Az adatvezérelt döntéshozatal világában idősoros előrejelzés kulcsfontosságú abban, hogy a vállalkozások a múltbeli adatok mintáit felhasználhassák a jövőbeli eredmények előrejelzésére. Akár eszközkockázatkezeléssel, kereskedéssel, időjárás-előrejelzéssel, energiaigény-előrejelzéssel, életjel-figyeléssel vagy forgalomelemzéssel foglalkozik, a pontos előrejelzés képessége kulcsfontosságú a sikerhez.
Ezekben az alkalmazásokban idősoros adatok lehetnek nehézfarkú disztribúciók, ahol a frakk szélsőséges értékeket képviselnek. A pontos előrejelzés ezekben a régiókban fontos annak meghatározásában, hogy mekkora a szélsőséges esemény valószínűsége, és hogy kell-e riasztást adni. Ezek a kiugró értékek azonban jelentősen befolyásolják az alapeloszlás becslését, és kihívást jelent a robusztus előrejelzés. A pénzintézetek robusztus modellekre támaszkodnak, hogy előre jelezzék a kiugró eseményeket, például a piaci összeomlásokat. Az energetikai, időjárási és egészségügyi ágazatokban a ritkán előforduló, de nagy hatású események, például természeti katasztrófák és világjárványok pontos előrejelzése hatékony tervezést és erőforrás-elosztást tesz lehetővé. A farok viselkedésének figyelmen kívül hagyása veszteségekhez, elszalasztott lehetőségekhez és a biztonság megsértéséhez vezethet. A pontosság fontossági sorrendbe állítása a farokban segít megbízható és megvalósítható előrejelzésekhez vezetni. Ebben a bejegyzésben egy robusztus idősoros előrejelzési modellt tanítunk, amely képes megragadni az ilyen szélsőséges eseményeket Amazon SageMaker.
A modell hatékony betanítása érdekében létrehozunk egy MLOps infrastruktúrát, amely az adatok előfeldolgozásának automatizálásával, a jellemzők tervezésével, a hiperparaméter-hangolással és a modellválasztással egyszerűsíti a modellfejlesztési folyamatot. Ez az automatizálás csökkenti az emberi hibákat, javítja a reprodukálhatóságot és felgyorsítja a modellfejlesztési ciklust. A képzési folyamat révén a vállalkozások hatékonyan építhetik be az új adatokat, és a változó körülményekhez igazíthatják modelljeiket, ami segít abban, hogy az előrejelzések megbízhatóak és naprakészek maradjanak.
Az idősor-előrejelzési modell betanítása után egy végponton belüli üzembe helyezése valós idejű előrejelzési képességeket biztosít. Ez lehetővé teszi, hogy a legfrissebb adatok alapján jól tájékozott és érzékeny döntéseket hozzon. Ezenkívül a modell végponton történő telepítése lehetővé teszi a méretezhetőséget, mivel több felhasználó és alkalmazás egyszerre érheti el és használhatja a modellt. Ha követi ezeket a lépéseket, a vállalkozások kihasználhatják a robusztus idősoros előrejelzés erejét, hogy megalapozott döntéseket hozzanak, és előrébb maradjanak a gyorsan változó környezetben.
A megoldás áttekintése
Ez a megoldás egy idősoros előrejelzési modell képzését mutatja be, amelyet kifejezetten az adatok kiugró értékeinek és változékonyságának kezelésére terveztek. Időbeli konvolúciós hálózat (TCN) Spliced Binned Pareto (SBP) eloszlással. A megoldás multimodális változatával kapcsolatos további információkért lásd: Az NFL Next Gen Stats új passzolási mutatója mögött meghúzódó tudomány. Az SBP eloszlás hatékonyságának további szemléltetésére összehasonlítjuk ugyanazzal a TCN-modellel, de helyette Gauss-eloszlást használunk.
Ez a folyamat jelentős előnyökkel jár a MLOps funkciók a SageMaker, amely az AWS hatékony felhő-infrastruktúrájának kihasználásával egyszerűsíti az adattudományi munkafolyamatot. Megoldásunkban használjuk Amazon SageMaker automatikus modellhangolás hiperparaméteres kereséshez, Amazon SageMaker kísérletek a kísérletek irányításához, Amazon SageMaker Model Registry modellváltozatok kezeléséhez, és Amazon SageMaker csővezetékek a folyamat megszervezésére. Ezután a modellünket egy SageMaker végpontra telepítjük, hogy valós idejű előrejelzéseket kapjunk.
A következő diagram a képzési folyamat felépítését mutatja be.
A következő diagram a következtetési folyamatot szemlélteti.
A teljes kódot megtalálja a GitHub repo. A megoldás megvalósításához futtassa be a cellákat SBP_main.ipynb
.
Kattintson ide az AWS konzol megnyitásához, és kövesse a lépést.
SageMaker csővezeték
A SageMaker Pipelines felhasználóbarát Python SDK integrált gépi tanulási (ML) munkafolyamatok létrehozásához. Ezek a munkafolyamatok, amelyeket irányított aciklikus grafikonokként (DAG) jellemeznek, különböző típusú és függőségű lépésekből állnak. A SageMaker Pipelines segítségével egyszerűsítheti a modellek betanításának és értékelésének végpontok közötti folyamatát, javítva ezzel a hatékonyságot és a reprodukálhatóságot az ML munkafolyamatokban.
A betanítási folyamat egy szintetikus adatkészlet generálásával kezdődik, amely képzési, érvényesítési és tesztkészletekre van felosztva. Az oktatókészlet két TCN-modell betanítására szolgál, az egyiket használva Összeillesztett Binned-Pareto eloszlás a másik pedig Gauss-eloszlást alkalmaz. Mindkét modell hiperparaméter-hangoláson megy keresztül az érvényesítési készlet használatával az egyes modellek optimalizálásához. Ezt követően a tesztkészlethez viszonyított értékelést végeznek, hogy meghatározzák a legalacsonyabb négyzetes hibával (RMSE) rendelkező modellt. A legjobb pontosságú mérőszámmal rendelkező modell feltöltődik a modellnyilvántartásba.
A következő diagram a csővezeték lépéseit mutatja be.
Beszéljük meg részletesebben a lépéseket.
Adatgenerálás
A folyamat első lépéseként egy szintetikus adatkészletet generálunk, amelyet szinuszos hullámforma és aszimmetrikus nehézfarkú zaj jellemez. Az adatokat számos paraméter, például szabadsági fok, zajsokszorozó és skálaparaméter felhasználásával hoztuk létre. Ezek az elemek befolyásolják az adateloszlás alakját, módosítják adataink véletlenszerű variabilitását, illetve módosítják adateloszlásunk terjedését.
Ezt az adatfeldolgozási feladatot a PyTorchProcessor, amely PyTorch kódot futtat (gener_data.py) a SageMaker által kezelt tárolóban. A hibakereséshez szükséges adatok és egyéb releváns melléktermékek az alapértelmezett helyen találhatók Amazon egyszerű tárolási szolgáltatás (Amazon S3) a SageMaker fiókhoz társított vödör. A folyamat egyes lépéseihez tartozó naplók itt találhatók amazonfelhőóra.
A következő ábra a folyamat által generált adatok mintája.
A bemenetet lecserélheti sokféle idősor-adatra, például szimmetrikus, aszimmetrikus, könnyű, nehézfarkú vagy multimodális eloszlásra. A modell robusztussága lehetővé teszi, hogy az idősoros problémák széles körére alkalmazható legyen, feltéve, hogy elegendő megfigyelés áll rendelkezésre.
Modellképzés
Az adatok generálása után két TCN-t betanítunk: az egyiket SBP, a másikat a Gauss-eloszlás használatával. Az SBP-eloszlás diszkrét bind-eloszlást használ prediktív alapként, ahol a valós tengely diszkrét tálcákra van felosztva, és a modell megjósolja, hogy egy megfigyelés mekkora valószínűséggel esik az egyes ládákba. Ez a módszer lehetővé teszi az aszimmetriák és a több mód rögzítését, mivel az egyes tárak valószínűsége független. A binned eloszlás példája a következő ábrán látható.
A bal oldali prediktív bind eloszlás robusztus a szélsőséges eseményekre, mivel a log-likelihood nem függ az előrejelzett átlag és a megfigyelt pont közötti távolságtól, eltér az olyan parametrikus eloszlásoktól, mint a Gauss- vagy Student-féle t. Ezért a piros pont által képviselt szélsőséges esemény nem torzítja az eloszlás tanult átlagát. A szélsőséges esemény valószínűsége azonban nulla lesz. A szélsőséges események megragadásához SBP-eloszlást alakítunk ki úgy, hogy meghatározzuk az alsó végpontot az 5. kvantilisnál és a felső farkot a 95. kvantilisnál, mindkét végpontot súlyozott általánosított Pareto-eloszlással (GPD) helyettesítve, amely számszerűsítheti az esemény valószínűségét. A TCN kiadja a bind terjesztési bázis és a GPD végek paramétereit.
Hiperparaméteres keresés
Az optimális teljesítmény érdekében használjuk automatikus modelltuning segítségével megtalálhatja a modell legjobb verzióját hiperparaméter hangolás. Ez a lépés a SageMaker Pipelines-be van integrálva, és lehetővé teszi több képzési feladat párhuzamos futtatását, különféle módszerek és előre meghatározott hiperparaméter-tartományok alkalmazásával. Az eredmény a legjobb modell kiválasztása a megadott modellmetrika, azaz az RMSE alapján. Folyamatban lévő modellünk teljesítményének optimalizálása érdekében kifejezetten hangoljuk a tanulási sebességet és a képzési időszakok számát. A SageMaker hiperparaméter-hangolási képességével növeljük annak valószínűségét, hogy modellünk optimális pontosságot és általánosítást ér el az adott feladathoz.
Adataink szintetikus jellege miatt a kontextus hosszát és az átfutási időt statikus paraméterként tartjuk meg. A Context Length a modellbe bevitt történelmi időlépések számát jelenti, az átfutási idő pedig az előrejelzési horizontunkon belüli időlépések számát. A mintakódhoz csak a tanulási sebességet és a korszakok számát hangoljuk, hogy időt és költséget takarítsunk meg.
Az SBP-specifikus paraméterek állandó értéken maradnak a szerzők által az eredeti dokumentumon végzett kiterjedt tesztelések alapján, különböző adatkészletekben:
- Rekeszek száma (100) – Ez a paraméter határozza meg az eloszlás alapjának modellezéséhez használt tárak számát. 100-on tartják, ami több iparágban is a leghatékonyabbnak bizonyult.
- Percentile Tail (0.05) – Ez az általánosított Pareto-eloszlások méretét jelöli a végén. Az előző paraméterhez hasonlóan ezt is alaposan tesztelték, és a leghatékonyabbnak találták.
kísérletek
A hiperparaméteres folyamat integrálva van SageMaker kísérletek, amely segít az iteratív ML-kísérletek rendszerezésében, elemzésében és összehasonlításában, betekintést nyújtva és megkönnyítve a legjobban teljesítő modellek nyomon követését. A gépi tanulás egy iteratív folyamat, amely számos kísérletet foglal magában, beleértve az adatvariációkat, az algoritmusválasztást és a hiperparaméter-hangolást. Ezek a kísérletek a modell pontosságának fokozatos finomítását szolgálják. A betanítási futtatások és a modelliterációk nagy száma azonban megnehezítheti a legjobban teljesítő modellek azonosítását, valamint a jelenlegi és a múltbeli kísérletek értelmes összehasonlítását. A SageMaker Experiments ezt úgy kezeli, hogy automatikusan követi a hiperparaméter-hangolási munkáinkat, és lehetővé teszi számunkra, hogy további részleteket és betekintést nyerjünk a hangolási folyamatba, amint az a következő képernyőképen látható.
Modell értékelés
A modellek betanításon és hiperparaméter-hangoláson esnek át, majd kiértékelik őket a értékelje.py forgatókönyv. Ez a lépés a tesztkészletet használja, amely eltér a hiperparaméter-hangolási szakasztól, hogy felmérje a modell valós pontosságát. Az RMSE-t az előrejelzések pontosságának felmérésére használják.
Az eloszlás összehasonlításához valószínűség-valószínűség (PP) görbét alkalmazunk, amely felméri a tényleges és a megjósolt eloszlások közötti illeszkedést. A pontoknak az átlóhoz való közelsége a tökéletes illeszkedést jelzi. Az SBP és a Gauss-féle előrejelzett eloszlások összehasonlítása a tényleges eloszlással azt mutatja, hogy az SBP előrejelzései jobban illeszkednek a tényleges adatokhoz.
Amint azt megfigyelhetjük, az SBP alsó RMSE-értéke van az alapon, az alsó farok és a felső farok. Az SBP eloszlás 61%-kal javította a Gauss-eloszlás pontosságát az alapon, 56%-kal az alsó farokon és 30%-kal a felső farokon. Összességében az SBP eloszlás lényegesen jobb eredményeket mutat.
Modell kiválasztása
A SageMaker Pipelinesben egy feltétellépést használunk a modellértékelési jelentések elemzéséhez, és a legalacsonyabb RMSE-vel rendelkező modellt választjuk a jobb elosztási pontosság érdekében. A kiválasztott modell SageMaker modellobjektummá alakul, és előkészíti a telepítésre. Ez magában foglalja a kulcsfontosságú paraméterekkel rendelkező modellcsomag létrehozását, és annak becsomagolását a ModelStep.
Modell nyilvántartás
A kiválasztott modell ezután feltöltődik ide SageMaker Model Registry, amely kritikus szerepet játszik a gyártásra kész modellek kezelésében. Modelleket tárol, modellverziókat rendez, lényeges metaadatokat és műtermékeket, például tárolóképeket rögzít, és szabályozza az egyes modellek jóváhagyási állapotát. A rendszerleíró adatbázis használatával hatékonyan telepíthetjük a modelleket az elérhető SageMaker környezetekben, és megalapozhatjuk a folyamatos integrációt és a folyamatos üzembe helyezési (CI/CD) folyamatokat.
Következtetés
A képzési folyamatunk befejeztével modellünket a következővel telepítjük SageMaker hosting szolgáltatások, amely lehetővé teszi egy következtetési végpont létrehozását a valós idejű előrejelzésekhez. Ez a végpont lehetővé teszi az alkalmazásokkal és rendszerekkel való zökkenőmentes integrációt, és igény szerinti hozzáférést biztosít a modell prediktív képességeihez egy biztonságos HTTPS-interfészen keresztül. Valós idejű előrejelzések használhatók olyan forgatókönyvekben, mint például a részvényárfolyam és az energiakereslet előrejelzése. Végpontunk egylépéses előrejelzést ad a megadott idősor-adatokhoz, százalékos és medián formájában, amint az a következő ábrán és táblázaton látható.
1st percentilis | 5th percentilis | Középső | 95th percentilis | 99th percentilis |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
Tisztítsuk meg
A megoldás futtatása után a váratlan költségek elkerülése érdekében tisztítsa meg a szükségtelen AWS-erőforrásokat. Ezeket az erőforrásokat a SageMaker Python SDK segítségével tisztíthatja meg, amely a jegyzetfüzet végén található. Az erőforrások törlésével megakadályozza, hogy további költségeket számítsanak fel a már nem használt erőforrásokért.
Következtetés
A pontos előrejelzés nagymértékben befolyásolhatja a vállalkozás jövőbeli tervezését, és megoldást kínálhat a különféle iparágakban felmerülő problémákra. A SageMaker MLOps segítségével végzett robusztus idősor-előrejelzések feltárása során bebizonyítottunk egy módszert, amellyel pontos előrejelzést kaphatunk, és egy áramvonalas képzési folyamat hatékonyságát.
A Spliced Binned Pareto eloszlással rendelkező Temporal Convolutional Network által hajtott modellünk pontosságot és alkalmazkodóképességet mutatott a kiugró értékekhez azáltal, hogy az RMSE-t 61%-kal javította az alapon, 56%-kal az alsó végeken és 30%-kal a felső végeken. TCN Gauss-eloszlással. Ezek az adatok megbízható megoldást jelentenek a valós előrejelzési igényekre.
A folyamat bemutatja az MLOps funkciók automatizálásának értékét. Ez csökkentheti a manuális emberi erőfeszítést, lehetővé teszi a reprodukálhatóságot és felgyorsíthatja a modell telepítését. A SageMaker olyan funkciói, mint a SageMaker Pipelines, az automatikus modellhangolás, a SageMaker Experiments, a SageMaker Model Registry és a végpontok teszik ezt lehetővé.
Megoldásunk miniatűr TCN-t alkalmaz, mindössze néhány hiperparamétert optimalizálva korlátozott számú réteggel, amelyek elegendőek a modell teljesítményének hatékony kiemeléséhez. Bonyolultabb felhasználási esetekben fontolja meg PyTorch vagy más PyTorch-alapú könyvtárak használatát, hogy testreszabottabb TCN-t hozzon létre, amely igazodik az Ön egyedi igényeihez. Ezenkívül hasznos lenne másokat is felfedezni A SageMaker szolgáltatásai a csővezeték funkcionalitásának továbbfejlesztéséhez. A telepítési folyamat teljes automatizálásához használhatja a AWS Cloud Development Kit (AWS CDK) ill AWS felhőképződés.
Az AWS idősoros előrejelzésével kapcsolatos további információkért tekintse meg a következőket:
Bármilyen gondolattal vagy kérdéssel forduljon hozzánk bizalommal!
A szerzőkről
Nick Biso az AWS Professional Services gépi tanulási mérnöke. Komplex szervezési és technikai kihívásokat old meg az adattudomány és a mérnöki technikák segítségével. Emellett AI/ML modelleket épít és telepít az AWS Cloudon. Szenvedélye kiterjed az utazásra és a változatos kulturális élményekre való hajlamára.
Alston Chan az Amazon Ads szoftverfejlesztő mérnöke. Gépi tanulási folyamatokat és ajánlási rendszereket épít a termékajánlatokhoz a részletoldalon. A munkán kívül szereti a játékfejlesztést és a sziklamászást.
Maria Masood adatfolyamok és adatvizualizációk kiépítésére szakosodott az AWS Commerce Platformnál. Szakértelemmel rendelkezik a gépi tanulás terén, beleértve a természetes nyelvi feldolgozást, a számítógépes látást és az idősorelemzést. A fenntarthatóság lelkesedése iránt érdeklődő Maria élvezi a kertészkedést és a kutyájával való játékleállást.
- 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/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- $ UP
- 100
- 5th
- 7
- a
- képesség
- Rólunk
- gyorsul
- gyorsul
- hozzáférés
- hozzáférhető
- megvalósítható
- Fiók
- pontosság
- pontos
- pontosan
- ér
- át
- tényleges
- aciklikus
- alkalmazkodni
- mellett
- Ezen kívül
- címek
- hirdetések
- ellen
- előre
- AI / ML
- riasztás
- algoritmus
- összehangolása
- Igazítás
- kiosztás
- lehetővé téve
- lehetővé teszi, hogy
- mentén
- Is
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- an
- elemzés
- elemez
- és a
- számít
- bármilyen
- alkalmazható
- alkalmazások
- jóváhagyás
- építészet
- VANNAK
- AS
- értékeli
- értékeli
- vagyontárgy
- társult
- At
- szerzők
- automatizált
- Automatikus
- automatikusan
- automatizálás
- Automatizálás
- elérhető
- elkerülése érdekében
- AWS
- AWS professzionális szolgáltatások
- Tengely
- bázis
- alapján
- BE
- mert
- óta
- viselkedés
- mögött
- előnyös
- Előnyök
- BEST
- Jobb
- között
- előítélet
- BIN
- mindkét
- széles
- Épület
- épít
- vállalkozások
- de
- gomb
- by
- TUD
- képességek
- képesség
- képes
- elfog
- fogások
- Rögzítése
- esetek
- Cellák
- kihívások
- kihívást
- változó
- jellemzett
- díjak
- választás
- kettyenés
- Mászó
- szorosan
- felhő
- felhő infrastruktúra
- kód
- megjegyzés
- Kereskedelem
- összehasonlítani
- összehasonlítás
- teljes
- befejezés
- bonyolult
- Veszélyeztetett
- számítógép
- Számítógépes látás
- feltétel
- Körülmények
- lefolytatott
- Fontolja
- Konzol
- állandó
- konstrukció
- Konténer
- kontextus
- folyamatos
- átalakított
- Költség
- kiadások
- fedő
- teremt
- készítette
- létrehozása
- teremtés
- kritikai
- kritikus
- kulturális
- Jelenlegi
- szabott
- ciklus
- dátum
- adatfeldolgozás
- adat-tudomány
- adatalapú
- adatkészletek
- találka
- Döntéshozatal
- határozatok
- alapértelmezett
- meghatározó
- Kereslet
- Igény előrejelzése
- igazolták
- mutatja
- jelöli
- függőségek
- függő
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevet
- tervezett
- részlet
- részletek
- Határozzuk meg
- meghatározza
- meghatározó
- Fejlesztés
- különböző
- eltérő
- irányított
- katasztrófák
- megvitatni
- távolság
- különböző
- terjesztés
- disztribúció
- számos
- megosztott
- Kutya
- DOT
- állásidő
- alatt
- minden
- Hatékony
- hatékonyan
- hatékonyság
- hatékonyság
- hatékony
- eredményesen
- erőfeszítés
- elemek
- foglalkoztatás
- alkalmaz
- felhatalmazza
- lehetővé
- lehetővé teszi
- lehetővé téve
- átfogó
- végén
- végtől végig
- Endpoint
- energia
- mérnök
- Mérnöki
- növelése
- fokozása
- biztosítására
- rajongó
- Környezet
- környezetek
- korszakok
- hiba
- alapvető
- létrehozni
- értékelték
- értékelő
- értékelés
- esemény
- események
- fejlődik
- példa
- Tapasztalatok
- kísérletek
- szakvélemény
- kutatás
- feltárása
- nyúlik
- kiterjedt
- szélső
- megkönnyítését
- Eső
- Funkció
- Jellemzők
- kevés
- Ábra
- ábrák
- pénzügyi
- Pénzintézetek
- Találjon
- vezetéknév
- megfelelő
- következik
- következő
- A
- Előrejelzés
- előrejelzések
- forma
- talált
- Alapítvány
- Ingyenes
- szabadság
- ból ből
- teljesen
- funkcionalitás
- további
- Továbbá
- jövő
- Nyereség
- játék
- játékfejlesztés
- nyomtáv
- Gen
- generált
- generál
- generáló
- generáció
- adott
- Go
- irányelv szabályozza
- GPD
- támogatások
- grafikonok
- fogantyú
- hám
- hasznosítása
- Legyen
- he
- egészségügyi
- Szív
- segít
- neki
- itt
- kiemelve
- nagyon
- övé
- történeti
- horizont
- tárhely
- Hogyan
- azonban
- HTML
- HTTPS
- emberi
- Hiperparaméter hangolás
- azonosítani
- illusztrálja
- képek
- Hatás
- végre
- fontos
- javított
- javítja
- javuló
- in
- bele
- Növelje
- független
- jelzi
- iparágak
- befolyás
- információ
- tájékoztatták
- Infrastruktúra
- bemenet
- Insight
- meglátások
- helyette
- intézmények
- integrált
- integráció
- Felület
- bele
- bevonásával
- IT
- iterációk
- ITS
- Munka
- Állások
- jpg
- éppen
- tartás
- tartotta
- Kulcs
- nyelv
- nagy
- tojók
- vezet
- tanult
- tanulás
- Szabadság
- balra
- Hossz
- könyvtárak
- mint
- valószínűség
- Valószínű
- Korlátozott
- található
- hosszabb
- veszteség
- alacsonyabb
- legalacsonyabb
- gép
- gépi tanulás
- csinál
- Gyártás
- kezelése
- sikerült
- vezetés
- kezelése
- kézikönyv
- maria
- piacára
- piaci összeomlások
- jelent
- jelentőségteljes
- Metaadatok
- módszer
- Módszertan
- mód
- metrikus
- megszakított
- ML
- MLOps
- modell
- modellek
- módok
- ellenőrzés
- több
- a legtöbb
- többszörös
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- igények
- elhanyagolását
- hálózat
- Új
- következő
- következő nem
- NFL
- nem
- Zaj
- jegyzetfüzet
- szám
- számos
- tárgy
- megfigyelni
- szerez
- of
- Ajánlatok
- on
- Igény szerint
- ONE
- csak
- nyitva
- Lehetőségek
- optimálisan
- Optimalizálja
- optimalizálása
- or
- szervezeti
- szervez
- eredeti
- Más
- mi
- eredmények
- teljesítmény
- kívül
- felett
- átfogó
- csomag
- csomagolás
- oldal
- járványok
- Papír
- Párhuzamos
- paraméter
- paraméterek
- Pareto
- Múló
- szenvedély
- múlt
- minták
- tökéletes
- teljesítmény
- csővezeték
- tervezés
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- játszik
- pont
- pont
- lehetséges
- állás
- hatalom
- powered
- erős
- előre
- jósolt
- előrejelzés
- Tippek
- jósolja
- bemutatott
- megakadályozása
- előző
- ár
- prioritások
- problémák
- folyamat
- feldolgozás
- Termékek
- Termelés
- szakmai
- igazolt
- ad
- feltéve,
- biztosít
- amely
- Piton
- pytorch
- emel
- véletlen
- hatótávolság
- gyorsan
- Arány
- kész
- Készül
- igazi
- való Világ
- real-time
- új
- Ajánlást
- ajánlások
- Piros
- csökkenteni
- csökkenti
- utal
- kifejezés
- finomítani
- régiók
- iktató hivatal
- megbízható
- támaszkodnak
- marad
- cserélni
- Jelentések
- képvisel
- képviselők
- jelentése
- forrás
- Tudástár
- illetőleg
- fogékony
- eredményez
- Eredmények
- Kockázat
- kockázatkezelés
- erős
- robusztusság
- Szikla
- Szerep
- gyökér
- futás
- fut
- Biztonság
- sagemaker
- SageMaker csővezetékek
- azonos
- Megtakarítás
- skálázhatóság
- Skála
- forgatókönyvek
- Tudomány
- forgatókönyv
- sdk
- zökkenőmentes
- Keresés
- ágazatok
- biztonság
- kiválasztott
- kiválasztás
- Series of
- szolgál
- Szolgáltatások
- készlet
- Szettek
- Alak
- ő
- előadás
- mutatott
- <p></p>
- jelentősen
- Egyszerű
- egyszerre
- Méret
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- Megoldja
- specializálódott
- különleges
- kifejezetten
- meghatározott
- osztott
- terjedése
- Négyzet
- Színpad
- Állapot
- tartózkodás
- Lépés
- Lépései
- készlet
- tárolás
- árnyékolók
- áramvonal
- áramvonalas
- Később
- siker
- ilyen
- elegendő
- biztos
- Fenntarthatóság
- szintetikus
- Systems
- táblázat
- Feladat
- Műszaki
- teszt
- kipróbált
- Tesztelés
- hogy
- A
- a világ
- azok
- akkor
- ebből adódóan
- Ezek
- ezt
- Keresztül
- idő
- Idősorok
- nak nek
- Csomagkövetés
- Kereskedés
- forgalom
- Vonat
- kiképzett
- Képzések
- utazás
- kettő
- típusok
- mennek
- Váratlan
- felesleges
- feltöltve
- us
- használ
- használt
- barátságos felhasználói
- Felhasználók
- segítségével
- hasznosít
- hasznosítja
- kihasználva
- érvényesítés
- érték
- Értékek
- fajta
- különféle
- változat
- verzió
- keresztül
- látomás
- fontos
- vs
- volt
- we
- időjárás
- háló
- webes szolgáltatások
- vajon
- ami
- széles
- lesz
- val vel
- belül
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- világ
- lenne
- te
- A te
- zephyrnet
- nulla