Amazon SageMaker Data Wrangler egyetlen vizuális interfész, amely hetekről percekre csökkenti az adatok előkészítéséhez és a funkciótervezés végrehajtásához szükséges időt, lehetővé téve az adatok kiválasztását és tisztítását, szolgáltatások létrehozását, valamint az adatok előkészítésének automatizálását a gépi tanulási (ML) munkafolyamatokban kód írása nélkül.
A SageMaker Data Wrangler támogatja Hópehely, népszerű adatforrás az ML-t végrehajtani vágyó felhasználók számára. Elindítjuk a Snowflake közvetlen kapcsolatot a SageMaker Data Wranglerből, hogy javítsuk az ügyfélélményt. A funkció elindítása előtt az adminisztrátoroknak be kellett állítaniuk a kezdeti tárolási integrációt, hogy kapcsolódhassanak a Snowflake-hez, hogy ML-funkciókat hozzanak létre a Data Wranglerben. Ez magában foglalja az ellátást is Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödrök, AWS Identity and Access Management (IAM) hozzáférési engedélyek, Snowflake tárolási integráció az egyes felhasználók számára, valamint egy folyamatban lévő mechanizmus az adatmásolatok kezelésére vagy törlésére az Amazon S3-ban. Ez a folyamat nem méretezhető a szigorú adathozzáférés-szabályozással és nagy számú felhasználóval rendelkező ügyfelek számára.
Ebben a bejegyzésben bemutatjuk, hogy a Snowflake közvetlen kapcsolata a SageMaker Data Wranglerben hogyan egyszerűsíti le az adminisztrátor tapasztalatait és az adattudós ML-útját az adatoktól az üzleti betekintésekig.
Megoldás áttekintése
Ebben a megoldásban a SageMaker Data Wranglert használjuk az adatok előkészítésének felgyorsítására az ML és Amazon SageMaker Autopilot az ML modellek automatikus felépítéséhez, betanításához és finomhangolásához az Ön adatai alapján. Mindkét szolgáltatást kifejezetten a termelékenység növelésére és az ML-gyakorlók értékvesztési idejének lerövidítésére tervezték. Bemutatjuk továbbá az egyszerűsített adathozzáférést a SageMaker Data Wranglertől a Snowflake-ig, közvetlen kapcsolattal az ML lekérdezéséhez és létrehozásához.
Tekintse meg az alábbi diagramot az alacsony kódú ML folyamat áttekintéséért a Snowflake, a SageMaker Data Wrangler és a SageMaker Autopilot segítségével.
A munkafolyamat a következő lépéseket tartalmazza:
- Navigáljon a SageMaker Data Wrangler oldalra az adatok előkészítéséhez és a szolgáltatástervezési feladatokhoz.
- Állítsa be a Snowflake kapcsolatot a SageMaker Data Wranglerrel.
- Fedezze fel a Snowflake táblákat a SageMaker Data Wranglerben, hozzon létre egy ML adatkészletet, és végezzen szolgáltatástervezést.
- Tanítsd és teszteld a modelleket a SageMaker Data Wrangler és a SageMaker Autopilot segítségével.
- Töltse be a legjobb modellt egy valós idejű következtetési végpontba az előrejelzésekhez.
- Használjon Python-jegyzetfüzetet az elindított valós idejű következtetési végpont meghívásához.
Előfeltételek
Ehhez a bejegyzéshez az adminisztrátornak a következő előfeltételekre van szüksége:
Az adattudósoknak a következő előfeltételekkel kell rendelkezniük
Végül készítse elő adatait a Snowflake számára
- Hitelkártya-tranzakciós adatokat használunk fel Kaggle ML-modellek felépítése a csalárd hitelkártya-tranzakciók felderítésére, így az ügyfelek nem számítanak fel díjat olyan termékekért, amelyeket nem vásároltak. Az adatkészlet az európai kártyabirtokosok által 2013 szeptemberében végrehajtott hitelkártya-tranzakciókat tartalmazza.
- Használnia kell a SnowSQL kliens és telepítse a helyi gépére, így feltöltheti az adatkészletet egy Snowflake táblába.
A következő lépések bemutatják, hogyan kell előkészíteni és betölteni az adatkészletet a Snowflake adatbázisba. Ez egy egyszeri beállítás.
Hópehely táblázat és adatok előkészítése
Ehhez az egyszeri beállításhoz hajtsa végre a következő lépéseket:
- Először adminisztrátorként hozzon létre egy Snowflake virtuális raktárt, felhasználót és szerepkört, és biztosítson hozzáférést más felhasználóknak, például az adatkutatóknak, hogy adatbázist hozzanak létre, és adatokat állítsanak elő ML használati eseteikhez:
- Adattudósként hozzunk létre egy adatbázist, és importáljuk a hitelkártya-tranzakciókat a Snowflake adatbázisba, hogy hozzáférhessünk a SageMaker Data Wrangler adataihoz. Szemléltetés céljából létrehozunk egy Snowflake nevű adatbázist
SF_FIN_TRANSACTION
: - Töltse le az adatkészlet CSV-fájlját a helyi gépére, és hozzon létre egy szakaszt az adatok betöltéséhez az adatbázistáblába. Frissítse a fájl elérési útját, hogy a letöltött adatkészlet helyére mutasson, mielőtt futtatná a PUT parancsot az adatok importálásához a létrehozott szakaszba:
- Hozzon létre egy táblázatot, melynek neve
credit_card_transactions
: - Importálja az adatokat a létrehozott táblába a színpadról:
Állítsa be a SageMaker Data Wrangler és a Snowflake kapcsolatot
Miután előkészítettük az adatkészletet a SageMaker Data Wranglerrel való használatra, hozzunk létre egy új Snowflake kapcsolatot a SageMaker Data Wranglerben a sf_fin_transaction
adatbázist a Snowflake-ben, és lekérdezheti a credit_card_transaction
asztal:
- 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 Hópehely a SageMaker Data Wrangleren csatlakozás cimre.
- Adjon meg egy nevet a kapcsolat azonosításához.
- Válassza ki a hitelesítési módot a Snowflake adatbázishoz való csatlakozáshoz:
- Ha alapvető hitelesítést használ, adja meg a Snowflake rendszergazdája által megosztott felhasználónevet és jelszót. Ebben a bejegyzésben alapvető hitelesítést használunk a Snowflake-hez való csatlakozáshoz az előző lépésben létrehozott felhasználói hitelesítő adatok használatával.
- Ha OAuth-ot használ, adja meg identitásszolgáltatójának hitelesítő adatait.
A SageMaker Data Wrangler alapértelmezés szerint közvetlenül a Snowflake-ből kérdezi le adatait anélkül, hogy adatmásolatot hozna létre S3 tárolókban. A SageMaker Data Wrangler új használhatósági fejlesztése az Apache Sparkot használja a Snowflake-kel való integrációhoz, hogy előkészítse és zökkenőmentesen hozzon létre adatkészletet az ML utazáshoz.
Eddig létrehoztuk az adatbázist a Snowflake-en, importáltuk a CSV-fájlt a Snowflake-táblába, létrehoztuk a Snowflake-hitelesítő adatokat, és létrehoztunk egy csatlakozót a SageMaker Data Wrangler-en a Snowflake-hez való csatlakozáshoz. A konfigurált Snowflake kapcsolat érvényesítéséhez futtassa a következő lekérdezést a létrehozott Snowflake táblában:
Vegye figyelembe, hogy a tárhely-integráció, amelyre korábban szükség volt, most nem kötelező a speciális beállításokban.
Fedezze fel a Snowflake-adatokat
A lekérdezés eredményeinek érvényesítése után válassza a lehetőséget import a lekérdezés eredményének adatkészletként való mentéséhez. Ezt a kivont adatkészletet feltáró adatelemzésre és funkciótervezésre használjuk.
Dönthet úgy, hogy mintát vesz a Snowflake adataiból a SageMaker Data Wrangler felhasználói felületén. Egy másik lehetőség az ML modell betanítási használati eseteinek teljes adatainak letöltése a SageMaker Data Wrangler feldolgozási feladatok segítségével.
Végezzen feltáró adatelemzést a SageMaker Data Wranglerben
A Data Wranglerben lévő adatokat meg kell szerkeszteni, mielőtt betanítható lenne. Ebben a részben bemutatjuk, hogyan hajthat végre funkciótervezést a Snowflake-ből származó adatokon a SageMaker Data Wrangler beépített képességeivel.
Először is használjuk a Data Quality and Insights Report
funkció a SageMaker Data Wranglerben, hogy jelentéseket készítsen az adatok minőségének automatikus ellenőrzéséhez és a Snowflake adatainak rendellenességeinek észleléséhez.
A jelentés segítségével megtisztíthatja és feldolgozhatja adatait. Olyan információkat ad, mint a hiányzó értékek és a kiugró értékek száma. Ha problémái vannak az adatokkal, például célszivárgás vagy egyensúlyhiány, a betekintési jelentés felhívhatja a figyelmet ezekre a problémákra. A jelentés részleteinek megértéséhez lásd: Gyorsítsa fel az adatok előkészítését az Amazon SageMaker Data Wrangler adatminőségével és betekintéseivel.
Miután ellenőrizte a SageMaker Data Wrangler által alkalmazott adattípus-egyeztetést, hajtsa végre a következő lépéseket:
- Válassza ki a mellette lévő pluszjelet Adattípusok És válasszon Elemzés hozzáadása.
- A Elemzés típusa, választ Adatminőségi és betekintési jelentés.
- 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 Teremt.
- Tekintse meg az Adatminőség és az Insights jelentés részleteit a kiemelt fontosságú figyelmeztetések megtekintéséhez.
Dönthet úgy, hogy feloldja a jelentett figyelmeztetéseket, mielőtt folytatná az ML útját.
A céloszlop Class
megjósolandó karakterláncnak minősül. Először alkalmazzunk egy átalakítást az elavult üres karakterek eltávolítására.
- 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 Lépés hozzáadása És válasszon Karakterlánc formázása.
- Az átalakítások listájában válassza a lehetőséget Csíp balra és jobbra.
- Írja be az eltávolítandó karaktereket, és válassza ki hozzáad.
Ezután konvertáljuk a céloszlopot Class
karakterlánc adattípusról logikai értékre, mert a tranzakció jogos vagy csalárd.
- 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 Lépés hozzáadása.
- 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 Elemezze az oszlopot típusként.
- Az Oszlopnál válassza a lehetőséget
Class
. - A Tól től, választ Húr.
- A Nak nek, választ logikai.
- 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 hozzáad.
A céloszlop-átalakítás után csökkentjük a jellemzőoszlopok számát, mivel az eredeti adatkészletben több mint 30 jellemző van. Főkomponens-elemzést (PCA) használunk a méretek csökkentésére a jellemzők fontossága alapján. Ha többet szeretne megtudni a PCA-ról és a méretcsökkentésről, lásd: Főkomponens-elemzési (PCA) algoritmus.
- 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 Lépés hozzáadása.
- 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 Dimenzionalitás csökkentés.
- A Átalakítás, választ Főkomponens analízis.
- A Beviteli oszlopok, válassza ki az összes oszlopot, kivéve a céloszlopot
Class
. - Válassza ki a mellette lévő pluszjelet Adatáramlás És válasszon Elemzés hozzáadása.
- A Elemzés típusa, választ Gyors modell.
- A Elemzés neve, írjon be egy nevet.
- A Címke, választ
Class
. - 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 futás.
A PCA eredmények alapján eldöntheti, hogy mely funkciókat használja a modell felépítéséhez. A következő képernyőképen a grafikon a legmagasabbtól a legalacsonyabbig terjedő fontosság szerint rendezett jellemzőket mutatja be a célosztály előrejelzéséhez, amely ebben az adatkészletben azt jelzi, hogy a tranzakció csaló vagy érvényes-e.
Az elemzés alapján dönthet úgy, hogy csökkenti a funkciók számát, de ennél a bejegyzésnél az alapértelmezett értékeket hagyjuk.
Ezzel befejeződik a funkciótervezési folyamatunk, bár dönthet úgy, hogy futtatja a gyorsmodellt, és újra létrehoz egy adatminőségi és betekintési jelentést, hogy megértse az adatokat a további optimalizálás előtt.
Adatok exportálása és a modell betanítása
A következő lépésben a SageMaker Autopilot segítségével automatikusan összeállítjuk, betanítjuk és hangoljuk a legjobb ML modelleket az Ön adatai alapján. A SageMaker Autopilot segítségével továbbra is teljes ellenőrzést és láthatóságot biztosít adatai és modellje felett.
Most, hogy befejeztük a feltárást és a funkciótervezést, tanítsunk egy modellt az adatkészletre, és exportáljuk az adatokat az ML modell betanításához a SageMaker Autopilot segítségével.
- A Képzések lapot választani Export és vonat.
Az exportálás folyamatát nyomon követhetjük, amíg várunk a befejezésre.
Állítsuk be a SageMaker Autopilotot, hogy automatizált képzési feladatot futtasson az előrejelezni kívánt cél és a probléma típusának megadásával. Ebben az esetben, mivel arra tanítjuk az adatkészletet, hogy előre jelezze, hogy a tranzakció csaló vagy érvényes-e, ezért bináris besorolást használunk.
- Adja meg a kísérlet nevét, adja meg az S3 helyadatokat, és válassza ki Következő: Cél és funkciók.
- A cél, választ
Class
mint az oszlop megjósolni. - 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 Következő: Képzési módszer.
Engedjük meg, hogy a SageMaker Autopilot az adatkészlet alapján döntsön a képzési módszerről.
- A Képzési módszer és algoritmusokválassza kocsi.
Ha többet szeretne megtudni a SageMaker Autopilot által támogatott edzési módokról, lásd: Képzési módok és algoritmusok támogatást.
- 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 Következő: Üzembe helyezés és speciális beállítások.
- A Telepítési lehetőség, választ A legjobb modell automatikus üzembe helyezése a Data Wrangler átalakításaival, amely a legjobb modellt tölti be következtetésekhez a kísérlet befejezése után.
- Adjon nevet a végpontnak.
- A Válassza ki a gépi tanulási probléma típusát, választ Bináris osztályozás.
- A Kifogás mérőszáma, választ F1.
- 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 Következő: Tekintse át és hozzon létre.
- 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 Kísérlet létrehozása.
Ez elindít egy SageMaker Autopilot jobot, amely olyan betanítási feladatokat hoz létre, amelyek hiperparaméterek kombinációit használják az objektív mérőszámának optimalizálására.
Várja meg, amíg a SageMaker Autopilot befejezi a modellek építését és a legjobb ML modell értékelését.
Indítson el egy valós idejű következtetési végpontot a legjobb modell teszteléséhez
A SageMaker Autopilot kísérleteket futtat, hogy meghatározza a legjobb modellt, amely a hitelkártya-tranzakciókat jogosnak vagy csalónak minősíti.
Amikor a SageMaker Autopilot befejezi a kísérletet, megtekinthetjük a képzési eredményeket az értékelési mérőszámokkal, és felfedezhetjük a legjobb modellt a SageMaker Autopilot munkaleírás oldalán.
- Válassza ki a legjobb modellt és válasszon Modell telepítése.
Valós idejű következtetési végpontot használunk a SageMaker Autopilot segítségével létrehozott legjobb modell tesztelésére.
- választ Készítsen valós idejű előrejelzéseket.
Ha a végpont elérhető, átadhatjuk a hasznos terhet, és következtetési eredményeket kaphatunk.
Indítsunk el egy Python-jegyzetfüzetet a következtetési végpont használatához.
- A SageMaker Studio konzolon válassza ki a mappa ikont a navigációs panelen, és válassza a lehetőséget Jegyzetfüzet létrehozása.
- Használja a következő Python-kódot a telepített valós idejű következtetési végpont meghívásához:
A kimenet így mutatja az eredményt false
, ami azt jelenti, hogy a mintafunkció adatai nem csalók.
Tisztítsuk meg
Annak érdekében, hogy ne merüljenek fel költségek az oktatóanyag elvégzése után, állítsa le a SageMaker Data Wrangler alkalmazást és a állítsa le a notebook példányt következtetés végrehajtására használják. Önnek is kellene törölje a következtetési végpontot a SageMaker Autopilot segítségével hozta létre a további költségek elkerülése érdekében.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan hozhatja be adatait közvetlenül a Snowflake szolgáltatásból anélkül, hogy közbenső másolatokat készítene a folyamat során. A teljes adatkészletből mintát vehet vagy betöltheti a SageMaker Data Wranglerbe közvetlenül a Snowflake alkalmazásból. Ezután a SageMaker Data Wrangler vizuális felületével felfedezheti az adatokat, megtisztíthatja az adatokat, és elvégezheti a tervezést.
Kiemeltük azt is, hogyan lehet egyszerűen betanítani és hangolni egy modellt a SageMaker Autopilot segítségével közvetlenül a SageMaker Data Wrangler felhasználói felületéről. A SageMaker Data Wrangler és a SageMaker Autopilot integrációjával a funkciótervezés befejezése után gyorsan megépíthetünk egy modellt anélkül, hogy kódot írnánk. Ezután hivatkoztunk a SageMaker Autopilot legjobb modelljére, amely valós idejű végpont segítségével valós idejű végpontot használ.
Próbálja ki az új Snowflake közvetlen integrációt a SageMaker Data Wranglerrel még ma, hogy a SageMaker segítségével egyszerűen készítsen ML modelleket adataiból.
A szerzőkről
Hariharan Suresh az AWS vezető megoldási építésze. Szenvedélye az adatbázisok, a gépi tanulás és az innovatív megoldások tervezése. Mielőtt csatlakozott az AWS-hez, Hariharan terméktervező, központi banki implementációs specialista és fejlesztő volt, és több mint 11 évig dolgozott a BFSI szervezeteivel. A technikán kívül szeret siklóernyőzni és kerékpározni.
Aparajithan Vaidyanathan az AWS vállalati megoldások vezető építésze. Támogatja a vállalati ügyfelek migrációját és munkaterhelésük korszerűsítését az AWS felhőben. Cloud Architect, több mint 23 éves tapasztalattal vállalati, nagyméretű és elosztott szoftverrendszerek tervezésében és fejlesztésében. Gépi tanulásra és adatelemzésre specializálódott, az adat- és szolgáltatásmérnöki tartományra összpontosítva. Aspiráns maratoni futó, hobbija a túrázás, a kerékpározás, valamint a feleségével és két fiúval való időtöltés.
Tim Song az AWS SageMaker szoftverfejlesztő mérnöke, több mint 10 éves szoftverfejlesztői, tanácsadói és technológiai vezetői tapasztalattal, aki bizonyította, hogy képes skálázható és megbízható termékeket szállítani és összetett problémákat megoldani. Szabadidejében szereti a természetet, a szabadban futni, túrázni stb.
Bosco Albuquerque az AWS Sr. Partner Solutions Architect-je, és több mint 20 éves tapasztalattal rendelkezik a vállalati adatbázis-szállítóktól és felhőszolgáltatóktól származó adatbázis- és elemzési termékek terén. Segített nagy technológiai cégeknek adatelemzési megoldások tervezésében, és mérnöki csapatokat vezetett adatelemzési platformok és adattermékek tervezésében és megvalósításában.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :van
- :is
- :nem
- $ UP
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 év
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- képesség
- Rólunk
- gyorsul
- hozzáférés
- Fiók
- További
- adminisztrátorok
- fejlett
- Után
- újra
- AI / ML
- Minden termék
- lehetővé
- Is
- Bár
- amazon
- Amazon SageMaker
- Amazon SageMaker Data Wrangler
- Az Amazon Web Services
- összeg
- an
- elemzés
- analitika
- és a
- Másik
- bármilyen
- Apache
- api
- alkalmazott
- alkalmaz
- VANNAK
- AS
- becsvágyó
- At
- figyelem
- Hitelesítés
- automatizált
- Automatizált
- automatikusan
- elérhető
- AWS
- Banking
- alapján
- alapvető
- BE
- mert
- előtt
- lent
- BEST
- BFSI
- test
- mindkét
- hoz
- épít
- Épület
- beépített
- üzleti
- de
- by
- TUD
- képességek
- elfog
- kártya
- eset
- esetek
- karakter
- töltött
- díjak
- 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
- osztály
- besorolás
- osztályozott
- osztályoz
- vásárló
- felhő
- kód
- Oszlop
- Oszlopok
- kombinációk
- Companies
- teljes
- Befejezett
- Befejezi
- kitöltésével
- bonyolult
- összetevő
- konfigurálva
- Csatlakozás
- kapcsolat
- Konzol
- szaktanácsadó
- folytatódik
- ellenőrzés
- megtérít
- Mag
- Alapvető banki szolgáltatások
- teremt
- készítette
- teremt
- létrehozása
- Hitelesítő adatok
- hitel
- hitelkártya
- vevő
- Vásárlói élmény
- Ügyfelek
- dátum
- adat hozzáférés
- adatelemzés
- Adatelemzés
- Adatok előkészítése
- adattudós
- adatbázis
- adatbázisok
- dönt
- alapértelmezett
- alapértelmezett
- szállít
- bizonyítani
- igazolták
- telepíteni
- telepített
- bevetés
- leírás
- Design
- tervezett
- tervezés
- részletek
- Határozzuk meg
- Fejlesztő
- fejlesztése
- Fejlesztés
- méretek
- közvetlen
- közvetlenül
- megosztott
- domain
- ne
- le-
- letöltés
- könnyen
- bármelyik
- Endpoint
- mérnök
- Mérnöki
- belép
- Vállalkozás
- stb.
- európai
- értékelés
- Kivéve
- létezik
- tapasztalat
- kísérlet
- kísérletek
- kutatás
- Feltáró adatelemzés
- feltárása
- export
- messze
- Funkció
- Jellemzők
- Featuring
- filé
- pénzügyi
- befejezni
- vezetéknév
- Úszó
- Összpontosít
- következő
- A
- formátum
- csaló
- ból ből
- Tele
- további
- generál
- kap
- ad
- biztosít
- grafikon
- Legyen
- he
- segít
- segített
- legnagyobb
- Kiemelt
- övé
- Hogyan
- How To
- HTML
- http
- HTTPS
- ICON
- azonosítani
- Identitás
- if
- kiegyensúlyozatlanság
- végrehajtás
- végrehajtási
- importál
- fontosság
- importáló
- behozatal
- javul
- in
- tartalmaz
- magában foglalja a
- Növelje
- egyéni
- információ
- kezdetben
- újító
- meglátások
- telepíteni
- integrálni
- integráció
- Felület
- belső
- bele
- kérdések
- IT
- tételek
- Munka
- Állások
- csatlakozott
- utazás
- jpg
- json
- nagy
- nagyarányú
- indít
- indított
- vezető
- tanulás
- Szabadság
- Led
- balra
- jogos
- hadd
- könyvtár
- LIMIT
- Lista
- kiszámításának
- terhelések
- helyi
- elhelyezkedés
- legalacsonyabb
- gép
- gépi tanulás
- készült
- fenntartása
- csinál
- kezelése
- Marathon
- egyező
- Lehet..
- mechanizmus
- módszer
- metrikus
- Metrics
- vándorol
- Perc
- hiányzó
- ML
- modell
- modellek
- korszerűsítésére
- módok
- monitor
- több
- név
- Nevezett
- Természet
- Navigáció
- igények
- Új
- következő
- jegyzetfüzet
- Most
- szám
- auth
- tárgy
- célkitűzés
- of
- on
- folyamatban lévő
- Optimalizálja
- opció
- or
- érdekében
- szervezetek
- eredeti
- OS
- Más
- mi
- ki
- teljesítmény
- kívül
- felett
- áttekintés
- oldal
- üvegtábla
- partner
- elhalad
- szenvedélyes
- Jelszó
- ösvény
- Teljesít
- előadó
- engedélyek
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- plusz
- pont
- Népszerű
- állás
- előre
- jósolt
- Tippek
- előkészítés
- Készít
- előfeltételek
- megakadályozása
- előző
- Fő
- Előzetes
- Probléma
- problémák
- folyamat
- feldolgozás
- Termékek
- termelékenység
- Termékek
- Haladás
- ad
- ellátó
- szolgáltatók
- nyilvános
- Vásárlás
- célokra
- tesz
- Piton
- világítás
- lekérdezések
- Quick
- gyorsan
- real-time
- csökkenteni
- csökkenti
- csökkentés
- megbízható
- eltávolítása
- cserélni
- jelentést
- Számolt
- Jelentések
- kérni
- kötelező
- válasz
- eredményez
- Eredmények
- Kritika
- lovaglás
- Szerep
- futás
- futó
- futás
- s
- sagemaker
- Megtakarítás
- skálázható
- Tudós
- tudósok
- zökkenőmentesen
- Rész
- küld
- idősebb
- szeptember
- Szolgáltatások
- készlet
- beállítások
- felépítés
- megosztott
- kellene
- előadás
- Műsorok
- <p></p>
- Egyszerű
- egyszerűsített
- egyetlen
- So
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- SOLVE
- dal
- forrás
- Szikra
- szakember
- specializálódott
- kifejezetten
- sebesség
- Költési
- Színpad
- kezdődik
- Lépés
- Lépései
- Még mindig
- tárolás
- tárolni
- Szigorú
- Húr
- stúdió
- beküldése
- sikeres
- sikeresen
- ilyen
- támogatás
- Támogatott
- Támogatja
- Systems
- táblázat
- cél
- feladatok
- csapat
- tech
- Technológia
- technológiai cégek
- teszt
- hogy
- A
- A grafikon
- azok
- akkor
- Ott.
- ők
- ezt
- azok
- Keresztül
- idő
- nak nek
- Ma
- Vonat
- kiképzett
- Képzések
- tranzakció
- Tranzakciók
- Átalakítás
- transzformáció
- igaz
- oktatói
- kettő
- típus
- ui
- megért
- Frissítések
- us
- használhatóság
- használ
- használt
- használó
- felhasználói felület
- Felhasználók
- használ
- segítségével
- v1
- ÉRVÉNYESÍT
- érték
- Értékek
- gyártók
- ellenőrzése
- Megnézem
- Tényleges
- láthatóság
- várjon
- akar
- volt
- we
- háló
- webes szolgáltatások
- Hetek
- voltak
- vajon
- ami
- míg
- WHO
- feleség
- val vel
- belül
- nélkül
- Munka
- dolgozott
- munkafolyamat
- munkafolyamatok
- dolgozó
- írás
- év
- te
- A te
- zephyrnet