékelt három modell eredményeit. Láthatjuk, hogy az AutoGluon multimodális együttes és a multimodális fúziós modellek a legjobb teljesítményt nyújtják.
Metrics | BERT + Random Forest | BERT + Random Forest HPO-val | AutoGluon multimodális együttes | AutoGluon Multimodális Fusion |
Pontosság | 0.77463 | 0.9278 | 0.92625 | 0.9247 |
ROC AUC | 0.75905 | 0.79861 | 0.82918 | 0.81115 |
Vegye figyelembe, hogy a modellek eredményei és relatív teljesítménye a képzéshez használt adatkészlettől függ. Ezek az eredmények reprezentatívak, és bár bizonyos algoritmusok jobb teljesítményére vonatkozó tendencia releváns tényezőkön alapul, a teljesítmény egyensúlya megváltozhat az eltérő adateloszlás miatt. A példaadatkészletet lecserélheti saját adataira, hogy meghatározza, melyik modell működik a legjobban az Ön számára.
Demo notebook
A demo jegyzetfüzet segítségével példaadatokat küldhet a már telepített modellvégpontokhoz. A bemutató notebook gyorsan lehetővé teszi, hogy gyakorlati tapasztalatokat szerezzen a példaadatok lekérdezésével. Miután elindította a Lemorzsolódás előrejelzés szöveggel megoldást, nyissa meg a bemutató jegyzetfüzetet a kiválasztással Az Endpoint használata a Jegyzetfüzetben.
Tisztítsuk meg
Ha végzett ezzel a megoldással, a választással törölje az összes nem kívánt AWS-erőforrást Törölje az összes erőforrást.
Vegye figyelembe, hogy manuálisan kell törölnie minden további erőforrást, amelyet esetleg ebben a jegyzetfüzetben hozott létre.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan használhatja a Sagemaker JumpStartot a lemorzsolódás előrejelzésére a szöveg és a táblázatos funkciók multimodalitása révén.
Ha többet szeretne megtudni a vásárlói lemorzsolódási modellekről, tekintse meg a következő bejegyzéseket:
A szerzőkről
Dr. Xin Huang az Amazon SageMaker JumpStart és az Amazon SageMaker beépített algoritmusainak alkalmazott tudósa. A skálázható gépi tanulási algoritmusok fejlesztésére összpontosít. Kutatási területe a természetes nyelvi feldolgozás, a táblázatos adatok magyarázható mély tanulása és a nem-paraméteres tér-idő klaszterezés robusztus elemzése. Számos közleményt publikált az ACL, ICDM, KDD konferenciákon és a Royal Statistical Society: Series A folyóiratban.
Rajakumar Sampathkumar az AWS fő műszaki ügyfélmenedzsere, aki útmutatást nyújt az ügyfeleknek az üzleti technológia összehangolásához, és támogatja felhőalapú működési modelljeik és folyamataik újrafeltalálását. Szenvedélye a felhő és a gépi tanulás. Raj egyben gépi tanulási specialista is, és az AWS-ügyfelekkel együttműködve tervezi, telepíti és kezeli az AWS-munkaterheléseket és architektúrákat.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/churn-prediction-using-multimodality-of-text-and-tabular-features-with-amazon-sagemaker-jumpstart/
- 000
- 1
- 10
- 100
- 28
- 7
- 70
- 9
- a
- Rólunk
- Fiók
- pontosság
- pontos
- Elérése
- megszerzése
- aktív
- mellett
- További
- címek
- Után
- Ügynök
- Összesítő
- célok
- algoritmus
- algoritmusok
- Minden termék
- lehetővé teszi, hogy
- mellett
- Bár
- amazon
- Amazon EC2
- Amazon SageMaker
- Amazon SageMaker JumpStart
- elemzés
- elemez
- és a
- alkalmazott
- megközelítés
- építészet
- TERÜLET
- mesterséges
- mesterséges intelligencia
- Eszközök
- Automatikus
- AutoML
- elérhető
- AWS
- Hátgerinc
- Egyenleg
- Banking
- alapján
- mert
- BEST
- Jobb
- között
- Bootstrap
- épít
- beépített
- üzleti
- megvesz
- hívás
- hívás
- kéri
- képes
- elfog
- visz
- eset
- esetek
- kategóriák
- bizonyos
- esély
- változik
- ellenőrizze
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választja
- körülmények
- besorolás
- közelebb
- felhő
- csoportosítás
- kód
- Oszlop
- Oszlopok
- össze
- Közös
- Companies
- Társaságé
- összehasonlítani
- képest
- versenytársak
- teljes
- alkatrészek
- Kiszámít
- konferenciák
- Konzol
- Konténer
- szerződés
- szerződések
- Megfelelő
- kiadások
- terjed
- teremt
- készítette
- vevő
- vevői viselkedés
- Vevőszolgálat
- Vevőszolgálat
- Ügyfelek
- dátum
- üzlet
- foglalkozó
- határozott
- mély
- mély tanulás
- függő
- függ
- telepíteni
- telepített
- Design
- részletek
- Határozzuk meg
- fejlesztése
- DID
- különböző
- közvetlenül
- terjeszteni
- terjesztés
- Dokkmunkás
- dokumentum
- Nem
- ne
- letöltés
- dinamikus
- minden
- erőfeszítések
- bármelyik
- végtől végig
- Endpoint
- Mérnöki
- értékelték
- értékelés
- Még
- példa
- példák
- létező
- tapasztalat
- magyarázható
- kutatás
- feltárása
- feltárt
- Feltárása
- kivonat
- rendkívüli módon
- Arc
- szembe
- tényezők
- Funkció
- Jellemzők
- mező
- Fields
- Ábra
- Végül
- Találjon
- leletek
- vezetéknév
- megfelelő
- szerelvény
- Összpontosít
- koncentrál
- következik
- következő
- erdő
- formátum
- keretek
- ból ből
- funkció
- további
- magfúzió
- egyre
- generál
- generált
- kap
- adott
- ad
- Gluon
- Célok
- jó
- Nő
- garancia
- fogantyú
- Kezelés
- hands-on
- segít
- hasznos
- Hogyan
- How To
- HTML
- HTTPS
- Kerékagy
- Hiperparaméter optimalizálás
- Hiperparaméter hangolás
- azonosítani
- kép
- importál
- fontos
- javul
- in
- beleértve
- Beleértve
- Növelje
- mutatók
- egyéni
- információ
- Infrastruktúra
- bemenet
- meglátások
- telepíteni
- példa
- helyette
- utasítás
- integrálása
- Intelligencia
- kamat
- érdekelt
- érdekek
- részt
- kérdések
- IT
- Munka
- Állások
- folyóirat
- json
- Kulcs
- Kedves
- ismert
- leszállási
- nyelv
- indít
- tojók
- tanulás
- Szabadság
- Hossz
- Valószínű
- LIMIT
- vonal
- Hosszú
- néz
- gép
- gépi tanulás
- csinál
- kezelése
- menedzser
- kézzel
- sok
- Mérkőzés
- Maximize
- maximális
- metrikus
- Metrics
- esetleg
- bánja
- hiányzó
- ML
- modell
- modellek
- Hónap
- hónap
- több
- a legtöbb
- multidiszciplináris
- többszörös
- név
- Természetes
- Természetes nyelvi feldolgozás
- Keresse
- Navigáció
- szükségszerűen
- Szükség
- hálózat
- hálózatok
- neurális hálózat
- Új
- következő
- NLP
- jegyzetfüzet
- szám
- tárgy
- célkitűzés
- felajánlott
- ONE
- nyitva
- működés
- optimálisan
- optimalizálás
- optimalizált
- eredeti
- Más
- vázolt
- saját
- csomagok
- üvegtábla
- papírok
- Párhuzamos
- paraméter
- rész
- különös
- szenvedélyes
- Mintás
- Teljesít
- teljesítmény
- előadások
- Előadja
- telefon
- vedd
- Hely
- terv
- Plató
- Platón adatintelligencia
- PlatoData
- állás
- Hozzászólások
- előre
- előrejelzés
- Tippek
- Predictor
- Készít
- előző
- elsősorban
- Fő
- Probléma
- folyamat
- Feldolgozott
- Folyamatok
- feldolgozás
- ingatlan
- biztosít
- amely
- nyilvánosan
- közzétett
- célokra
- Piton
- pytorch
- Quick
- gyorsan
- véletlen
- hatótávolság
- Nyers
- RE
- kész
- regex
- szabályos
- cserélni
- reprezentatív
- kérni
- kötelező
- kutatás
- Tudástár
- válasz
- fogékony
- eredményez
- Eredmények
- jövedelem
- erős
- királyi
- futás
- futás
- sagemaker
- SageMaker automatikus modellhangolás
- azonos
- skálázható
- Tudós
- scikit elsajátítható
- sdk
- Keresés
- keres
- Rész
- szakaszok
- részes
- kiválasztott
- kiválasztás
- mondat
- Series of
- A sorozat
- szolgáltatás
- készlet
- Szettek
- számos
- kellene
- előadás
- mutatott
- Műsorok
- jelek
- jelentősen
- hasonló
- Egyszerű
- So
- Társadalom
- megoldások
- Megoldások
- SOLVE
- Megoldása
- néhány
- forrás
- szakember
- különleges
- kifejezetten
- osztott
- sprintel
- egymásra rakva
- felhalmozás
- Színpad
- standard
- kezdet
- kezdődött
- csúcs-
- statisztikai
- statisztika
- Lépés
- Lépései
- tárolás
- tárolni
- szerkesztett
- stúdió
- Később
- sikeresen
- ilyen
- elegendő
- ÖSSZEFOGLALÓ
- támogatás
- Támogató
- táblázat
- Vesz
- cél
- tech
- Műszaki
- távközlés
- sablon
- sablonok
- feltételek
- teszt
- A
- A terület
- The Source
- azok
- ebből adódóan
- három
- nak nek
- Ma
- jelképes
- felső
- Végösszeg
- hagyományos
- Vonat
- kiképzett
- Képzések
- át
- igaz
- típusok
- jellemzően
- alatt
- megértés
- korlátlan
- felesleges
- frissítés
- us
- használ
- használati eset
- használó
- rendszerint
- kihasználva
- ÉRVÉNYESÍT
- érvényesítés
- Értékes
- érték
- Értékek
- fajta
- különféle
- Ve
- Verizon
- változat
- keresztül
- Mit
- vajon
- ami
- WHO
- széles
- Széleskörű
- lesz
- nélkül
- Munka
- művek
- lenne
- Rossz
- X
- te
- A te
- zephyrnet