A természetes nyelvi feldolgozás (NLP) a gépi tanulás (ML) területe, amely arra irányul, hogy a számítógépek képesek legyenek a szöveget és a kimondott szavakat ugyanúgy megérteni, mint az emberek. A közelmúltban a legmodernebb architektúrák, mint a transzformátor architektúra közel emberi teljesítmény elérésére használják az NLP downstream feladatokban, mint például szövegösszegzés, szövegosztályozás, entitásfelismerés stb.
A nagy nyelvi modellek (LLM) olyan transzformátor alapú modellek, amelyeket nagy mennyiségű címkézetlen szövegre tanítanak, több száz millióval (BERTI) több mint billió paraméterre (MiCS), és amelyek mérete miatt az egy GPU-s képzés nem praktikus. Eredményes összetettségük miatt az LLM-ek nulláról való képzése nagyon kihívást jelentő feladat, amelyet nagyon kevés szervezet engedhet meg magának. Az NLP downstream feladatoknál bevett gyakorlat az, hogy előképzett LLM-et vesznek és finomhangolják azt. A finomhangolással kapcsolatos további információkért lásd: Domain-adaptáció Az alapozási modellek finomhangolása az Amazon SageMaker JumpStartban a pénzügyi adatokon és a Finomhangoljon transzformátor nyelvi modelleket a nyelvi sokszínűség érdekében Hugging Face segítségével az Amazon SageMakeren.
A nullapontos tanulás az NLP-ben lehetővé teszi a előképzett LLM válaszok generálására olyan feladatokra, amelyekre nincs kifejezetten kiképezve (még finomhangolás nélkül is). Ha konkrétan a szövegbesorolásról beszélünk, nullapontos szövegbesorolás Ez egy olyan feladat a természetes nyelvi feldolgozásban, ahol NLP-modellt használnak a nem látott osztályok szövegének osztályozására, ellentétben felügyelt osztályozás, ahol az NLP-modellek csak olyan szövegeket tudnak besorolni, amelyek a képzési adatokban osztályokhoz tartoznak.
Nemrég elindítottuk a nullapontos osztályozási modell támogatását Amazon SageMaker JumpStart. A SageMaker JumpStart az ML központja Amazon SageMaker amely hozzáférést biztosít az előre betanított alapmodellekhez (FM), LLM-ekhez, beépített algoritmusokhoz és megoldássablonokhoz, amelyek segítségével gyorsan elkezdheti az ML-t. Ebben a bejegyzésben bemutatjuk, hogyan végezhet nullapontos osztályozást a SageMaker Jumpstart előre betanított modelljeivel. Megtanulja, hogyan használhatja a SageMaker Jumpstart felhasználói felületet és a SageMaker Python SDK-t a megoldás üzembe helyezéséhez és a következtetések futtatásához a rendelkezésre álló modellek segítségével.
Zero-shot tanulás
A nullapontos osztályozás egy olyan paradigma, ahol a modell új, nem látott példákat tud besorolni, amelyek olyan osztályokhoz tartoznak, amelyek nem szerepeltek a képzési adatokban. Például egy nyelvi modell, amelyet az emberi nyelv megértésére tanítottak, felhasználható az újévi fogadalmak tweeteinek osztályozására több osztályban, mint pl. career
, health
és finance
, anélkül, hogy a nyelvi modellt kifejezetten a szövegosztályozási feladatra tanítanák. Ez ellentétben áll a modell finomhangolásával, mivel ez utóbbi magában foglalja a modell újraképzését (transzfer tanuláson keresztül), míg a zero-shot tanulás nem igényel további képzést.
A következő diagram bemutatja a transzfertanulás (bal oldali) és a nullapontos tanulás (jobbra) közötti különbségeket.
Yin et al. keretrendszert javasolt a nullapontos osztályozók létrehozására természetes nyelvi következtetés (NLI) segítségével. A keretrendszer úgy működik, hogy a besorolandó szekvenciát az NLI premisszájaként teszi fel, és minden jelölt címkéből hipotézist állít fel. Például, ha azt szeretnénk kiértékelni, hogy egy sorozat az osztályhoz tartozik-e politics
, felállíthatnánk egy hipotézist: „Ez a szöveg a politikáról szól”. A következmény és az ellentmondás valószínűségét ezután címkézési valószínűségekké alakítjuk. Gyors áttekintésként az NLI két mondatot vesz figyelembe: egy premisszát és egy hipotézist. A feladat annak meghatározása, hogy a hipotézis igaz (következmény) vagy hamis (ellentmondás) az előfeltevés alapján. Az alábbi táblázat néhány példát mutat be.
premissza | Címke | Hipotézis |
Egy férfi egy alak egyenruháját nézegeti valamelyik kelet-ázsiai országban. | Ellentmondás | A férfi alszik. |
Egy idősebb és fiatalabb férfi mosolyog. | Semleges | Két férfi mosolyog és nevet a padlón játszó macskákon. |
Egy focimeccs több férfival. | következmény | Néhány férfi sportol. |
Megoldás áttekintése
Ebben a bejegyzésben a következőket tárgyaljuk:
- Hogyan telepíthet előre betanított nulla-shot szöveges osztályozási modelleket a SageMaker JumpStart UI segítségével, és futhat le következtetést a telepített modellen rövid szöveges adatok segítségével
- A SageMaker Python SDK használata a SageMaker JumpStart előre betanított zéró-shot szövegosztályozási modelljeinek eléréséhez, és a következtetési szkript használatával a modell SageMaker végpontra való telepítéséhez valós idejű szövegosztályozási használati esethez
- Hogyan használhatjuk a SageMaker Python SDK-t az előre betanított zero-shot szövegosztályozási modellek eléréséhez és a SageMaker kötegelt transzformációjának használata kötegelt szövegbesorolás használati esetéhez
A SageMaker JumpStart egy kattintással finomhangolást és üzembe helyezést biztosít az előre betanított modellek széles skálájához a népszerű ML-feladatok között, valamint a gyakori üzleti problémákat megoldó végpontok közötti megoldások választékát. Ezek a funkciók eltávolítják az ML folyamat minden egyes lépéséből adódó nehézségeket, leegyszerűsítve a kiváló minőségű modellek fejlesztését és lerövidítve a telepítéshez szükséges időt. A JumpStart API-k lehetővé teszi az előre betanított modellek széles választékának programozott telepítését és finomhangolását saját adatkészletein.
A JumpStart modellközpont számos NLP-modellhez biztosít hozzáférést, amelyek lehetővé teszik a tanulás átvitelét és az egyéni adatkészletek finomhangolását. Jelen pillanatban a JumpStart modellközpont több mint 300 szövegmodellt tartalmaz számos népszerű modellben, mint például a Stable Diffusion, Flan T5, Alexa TM, Bloom stb.
Vegye figyelembe, hogy az ebben a szakaszban leírt lépések követésével infrastruktúrát telepít az AWS-fiókjába, amely költségekkel járhat.
Vezessen be egy önálló, nullapontos szövegosztályozási modellt
Ebben a részben bemutatjuk, hogyan telepíthet nullapontos osztályozási modellt a SageMaker JumpStart segítségével. Az előre betanított modelleket a JumpStart nyitóoldalán keresztül érheti el Amazon SageMaker Studio. Hajtsa végre a következő lépéseket:
- A SageMaker Studio alkalmazásban nyissa meg a JumpStart céloldalát.
Hivatkozni Nyissa meg és használja a JumpStart további részletekért a SageMaker JumpStarthoz való navigálásról. - A Szöveges modellek körhinta, keresse meg a „Zero-Shot Text Classification” modellkártyát.
- 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 Modell megtekintése hozzáférni a
facebook-bart-large-mnli
modell.
Alternatív megoldásként rákereshet a nullapontos besorolási modellre a keresősávban, és elérheti a modellt a SageMaker JumpStartban. - Adja meg a telepítési konfigurációt, a SageMaker hosting példány típusát, a végpont nevét, Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör neve és egyéb szükséges paraméterek.
- Opcionálisan megadhat biztonsági konfigurációkat, mint pl AWS Identity and Access Management (IAM) szerepkör, VPC beállítások és AWS kulcskezelési szolgáltatás (AWS KMS) titkosítási kulcsok.
- 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 Telepítése egy SageMaker végpont létrehozásához.
Ez a lépés néhány percet vesz igénybe. Ha elkészült, lefuttathatja a következtetést a nullapontos osztályozási modellt kiszolgáló SageMaker végponttal.
A következő videóban bemutatjuk a szakasz lépéseit.
A JumpStart programozott használata a SageMaker SDK-val
A SageMaker Studio SageMaker JumpStart részében, a Gyorsindítási megoldások, megtalálhatja a megoldássablonok. A SageMaker JumpStart megoldássablonjai egykattintásos, teljes körű megoldások számos gyakori ML felhasználási esetre. Jelen pillanatban több mint 20 megoldás áll rendelkezésre többféle felhasználási esetre, mint például a kereslet előrejelzése, a csalások felderítése és a személyre szabott ajánlások, hogy csak néhányat említsünk.
A „Zero Shot Text Classification with Hugging Face” megoldás lehetőséget biztosít a szöveg osztályozására anélkül, hogy modellt kellene betanítani bizonyos címkékre (nullapontos besorolás) előre betanított szövegosztályozó segítségével. Ennek a megoldásnak az alapértelmezett nullapontos osztályozási modellje a facebook-bart-large-mnli (BART) modell. Ehhez a megoldáshoz a 2015-ös újévi fogadalmak adatkészlet határozatok osztályozására. Az eredeti adatkészlet olyan részhalmaza, amely csak a Resolution_Category
(földi igazság címke) és a text
oszlopok szerepelnek a megoldás eszközei között.
A bemeneti adatok tartalmazzák a szöveges karakterláncokat, az osztályozáshoz kívánt kategóriák listáját, és azt, hogy az osztályozás többcímkés-e vagy sem a szinkron (valós idejű) következtetéshez. Az aszinkron (kötegelt) következtetéshez egy JSON-soros formátumú szövegfájlban megadjuk a szöveges karakterláncok listáját, az egyes karakterláncok kategóriáinak listáját, valamint azt, hogy az osztályozás többcímkés-e vagy sem.
A következtetés eredménye egy JSON-objektum, amely az alábbi képernyőképhez hasonlóan néz ki.
Megvan az eredeti szöveg a sequence
mezőben a szövegbesoroláshoz használt címkéket labels
mezőben, és az egyes címkékhez (a megjelenési sorrendben) rendelt valószínűség a mezőben scores
.
A Zero Shot Text Classification with Hugging Face megoldás telepítéséhez hajtsa végre a következő lépéseket:
- A SageMaker JumpStart céloldalán válassza a lehetőséget Modellek, notebookok, megoldások a navigációs ablaktáblában.
- A Megoldások szakaszban válassza Fedezze fel az összes megoldást.
- A Megoldások oldalon válassza a Zero Shot Text Classification with Hugging Face modellkártyát.
- Tekintse át a telepítés részleteit, és ha egyetért, válasszon Indít.
Az üzembe helyezés egy SageMaker valós idejű végpontot biztosít a valós idejű következtetésekhez, és egy S3 tárolót a kötegelt átalakítás eredményeinek tárolására.
A következő ábra szemlélteti ennek a módszernek a felépítését.
Végezzen valós idejű következtetést nullapontos osztályozási modell használatával
Ebben a részben áttekintjük, hogyan használhatjuk a Python SDK-t a nullapontos szövegbesorolás (a rendelkezésre álló modellek bármelyikével) valós idejű futtatására egy SageMaker végpont használatával.
- Először konfiguráljuk a következtetési hasznos adatkérést a modellhez. Ez modellfüggő, de a BART modell esetében a bemenet egy JSON-objektum a következő szerkezettel:
- Vegye figyelembe, hogy a BART-modell nincs kifejezetten erre a célra kiképezve
candidate_labels
. A zero-shot osztályozási technikát fogjuk használni, hogy a szövegsorozatot nem látott osztályokba soroljuk. A következő kód egy példa, amely az újévi fogadalmak adatkészletéből és a meghatározott osztályokból származó szöveget használja: - Ezután meghívhat egy SageMaker-végpontot a nulla-lövés hasznos terhelésével. A SageMaker végpont a SageMaker JumpStart megoldás részeként kerül telepítésre.
- A következtetési válaszobjektum tartalmazza az eredeti sorozatot, a címkéket pontszámok szerint rendezve maximumtól minimumig, és a címkénkénti pontszámokat:
Futtasson egy SageMaker kötegelt átalakítási feladatot a Python SDK használatával
Ez a szakasz leírja, hogyan futtasson kötegelt átalakítási következtetést a nullapontos osztályozással facebook-bart-large-mnli
modell segítségével SageMaker Python SDK. Hajtsa végre a következő lépéseket:
- Formázza a bemeneti adatokat JSON-sorok formátumba, és töltse fel a fájlt az Amazon S3-ba.
A SageMaker kötegelt átalakítása az S3 fájlba feltöltött adatpontokra hajt végre következtetést. - Állítsa be a modelltelepítési melléktermékeket a következő paraméterekkel:
- model_id - Használd
huggingface-zstc-facebook-bart-large-mnli
. - deploy_image_uri - Használja a
image_uris
Python SDK függvény, hogy megkapja az előre elkészített SageMaker Docker képfájlt amodel_id
. A függvény visszaadja a Amazon Elastic Container Registry (Amazon ECR) URI. - deploy_source_uri – Használja a
script_uris
segédprogram API az S3 URI lekéréséhez, amely parancsfájlokat tartalmaz az előre betanított modellkövetkeztetés futtatásához. Meghatározzuk ascript_scope
asinference
. - modell_uri - Használd
model_uri
hogy megkapja a modell műtermékeit az Amazon S3-tól a megadotthozmodel_id
.
- model_id - Használd
- Felhasználás
HF_TASK
hogy meghatározzuk a Hugging Face transzformátorok csővezeték feladatát ésHF_MODEL_ID
a szöveg osztályozására használt modell meghatározásához:A feladatok teljes listáját lásd Csővezetékek a Hugging Face dokumentációjában.
- Hozzon létre egy Hugging Face modellobjektumot, amelyet a SageMaker kötegelt átalakítási feladattal kíván telepíteni:
- Hozzon létre egy átalakítást kötegelt feladat futtatásához:
- Indítson el egy kötegelt átalakítási feladatot, és használja az S3 adatokat bemenetként:
A kötegelt feldolgozási feladatot a SageMaker konzolon követheti nyomon (válasszon Kötegelt átalakítási feladatok alatt Következtetés a navigációs ablakban). Amikor a feladat befejeződött, ellenőrizheti a modell előrejelzési kimenetét a megadott S3 fájlban output_path
.
A SageMaker JumpStartban elérhető összes előre betanított modell listáját lásd: Beépített algoritmusok előre betanított modelltáblázattal. Használja a „zstc” kulcsszót (a nullapontos szövegosztályozás rövidítése) a keresősávban, hogy megkeresse az összes olyan modellt, amely képes nullapontos szövegbesorolásra.
Tisztítsuk meg
Miután befejezte a jegyzetfüzet futtatását, feltétlenül törölje az összes, a folyamat során létrehozott erőforrást, hogy biztosítsa, hogy az ebben az útmutatóban telepített eszközökkel kapcsolatban felmerülő költségek leálljanak. A telepített erőforrások megtisztításához szükséges kód a nullapontos szövegosztályozási megoldáshoz és modellhez társított jegyzetfüzetekben található.
Alapértelmezett biztonsági konfigurációk
A SageMaker JumpStart modellek a következő alapértelmezett biztonsági konfigurációkkal kerülnek telepítésre:
Ha többet szeretne megtudni a SageMaker biztonsággal kapcsolatos témaköreiről, nézze meg a webhelyet Konfigurálja a biztonságot az Amazon SageMakerben.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan helyezhet üzembe egy nullapontos osztályozási modellt a SageMaker JumpStart UI használatával, és hogyan hajthat végre következtetést a telepített végpont használatával. A SageMaker JumpStart újévi fogadalmak megoldását használtuk annak bemutatására, hogyan használhatja a SageMaker Python SDK-t egy végpontok közötti megoldás létrehozására és a nullapontos osztályozási alkalmazás megvalósítására. A SageMaker JumpStart több száz előre betanított modellhez és megoldáshoz biztosít hozzáférést olyan feladatokhoz, mint a számítógépes látás, a természetes nyelvi feldolgozás, az ajánlórendszerek stb. Próbálja ki a megoldást saját maga, és ossza meg velünk gondolatait.
A szerzőkről
David Laredo prototípus-készítő építész az AWS Envision Engineeringnél a LATAM-ban, ahol több gépi tanulási prototípus fejlesztésében is segített. Korábban gépi tanulási mérnökként dolgozott, és több mint 5 éve foglalkozik gépi tanulással. Érdeklődési területe az NLP, az idősorok és a végpontok közötti ML.
Vikram Elango AI/ML Specialist Solutions Architect az Amazon Web Servicesnél, amelynek székhelye Virginiában (USA). A Vikram tervezési és gondolkodási vezetői képességekkel segíti a pénzügyi és biztosítási ágazat ügyfeleit a gépi tanulási alkalmazások széles körű építésében és üzembe helyezésében. Jelenleg a természetes nyelvi feldolgozásra, a felelős AI-re, a következtetések optimalizálására és az ML méretezésére összpontosít a vállalaton belül. Szabadidejében szeret utazni, kirándulni, főzni és kempingezni a családjával.
Dr. Vivek Madan az Amazon SageMaker JumpStart csapatának alkalmazott tudósa. PhD fokozatát az Illinoisi Egyetemen szerezte, az Urbana-Champaign-ben, és a Georgia Tech posztdoktori kutatója volt. Aktív kutatója a gépi tanulásnak és az algoritmustervezésnek, és publikált előadásokat EMNLP, ICLR, COLT, FOCS és SODA konferenciákon.
- 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.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- ChartPrime. Emelje fel kereskedési játékát a ChartPrime segítségével. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- képesség
- Rólunk
- felett
- hozzáférés
- Fiók
- Elérése
- át
- aktív
- További
- ellen
- AI
- AI / ML
- AL
- Alexa
- algoritmus
- algoritmusok
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Az Amazon Web Services
- összeg
- an
- és a
- bármilyen
- api
- Alkalmazás
- alkalmazások
- alkalmazott
- építészet
- VANNAK
- területek
- AS
- ázsiai
- Eszközök
- kijelölt
- társult
- At
- automatikusan
- elérhető
- AWS
- bár
- bázis
- alapján
- BE
- óta
- hogy
- tartozik
- között
- Virágzik
- test
- Könyvek
- Reggeli
- épít
- beépített
- üzleti
- de
- by
- TUD
- jelölt
- képes
- kártya
- Karrier
- körhinta
- esetek
- kategóriák
- Macskák
- kihívást
- ellenőrizze
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- osztály
- osztályok
- besorolás
- osztályozott
- osztályoz
- kód
- Oszlopok
- Közös
- teljes
- bonyolultság
- számítógép
- Számítógépes látás
- számítógépek
- az érintett
- konferenciák
- Configuration
- úgy véli,
- Konzol
- konstrukció
- Konténer
- tartalmaz
- kontraszt
- átalakított
- kiadások
- tudott
- ország
- Pár
- teremt
- készítette
- létrehozása
- Jelenleg
- szokás
- Ügyfelek
- dátum
- adat pontok
- adatkészletek
- elszánt
- alapértelmezett
- meghatározott
- meghatározott
- Kereslet
- Igény előrejelzése
- bizonyítani
- függőségek
- függő
- telepíteni
- telepített
- bevetés
- Design
- kívánatos
- részletek
- Érzékelés
- Határozzuk meg
- Fejleszt
- Fejlesztés
- különbségek
- Diffusion
- megvitatni
- Sokféleség
- Dokkmunkás
- dokumentáció
- Nem
- Ennek
- csinált
- két
- E&T
- minden
- Keleti
- Oktatás
- lehetővé
- titkosítás
- végtől végig
- Endpoint
- mérnök
- Mérnöki
- biztosítására
- Vállalkozás
- egység
- felidézi vminek a képét
- értékelni
- Még
- példa
- példák
- Arc
- hamis
- család
- Jellemzők
- kevés
- mező
- Ábra
- filé
- finanszíroz
- pénzügyi
- Találjon
- Emelet
- összpontosított
- következő
- A
- formátum
- Alapítvány
- Keretrendszer
- csalás
- csalások felderítése
- ból ből
- funkció
- játék
- generál
- Grúzia
- kap
- GitHub
- adott
- Giving
- Földi
- Növekedés
- útmutató
- Kezelés
- Legyen
- he
- Egészség
- nehéz
- súlyemelés
- segít
- segített
- segít
- jó minőségű
- övé
- tárhely
- hosts
- Hogyan
- How To
- HTML
- http
- HTTPS
- Kerékagy
- emberi
- humor
- Több száz
- több száz millió
- ID
- Identitás
- if
- Illinois
- illusztrálja
- kép
- végre
- importál
- in
- beleértve
- magában foglalja a
- ipar
- információ
- Infrastruktúra
- velejáró
- bemenet
- bemenet
- példa
- biztosítás
- kamat
- IT
- Munka
- Állások
- jpg
- json
- Kulcs
- kulcsok
- Ismer
- Címke
- Címkék
- leszállási
- nyelv
- nagy
- LATAM
- indított
- Vezetés
- TANUL
- tanulás
- balra
- hadd
- emelő
- mint
- vonal
- vonalak
- Lista
- LLM
- betöltés
- MEGJELENÉS
- gép
- gépi tanulás
- csinál
- KÉSZÍT
- férfi
- vezetés
- sok
- max
- Lehet..
- Férfi
- módszer
- Több millió
- perc
- Perc
- ML
- modell
- modellek
- monitor
- több
- többszörös
- my
- név
- Természetes
- Természetes nyelvi feldolgozás
- Keresse
- Navigáció
- Szükség
- Új
- újév
- NLP
- nem
- jegyzetfüzet
- szám
- tárgy
- of
- on
- csak
- nyitva
- optimalizálás
- or
- érdekében
- szervezetek
- eredeti
- Más
- ki
- teljesítmény
- felett
- saját
- oldal
- üvegtábla
- papírok
- paradigma
- paraméterek
- rész
- ösvény
- mert
- Teljesít
- teljesítmény
- engedélyek
- személyes
- Személyre
- phd
- FILANTRÓPIA
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- pont
- politika
- Népszerű
- állás
- gyakorlat
- előrejelzés
- Tippek
- be
- korábban
- problémák
- folyamat
- feldolgozás
- javasolt
- prototípusok
- prototípus
- ad
- feltéve,
- biztosít
- ellátás
- közzétett
- Piton
- pytorch
- Quick
- gyorsan
- Olvass
- igazi
- real-time
- nemrég
- elismerés
- Ajánlást
- ajánlások
- csökkentő
- eltávolítása
- kérni
- szükség
- kötelező
- kutató
- Tudástár
- válasz
- válaszok
- felelős
- eredményez
- Eredmények
- Visszatér
- Kritika
- jobb
- Szerep
- futás
- futás
- s
- sagemaker
- azonos
- Megtakarítás
- Skála
- skálázás
- Tudós
- pontszám
- kaparni
- szkriptek
- görgetés
- sdk
- Keresés
- Rész
- biztonság
- lát
- kiválasztás
- Sorozat
- Series of
- Szolgáltatások
- beállítások
- rövid
- lövés
- előadás
- kimutatta,
- Egyszerű
- egyszerűsítése
- óta
- Méret
- Futball
- megoldások
- Megoldások
- SOLVE
- néhány
- valami
- beszélő
- szakember
- különleges
- kifejezetten
- meghatározott
- beszélt
- Sport
- stabil
- önálló
- kezdet
- kezdődött
- csúcs-
- tartózkodás
- Lépés
- Lépései
- megállt
- tárolás
- tárolása
- Húr
- struktúra
- stúdió
- ilyen
- támogatás
- biztos
- Systems
- táblázat
- Vesz
- tart
- Feladat
- feladatok
- csapat
- tech
- sablonok
- Szöveg osztályozása
- hogy
- A
- azok
- akkor
- Ezek
- ezt
- gondoltam
- gondolkodás vezetés
- Keresztül
- idő
- Idősorok
- TM
- nak nek
- Témakörök
- Vonat
- kiképzett
- Képzések
- átruházás
- Átalakítás
- Átalakítás
- transzformátor
- transzformerek
- Utazó
- Trillió
- igaz
- igazság
- megpróbál
- tweets
- kettő
- típus
- ui
- alatt
- megért
- egyetemi
- feltöltve
- us
- használ
- használt
- segítségével
- hasznosság
- fajta
- Hatalmas
- változat
- nagyon
- videó
- Virginia
- látomás
- vs
- végigjátszás
- akar
- volt
- Út..
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- amikor
- vajon
- míg
- akinek
- széles
- lesz
- val vel
- nélkül
- szavak
- dolgozott
- művek
- írás
- év
- év
- te
- fiatalabb
- A te
- zephyrnet
- nulla
- Zero-Shot Learning