Ez a bejegyzés Brad Duncan, Rachel Johnson és Richard Alcock együttműködésében készült a MathWorkstől.
MATLAB egy népszerű programozási eszköz sokféle alkalmazáshoz, mint például adatfeldolgozás, párhuzamos számítástechnika, automatizálás, szimuláció, gépi tanulás és mesterséges intelligencia. Erősen használják számos iparágban, például az autóiparban, a repülőgépiparban, a kommunikációban és a gyártásban. Az elmúlt években a MathWorks számos termékajánlatot hozott a felhőbe, különösen a felhőbe Amazon Web Services (AWS). A MathWorks felhőtermékekkel kapcsolatos további részletekért lásd: MATLAB és Simulink a felhőben or e-mail Mathworks.
Ebben a bejegyzésben bemutatjuk a MATLAB gépi tanulási képességeit Amazon SageMaker, amelynek számos jelentős előnye van:
- Számítsa ki az erőforrásokat: A SageMaker által kínált nagy teljesítményű számítástechnikai környezet használata felgyorsíthatja a gépi tanulási képzést.
- Együttműködés: A MATLAB és a SageMaker együtt egy robusztus platformot biztosítanak, amelyet a csapatok használhatnak a gépi tanulási modellek felépítésében, tesztelésében és telepítésében való hatékony együttműködésre.
- Telepítés és hozzáférhetőség: A modellek SageMaker valós idejű végpontként üzembe helyezhetők, így könnyen elérhetőek más alkalmazások számára az élő streaming adatok feldolgozásához.
Megmutatjuk, hogyan taníthat be egy MATLAB gépi tanulási modellt SageMaker képzési feladatként, majd telepítheti a modellt SageMaker valós idejű végpontként, hogy az élő, streaming adatokat dolgozhasson fel.
Ehhez egy prediktív karbantartási példát használunk, amelyben osztályozzuk a működő szivattyú hibáit, amely élő érzékelőadatokat sugároz. Hozzáférünk egy nagy tárházhoz a címkézett adatokhoz, amelyeket a Egyszerű szimuláció, amely három lehetséges hibatípust tartalmaz különböző lehetséges kombinációkban (például egy egészséges és hét hibás állapot). Mivel rendelkezünk a rendszer modelljével, és a hibák ritkán fordulnak elő, kihasználhatjuk a szimulált adatokat az algoritmus betanításához. A modell a MATLAB és a Simulink paraméterbecslési technikáival úgy hangolható, hogy megfeleljen a valódi szivattyúnk működési adatainak.
Célunk a MATLAB és az Amazon SageMaker együttes erejének bemutatása a hibabesorolási példa segítségével.
Kezdjük egy osztályozó modell betanításával az asztalunkon a MATLAB segítségével. Először kinyerjük a funkciókat a teljes adatkészlet egy részhalmazából a Diagnosztikai funkciótervező alkalmazást, majd futtassa helyben a modellképzést egy MATLAB döntési fa modellel. Ha elégedettek vagyunk a paraméterbeállításokkal, létrehozhatunk egy MATLAB függvényt, és elküldhetjük a feladatot az adatkészlettel együtt a SageMakernek. Ez lehetővé teszi számunkra, hogy felnagyítsuk a képzési folyamatot, hogy sokkal nagyobb adatkészletekhez férhessünk hozzá. Modellünk betanítása után élő végpontként helyezzük üzembe, amely integrálható egy downstream alkalmazásba vagy irányítópultba, például egy MATLAB webalkalmazásba.
Ez a példa összefoglalja az egyes lépéseket, gyakorlati megértést nyújtva a MATLAB és az Amazon SageMaker gépi tanulási feladatokhoz való kihasználásáról. A példa teljes kódja és leírása itt érhető el raktár.
Előfeltételek
- MATLAB 2023a vagy újabb munkakörnyezet MATLAB fordítóval és a statisztikai és gépi tanulási eszköztárral Linuxon. Itt van egy Gyors útmutató a MATLAB futtatásáról AWS-en.
- Docker felállított egy Amazon Elastic Compute Cloud (Amazon EC2) példa, ahol a MATLAB fut. Bármelyik Ubuntu or Linux.
- Telepítése AWS parancssori interfész (AWS CLI), AWS konfigurálásaés Python3.
- Az AWS CLI-nek már telepítve kell lennie, ha követte a telepítési útmutatót lépésre 1.
- Állítsa be az AWS Configure-t az AWS-erőforrásokkal való interakcióhoz.
- Ellenőrizze a python3 telepítését a futtatással
python -V
orpython --version
parancsot a terminálon. Telepítse a Python-t, ha szükséges.
- Másolja ezt a repót egy mappába a Linux-gépen a következő futtatással:
- Ellenőrizze az engedélyt a repo mappában. Ha nincs írási jogosultsága, futtassa a következő shell parancsot:
- Építsd meg a MATLAB oktatótartályt, és told a Amazon Elastic Container Registry (Amazon ECR).
- Navigáljon a mappához
docker
- Hozzon létre egy Amazon ECR repót az AWS CLI használatával (cserélje ki a REGION-t a kívánt AWS-régióra)
- Futtassa a következő docker parancsot:
- Navigáljon a mappához
- Nyissa meg a MATLAB-ot, és nyissa meg az élő szkriptet
PumpFaultClassificationMATLABSageMaker.mlx
mappábanexamples/PumpFaultClassification
. Legyen ez a mappa aktuális munkamappája a MATLAB-ban.
1. rész: Adat-előkészítés és jellemzők kinyerése
Minden gépi tanulási projekt első lépése az adatok előkészítése. A MATLAB eszközök széles skáláját kínálja az adatok importálásához, tisztításához és funkciók kinyeréséhez.:
A SensorData.mat
Az adatkészlet 240 rekordot tartalmaz. Minden rekordnak két ütemezése van: flow
és a pressure
. A céloszlop az faultcode
, amely a szivattyú három lehetséges hibakombinációjának bináris ábrázolása. Ezekben az idősoros táblázatokban minden tábla 1,201 sorral rendelkezik, amelyek 1.2 másodperces szivattyú áramlási és nyomásmérést utánoznak 0.001 másodperces lépésközzel.
Ezután a Diagnostic Feature Designer alkalmazás lehetővé teszi az adatokból különféle funkciók kinyerését, megjelenítését és rangsorolását. Tessék, használd Automatikus funkciók, amely gyorsan kinyeri az idő- és frekvenciatartomány jellemzőinek széles készletét az adatkészletből, és rangsorolja a modellképzés legjobb jelöltjeit. Ezután exportálhat egy MATLAB függvényt, amely az új bemeneti adatokból újraszámítja a 15 legjobb rangsorolt szolgáltatást. Nevezzük ezt a függvényt extractFeaturesTraining
. Ez a funkció beállítható úgy, hogy az összes adatot egy kötegben vagy adatfolyamként fogadja be.
Ez a funkció a következő ábrán látható módon egy táblázatot hoz létre a kapcsolódó hibakódokkal együtt:
2. rész: Adatok rendszerezése a SageMaker számára
Ezután úgy kell rendszereznie az adatokat, hogy a SageMaker a gépi tanulási képzéshez tudja használni. Általában ez magában foglalja az adatok felosztását betanítási és érvényesítési készletekre, valamint a prediktor adatok felosztását a célválaszból.
Ebben a szakaszban egyéb, összetettebb adattisztítási és -szűrési műveletekre lehet szükség. Ebben a példában az adatok már tiszták. Ha az adatfeldolgozás nagyon összetett és időigényes, akkor a SageMaker feldolgozási feladatok a SageMaker képzésen kívül is használhatók ezeknek a feladatoknak a futtatására, így két lépésre oszthatók fel.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
3. rész: Gépi tanulási modell betanítása és tesztelése MATLAB-ban
Mielőtt áttérne a SageMakerre, érdemes a gépi tanulási modellt helyben felépíteni és tesztelni a MATLAB-ban. Ez lehetővé teszi a modell gyors iterációját és hibakeresését. Helyben beállíthat és betaníthat egy egyszerű döntési fa osztályozót.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
A képzési feladat itt egy percnél kevesebbet vesz igénybe, és néhány grafikont generál az edzés előrehaladásának jelzésére. A képzés befejezése után egy MATLAB gépi tanulási modell készül. A Osztályozás Tanuló Az alkalmazás számos osztályozási modell kipróbálására és a legjobb teljesítményre hangolására használható, majd előállíthatja a szükséges kódot a fenti modell betanítási kódjának cseréjéhez.
Miután ellenőriztük a helyben betanított modell pontossági mutatóit, áthelyezhetjük a képzést az Amazon SageMakerbe.
4. rész: Tanítsa meg a modellt az Amazon SageMakerben
Miután elégedett a modellel, méretarányosan betaníthatja a SageMaker segítségével. A SageMaker SDK-k hívásának megkezdéséhez SageMaker munkamenetet kell kezdeményeznie.
session = sagemaker.Session();
Adjon meg egy SageMaker-végrehajtást IAM szerepkör amelyet a képzési munkák és a végpontok tárhelye használni fognak.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
A MATLAB-ból mentse a képzési adatokat .csv fájlként egy Amazon Simple Storage Service (Amazon S3) vödör.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Hozzon létre egy SageMaker Becslőt
Ezután létre kell hoznia egy SageMaker becslőt, és át kell adnia neki az összes szükséges paramétert, például egy képzési dokkolóképet, a betanítási függvényt, a környezeti változókat, a betanítási példány méretét és így tovább. A képzési kép URI-jának az Amazon ECR URI-nak kell lennie, amelyet az előfeltétel lépésben hozott létre a formátummal ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. A képzési funkciót a MATLAB élő szkript alján kell biztosítani.
Adja meg a SageMaker képzési állást
A becslőből az illeszkedési módszer meghívása elküldi a betanítási feladatot a SageMakerbe.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
A képzési feladatok állapotát a SageMaker konzolról is ellenőrizheti:
A betanítási feladatok befejezése után a munkahivatkozás kiválasztásával a munkaköri leírás oldalra jut, ahol megtekintheti a dedikált S3 tárolóba mentett MATLAB modellt:
5. rész: Telepítse a modellt valós idejű SageMaker-végpontként
A betanítás után a modellt valós idejű SageMaker végpontként telepítheti, amellyel valós idejű előrejelzéseket készíthet. Ehhez hívja meg a deploy metódust a becslőből. Itt állíthatja be a kívánt példányméretet a tároláshoz a munkaterheléstől függően.
A színfalak mögött ez a lépés létrehoz egy következtetési dokkoló képet, és az Amazon ECR repositoryjába tolja, a felhasználótól semmi sem szükséges a következtetési tároló létrehozásához. A kép tartalmazza a következtetési kérés kiszolgálásához szükséges összes információt, például a modell helyét, a MATLAB hitelesítési információkat és az algoritmusokat. Ezt követően az Amazon SageMaker létrehoz egy SageMaker végpont konfigurációt, és végül telepíti a valós idejű végpontot. A végpont figyelhető a SageMaker konzolon, és bármikor leállítható, ha már nincs használatban.
6. rész: Tesztelje a végpontot
Most, hogy a végpont működik és fut, tesztelheti a végpontot úgy, hogy megad neki néhány rekordot az előrejelzéshez. A következő kóddal válasszon ki 10 rekordot a betanítási adatokból, és küldje el a végpontra előrejelzés céljából. Az előrejelzés eredményét a rendszer visszaküldi a végpontból, és a következő képen látható.
7. rész: Irányítópult integráció
A SageMaker végpontot számos natív AWS-szolgáltatás hívhatja meg. Normál REST API-ként is használható, ha egy AWS Lambda funkció és API átjáró, amely bármilyen webalkalmazásba integrálható. Ebben a konkrét felhasználási esetben használhatja az Amazon SageMaker Feature Store és az Amazon Managed Streaming for Apache Kafka (MSK) adatfolyam-feldolgozását, hogy gépi tanulással támogatott döntéseket hozzon közel valós időben. Egy másik lehetséges integráció a kombináció használata Amazon kinezis, SageMaker és Apache Flink egy felügyelt, megbízható, méretezhető és magas rendelkezésre állású alkalmazás létrehozásához, amely képes valós idejű következtetések levonására egy adatfolyamon.
Az algoritmusok SageMaker-végponton való üzembe helyezése után érdemes lehet megjeleníteni őket egy irányítópulton, amely valós időben jeleníti meg a streamelési előrejelzéseket. A következő egyéni MATLAB webalkalmazásban megtekintheti a nyomás- és áramlási adatokat szivattyúnként, valamint a telepített modellből származó élő hibaelőrejelzéseket.
Ez a műszerfal tartalmaz egy hátralévő hasznos élettartam (RUL) modellt, amely megjósolja az egyes kérdéses szivattyúk meghibásodásának idejét. A RUL-algoritmusok betanításához lásd: Prediktív karbantartás eszköztár.
Clean Up
A megoldás futtatása után a váratlan költségek elkerülése érdekében tisztítsa meg a szükségtelen AWS-erőforrásokat. Ezeket az erőforrásokat a SageMaker Python SDK vagy az AWS Management Console-t az itt használt konkrét szolgáltatásokhoz (SageMaker, Amazon ECR és Amazon S3). Az erőforrások törlésével megakadályozza, hogy további költségeket számítsanak fel a már nem használt erőforrásokért.
Következtetés
Bemutattuk, hogyan hozhatja be a MATLAB-ot a SageMaker-be a szivattyú prediktív karbantartási használati esetére a teljes gépi tanulási életciklus során. A SageMaker teljes körűen felügyelt környezetet biztosít a gépi tanulási munkaterhelések futtatásához és a modellek telepítéséhez a számítási példányok nagy választékával, amelyek különféle igényeket szolgálnak ki.
A felelősség megtagadása: Az ebben a bejegyzésben használt kód a MathWorks tulajdona és karbantartója. Tekintse meg a GitHub repo licencfeltételeit. Ha bármilyen probléma van a kóddal vagy a funkciókra vonatkozó kérésekkel, kérjük, nyisson meg egy GitHub-problémát az adattárban
Referenciák
A szerzőkről
Brad Duncan a MathWorks Statisztikai és gépi tanulási eszköztárának gépi tanulási képességeinek termékmenedzsere. Ügyfeleivel együttműködve alkalmazza a mesterséges intelligenciát a tervezés új területein, mint például a virtuális érzékelők beépítése a tervezett rendszerekbe, magyarázható gépi tanulási modellek építése, valamint az AI munkafolyamatok szabványosítása a MATLAB és a Simulink segítségével. Mielőtt a MathWorkshez került volna, csapatokat vezetett a 3D szimuláció és a járművek aerodinamikájának optimalizálása, a 3D-s szimuláció felhasználói élménye, valamint a szimulációs szoftverek termékkezelése terén. Brad emellett vendégoktató a Tufts Egyetemen a járművek aerodinamikája területén.
Richard Alcock a MathWorks felhőplatform-integrációiért felelős vezető fejlesztési menedzser. Ebben a szerepkörében fontos szerepet játszik a MathWorks termékek felhő- és konténerplatformokba való zökkenőmentes integrálásában. Olyan megoldásokat hoz létre, amelyek lehetővé teszik a mérnökök és tudósok számára, hogy a MATLAB és a Simulink teljes potenciálját kihasználják felhő alapú környezetben. Korábban a MathWorks szoftvermérnökeként dolgozott megoldásokat a párhuzamos és elosztott számítási munkafolyamatok támogatására.
Rachel Johnson a MathWorks prediktív karbantartásáért felelős termékmenedzser, valamint az átfogó termékstratégiáért és marketingért felelős. Korábban alkalmazásmérnök volt, és közvetlenül támogatta a repülőgépipart a prediktív karbantartási projektekben. A MathWorks előtt Rachel az amerikai haditengerészet aerodinamikai és hajtásszimulációs mérnöke volt. Több éven át matematikát, fizikát és mérnököt tanított.
Shun Mao az Amazon Web Services Emerging Technologies csapatának vezető AI/ML partnermegoldások építésze. Szenvedélyesen dolgozik a vállalati ügyfelekkel és partnerekkel az AI/ML alkalmazások tervezése, üzembe helyezése és méretezése érdekében, hogy üzleti értékeikből származtassanak. A munkán kívül szeret horgászni, utazni és ping-pongozni.
Ramesh Jatiya megoldástervező az Amazon Web Services független szoftverszállító (ISV) csapatában. Szenvedélyesen dolgozik az ISV-ügyfelekkel, hogy megtervezzék, telepítsék és méretezzék alkalmazásaikat felhőben, hogy üzleti értékeikből származtassanak. Emellett gépi tanulásból és üzleti analitikából szerez MBA fokozatot a bostoni Babson College-ban. A munkán kívül szeret futni, teniszezni és főzni.
- 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. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- $ UP
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- Rólunk
- felett
- hozzáférés
- hozzáférhető
- elhelyezésére
- Fiók
- pontosság
- Előny
- légtér
- Után
- AI
- AI / ML
- algoritmus
- algoritmusok
- Minden termék
- lehetővé teszi, hogy
- mentén
- már
- Is
- amazon
- Amazon EC2
- Amazon SageMaker
- Az Amazon Web Services
- an
- analitika
- és a
- Másik
- bármilyen
- Apache
- külön
- api
- app
- alkalmazás lehetővé teszi
- Alkalmazás
- alkalmazások
- alkalmaz
- VANNAK
- TERÜLET
- területek
- mesterséges
- mesterséges intelligencia
- AS
- társult
- At
- Hitelesítés
- auto
- Automatizálás
- autóipari
- elérhető
- elkerülése érdekében
- AWS
- AWS felügyeleti konzol
- Babson
- vissza
- BE
- mert
- előtt
- kezdődik
- Előnyök
- BEST
- Boston
- Alsó
- fejnélküli
- hoz
- széles
- hozott
- épít
- Épület
- épít
- üzleti
- by
- hívás
- hívott
- hívás
- TUD
- jelöltek
- képességek
- képes
- eset
- díjak
- ellenőrizze
- ellenőrzése
- besorolás
- osztályoz
- ragadozó ölyv
- Takarításra
- felhő
- Felhő platform
- kód
- kódok
- együttműködik
- együttműködés
- Főiskola
- Oszlop
- COM
- kombináció
- kombinációk
- kombinált
- érkező
- közlés
- bonyolult
- Kiszámít
- számítástechnika
- Configuration
- konfigurálva
- Konzol
- fogyasztó
- Konténer
- tartalmaz
- kiadások
- teremt
- készítette
- teremt
- Jelenlegi
- szokás
- Ügyfelek
- műszerfal
- dátum
- Adatok előkészítése
- adatfeldolgozás
- adatkészletek
- döntés
- határozatok
- elszánt
- bizonyítani
- igazolták
- attól
- telepíteni
- telepített
- bevezetéséhez
- bevet
- származik
- leírás
- Design
- Tervező
- kívánatos
- asztali
- részletek
- fejlesztése
- Fejlesztés
- diagnosztikai
- közvetlenül
- kijelzők
- megosztott
- elosztott számítástechnika
- do
- Dokkmunkás
- nem
- domain
- Duncan
- minden
- hatékonyan
- bármelyik
- csiszolókő
- fejlődő technológiák
- lehetővé
- végén
- Endpoint
- mérnök
- manipulált
- Mérnöki
- Mérnökök
- Vállalkozás
- Egész
- Környezet
- környezetek
- különösen
- példa
- végrehajtás
- tapasztalat
- export
- kivonat
- kivonatok
- Kudarc
- hibák
- hibás
- Funkció
- Jellemzők
- kevés
- Ábra
- filé
- szűrő
- Végül
- befejezni
- vezetéknév
- Halászat
- megfelelő
- áramlási
- követ
- következő
- következik
- A
- formátum
- Frekvencia
- ból ből
- Tele
- teljesen
- funkció
- további
- gateway
- generál
- generált
- generál
- GitHub
- Giving
- jó
- grafikonok
- nagy
- Vendég
- útmutató
- hám
- Legyen
- he
- Egészség
- egészséges
- súlyosan
- itt
- nagy teljesítményű
- nagyon
- tárhely
- Hogyan
- How To
- HTML
- HTTPS
- ötlet
- if
- kép
- importáló
- in
- magában foglalja a
- amely magában foglalja
- növekedés
- független
- jelez
- iparágak
- ipar
- információ
- kezdeményez
- bemenet
- telepíteni
- telepítés
- telepítve
- példa
- hangszeres
- integrált
- integrálása
- integráció
- integrációk
- Intelligencia
- kölcsönhatásba
- Felület
- bele
- kérdés
- kérdések
- isv
- IT
- Munka
- Állások
- Johnson
- jpg
- nagy
- nagyobb
- a későbbiekben
- legutolsó
- TANUL
- tanulás
- Led
- kevesebb
- Tőkeáttétel
- Engedély
- élet
- életciklus
- LINK
- linux
- él
- helyileg
- elhelyezkedés
- Belépés
- hosszabb
- gép
- gépi tanulás
- karbantartás
- csinál
- Gyártás
- sikerült
- vezetés
- menedzser
- gyártási
- sok
- Marketing
- Mérkőzés
- matematikai
- mérés
- módszer
- Metrics
- esetleg
- perc
- ML
- modell
- modellek
- monitor
- ellenőrizni
- több
- mozog
- mozgó
- sok
- Nevezett
- bennszülött
- Közel
- elengedhetetlen
- Szükség
- szükséges
- igények
- Új
- nem
- semmi
- célkitűzés
- of
- felajánlott
- Ajánlat
- on
- egyszer
- ONE
- nyitva
- működés
- operatív
- Művelet
- optimalizálás
- or
- Más
- mi
- teljesítmény
- kívül
- átfogó
- tulajdonú
- oldal
- Párhuzamos
- paraméter
- paraméterek
- különös
- partner
- partnerek
- elhalad
- szenvedélyes
- teljesítmény
- engedély
- Fizika
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- kérem
- Népszerű
- lehetséges
- állás
- potenciális
- potenciálisan
- hatalom
- Gyakorlati
- előre
- előrejelzés
- Tippek
- Predictor
- előnyben részesített
- előkészítés
- Készít
- nyomás
- megakadályozása
- korábban
- Előzetes
- folyamat
- feldolgozás
- gyárt
- Készült
- termel
- Termékek
- termékmenedzsment
- termék menedzser
- Termékek
- Programozás
- Haladás
- program
- projektek
- meghajtás
- ad
- feltéve,
- biztosít
- amely
- szivattyú
- Nyomja
- kitolja
- Piton
- kérdés
- gyorsan
- hatótávolság
- rangsorban
- rangsorolt
- soraiban
- RITKA
- készségesen
- igazi
- real-time
- új
- rekord
- nyilvántartások
- utal
- vidék
- iktató hivatal
- megbízható
- megmaradó
- cserélni
- raktár
- képviselet
- kérni
- kéri
- kötelező
- Tudástár
- válasz
- felelős
- REST
- eredményez
- Richard
- erős
- Szerep
- futás
- futás
- sagemaker
- elégedett
- elégedett valamivel
- Megtakarítás
- mentett
- skálázható
- Skála
- jelenetek
- tudósok
- forgatókönyv
- sdks
- zökkenőmentesen
- másodperc
- lát
- kiválasztása
- kiválasztás
- küld
- idősebb
- érzékelők
- küldött
- Series of
- szolgál
- szolgáltatás
- Szolgáltatások
- szolgáló
- ülés
- készlet
- Szettek
- beállítások
- hét
- számos
- ő
- Héj
- kellene
- előadás
- mutatott
- jelentős
- Egyszerű
- tettetés
- Méret
- So
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- néhány
- különleges
- sebesség
- költött
- Színpad
- standard
- szabványosítása
- kezdet
- Államok
- statisztika
- Állapot
- Lépés
- Lépései
- tárolás
- tárolni
- Stratégia
- folyam
- folyó
- ilyen
- összegez
- támogatás
- Támogató
- biztos
- rendszer
- Systems
- táblázat
- TAG
- Vesz
- tart
- cél
- feladatok
- Tanítási
- csapat
- csapat
- technikák
- Technologies
- terminál
- feltételek
- teszt
- Tesztelés
- mint
- hogy
- A
- A terület
- azok
- Őket
- akkor
- Ezek
- ők
- ezt
- azok
- három
- idő
- Idősorok
- nak nek
- együtt
- szerszám
- Eszköztár
- szerszámok
- felső
- Vonat
- Képzések
- Utazó
- fa
- megpróbál
- dallam
- hangolt
- kettő
- típusok
- jellemzően
- megértés
- Váratlan
- egyetemi
- us
- használ
- használati eset
- használt
- használó
- User Experience
- segítségével
- érvényesítés
- Értékek
- fajta
- különféle
- jármű
- eladó
- nagyon
- Tényleges
- Képzeld
- akar
- volt
- Út..
- we
- háló
- webes alkalmazások
- webes szolgáltatások
- ami
- széles
- Széleskörű
- lesz
- val vel
- Munka
- munkafolyamatok
- dolgozó
- művek
- ír
- írott
- év
- te
- A te
- zephyrnet