AutoML lehetővé teszi, hogy gyors, általános betekintést nyerjen adataiból a gépi tanulási (ML) projekt életciklusának kezdetén. Ha előre megérti, hogy mely előfeldolgozási technikák és algoritmustípusok biztosítják a legjobb eredményeket, akkor csökken a megfelelő modell kidolgozásához, betanításához és üzembe helyezéséhez szükséges idő. Kulcsfontosságú szerepet játszik minden modell fejlesztési folyamatában, és lehetővé teszi az adatkutatók számára, hogy a legígéretesebb ML technikákra összpontosítsanak. Ezenkívül az AutoML alapmodell-teljesítményt biztosít, amely referenciapontként szolgálhat az adattudományi csapat számára.
Az AutoML eszköz különböző algoritmusok és különféle előfeldolgozási technikák kombinációját alkalmazza az adatokra. Például méretezheti az adatokat, végrehajthat egyváltozós jellemzők kiválasztását, PCA-t hajthat végre különböző varianciaküszöbszinteken, és klaszterezést alkalmazhat. Az ilyen előfeldolgozási technikák alkalmazhatók egyenként vagy egy csővezetékben kombinálva. Ezt követően egy AutoML-eszköz különböző modelltípusokat, például a Lineáris regressziót, az Elastic-Net vagy a Random Forestet tanítja az előre feldolgozott adatkészlet különböző verzióira, és végrehajtja a hiperparaméter-optimalizálást (HPO). Amazon SageMaker Autopilot kiküszöböli az ML modellek építésének nehéz emelését. Az adatkészlet rendelkezésre bocsátása után a SageMaker Autopilot automatikusan feltárja a különböző megoldásokat, hogy megtalálja a legjobb modellt. De mi van akkor, ha egy AutoML-munkafolyamat testreszabott verzióját szeretné telepíteni?
Ez a bejegyzés bemutatja, hogyan hozhat létre egyedi AutoML-munkafolyamatot Amazon SageMaker segítségével Amazon SageMaker automatikus modellhangolás mintakóddal elérhető a GitHub repó.
Megoldás áttekintése
Ebben a használati esetben tegyük fel, hogy egy adattudományi csapat tagja, amely egy speciális tartományban fejleszt modelleket. Egyéni előfeldolgozási technikák készletét fejlesztette ki, és számos olyan algoritmust választott ki, amelyek általában azt várják, hogy jól működjenek az ML problémával. Amikor új ML használati eseteken dolgozik, először egy AutoML-futást szeretne végrehajtani az előfeldolgozási technikák és algoritmusok segítségével, hogy leszűkítse a lehetséges megoldások körét.
Ebben a példában nem használ speciális adatkészletet; ehelyett a California Housing adatkészlettel dolgozik, amelyből importálni fog Amazon egyszerű tárolási szolgáltatás (Amazon S3). A hangsúly a megoldás technikai megvalósításának bemutatásán van a SageMaker HPO segítségével, amely később bármilyen adatkészletre és tartományra alkalmazható.
A következő diagram a megoldás általános munkafolyamatát mutatja be.
Előfeltételek
A következő előfeltételek az ebben a bejegyzésben található áttekintés elvégzéséhez:
Valósítsa meg a megoldást
A teljes kód elérhető a GitHub repo.
A megoldás megvalósításának lépései (a munkafolyamat-diagram szerint) a következők:
- Hozzon létre egy jegyzetfüzet-példányt és adja meg a következőket:
- A Jegyzetfüzet példány típusa, választ ml.t3.közeg.
- A Rugalmas következtetés, választ egyik sem.
- A Platform azonosító, választ Amazon Linux 2, Jupyter Lab 3.
- A IAM szerepkör, válassza ki az alapértelmezettet
AmazonSageMaker-ExecutionRole
. Ha nem létezik, hozzon létre egy újat AWS Identity and Access Management (IAM) szerepet, és csatolja a AmazonSageMakerFullAccess IAM házirend.
Vegye figyelembe, hogy létre kell hoznia egy minimális hatókörű végrehajtási szerepet és szabályzatot az éles környezetben.
- Nyissa meg a JupyterLab felületet a notebook-példányhoz, és klónozza a GitHub-tárat.
Ezt úgy teheti meg, hogy új terminálmunkamenetet indít, és futtatja a git clone <REPO>
paranccsal vagy a felhasználói felület funkciójával, ahogy az a következő képernyőképen látható.
- Nyissa meg a
automl.ipynb
notebook fájlt, válassza ki aconda_python3
kernel, és kövesse az utasításokat az a HPO állások halmaza.
A kód változtatás nélküli futtatásához növelnie kell a szolgáltatási kvótát ml.m5.nagy képzési munkafelhasználáshoz és a Példányok száma az összes képzési munkában. Az AWS alapértelmezés szerint csak 20 párhuzamos SageMaker képzési feladatot engedélyez mindkét kvótához. Mindkettőnél 30-ra kell kvótaemelést kérni. Mindkét kvótamódosítást általában néhány percen belül jóvá kell hagyni. Hivatkozni Kvótaemelés kérése további információért.
Ha nem akarja módosítani a kvótát, egyszerűen módosíthatja az értékét MAX_PARALLEL_JOBS
változót a szkriptben (például 5-re).
- Minden HPO-feladat egy sor készletet fog befejezni képzési állás kísérleteket, és optimális hiperparaméterekkel jelezze a modellt.
- Elemezze az eredményeket és telepítse a legjobban teljesítő modellt.
Ez a megoldás költségekkel jár az AWS-fiókjában. Ennek a megoldásnak a költsége az MPO képzési munkáinak számától és időtartamától függ. Ezek növekedésével a költségek is növekednek. Csökkentheti a költségeket az edzésidő korlátozásával és a konfigurálással TuningJobCompletionCriteriaConfig
az ebben a bejegyzésben később tárgyalt utasítások szerint. Az árakkal kapcsolatos információkért lásd a Amazon SageMaker árképzés.
A következő részekben részletesebben tárgyaljuk a notebookot kódpéldákkal, valamint az eredmények elemzésének és a legjobb modell kiválasztásának lépéseivel.
Kezdeti beállítás
Kezdjük a futtatással Importálás és beállítás szakaszban custom-automl.ipynb
jegyzetfüzet. Telepíti és importálja az összes szükséges függőséget, példányosít egy SageMaker-munkamenetet és egy klienst, és beállítja az alapértelmezett Region- és S3-tárolót az adatok tárolására.
Adatok előkészítése
Töltse le a California Housing adatkészletet, és készítse elő a következő futtatásával Adatok letöltése részben a jegyzetfüzetben. Az adatkészlet képzési és tesztelési adatkeretekre van felosztva, és feltöltődik a SageMaker munkamenet alapértelmezett S3 tárolójába.
A teljes adatkészlet 20,640 9 rekordot és összesen XNUMX oszlopot tartalmaz, beleértve a célt is. A cél egy ház medián értékének előrejelzése (medianHouseValue
oszlop). A következő képernyőkép az adatkészlet felső sorait mutatja.
Képzési szkript sablon
Az ebben a bejegyzésben szereplő AutoML munkafolyamat a scikit elsajátítható csővezetékek és algoritmusok előfeldolgozása. A cél különböző előfeldolgozási folyamatok és algoritmusok nagy kombinációjának létrehozása a legjobban teljesítő beállítás megtalálása érdekében. Kezdjük egy általános képzési szkript létrehozásával, amely helyileg megmarad a notebook példányon. Ebben a szkriptben két üres megjegyzésblokk található: az egyik a hiperparaméterek beillesztésére, a másik pedig az előfeldolgozási modell csővezeték objektumára. Ezeket dinamikusan injektálják minden egyes előfeldolgozási modelljelölthez. Az egyetlen általános szkript célja, hogy a megvalósítást SZÁRAZON tartsa (ne ismételje magát).
Készítsen előfeldolgozási és modellkombinációkat
A preprocessors
A szótár a modell összes bemeneti jellemzőjére alkalmazott előfeldolgozási technikák specifikációját tartalmazza. Mindegyik receptet a segítségével határozzuk meg Pipeline
vagy FeatureUnion
objektum a scikit-learnből, amely az egyes adattranszformációkat összeláncolja és egymásba rakja. Például, mean-imp-scale
egy egyszerű recept, amely biztosítja, hogy a hiányzó értékeket a megfelelő oszlopok átlagértékei alapján számítsák ki, és hogy az összes jellemzőt a StandardScaler. Ezzel szemben a mean-imp-scale-pca
a receptláncok összegyűjtenek néhány további műveletet:
- Impulálja a hiányzó értékeket az oszlopokban az átlagával.
- Alkalmazza a jellemzők skálázását az átlag és a szórással.
- Számítsa ki a PCA-t a bemeneti adatokon egy megadott varianciaküszöbérték mellett, és egyesítse az imputált és skálázott bemeneti jellemzőkkel.
Ebben a bejegyzésben az összes beviteli funkció numerikus. Ha több adattípus van a bemeneti adatkészletben, akkor egy bonyolultabb folyamatot kell megadnia, ahol különböző előfeldolgozási ágak kerülnek alkalmazásra a különböző jellemzőtípus-készletekre.
A models
szótár különböző algoritmusok specifikációit tartalmazza, amelyekhez az adatkészletet illeszti. Minden modelltípushoz a következő specifikáció tartozik a szótárban:
- script_output – A becslő által használt betanítási szkript helyére mutat. Ez a mező dinamikusan töltődik ki, amikor a
models
szótár kombinálva van apreprocessors
szótár. - betoldások – Meghatározza a kódot, amely be lesz illesztve a
script_draft.py
alatt pedig elmentvescript_output
. A kulcs“preprocessor”
szándékosan üresen van hagyva, mert ez a hely meg van töltve az egyik előfeldolgozóval, hogy több modell-előfeldolgozó kombinációt hozzon létre. - hiperparaméterek – A HPO-feladat által optimalizált hiperparaméterek halmaza.
- include_cls_metadata – A SageMaker által igényelt további konfigurációs részletek
Tuner
osztály.
Teljes példa a models
szótár elérhető a GitHub adattárban.
Ezután ismételjük át a preprocessors
és a models
szótárakat, és hozzon létre minden lehetséges kombinációt. Például, ha az Ön preprocessors
szótár 10 receptet tartalmaz, és 5 modell definíciója van a models
szótár, az újonnan létrehozott pipelines szótár 50 preprocesszor-modell pipeline-t tartalmaz, amelyeket a HPO során értékelnek. Vegye figyelembe, hogy az egyes folyamati parancsfájlok jelenleg még nincsenek létrehozva. A Jupyter notebook következő kódblokkja (9. cella) végigfut az összes előfeldolgozó-modell objektumon keresztül. pipelines
szótárat, beszúrja az összes releváns kódrészletet, és megőrzi a parancsfájl folyamatspecifikus változatát helyileg a jegyzetfüzetben. Ezeket a parancsfájlokat a következő lépésekben használja a rendszer, amikor egyedi becsléseket hoz létre, amelyeket a HPO-feladathoz csatlakoztat.
Határozza meg a becsléseket
Most már dolgozhat a SageMaker becslések meghatározásán, amelyeket a HPO-feladat használ a parancsfájlok elkészülte után. Kezdjük egy burkoló osztály létrehozásával, amely meghatároz néhány közös tulajdonságot az összes becsléshez. Az öröklődik a SKLearn
osztályt, és megadja a szerepet, a példányszámot és a típust, valamint azt, hogy a szkript mely oszlopokat használja szolgáltatásként és célként.
Építsük meg a estimators
szótárban a korábban generált és abban található összes szkripten való iterációval scripts
Könyvtár. Példányosít egy új becslést a segítségével SKLearnBase
osztály, egyedi becslőnévvel és az egyik szkripttel. Vegye figyelembe, hogy a estimators
szótárnak két szintje van: a legfelső szint határozza meg a pipeline_family
. Ez egy logikai csoportosítás az értékelendő modellek típusa alapján, és megegyezik a hosszával models
szótár. A második szint az egyes előfeldolgozó típusokat tartalmazza az adottakkal kombinálva pipeline_family
. Ez a logikai csoportosítás szükséges a HPO-feladat létrehozásakor.
Határozza meg a HPO tuner argumentumokat
Az argumentumok HPO-ba való átadásának optimalizálása Tuner
osztály, a HyperparameterTunerArgs
adatosztály inicializálása a HPO osztály által megkövetelt argumentumokkal történik. Egy sor függvényt tartalmaz, amelyek biztosítják, hogy a HPO-argumentumok olyan formátumban kerüljenek visszaadásra, amely több modelldefiníció egyidejű telepítésekor elvárható.
A következő kódblokk a korábban bemutatott kódot használja HyperparameterTunerArgs
adatosztály. Létrehoz egy másik szótárt, melynek neve hp_args
és mindegyikhez specifikus bemeneti paraméterkészletet generál estimator_family
tól estimators
szótár. Ezeket az argumentumokat a következő lépésben használja az egyes modellcsaládokhoz tartozó HPO-feladatok inicializálása.
Hozzon létre HPO tuner objektumokat
Ebben a lépésben mindegyikhez egyedi tunert hoz létre estimator_family
. Miért hoz létre három különálló HPO-állást ahelyett, hogy csak egyet indítana el az összes becslésben? A HyperparameterTuner
osztály 10 hozzá csatolt modelldefinícióra korlátozódik. Ezért minden HPO felelős azért, hogy megtalálja a legjobban teljesítő előfeldolgozót egy adott modellcsaládhoz, és hangolja a modellcsalád hiperparamétereit.
Az alábbiakban néhány további szempont a beállítással kapcsolatban:
- Az optimalizálási stratégia Bayes-féle, ami azt jelenti, hogy a HPO aktívan figyeli az összes próba teljesítményét, és az optimalizálást az ígéretesebb hiperparaméter-kombinációk felé navigálja. A korai megállást be kell állítani le or kocsi amikor egy bayesi stratégiával dolgozunk, amely magát a logikát kezeli.
- Minden HPO-feladat legfeljebb 100 jobon fut, és 10 jobot futtat párhuzamosan. Ha nagyobb adatkészletekkel foglalkozik, érdemes lehet növelni a feladatok teljes számát.
- Ezenkívül érdemes lehet olyan beállításokat használni, amelyek szabályozzák, hogy mennyi ideig fusson egy feladat, és hány feladatot indítson el a HPO. Ennek egyik módja a maximális futási idő beállítása másodpercben (ennél a bejegyzésnél 1 órára állítottuk). Egy másik, hogy a nemrég megjelentet használja
TuningJobCompletionCriteriaConfig
. Olyan beállításokat kínál, amelyek nyomon követik a munkák előrehaladását, és eldöntik, hogy valószínű-e, hogy több feladat javítja-e az eredményt. Ebben a bejegyzésben 20-ra állítottuk be a nem javuló képzési munkák maximális számát. Így ha a pontszám nem javul (például a negyvenedik próba után), akkor nem kell fizetnie a fennmaradó próbákértmax_jobs
elért.
Most ismételjük át a tuners
és a hp_args
szótárakat, és elindítja az összes HPO-feladatot a SageMakerben. Vegye figyelembe a várakozás argumentum használatát False
, ami azt jelenti, hogy a kernel nem várja meg, amíg az eredmények elkészülnek, és Ön egyszerre indíthatja el az összes feladatot.
Valószínű, hogy nem minden képzési feladat fejeződik be, és néhányat leállíthat az MSZH munka. Ennek oka a TuningJobCompletionCriteriaConfig
– az optimalizálás befejeződik, ha a megadott feltételek bármelyike teljesül. Ebben az esetben, amikor az optimalizálási feltételek nem javulnak 20 egymást követő feladatnál.
Eredmények elemzése
A jegyzetfüzet 15. cellája ellenőrzi, hogy az összes HPO-feladat befejeződött-e, és az összes eredményt panda-adatkeret formájában egyesíti további elemzés céljából. Mielőtt részletesen elemeznénk az eredményeket, vessünk egy magas szintű pillantást a SageMaker konzolra.
A tetején a Hiperparaméter hangolási munkák oldalon láthatja három elindított MPO állását. Valamennyien korán végeztek, és nem végezték el mind a 100 képzési feladatot. A következő képernyőképen látható, hogy az Elastic-Net modellcsalád teljesítette a legtöbb kísérletet, míg másoknak nem volt szükségük annyi betanítási feladatra a legjobb eredmény eléréséhez.
A HPO-feladat megnyitásával további részleteket érhet el, például az egyes képzési feladatokat, a munkakonfigurációt, valamint a legjobb képzési munkával kapcsolatos információkat és teljesítményt.
Készítsünk vizualizációt az eredmények alapján, hogy több betekintést nyerjünk az AutoML-munkafolyamat teljesítményébe az összes modellcsaládban.
A következő grafikonból arra a következtetésre juthat, hogy a Elastic-Net
A modell teljesítménye 70,000 80,000 és XNUMX XNUMX RMSE között ingadozott, és végül leállt, mivel az algoritmus nem tudta javítani a teljesítményét annak ellenére, hogy különféle előfeldolgozási technikákkal és hiperparaméterértékekkel próbálkozott. Az is úgy tűnik RandomForest
A teljesítmény nagymértékben változott a HPO által feltárt hiperparaméterkészlettől függően, de a sok próbálkozás ellenére sem tudott az 50,000 XNUMX RMSE hiba alá menni. GradientBoosting
a legjobb teljesítményt már az elejétől fogva 50,000 XNUMX RMSE alá érte el. A HPO megpróbálta tovább javítani ezt az eredményt, de nem tudott jobb teljesítményt elérni más hiperparaméter-kombinációkkal. Az összes HPO-feladat általános következtetése az, hogy nem volt szükség annyi feladatra, hogy megtaláljuk a legjobban teljesítő hiperparaméter-készletet az egyes algoritmusokhoz. Az eredmény további javításához kísérleteznie kell több funkció létrehozásával és további funkciók tervezésével.
Megvizsgálhatja a modell-előfeldolgozó kombináció részletesebb nézetét is, hogy következtetéseket vonjon le a legígéretesebb kombinációkra vonatkozóan.
Válassza ki a legjobb modellt, és helyezze üzembe
A következő kódrészlet a legalacsonyabb elért célérték alapján választja ki a legjobb modellt. Ezután telepítheti a modellt SageMaker-végpontként.
Tisztítsuk meg
Az AWS-fiókja nem kívánt terheléseinek elkerülése érdekében javasoljuk, hogy törölje az ebben a bejegyzésben használt AWS-forrásokat:
- Az Amazon S3 konzolon ürítse ki az adatokat abból az S3 tárolóból, ahol az edzési adatokat tárolták.
- A SageMaker konzolon állítsa le a notebook példányt.
- Törölje a modell végpontját, ha telepítette. A végpontokat törölni kell, ha már nem használják őket, mert a számlázásuk a telepítési idő szerint történik.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan lehet egyéni HPO-feladatot létrehozni a SageMaker-ben egyéni kiválasztott algoritmusok és előfeldolgozási technikák segítségével. Ez a példa különösen azt mutatja be, hogyan automatizálható a sok tanító parancsfájl létrehozásának folyamata, és hogyan lehet Python programozási struktúrákat használni több párhuzamos optimalizálási feladat hatékony telepítéséhez. Reméljük, hogy ez a megoldás a SageMaker használatával telepített egyéni modellhangolási munkák állványát fogja képezni, hogy nagyobb teljesítményt érjen el és felgyorsítsa az ML munkafolyamatokat.
Tekintse meg a következő forrásokat, hogy tovább mélyítse tudását a SageMaker HPO használatával kapcsolatban:
A szerzőkről
Konrád Semsch az Amazon Web Services Data Lab csapatának vezető ML megoldások építésze. Segít az ügyfeleknek a gépi tanulásban, hogy megoldják üzleti kihívásaikat az AWS segítségével. Szeret kitalálni és egyszerűsíteni, hogy az ügyfelek egyszerű és gyakorlatias megoldásokat kínálhassanak AI/ML projektjeikhez. A legszenvedélyesebb az MlOps és a hagyományos adattudomány. A munkán kívül nagy rajongója a szörfözésnek és a kitesurfozásnak.
Tuna Ersoy az AWS vezető megoldási építésze. Elsődleges célja, hogy segítse a közszféra ügyfeleit a felhőtechnológiák alkalmazásában a munkaterhelésükhöz. Alkalmazásfejlesztéssel, vállalati architektúrával és kapcsolatközponti technológiákkal rendelkezik. Érdeklődési köre a szerver nélküli architektúrák és az AI/ML.
- 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/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- :van
- :is
- :nem
- :ahol
- $ UP
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- 15%
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- Képes
- Rólunk
- hozzáférés
- Szerint
- Fiók
- Elérése
- elért
- át
- aktívan
- További
- Ezen kívül
- elfogadja
- Után
- AI / ML
- cél
- algoritmus
- algoritmusok
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- már
- Is
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- an
- elemzés
- elemez
- elemzése
- és a
- Másik
- bármilyen
- Alkalmazás
- Application Development
- alkalmazott
- alkalmazandó
- alkalmaz
- jóváhagyott
- építészet
- VANNAK
- érv
- érvek
- AS
- feltételezni
- At
- csatolja
- auto
- automatizált
- Automatikus
- automatikusan
- AutoML
- elérhető
- AWS
- háttér
- bázis
- alapján
- kiindulási
- bayesi
- BE
- mert
- előtt
- Kezdet
- lent
- BEST
- Jobb
- között
- Nagy
- Blokk
- Blocks
- mindkét
- ágak
- épít
- Épület
- üzleti
- de
- gomb
- by
- Kalifornia
- hívás
- hívott
- TUD
- jelölt
- eset
- esetek
- Központ
- láncok
- kihívások
- változik
- Változások
- díjak
- Ellenőrzések
- 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
- CLF
- vásárló
- felhő
- Fürt
- csoportosítás
- kód
- Oszlop
- Oszlopok
- kombináció
- kombinációk
- kombinált
- kombájnok
- jön
- megjegyzés
- Közös
- teljes
- Befejezett
- kitöltésével
- bonyolult
- megállapítja,
- következtetés
- Magatartás
- Configuration
- folyamatos
- Konzol
- kapcsolat
- kapcsolatközpont
- tartalmaz
- kontraszt
- ellenőrzés
- Költség
- kiadások
- tudott
- teremt
- készítette
- létrehozása
- kritériumok
- kritikus
- Jelenleg
- szokás
- Ügyfelek
- dátum
- adat-tudomány
- adatkészletek
- foglalkozó
- dönt
- mélyül
- alapértelmezett
- meghatározott
- Annak meghatározása,
- meghatározó
- definíciók
- bizonyítani
- mutatja
- függ
- függőségek
- attól
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- származik
- Ellenére
- részlet
- részletes
- részletek
- Fejleszt
- fejlett
- Fejlesztés
- fejleszt
- eltérés
- DICT
- különböző
- könyvtárak
- megvitatni
- tárgyalt
- do
- Nem
- domain
- ne
- le-
- húz
- szárítsa
- időtartama
- alatt
- dinamikusan
- minden
- Korai
- hatékony
- megszünteti
- lehetővé
- Endpoint
- Mérnöki
- biztosítására
- biztosítja
- Vállalkozás
- Egész
- teljesen
- egyenlő
- hiba
- értékelni
- értékelték
- végül is
- Minden
- megvizsgálni
- példa
- példák
- végrehajtás
- létezik
- vár
- várható
- kísérlet
- magyarázható
- feltárt
- feltárja
- hamis
- családok
- család
- ventilátor
- Funkció
- Jellemzők
- kevés
- mező
- filé
- megtöltött
- Találjon
- megtalálása
- vezetéknév
- megfelelő
- öt
- Összpontosít
- következik
- következő
- következik
- A
- erdő
- forma
- formátum
- KERET
- ból ből
- front
- Tele
- funkció
- funkcionalitás
- funkciók
- további
- általános
- generál
- generált
- generáló
- kap
- megy
- GitHub
- adott
- Go
- cél
- megy
- grafikon
- kéz
- Fogantyúk
- Legyen
- tekintettel
- he
- nehéz
- súlyemelés
- segít
- segít
- neki
- magas szinten
- <p></p>
- legnagyobb
- remény
- óra
- Ház
- háztartások
- ház
- Hogyan
- How To
- HTML
- http
- HTTPS
- Hiperparaméter optimalizálás
- Hiperparaméter hangolás
- Identitás
- if
- végre
- végrehajtás
- importál
- behozatal
- javul
- javuló
- in
- tartalmaz
- Beleértve
- Növelje
- jelez
- egyéni
- Egyénileg
- információ
- bemenet
- bemenet
- Betétek
- meglátások
- példa
- helyette
- utasítás
- integráció
- szándékosan
- érdekek
- Felület
- bele
- Bevezetett
- IT
- ITS
- maga
- Munka
- Állások
- jpg
- éppen
- csak egy
- Tart
- Kulcs
- tudás
- labor
- nagy
- nagyobb
- a későbbiekben
- indított
- indítás
- tanulás
- balra
- Hossz
- szint
- szintek
- életciklus
- emelő
- mint
- Valószínű
- korlátozó
- linux
- kiszámításának
- helyileg
- található
- elhelyezkedés
- logika
- logikus
- Hosszú
- hosszabb
- néz
- Sok
- legalacsonyabb
- gép
- gépi tanulás
- sok
- maximális
- Lehet..
- jelent
- eszközök
- megy
- találkozott
- Metrics
- esetleg
- Perc
- hiányzó
- ML
- MLOps
- modell
- modellek
- módosítása
- monitor
- monitorok
- több
- a legtöbb
- többszörös
- név
- keskeny
- navigál
- Szükség
- Új
- újonnan
- következő
- nem
- Egyik sem
- jegyzetfüzet
- neves
- Most
- szám
- számtalan
- tárgy
- célkitűzés
- objektumok
- of
- kedvezmény
- Ajánlatok
- on
- egyszer
- ONE
- csak
- nyitva
- Művelet
- optimálisan
- optimalizálás
- Optimalizálja
- optimalizált
- or
- érdekében
- OS
- Más
- Egyéb
- ki
- teljesítmény
- kívül
- felett
- átfogó
- oldal
- pandák
- Párhuzamos
- paraméterek
- rész
- különös
- Múló
- szenvedélyes
- ösvény
- Fizet
- Teljesít
- teljesítmény
- előadó
- fennáll
- darabok
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- játszik
- dugó
- pont
- pont
- politika
- népesség
- lehetséges
- állás
- potenciális
- pragmatikus
- előre
- Predictor
- Készít
- előfeltételek
- ajándékot
- megakadályozása
- korábban
- árazás
- elsődleges
- Probléma
- folyamat
- gyárt
- Termelés
- Programozás
- Haladás
- program
- projektek
- biztató
- ingatlanait
- ad
- biztosít
- amely
- nyilvános
- cél
- Piton
- véletlen
- gyors
- elérte
- kész
- ok
- nemrég
- recept
- ajánl
- nyilvántartások
- csökkenteni
- csökkenti
- utal
- referencia
- tekintettel
- regex
- vidék
- felszabaduló
- megmaradó
- eltávolítása
- ismétlés
- raktár
- kérni
- szükség
- kötelező
- Tudástár
- azok
- felelős
- korlátozott
- eredményez
- Eredmények
- visszatérés
- jobb
- Szerep
- futás
- futás
- fut
- futásidejű
- sagemaker
- SageMaker automatikus modellhangolás
- mentett
- Skála
- skálázás
- Tudomány
- tudósok
- scikit elsajátítható
- hatálya
- pontszám
- forgatókönyv
- szkriptek
- Második
- másodperc
- Rész
- szakaszok
- szektor
- lát
- Úgy tűnik,
- kiválasztott
- kiválasztás
- MAGA
- idősebb
- különálló
- szolgál
- vagy szerver
- szolgáltatás
- Szolgáltatások
- ülés
- készlet
- Szettek
- beállítások
- felépítés
- ő
- kellene
- bemutatásra
- mutatott
- Műsorok
- Egyszerű
- egyszerűsítése
- egyszerűen
- töredék
- So
- megoldások
- Megoldások
- SOLVE
- néhány
- specializált
- különleges
- leírás
- specifikációk
- meghatározott
- sebesség
- osztott
- verem
- standard
- kezdet
- Kezdve
- Állapot
- Lépés
- Lépései
- megáll
- megállt
- megállítás
- tárolás
- memorizált
- tárolása
- Stratégia
- struktúra
- struktúrák
- Később
- ilyen
- Támogatott
- táblázat
- szabott
- Vesz
- cél
- csapat
- Műszaki
- technikák
- Technologies
- terminál
- teszt
- Tesztelés
- hogy
- A
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- ezt
- azok
- három
- küszöb
- Keresztül
- idő
- nak nek
- együtt
- szerszám
- felső
- Végösszeg
- felé
- hagyományos
- Vonat
- Képzések
- transzformációk
- próba
- vizsgálatok
- kipróbált
- kiváltó
- váltott
- kioldás
- próbál
- hangolás
- kettő
- típus
- típusok
- jellemzően
- ui
- alatt
- megértés
- egyedi
- -ig
- felesleges
- feltöltve
- Használat
- használ
- használati eset
- használt
- használ
- segítségével
- ÉRVÉNYESÍT
- érték
- Értékek
- változó
- változatos
- különféle
- változat
- verzió
- Megnézem
- megjelenítés
- W
- várjon
- végigjátszás
- akar
- volt
- Út..
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- Mit
- amikor
- mivel
- vajon
- ami
- miért
- lesz
- val vel
- belül
- nélkül
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- lenne
- ír
- még
- te
- A te
- magad
- zephyrnet