Könyvében A Miért könyve, a Judea Pearl támogatja az ok-okozati elvek megtanítását a gépek számára, hogy javítsák intelligenciájukat. A mélytanulás eredményei lényegében csak egyfajta görbeillesztést jelentenek, míg az ok-okozati összefüggést fel lehet használni a világ rendszerei közötti interakciók feltárására különféle korlátok között anélkül, hogy a hipotéziseket közvetlenül ellenőriznénk. Ez olyan válaszokat adhat, amelyek elvezetnek minket az AGI-hez (mesterséges általánosított intelligencia).
Ez a megoldás egy ok-okozati következtetési keretet javasol Bayes-hálózatok felhasználásával az ok-okozati függőségek reprezentálására és az oksági következtetések levonására a megfigyelt műholdfelvételek és kísérleti kísérleti adatok alapján szimulált időjárási és talajviszonyok formájában. A esettanulmány Az ok-okozati összefüggés a nitrogén alapú műtrágya kijuttatása és a kukorica hozama között.
A műholdfelvételek feldolgozása erre a célra készült Amazon SageMaker térinformatikai képességek és egyedi építésűvel gazdagítva Amazon SageMaker feldolgozás tevékenységek. Az ok-okozati következtetés motorja be van kapcsolva Amazon SageMaker aszinkron következtetés.
Ebben a bejegyzésben bemutatjuk, hogyan lehet elkészíteni ezt a kontrafaktuális elemzést Amazon SageMaker JumpStart megoldások.
Megoldás áttekintése
A következő diagram a végpontok közötti munkafolyamat architektúráját mutatja be.
Előfeltételek
Szüksége van egy AWS-fiók használni ezt a megoldást.
A JumpStart 1P megoldás futtatásához és az infrastruktúra AWS-fiókjában való üzembe helyezéséhez létre kell hoznia egy aktív Amazon SageMaker Studio példány (lásd Bekapcsolva az Amazon SageMaker domainbe). Amikor a Studio-példány készen áll, kövesse az utasításokat SageMaker JumpStart a Crop Yield Counterfactuals megoldás elindításához.
Vegye figyelembe, hogy ez a megoldás jelenleg csak az Egyesült Államok nyugati (Oregon) régiójában érhető el.
Ok-okozati következtetés
Az ok-okozati összefüggés lényege a változás megértése, de ennek formalizálása a statisztikákban és a gépi tanulásban (ML) nem triviális feladat.
Ebben a terméshozam-vizsgálatban a műtrágyaként hozzáadott nitrogén és a terméshozamok összezavarodhatnak. Hasonlóképpen, a műtrágyaként hozzáadott nitrogén és a nitrogén kioldódása is összezavarható abban az értelemben, hogy egy közös ok magyarázhatja az összefüggést. Az asszociáció azonban nem okozati összefüggés. Ha tudjuk, hogy mely megfigyelt tényezők zavarják meg az összefüggést, figyelembe vesszük őket, de mi van akkor, ha más rejtett változók is felelősek a zavarásért? A műtrágya mennyiségének csökkentése nem feltétlenül csökkenti a maradék nitrogént; hasonlóképpen nem csökkenti drasztikusan a termést, míg a talaj és az éghajlati viszonyok lehetnek a megfigyelt tényezők, amelyek megzavarják az asszociációt. Az oksági következtetés központi problémája, hogyan kezeljük a zavaró jelenségeket. Egy RA Fisher által bevezetett technika az úgynevezett randomizált kontrollált vizsgálat célja az esetleges zavarok megszüntetése.
Véletlenszerű kontrollvizsgálatok hiányában azonban pusztán megfigyelési adatokból oksági következtetésre van szükség. Vannak módok arra, hogy az ok-okozati kérdéseket a megfigyelési tanulmányok adataival összekapcsolják úgy, hogy megírják az oksági grafikus modellt arra vonatkozóan, hogy miről feltételezzük, hogyan történnek a dolgok. Ez azt jelenti, hogy azt állítjuk, hogy a megfelelő bejárások rögzítik a megfelelő függőségeket, miközben teljesítjük a feltételes figyelmen kívül hagyhatóság grafikus kritériumát (milyen mértékben kezelhetjük az ok-okozati összefüggést asszociációként az ok-okozati feltevések alapján). Miután felállítottuk a struktúrát, felhasználhatjuk az implikált invarianciákat, hogy tanuljunk a megfigyelési adatokból, és ok-okozati kérdéseket illesszünk be, ok-okozati összefüggésekre következtetve randomizált kontrollvizsgálatok nélkül.
Ez a megoldás egyaránt felhasználja a szimulált randomizált kontrollvizsgálatok (RCT) adatait, valamint a műholdfelvételekből származó megfigyelési adatokat. Illinoisban (Egyesült Államok) több ezer szántóföldön és több éven át végzett szimulációsorozatot használnak a kukorica növekvő nitrogéntartalomra adott válaszának tanulmányozására a régióban megfigyelhető időjárási és talajváltozások széles kombinációja esetén. Kitér a kísérleti adatok felhasználásának korlátaira, amelyek a talajok számában és a feltárható évszámban korlátozottak, különféle gazdálkodási forgatókönyvek és földrajzi területek terményszimulációi segítségével. Az adatbázist a régióban végzett több mint 400 vizsgálat adatai alapján kalibrálták és validálták. A talaj kezdeti nitrogénkoncentrációját véletlenszerűen, ésszerű tartományba állítottuk be.
Ezenkívül az adatbázist műholdfelvételekből származó megfigyelések egészítik ki, míg a zónastatisztikát spektrális indexekből származtatják, hogy a növényzet tér-időbeli változásait reprezentálják, földrajzi és fenológiai fázisokon keresztül.
Ok-okozati következtetés a Bayes-hálózatokkal
A strukturális ok-okozati modellek (SCM) grafikus modelleket használnak az ok-okozati összefüggések ábrázolására, mind adatvezérelt, mind emberi bemenetekkel. A Bayes-hálózatoknak nevezett struktúra-okozati modell egy sajátos típusát javasolják a termésfenológia dinamikájának modellezésére valószínűségi kifejezések segítségével, a változókat csomópontként és a változók közötti kapcsolatokat élként ábrázolva. A csomópontok a termésnövekedést, a talaj- és időjárási viszonyokat jelzik, a köztük lévő élek pedig tér-időbeli ok-okozati összefüggéseket mutatnak be. A szülő csomópontok a szántóföldhöz kapcsolódó paraméterek (beleértve a vetés napját és a beültetett területet), a gyermek csomópontok pedig a terméshozam, a nitrogénfelvétel és a nitrogén kilúgozási mutatói.
További információkért lásd: adatbázis jellemzése és a útmutató a kukorica növekedési szakaszainak azonosítására.
Néhány lépésre van szükség egy Bayes-hálózati modell felépítéséhez (a CausalNex). Az ok-okozati modell szerkezetét kezdetben az adatokból tanulják meg, míg a tárgyi szakértelem (megbízható irodalom vagy empirikus hiedelmek) segítségével további függőséget és függetlenséget feltételeznek a valószínűségi változók és a beavatkozási változók között, valamint azt állítják, hogy a szerkezet oksági.
<p></p> KÖNNYEK NÉLKÜL, a struktúratanulás folyamatos optimalizáló algoritmusa, a változók közötti feltételes függőséget leíró gráfszerkezetet az adatokból tanuljuk meg, az élekre, szülőcsomópontokra és gyermekcsomópontokra olyan megszorításokkal, amelyek nem engedélyezettek az oksági modellben. Ez megőrzi a változók közötti időbeli függőséget. Lásd a következő kódot:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
A következő lépés a tartományi tudást modellekbe kódolja, és rögzíti a fenológiai dinamikát, miközben elkerüli a hamis kapcsolatokat. Multikollinearitás elemzés, variációs inflációs faktor elemzés és globális jellemzők fontosságának felhasználása SHAP Az elemzéseket a vízstressz változókra (tágulás, fenológia és a virágzás körüli fotoszintézis), az időjárási és talajváltozókra, a spektrális indexekre és a nitrogén alapú mutatókra vonatkozó betekintések és korlátok kinyerésére végezzük:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
A CausalNex Bayes-hálózatai csak diszkrét eloszlásokat támogatnak. Bármilyen folyamatos vagy nagy számú kategóriájú szolgáltatást a Bayes-hálózathoz való illesztés előtt diszkrétizálunk:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
A struktúra áttekintése után az egyes változók feltételes valószínűségi eloszlása a szüleinek adott adatokból megismerhető, egy ún. valószínűségbecslés:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Végül a szerkezetet és a valószínűségeket arra használják, hogy megfigyelési következtetéseket lehessen levonni a légy során, egy determinisztikus módszert követve. Junction Tree algoritmus (JTA), és a beavatkozások felhasználásával do-calculus. SageMaker aszinkron következtetés lehetővé teszi a bejövő kérések sorba állítását és aszinkron feldolgozását. Ez az opció ideális megfigyelési és kontrafaktuális következtetési forgatókönyvekhez, ahol a folyamat nem párhuzamosítható, így jelentős időbe telik a valószínűségek frissítése a hálózaton belül, bár több lekérdezés párhuzamosan is futtatható. Lásd a következő kódot:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
További részletekért lásd a következtetési szkript.
Az oksági modell jegyzetfüzet egy lépésről lépésre útmutató az előző lépések végrehajtásához.
Térinformatikai adatfeldolgozás
Föld-megfigyelő állások (EOJ-k) összeláncolják a műholdképek beszerzését és átalakítását, míg a célra épített műveleteket és előre betanított modelleket használnak a felhő eltávolításához, mozaikoláshoz, sávos matematikai műveletekhez és újramintavételezéshez. Ebben a részben részletesebben tárgyaljuk a térinformatikai feldolgozás lépéseit.
Érdeklődési terület
A következő ábrán zöld sokszögek a kiválasztott megyéket, a narancssárga rács az adatbázistérképet (10 x 10 km-es cellákból álló rács, ahol a régióban végeznek kísérleteket), a szürkeárnyalatos négyzetek hálója pedig a 100 km x 100 km. Sentinel-2 UTM burkoló rács.
Térbeli fájlokat használnak a szimulált adatbázis megfelelő műholdképekkel való feltérképezésére, amelyek 10 km x 10 km-es cellákból álló poligonokat fednek fel, amelyek elosztják Illinois államot (ahol a régióban végeznek kísérleteket), megyék poligonjait és 100 km x 100 km-es Sentinel- 2 UTM lapka. A térinformatikai adatfeldolgozási folyamat optimalizálásához először néhány közeli Sentinel-2 csempét kell kiválasztani. Ezután a csempék és cellák összesített geometriáját átfedjük, hogy megkapjuk az érdeklődési területet (RoI). A megyék és a cellaazonosítók, amelyek teljes mértékben megfigyelhetők az ROI-n belül, kiválasztásra kerülnek az EOJ-kra átadott sokszöggeometria kialakítására.
Időtartományban
Ennél a gyakorlatnál a kukorica fenológiai ciklusa három szakaszra oszlik: a v5-től R1-ig terjedő vegetatív szakaszokra (kelés, levélnyak és címerképződés), az R1-től R4-ig terjedő szaporodási szakaszokra (selymesedés, hólyagosodás, tej és tészta) és a szaporodási szakaszok. R5 (horpadt) és R6 (fiziológiai érettség). Az egymást követő műholdlátogatások minden fenológiai szakaszhoz 2 hetes időintervallumban és egy előre meghatározott érdeklődési körben (kiválasztott megyék) készülnek, lehetővé téve a műholdfelvételek térbeli és időbeli elemzését. A következő ábra ezeket a mutatókat mutatja be.
Felhő eltávolítása
A Sentinel-2 adatok felhőeltávolítása egy ML-alapú szemantikus szegmentációs modellt használ a képen lévő felhők azonosítására, ahol a felhős képpontokat -9999 (nodata érték) értékkel helyettesíti:
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Az EOJ létrehozása után az ARN visszaküldésre kerül, és a következő geomozaik művelet végrehajtására szolgál.
Egy állás állapotának megszerzéséhez futhat sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaic
A geomosaic EOJ arra szolgál, hogy több műholdlátogatásból származó képeket egy nagy mozaikká egyesítsen a csomópontok vagy az átlátszó képpontok (beleértve a felhős képpontokat is) más időbélyegekből származó képpontokkal való felülírásával:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Az EOJ létrehozása után az ARN visszaadásra kerül, és a következő újramintavételi művelet végrehajtására szolgál.
újramintavételezést
Az újramintavételezés a térinformatikai kép felbontásának lecsökkentésére szolgál, hogy megfeleljen a vágási maszkok felbontásának (10–30 m-es felbontású átskálázás):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Az EOJ létrehozása után az ARN visszaadásra kerül, és a következő sáv matematikai művelet végrehajtására szolgál.
Band matematika
A sáv matematikai műveleteket arra használják, hogy a megfigyeléseket több spektrális sávból egyetlen sávba transzformálják. A következő spektrális indexeket tartalmazza:
- EVI2 – Kétsávos fokozott vegetációs index
- DGVI – Generalized Difference Vegetation Index
- NDMI – Normalizált különbségi nedvességindex
- NDVI – Normalizált különbség vegetációs index
- NDWI – Normalizált különbségi vízindex
Lásd a következő kódot:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Zónastatisztika
A spektrális indexeket tovább dúsítjuk Amazon SageMaker feldolgozás, ahol a GDAL-alapú egyéni logika a következőkre szolgál:
- A spektrális indexek egyetlen többcsatornás mozaikba
- Reproject a mozaikot a termés maszk's vetülete
- Alkalmazza a kivágási maszkot, és vetítse újra a mozaikot a sejtpoligonok CRC-jére
- A kiválasztott sokszögek zónastatisztikáinak kiszámítása (10 km x 10 km cellák)
Párhuzamos adatelosztás esetén a manifeszt fájlok (az egyes terményfenológiai szakaszokhoz) több példány között vannak elosztva a ShardedByS3Key
S3 adatelosztási típus. További részletekért lásd a funkció kivonat szkript.
A térinformatikai feldolgozás jegyzetfüzet egy lépésről lépésre útmutató az előző lépések végrehajtásához.
A következő ábra az egymást követő műholdlátogatások RGB-csatornáit mutatja be, amelyek a kukorica fenológiai ciklusának vegetatív és szaporodási szakaszát reprezentálják, (jobbra) és anélkül (balra) termésmaszkokkal (CW 20, 26 és 33, 2018 Central Illinois).
A következő ábrán a spektrális indexek (NDVI, EVI2, NDMI) az egymást követő műholdlátogatások közül a kukorica fenológiai ciklus vegetatív és szaporodási szakaszát jelentik (CW 20, 26 és 33, 2018 Central Illinois).
Tisztítsuk meg
Ha már nem szeretné használni ezt a megoldást, törölheti az általa létrehozott erőforrásokat. Miután telepítette a megoldást a Studio alkalmazásban, válassza a lehetőséget Törölje az összes erőforrást hogy automatikusan törölje az összes szabványos erőforrást, amely a megoldás indításakor jött létre, beleértve az S3 tárolót is.
Következtetés
Ez a megoldás vázlatot ad azokra az esetekre, amikor a Bayes-hálózatokkal való ok-okozati következtetés az előnyben részesített módszer az oksági kérdések megválaszolására adatok és emberi bemenetek kombinációjából. A munkafolyamat magában foglalja a következtetési motor hatékony megvalósítását, amely sorba állítja a bejövő lekérdezéseket és beavatkozásokat, és aszinkron módon feldolgozza azokat. A moduláris felépítés lehetővé teszi a különböző összetevők újrafelhasználását, beleértve a térinformatikai feldolgozást célirányosan felépített műveletekkel és előre betanított modellekkel, a műholdképek gazdagítását egyedi GDAL-műveletekkel, valamint a multimodális jellemzők tervezését (spektrális indexek és táblázatos adatok).
Ezenkívül ezt a megoldást sablonként használhatja rácsos terménymodellek készítéséhez, ahol a nitrogénműtrágya-kezelést és a környezetpolitikai elemzést végzik.
További információ: Megoldási sablonok és kövesse a útmutató hogy elindítsa a Crop Yield Counterfactuals megoldást az Egyesült Államok nyugati (Oregon) régiójában. A kód elérhető a GitHub repo.
Idézetek
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Szimulált adatkészlet a kukorica nitrogénre adott válaszáról több ezer táblán és több éven keresztül Illinoisban,
Adatok röviden, 40. kötet, 2022, 107753, ISSN 2352-3409
Hasznos források
A szerzőkről
Barna Pál az AWS Machine Learning Prototyping Labs vezető adattudósa.
- 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/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :is
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Rólunk
- teljesítményekre
- Fiók
- szerez
- szerzett
- át
- aktív
- hozzáadott
- mellett
- További
- címek
- támogatja
- Után
- AGI
- célok
- algoritmus
- Minden termék
- lehetővé teszi, hogy
- Bár
- amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- között
- összeg
- elemzés
- és a
- válaszok
- bárhol
- Alkalmazás
- építészet
- VANNAK
- TERÜLET
- körül
- AS
- megjelenés
- érvényesítése
- Egyesület
- At
- automatikusan
- elérhető
- elkerülve
- AWS
- ZENEKAR
- alapján
- bayesi
- BE
- előtt
- között
- Kék
- könyv
- szünet
- széles
- épít
- Épület
- by
- hívott
- TUD
- képességek
- elfog
- fogások
- esetek
- kategóriák
- Okoz
- Cellák
- központi
- láncolt
- változik
- Változások
- csatornák
- gyermek
- 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
- követelő
- követelések
- felhő
- kód
- nyakörvek
- kombináció
- Közös
- alkatrészek
- koncentráció
- Körülmények
- lefolytatott
- Csatlakozás
- folyamatos
- korlátok
- folyamatos
- ellenőrzés
- vezérelt
- Megfelelő
- tudott
- teremt
- készítette
- termés
- Jelenleg
- görbe
- szokás
- Külön rendelésre készült
- ciklus
- dátum
- adatfeldolgozás
- adattudós
- adatalapú
- adatbázis
- nap
- mély
- mély tanulás
- bizonyítani
- telepített
- Származtatott
- részlet
- részletek
- különbség
- közvetlenül
- megvitatni
- megosztott
- terjesztés
- disztribúció
- megosztott
- domain
- drasztikusan
- húz
- dinamika
- minden
- hatás
- megjelenése
- lehetővé teszi
- lehetővé téve
- végtől végig
- Motor
- Mérnöki
- fokozott
- dúsított
- környezeti
- Környezetvédelmi politika
- lényegében
- Gyakorol
- terjeszkedés
- szakértő
- szakvélemény
- Magyarázza
- feltárása
- kifejezések
- kiterjesztés
- kivonat
- tényezők
- mezőgazdasági
- Funkció
- Jellemzők
- kevés
- Fields
- Ábra
- következik
- következő
- A
- forma
- Keretrendszer
- ból ből
- teljesen
- további
- generál
- földrajzok
- kap
- GitHub
- adott
- Globális
- grafikon
- Szürkeárnyalatos
- Zöld
- Rács
- Növekedés
- útmutató
- fogantyú
- történik
- Legyen
- Rejtett
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- emberi
- ideális
- azonosítani
- azonosító
- Illinois
- kép
- képek
- Hatás
- végrehajtás
- hallgatólagos
- importál
- fontosság
- kiszabott
- impozáns
- in
- magában foglalja a
- Beleértve
- Bejövő
- amely magában foglalja
- növekvő
- mutatók
- indexek
- információ
- Infrastruktúra
- kezdetben
- alapvetően
- meglátások
- példa
- utasítás
- Intelligencia
- kölcsönhatások
- kamat
- beavatkozás
- Bevezetett
- IT
- ITS
- Munka
- Ismer
- tudás
- Labs
- nagy
- indít
- indítás
- vezet
- TANUL
- tanult
- tanulás
- korlátozás
- Korlátozott
- irodalom
- hosszabb
- gép
- gépi tanulás
- gép
- készült
- Gyártás
- vezetés
- térkép
- Márton
- maszk
- maszkok
- Mérkőzés
- matematikai
- Anyag
- érettség
- megy
- Módszertan
- Metrics
- esetleg
- Tej
- ML
- modell
- modellek
- moduláris
- több
- többszörös
- név
- Nasa
- Közel
- szükségszerűen
- Szükség
- hálózat
- hálózatok
- következő
- Nicolas
- csomópont
- Node Distribution
- csomópontok
- szám
- szerez
- of
- on
- működés
- Művelet
- optimalizálás
- Optimalizálja
- opció
- narancs
- érdekében
- Oregon
- Más
- Párhuzamos
- paraméterek
- szülők
- különös
- Elmúlt
- Teljesít
- Fotoszintézis
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- dugó
- politika
- Poligon
- lehetséges
- állás
- előnyben részesített
- elvek
- Előzetes
- Probléma
- folyamat
- Feldolgozott
- Folyamatok
- feldolgozás
- ingatlanait
- ingatlan
- javasolt
- javasolja
- prototípus
- ad
- biztosít
- tisztán
- Kérdések
- véletlen
- Véletlenszerűsített
- hatótávolság
- Az árak
- kész
- ésszerű
- Piros
- csökkenteni
- csökkentő
- vidék
- kapcsolat
- Kapcsolatok
- eltávolítás
- helyébe
- képvisel
- képviselő
- kéri
- kötelező
- Felbontás
- Tudástár
- válasz
- felelős
- felül
- RGB
- ROI
- futás
- futás
- sagemaker
- műhold
- forgatókönyvek
- Tudós
- Rész
- szegmentáció
- kiválasztott
- idősebb
- értelemben
- Series of
- készlet
- számos
- Műsorok
- Hasonlóképpen
- egyetlen
- megoldások
- Megoldások
- néhány
- térbeli
- Spektrális
- terek
- Színpad
- állapota
- standard
- Állami
- Államok
- statisztika
- Állapot
- Lépés
- Lépései
- feszültség
- struktúra
- tanulmányok
- stúdió
- Tanulmány
- tárgy
- későbbi
- támogatás
- Systems
- bevétel
- taro
- Tanítási
- sablon
- Tesztelés
- hogy
- A
- A grafikon
- Az állam
- a világ
- azok
- Őket
- ezáltal
- Ezek
- dolgok
- ezer
- három
- Keresztül
- egész
- idő
- nak nek
- együtt
- Vonat
- Átalakítás
- transzformáló
- átlátszó
- kezelésére
- próba
- vizsgálatok
- Megbízható
- UCLA
- feltárni
- alatt
- megértés
- egység
- Egyesült
- Egyesült Államok
- Frissítések
- frissítése
- us
- használ
- érvényesített
- érték
- különféle
- Látogatók
- kötet
- Víz
- módon
- időjárás
- Hetek
- JÓL
- Nyugati
- Mit
- ami
- míg
- lesz
- val vel
- belül
- nélkül
- világ
- írás
- X
- év
- Hozam
- hozamok
- te
- A te
- zephyrnet