Az adatok előkészítése minden adatvezérelt projekt kritikus lépése, és a megfelelő eszközök birtokában nagyban növelheti a működési hatékonyságot. Amazon SageMaker Data Wrangler hetekről percekre csökkenti a táblázatos és képi adatok gépi tanuláshoz (ML) való összesítéséhez és előkészítéséhez szükséges időt. A SageMaker Data Wrangler segítségével leegyszerűsítheti az adat-előkészítési és szolgáltatástervezési folyamatot, és elvégezheti az adat-előkészítési munkafolyamat minden lépését, beleértve az adatok kiválasztását, tisztítását, feltárását és megjelenítését egyetlen vizuális felületről.
Ebben a bejegyzésben a SageMaker Data Wrangler legújabb funkcióit fedezzük fel, amelyeket kifejezetten a működési élmény javítására terveztek. Belemerülünk a támogatásába Egyszerű tárolási szolgáltatás (Amazon S3) nyilvánvaló fájlok, következtetési műtermékek egy interaktív adatfolyamban, és a zökkenőmentes integráció JSON (JavaScript objektumjelölés) formátumot a következtetésekhez, kiemelve, hogy ezek a fejlesztések hogyan teszik egyszerűbbé és hatékonyabbá az adatok előkészítését.
Új funkciók bemutatása
Ebben a részben a SageMaker Data Wrangler új funkcióit tárgyaljuk az optimális adat-előkészítés érdekében.
S3 jegyzékfájl támogatása SageMaker Autopilottal az ML következtetéshez
A SageMaker Data Wrangler lehetővé teszi a egységes adat-előkészítés és modellképzés tapasztalatok Amazon SageMaker Autopilot néhány kattintással. A SageMaker Autopilot segítségével automatikusan betaníthatja, hangolhatja és telepítheti a modelleket az adatfolyamban átalakított adatokon.
Ez a tapasztalat most tovább egyszerűsödik az S3 jegyzékfájl támogatásával. Az S3 jegyzékfájl egy szöveges fájl, amely felsorolja az S3 tárolóban tárolt objektumokat (fájlokat). Ha a SageMaker Data Wranglerbe exportált adatkészlete meglehetősen nagy, és több részből álló adatfájlokra van felosztva az Amazon S3-ban, a SageMaker Data Wrangler most automatikusan létrehoz egy manifeszt fájlt az S3-ban, amely az összes adatfájlt reprezentálja. Ez a generált jegyzékfájl most már használható a SageMaker Autopilot UI-val a SageMaker Data Wranglerben, hogy az összes particionált adatot betanítás céljából begyűjtse.
A szolgáltatás elindítása előtt a SageMaker Data Wrangler által előkészített adatokra betanított SageMaker Autopilot modellek használatakor csak egy adatfájlt választhatott, amely nem feltétlenül reprezentálja a teljes adatkészletet, különösen, ha az adatkészlet nagyon nagy. Ezzel az új jegyzékfájl-élménnyel nem korlátozódik az adatkészlet egy részhalmazára. Létrehozhat egy ML-modellt a SageMaker Autopilot segítségével, amely az összes adatot reprezentálja a jegyzékfájl segítségével, és felhasználhatja azt az ML következtetésekhez és az éles üzembe helyezéshez. Ez a funkció növeli a működési hatékonyságot azáltal, hogy leegyszerűsíti a betanítási ML modelleket a SageMaker Autopilot segítségével, és egyszerűsíti az adatfeldolgozási munkafolyamatokat.
Támogatás hozzáadva a következtetési folyamathoz a generált műtermékekben
Az ügyfelek a modell betanítási adataikra alkalmazott adatátalakításokat szeretnék végrehajtani, mint például az egyszeri kódolás, a PCA és a hiányzó értékek imputálása, és alkalmazni kívánják ezeket az adatátalakításokat valós idejű következtetésre vagy kötegelt következtetésre a termelésben. Ehhez rendelkeznie kell egy SageMaker Data Wrangler következtetési műtermékkel, amelyet egy SageMaker modell használ fel.
Korábban a következtetési melléktermékeket csak a SageMaker Autopilot képzésbe történő exportáláskor vagy egy következtetési folyamatjegyzetfüzet exportálásakor lehetett előállítani a felhasználói felületről. Ez nem biztosított rugalmasságot, ha a SageMaker Data Wrangler folyamait a Amazon SageMaker Studio környezet. Mostantól bármilyen kompatibilis folyamatfájlhoz létrehozhat egy következtetési mellékterméket egy SageMaker Data Wrangler feldolgozási feladaton keresztül. Ez lehetővé teszi a programozott, végpontok közötti MLOp-okat a SageMaker Data Wrangler-rel a kód-első MLOps-személyek számára, valamint egy intuitív, kód nélküli elérési utat, amellyel következtetési műterméket kaphat egy feladat létrehozásával a felhasználói felületen.
Adat-előkészítés egyszerűsítése
A JSON az adatcsere széles körben elfogadott formátumává vált a modern adatökoszisztémákban. A SageMaker Data Wrangler JSON-formátummal való integrációja lehetővé teszi a JSON-adatok zökkenőmentes kezelését az átalakítás és a tisztítás céljából. A JSON natív támogatásával a SageMaker Data Wrangler leegyszerűsíti a strukturált és félig strukturált adatokkal végzett munka folyamatát, lehetővé téve az értékes információk kinyerését és az adatok hatékony előkészítését. A SageMaker Data Wrangler mostantól támogatja a JSON formátumot mind a kötegelt, mind a valós idejű következtetési végpontok telepítéséhez.
Megoldás áttekintése
Felhasználási esetünkben a mintát használjuk Amazon vásárlói vélemények adatkészlete bemutatni, hogy a SageMaker Data Wrangler hogyan tudja leegyszerűsíteni az új ML-modell felépítését a SageMaker Autopilot segítségével. Az Amazon ügyfélvélemények adatkészlete az Amazon termékértékeléseit és metaadatait tartalmazza, beleértve az 142.8 májusától 1996 júliusáig terjedő 2014 millió véleményt.
Magas szinten a SageMaker Data Wranglert használjuk ennek a nagy adathalmaznak a kezelésére és a következő műveletek végrehajtására:
- Fejlesszen ki egy ML-modellt a SageMaker Autopilotban az összes adatkészlet felhasználásával, nem csak egy mintával.
- Hozzon létre egy valós idejű következtetési folyamatot a SageMaker Data Wrangler által generált következtetési műtermékkel, és használja a JSON formázást a bemenethez és a kimenethez.
S3 jegyzékfájl támogatása a SageMaker Autopilottal
Amikor SageMaker Autopilot kísérletet hoz létre a SageMaker Data Wrangler használatával, korábban csak egyetlen CSV- vagy Parquet-fájlt adhatott meg. Mostantól S3 jegyzékfájlt is használhat, amely lehetővé teszi nagy mennyiségű adat felhasználását a SageMaker Autopilot kísérletekhez. A SageMaker Data Wrangler automatikusan felosztja a bevitt adatfájlokat több kisebb fájlba, és létrehoz egy jegyzéket, amely felhasználható a SageMaker Autopilot kísérletben, hogy az összes adatot begyűjtse az interaktív munkamenetből, nem csak egy kis mintát.
Hajtsa végre a következő lépéseket:
- Importálja az Amazon ügyfélvélemény-adatait egy CSV-fájlból a SageMaker Data Wranglerbe. Az adatok importálásakor feltétlenül kapcsolja ki a mintavételezést.
- Adja meg az adatokat normalizáló átalakításokat. Ebben a példában távolítsa el a szimbólumokat, és alakítson át mindent kisbetűre a SageMaker Data Wrangler beépített átalakításaival.
- 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 Vonat modell az edzés megkezdéséhez.
Egy modell SageMaker Autopilottal való betanításához a SageMaker automatikusan exportálja az adatokat egy S3 tárolóba. Az ehhez hasonló nagy adatkészletek esetén automatikusan kisebb fájlokra bontja a fájlt, és létrehoz egy jegyzéket, amely tartalmazza a kisebb fájlok helyét.
- Először válassza ki a bemeneti adatokat.
Korábban a SageMaker Data Wranglernek nem volt lehetősége a SageMaker Autopilottal használható jegyzékfájl létrehozására. A mai napon, a jegyzékfájl-támogatás kiadásával a SageMaker Data Wrangler automatikusan exportál egy jegyzékfájlt az Amazon S3-ba, előre kitölti a SageMaker Autopilot képzés S3 helyét a jegyzékfájl S3 helyével, és átkapcsolja a jegyzékfájl beállítását Igen. A jegyzékfájl létrehozásához vagy használatához nincs szükség semmilyen munkára.
- Konfigurálja a kísérletet úgy, hogy kiválasztja a modell célját az előrejelzéshez.
- Ezután válasszon edzésmódszert. Ebben az esetben kiválasztjuk kocsi és hagyja, hogy a SageMaker Autopilot döntse el a legjobb képzési módszert az adatkészlet mérete alapján.
- Adja meg a telepítési beállításokat.
- Végül tekintse át a munkakonfigurációt, és küldje be a SageMaker Autopilot kísérletet betanításra. Amikor a SageMaker Autopilot befejezi a kísérletet, megtekintheti a képzési eredményeket, és felfedezheti a legjobb modellt.
A jegyzékfájlok támogatásának köszönhetően a teljes adatkészletét felhasználhatja a SageMaker Autopilot kísérlethez, nem csak az adatok egy részhalmazát.
A SageMaker Autopilot és a SageMaker Data Wrangler használatával kapcsolatos további információkért lásd: Egységes adat-előkészítés és modellképzés az Amazon SageMaker Data Wranglerrel és az Amazon SageMaker Autopilottal.
Következtetési melléktermékek létrehozása a SageMaker feldolgozási feladatokból
Most pedig nézzük meg, hogyan hozhatunk létre következtetési műtermékeket a SageMaker Data Wrangler UI és a SageMaker Data Wrangler notebookokon keresztül.
SageMaker Data Wrangler UI
Használati esetünkben az adatainkat a felhasználói felületen keresztül szeretnénk feldolgozni, majd a kapott adatokat felhasználni egy modell betanításához és üzembe helyezéséhez a SageMaker konzolon keresztül. Hajtsa végre a következő lépéseket:
- Nyissa meg az előző szakaszban létrehozott adatfolyamot.
- Válassza ki az utolsó transzformáció melletti pluszjelet, válassza Úticél hozzáadása, és válasszon Amazon S3. Ez lesz az a hely, ahol a feldolgozott adatokat tárolják.
- 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 Állás létrehozása.
- választ Következtetési műtermékek létrehozása a Következtetési paraméterek szakaszban következtetési műtermék létrehozásához.
- A Következtetési műtermék neve mezőben adja meg a következtetési műtermék nevét (fájlkiterjesztésként .tar.gz).
- A Következtetés kimeneti csomóponthoz adja meg a betanítási adatokra alkalmazott átalakításoknak megfelelő célcsomópontot.
- 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 Munka konfigurálása.
- Alatt Munka konfigurációja, adjon meg egy elérési utat a számára Flow fájl S3 helye. Egy mappa a neve
data_wrangler_flows
létrejön ezen a helyen, és a következtetési műtermék feltöltődik ebbe a mappába. A feltöltés helyének megváltoztatásához állítson be egy másik S3 helyet. - Hagyja meg az alapértelmezett beállításokat az összes többi beállításnál, és válassza ki Teremt a feldolgozási munka létrehozásához.
A feldolgozási feladat létrehozza atarball (.tar.gz)
egy módosított adatfolyam-fájlt tartalmaz egy újonnan hozzáadott következtetési szekcióval, amely lehetővé teszi a következtetésekhez való felhasználását. Szüksége van a következtetési műtermék S3 egységes erőforrás-azonosítójára (URI), hogy a mellékterméket a SageMaker-modell számára biztosítsa a következtetési megoldás telepítésekor. Az URI az űrlapon lesz{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Ha korábban nem vette fel ezeket az értékeket, kiválaszthatja a feldolgozási munkára mutató hivatkozást, hogy megtalálja a releváns részleteket. Példánkban az URI
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- Másolja az értékét Kép feldolgozása; szükségünk van erre az URI-ra a modellünk létrehozásakor is.
- Ezzel az URI-val most már létrehozhatunk egy SageMaker-modellt a SageMaker konzolon, amelyet később telepíthetünk egy végpontra vagy kötegelt átalakítási feladatra.
- Alatt Modell beállításai¸ adja meg a modell nevét, és adja meg az IAM szerepkörét.
- A Tároló beviteli lehetőségekválassza Adja meg a modell műtermékeit és a következtetési kép helyét.
- A A következtetési kód képének helye, adja meg a feldolgozási kép URI-ját.
- A Modelltermékek helye, adja meg a következtetési műtermék URI-jét.
- Ezenkívül, ha az adatoknak van egy céloszlopa, amelyet egy betanított ML-modell előre jelez, adja meg az oszlop nevét a Környezeti változók, És
INFERENCE_TARGET_COLUMN_NAME
as Kulcs és az oszlop neve mint Érték. - Fejezze be a modell létrehozását a kiválasztással Modell létrehozása.
Most már van egy modellünk, amelyet telepíthetünk egy végpontra vagy kötegelt átalakítási feladatra.
SageMaker Data Wrangler notebookok
Egy feldolgozási feladatból a következtetési melléktermék generálására szolgáló kódalapú megközelítéshez a példakódot úgy találhatjuk meg, hogy Exportálás a csomópont menüjében, és válassza ki valamelyiket Amazon S3, SageMaker csővezetékekvagy SageMaker következtetési csővezeték. Mi választunk SageMaker következtetési csővezeték ebben a példában.
Ebben a jegyzetfüzetben van egy rész, melynek címe Processzor létrehozása (ez megegyezik a SageMaker Pipelines notebookban, de az Amazon S3 notebookban az egyenértékű kód a Munka konfigurációk szakasz). Ennek a szakasznak az alján található a következtetési műtermékünk konfigurációja inference_params
. Ugyanazokat az információkat tartalmazza, amelyeket a felhasználói felületen láttunk, nevezetesen a következtetési műtermék nevét és a következtetés kimeneti csomópontját. Ezek az értékek előre kitöltve lesznek, de módosíthatók. Ezen kívül van egy ún use_inference_params
, amelyet be kell állítani True
hogy ezt a konfigurációt használja a feldolgozási feladatban.
Lentebb van egy szakasz, melynek címe Határozza meg a csővezeték lépéseit, Ahol a inference_params
A konfiguráció hozzá lesz fűzve a job argumentumainak listájához, és átkerül a SageMaker Data Wrangler feldolgozási lépés definíciójába. Az Amazon S3 notebookban job_arguments
közvetlenül azután kerül meghatározásra Munka konfigurációk szakasz.
Ezekkel az egyszerű konfigurációkkal a notebook által létrehozott feldolgozási feladat egy következtetési mellékterméket generál ugyanazon az S3 helyen, mint a folyamatfájlunk (a notebookunkban korábban meghatározott). Programozottan meghatározhatjuk ezt az S3 helyet, és ezzel a melléktermékkel létrehozhatunk egy SageMaker modellt a segítségével SageMaker Python SDK, amelyet a SageMaker Inference Pipeline notebook szemléltet.
Ugyanez a megközelítés alkalmazható bármely Python-kódra, amely SageMaker Data Wrangler feldolgozási feladatot hoz létre.
JSON fájlformátum támogatása a bemenethez és a kimenethez a következtetés során
Meglehetősen gyakori, hogy a webhelyek és alkalmazások a JSON-t használják kérésként/válaszként az API-k számára, így az információ könnyen elemezhető a különböző programozási nyelvekkel.
Korábban, miután rendelkezett egy betanított modellel, csak CSV-n keresztül tudott kommunikálni vele, mint bemeneti formátummal a SageMaker Data Wrangler következtetési folyamatban. Ma már használhatja a JSON-t bemeneti és kimeneti formátumként, ami nagyobb rugalmasságot biztosít a SageMaker Data Wrangler következtetési tárolókkal való interakció során.
A JSON használatának megkezdéséhez a következtetési folyamatjegyzetfüzet bemenetére és kimenetére, hajtsa végre a következő lépéseket:
- Határozzon meg egy hasznos terhet.
A modell minden hasznos adathoz egy kulcs nevű példányt vár. Az érték objektumok listája, mindegyik saját adatpontja. Az objektumokhoz egy jellemzőnek nevezett kulcsra van szükség, és az értékeknek egyetlen adatpont jellemzőinek kell lenniük, amelyeket be kívánnak küldeni a modellnek. Egy kérelemben több adatpont is beküldhető, kérésenként legfeljebb 6 MB méretű.
Lásd a következő kódot:
- Határozza meg a
ContentType
asapplication/json
. - Adjon meg adatokat a modellhez, és fogadjon következtetéseket JSON formátumban.
Lát Általános adatformátumok következtetésekhez minta bemeneti és kimeneti JSON-példákhoz.
Tisztítsuk meg
Ha befejezte a SageMaker Data Wrangler használatát, javasoljuk, hogy állítsa le azt a példányt, amelyen fut, hogy elkerülje a további költségeket. A SageMaker Data Wrangler alkalmazás és a kapcsolódó példány leállítására vonatkozó utasításokért lásd: Állítsa le a Data Wranglert.
Következtetés
A SageMaker Data Wrangler új funkciói, beleértve az S3 jegyzékfájlok támogatását, a következtetési képességeket és a JSON formátum integrációját, átalakítják az adat-előkészítés működési élményét. Ezek a fejlesztések leegyszerűsítik az adatimportálást, automatizálják az adatátalakításokat, és leegyszerűsítik a JSON-adatokkal való munkát. Ezekkel a funkciókkal növelheti működési hatékonyságát, csökkentheti a kézi erőfeszítést, és könnyedén nyerhet ki értékes információkat az adatokból. Használja ki a SageMaker Data Wrangler új funkcióinak erejét, és aknázza ki az adat-előkészítési munkafolyamatok teljes potenciálját.
A SageMaker Data Wrangler használatának megkezdéséhez tekintse meg a legfrissebb információkat a SageMaker Data Wrangler termékoldal.
A szerzőkről
Munish Dabra az Amazon Web Services (AWS) fő megoldási építésze. Jelenlegi területe az AI/ML és a megfigyelhetőség. Erős háttérrel rendelkezik a méretezhető elosztott rendszerek tervezésében és építésében. Szívesen segít ügyfeleinek az AWS-ben történő innovációban és vállalkozásuk átalakításában. LinkedIn: /mdabra
Patrick Lin az Amazon SageMaker Data Wrangler szoftverfejlesztő mérnöke. Elkötelezte magát amellett, hogy az Amazon SageMaker Data Wranglert az első számú adat-előkészítő eszközzé tegye a produkciós ML munkafolyamatok számára. Munkán kívül találkozhat vele, amint olvas, zenét hallgat, beszélget a barátaival, és szolgál a templomában.
- 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/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :van
- :is
- :nem
- :ahol
- $ UP
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- cselekvések
- hozzáadott
- További
- Ezen kívül
- fogadott
- Után
- AI / ML
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker Autopilot
- Amazon SageMaker Data Wrangler
- Az Amazon Web Services
- Amazon Web Services (AWS)
- Összegek
- an
- és a
- bármilyen
- API-k
- app
- alkalmazások
- alkalmazott
- alkalmaz
- megközelítés
- VANNAK
- területek
- érvek
- AS
- társult
- At
- automatizált
- automatikusan
- elkerülése érdekében
- AWS
- háttér
- alapján
- BE
- válik
- hogy
- BEST
- Nagy
- mindkét
- Alsó
- szünet
- épít
- Épület
- beépített
- üzleti
- de
- by
- hívott
- TUD
- képességek
- eset
- változik
- 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
- választja
- templom
- Takarításra
- kód
- Oszlop
- elkötelezett
- Közös
- összeegyeztethető
- teljes
- Befejezi
- Configuration
- Konzol
- fogyasztott
- Konténerek
- tartalmaz
- beszélgetések
- Megfelelő
- tudott
- teremt
- készítette
- teremt
- létrehozása
- kritikai
- Jelenlegi
- vevő
- Ügyfelek
- dátum
- Adatcsere
- adat pontok
- Adatok előkészítése
- adatfeldolgozás
- adatalapú
- adatkészletek
- nap
- dönt
- alapértelmezett
- meghatározott
- definíció
- ás
- igazolták
- telepíteni
- bevezetéséhez
- bevetés
- tervezett
- tervezés
- rendeltetési hely
- részletek
- Határozzuk meg
- Fejlesztés
- különböző
- megvitatni
- megosztott
- elosztott rendszerek
- do
- le-
- alatt
- minden
- Korábban
- könnyű
- könnyebb
- könnyű
- ökoszisztémák
- hatékonyság
- hatékony
- eredményesen
- erőfeszítés
- bármelyik
- ölelés
- lehetővé teszi
- lehetővé téve
- végtől végig
- Endpoint
- mérnök
- Mérnöki
- növelése
- fejlesztések
- Javítja
- belép
- Egész
- Környezet
- Egyenértékű
- különösen
- EVER
- Minden
- minden nap
- minden
- példa
- példák
- csere
- vár
- tapasztalat
- kísérlet
- kísérletek
- kutatás
- feltárása
- export
- export
- kiterjesztés
- kivonat
- Funkció
- Jellemzők
- kevés
- filé
- Fájlok
- Találjon
- Rugalmasság
- áramlási
- flow
- Összpontosít
- következik
- következő
- A
- forma
- formátum
- barátok
- ból ből
- Tele
- további
- generál
- generált
- kap
- nagymértékben
- kellett
- fogantyú
- Legyen
- tekintettel
- he
- segít
- Magas
- kiemelve
- őt
- övé
- Hogyan
- How To
- HTML
- HTTPS
- i
- identiques
- azonosító
- if
- kép
- azonnal
- importál
- importáló
- javul
- in
- magában foglalja a
- Beleértve
- információ
- újít
- bemenet
- meglátások
- példa
- utasítás
- integráció
- szándékolt
- kölcsönhatásba
- kölcsönható
- interaktív
- Felület
- bele
- intuitív
- IT
- ITS
- JavaScript
- Munka
- jpg
- json
- július
- éppen
- Kulcs
- Nyelvek
- nagy
- keresztnév
- a későbbiekben
- legutolsó
- indít
- tanulás
- hadd
- szint
- mint
- Korlátozott
- LINK
- Lista
- Kihallgatás
- listák
- elhelyezkedés
- néz
- gép
- gépi tanulás
- csinál
- Gyártás
- kezelése
- kézikönyv
- Lehet..
- Menü
- Metaadatok
- módszer
- esetleg
- millió
- Perc
- hiányzó
- ML
- MLOps
- modell
- modellek
- modern
- módosított
- több
- hatékonyabb
- többszörös
- zene
- kell
- név
- Nevezett
- ugyanis
- bennszülött
- elengedhetetlen
- Szükség
- igények
- Új
- Új funkciók
- újonnan
- következő
- nem
- csomópont
- jegyzetfüzet
- Most
- szám
- tárgy
- objektumok
- of
- on
- ONE
- csak
- operatív
- optimálisan
- Optimalizálja
- opció
- Opciók
- or
- Más
- mi
- ki
- teljesítmény
- kívül
- saját
- paraméter
- paraméterek
- Elmúlt
- ösvény
- mert
- Teljesít
- vedd
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- plusz
- pont
- pont
- állás
- potenciális
- hatalom
- előre
- jósolt
- előkészítés
- Készít
- előkészített
- szép
- korábban
- Fő
- folyamat
- Feldolgozott
- feldolgozás
- Termékek
- termék vélemények
- Termelés
- programadó
- Programozás
- programozási nyelvek
- program
- ad
- amely
- Piton
- Olvasás
- real-time
- kap
- ajánl
- csökkenteni
- csökkenti
- engedje
- eltávolítása
- képvisel
- képviselő
- kérni
- szükség
- forrás
- kapott
- Eredmények
- Kritika
- Vélemények
- jobb
- Szerep
- fut
- s
- sagemaker
- SageMaker következtetés
- SageMaker csővezetékek
- azonos
- látta
- skálázható
- zökkenőmentes
- zökkenőmentesen
- Rész
- lát
- kiválasztása
- kiválasztás
- Szolgáltatások
- szolgáló
- ülés
- készlet
- beállítások
- számos
- kellene
- előadás
- Állítsa le
- <p></p>
- Egyszerű
- egyszerűsített
- egyszerűsítése
- egyszerűsítése
- egyetlen
- Méret
- kicsi
- kisebb
- So
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- kifejezetten
- osztott
- kezdet
- kezdődött
- Lépés
- Lépései
- tárolás
- memorizált
- áramvonal
- ésszerűsítése
- erős
- szerkesztett
- beküldése
- benyújtott
- ilyen
- támogatás
- Támogatja
- biztos
- Systems
- Vesz
- tart
- cél
- hogy
- A
- az információ
- azok
- akkor
- Ott.
- Ezek
- ezt
- azok
- Keresztül
- idő
- címmel
- nak nek
- Ma
- is
- szerszám
- szerszámok
- Végösszeg
- Vonat
- kiképzett
- Képzések
- Átalakítás
- Átalakítás
- transzformációk
- át
- transzformáció
- Kétszer
- ui
- alatt
- kinyit
- feltöltve
- használ
- használati eset
- használt
- segítségével
- Értékes
- érték
- Értékek
- nagyon
- keresztül
- Megnézem
- megjelenítés
- akar
- kívánatos
- we
- háló
- webes szolgáltatások
- honlapok
- Hetek
- JÓL
- amikor
- ami
- széles körben
- lesz
- val vel
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- te
- A te
- zephyrnet