Pengatur Data Amazon SageMaker mengurangi waktu yang diperlukan untuk mengumpulkan dan menyiapkan data untuk pembelajaran mesin (ML) dari minggu menjadi menit di Amazon SageMaker Studio. Data Wrangler memungkinkan Anda untuk mengakses data dari berbagai sumber populer (Amazon S3, Amazon Athena, Pergeseran Merah Amazon, Amazon ESDM dan Snowflake) dan lebih dari 40 sumber pihak ketiga lainnya. Mulai hari ini, Anda dapat terhubung ke Amazon ESDM Hive sebagai mesin kueri data besar untuk menghadirkan kumpulan data besar untuk ML.
Mengumpulkan dan menyiapkan data dalam jumlah besar adalah bagian penting dari alur kerja ML. Ilmuwan data dan insinyur data menggunakan Apache Spark, Apache Hive, dan Presto yang berjalan di Amazon EMR untuk pemrosesan data berskala besar. Posting blog ini akan membahas bagaimana profesional data dapat menggunakan antarmuka visual SageMaker Data Wrangler untuk menemukan dan terhubung ke klaster Amazon EMR yang ada dengan titik akhir Hive. Untuk mempersiapkan pemodelan atau pelaporan, mereka dapat menganalisis database, tabel, skema, dan kueri sarang penulis secara visual untuk membuat kumpulan data ML. Kemudian, mereka dapat dengan cepat membuat profil data menggunakan antarmuka visual Data Wrangler untuk mengevaluasi kualitas data, menemukan anomali dan data yang hilang atau salah, serta mendapatkan saran tentang cara menangani masalah ini. Mereka dapat memanfaatkan analisis bawaan yang lebih populer dan didukung ML serta 300+ transformasi bawaan yang didukung oleh Spark untuk menganalisis, membersihkan, dan merekayasa fitur tanpa menulis satu baris kode pun. Terakhir, mereka juga dapat melatih dan menerapkan model dengan Autopilot SageMaker, menjadwalkan tugas, atau menjalankan persiapan data di SageMaker Pipeline dari antarmuka visual Data Wrangler.
Ikhtisar solusi
Dengan penyiapan SageMaker Studio, profesional data dapat dengan cepat mengidentifikasi dan terhubung ke klaster EMR yang ada. Selain itu, profesional data dapat menemukan klaster EMR dari SageMaker Studio menggunakan template yang telah ditentukan sebelumnya sesuai permintaan hanya dengan beberapa klik. Pelanggan dapat menggunakan buku catatan universal SageMaker Studio dan menulis kode Apache Spark, Sarang lebah, Presto or PySpark untuk melakukan persiapan data pada skala. Namun, tidak semua profesional data terbiasa menulis kode Spark untuk menyiapkan data karena terdapat kurva pembelajaran yang curam. Mereka sekarang dapat terhubung dengan cepat dan mudah ke Amazon EMR tanpa menulis satu baris kode pun, berkat Amazon EMR yang menjadi sumber data untuk Amazon SageMaker Data Wrangler.
Diagram berikut mewakili berbagai komponen yang digunakan dalam solusi ini.
Kami mendemonstrasikan dua opsi autentikasi yang dapat digunakan untuk membuat koneksi ke klaster EMR. Untuk setiap opsi, kami menggunakan tumpukan unik Formasi AWS Cloud template.
Templat CloudFormation melakukan tindakan berikut saat setiap opsi dipilih:
- Membuat Domain Studio dalam mode khusus VPC, bersama dengan profil pengguna bernama
studio-user
. - Membuat blok penyusun, termasuk VPC, titik akhir, subnet, grup keamanan, klaster EMR, dan sumber daya lain yang diperlukan agar berhasil menjalankan contoh.
- Untuk klaster EMR, sambungkan AWS Glue Data Catalog sebagai metastore untuk EMR Hive dan Presto, buat tabel Hive di EMR, dan isi dengan data dari Kumpulan data bandara AS.
- Untuk template LDAP CloudFormation, buat sebuah Cloud komputasi elastis Amazon (Amazon EC2) untuk menghosting server LDAP untuk mengautentikasi pengguna Hive dan Presto LDAP.
Opsi 1: Protokol Direktori Akses Ringan
Untuk template CloudFormation autentikasi LDAP, kami menyediakan instans Amazon EC2 dengan server LDAP dan mengonfigurasi klaster EMR untuk menggunakan server ini untuk autentikasi. Ini adalah TLS diaktifkan.
Opsi 2: Tanpa Otorisasi
Dalam template CloudFormation autentikasi No-Auth, kami menggunakan klaster EMR standar tanpa autentikasi diaktifkan.
Terapkan sumber daya dengan AWS CloudFormation
Selesaikan langkah-langkah berikut untuk menerapkan lingkungan:
- Masuk ke Konsol Manajemen AWS sebagai Identitas AWS dan Manajemen Akses (IAM), sebaiknya pengguna admin.
- Pilih Luncurkan Stack untuk meluncurkan template CloudFormation untuk skenario autentikasi yang sesuai. Pastikan Wilayah yang digunakan untuk menerapkan tumpukan CloudFormation tidak memiliki Domain Studio yang ada. Jika Anda sudah memiliki Domain Studio di suatu Wilayah, Anda dapat memilih Wilayah yang berbeda.
LDAP Tidak ada Otentikasi - Pilih Selanjutnya.
- Untuk Nama tumpukan, masukkan nama untuk tumpukan (misalnya,
dw-emr-hive-blog
). - Biarkan nilai lainnya sebagai default.
- Untuk melanjutkan, pilih Selanjutnya dari halaman detail tumpukan dan opsi tumpukan.
Tumpukan LDAP menggunakan kredensial berikut.- username:
david
- Sandi:
welcome123
- username:
- Pada halaman tinjauan, pilih kotak centang untuk mengonfirmasi bahwa AWS CloudFormation mungkin membuat sumber daya.
- Pilih Buat tumpukan. Tunggu hingga status tumpukan berubah dari
CREATE_IN_PROGRESS
untukCREATE_COMPLETE
. Prosesnya biasanya memakan waktu 10โ15 menit.
Siapkan Amazon EMR sebagai sumber data di Data Wrangler
Di bagian ini, kami membahas menghubungkan ke klaster Amazon EMR yang ada yang dibuat melalui template CloudFormation sebagai sumber data di Data Wrangler.
Buat aliran data baru
Untuk membuat aliran data Anda, selesaikan langkah-langkah berikut:
- Di konsol SageMaker, klik Domain, lalu klik Domain Studio dibuat dengan menjalankan template CloudFormation di atas.
- Pilih pengguna studio profil pengguna dan luncurkan Studio.
- Pilih Buka studio.
- Di konsol Studio Home, pilih Impor & siapkan data secara visual. Alternatifnya, di File tarik-turun, pilih New, Lalu pilih Aliran Data Wrangler.
- Membuat alur baru dapat memakan waktu beberapa menit. Setelah alur dibuat, Anda akan melihat Impor data .
- Tambahkan Amazon EMR sebagai sumber data di Data Wrangler. Di Tambahkan sumber data menu, pilih Amazon ESDM.
Anda dapat menelusuri semua kluster EMR yang dapat dilihat oleh peran eksekusi Studio Anda. Anda memiliki dua opsi untuk terhubung ke sebuah cluster; satu melalui UI interaktif, dan yang lainnya adalah yang pertama buat rahasia menggunakan AWS Secrets Manager dengan URL JDBC, termasuk informasi klaster EMR, lalu berikan AWS rahasia AWS yang disimpan di UI untuk terhubung ke Hive. Di blog ini, kami mengikuti opsi pertama.
- Pilih salah satu cluster berikut yang ingin Anda gunakan. Klik Selanjutnya, dan pilih titik akhir.
- Pilih Sarang lebah, sambungkan ke Amazon EMR, buat nama untuk mengidentifikasi koneksi Anda, dan klik Selanjutnya.
- Pilih jenis autentikasi Protokol Akses Direktori Ringan (LDAP) or Tidak ada otentikasi.
Untuk Protokol Akses Direktori Ringan (LDAP), pilih opsi dan klik Selanjutnya, masuk ke clusterr, lalu berikan username dan password untuk diautentikasi dan klik Connect.
Untuk Tanpa Otentikasi, Anda akan terhubung ke EMR Hive tanpa memberikan kredensial pengguna di dalam VPC. Masukkan halaman penjelajah SQL Data Wrangler untuk EMR.
- Setelah terhubung, Anda dapat secara interaktif melihat hierarki database dan pratinjau atau skema tabel. Anda juga dapat membuat kueri, menjelajahi, dan memvisualisasikan data dari EMR. Untuk pratinjau, Anda akan melihat batas 100 rekaman secara default. Setelah Anda memberikan pernyataan SQL di kotak editor kueri dan klik Run tombol, kueri akan dijalankan pada mesin Hive EMR untuk melihat pratinjau data.
Grafik Batalkan kueri tombol memungkinkan permintaan yang sedang berlangsung dibatalkan jika membutuhkan waktu yang sangat lama.
- Langkah terakhir adalah mengimpor. Setelah Anda siap dengan data yang diminta, Anda memiliki opsi untuk memperbarui pengaturan pengambilan sampel untuk pemilihan data sesuai dengan jenis pengambilan sampel (FirstK, Random, atau Stratified) dan ukuran pengambilan sampel untuk mengimpor data ke Data Wrangler.
Klik impor. Halaman persiapan akan dimuat, memungkinkan Anda menambahkan berbagai transformasi dan analisis penting ke kumpulan data.
- Navigasi ke Aliran data dari layar atas dan tambahkan lebih banyak langkah ke alur sesuai kebutuhan untuk transformasi dan analisis. Anda dapat menjalankan a laporan wawasan data untuk mengidentifikasi masalah kualitas data dan mendapatkan rekomendasi untuk memperbaiki masalah tersebut. Mari kita lihat beberapa contoh transformasi.
- Dalam majalah Aliran data lihat, Anda akan melihat bahwa kami menggunakan EMR sebagai sumber data menggunakan konektor Hive.
- Mari klik pada + tombol di sebelah kanan Tipe data dan pilih Tambahkan transformasi. Ketika Anda melakukan itu, Anda akan kembali ke Data melihat.
Mari kita telusuri datanya. Kami melihat bahwa ia memiliki beberapa fitur seperti iata_code, bandara, kota, negara, negara, lintang, dan garis bujur. Kita dapat melihat bahwa seluruh kumpulan data berbasis di satu negara, yaitu AS, dan ada nilai yang hilang lintang dan garis bujur. Data yang hilang dapat menyebabkan bias dalam pendugaan parameter, dan dapat mengurangi keterwakilan sampel, sehingga perlu dilakukan beberapa tuduhan dan menangani nilai yang hilang dalam kumpulan data kami.
- Mari klik pada Tambahkan Langkah tombol pada bilah navigasi di sebelah kanan. Pilih Menangani hilang. Konfigurasinya dapat dilihat pada screenshot berikut.
Bawah Mengubah, memilih Menyalahkan. Pilih Jenis kolom as Numeric dan Kolom masukan nama lintang dan garis bujur. Kami akan memasukkan nilai yang hilang menggunakan perkiraan nilai median.
Klik pertama Preview untuk melihat nilai yang hilang dan kemudian klik perbarui untuk menambahkan transformasi.
- Mari kita lihat contoh transformasi lainnya. Saat membuat model ML, kolom akan dihapus jika redundan atau tidak membantu model Anda. Cara paling umum untuk menghapus kolom adalah dengan menjatuhkannya. Dalam dataset kami, fitur negara dapat dihapus karena dataset khusus untuk data bandara AS. Untuk mengelola kolom, klik pada Tambahkan langkah tombol pada bilah navigasi ke kanan dan pilih Kelola kolom. Konfigurasinya dapat dilihat pada screenshot berikut. Dibawah Mengubah, pilih Jatuhkan kolom, dan dibawah Kolom untuk dijatuhkan, pilih negara.
- Klik Preview lalu Memperbarui untuk menjatuhkan kolom.
- Feature Store adalah repositori untuk menyimpan, membagikan, dan mengelola fitur untuk model ML. Mari klik pada + tombol di sebelah kanan Jatuhkan kolom. Pilih Ekspor ke Dan pilihlah Toko Fitur SageMaker (melalui notebook Jupyter).
- Dengan memilih Toko Fitur SageMaker sebagai tujuan, Anda dapat menyimpan fitur ke dalam grup fitur yang sudah ada atau membuat yang baru.
Kami sekarang telah membuat fitur dengan Data Wrangler dan dengan mudah menyimpan fitur tersebut di Feature Store. Kami menunjukkan contoh alur kerja untuk rekayasa fitur di UI Data Wrangler. Kemudian kami menyimpan fitur tersebut ke dalam Feature Store langsung dari Data Wrangler dengan membuat grup fitur baru. Terakhir, kami menjalankan tugas pemrosesan untuk memasukkan fitur tersebut ke dalam Feature Store. Data Wrangler dan Feature Store bersama-sama membantu kami membangun proses otomatis dan berulang untuk merampingkan tugas persiapan data kami dengan pengkodean minimum yang diperlukan. Data Wrangler juga memberi kami fleksibilitas untuk mengotomatiskan aliran persiapan data yang sama menggunakan pekerjaan terjadwal. Kita juga bisa secara otomatis melatih dan menerapkan model menggunakan SageMaker Autopilot dari antarmuka visual Data Wrangler, atau buat alur pelatihan atau rekayasa fitur dengan SageMaker Pipelines (melalui Jupyter Notebook) dan terapkan ke titik akhir inferensi dengan alur inferensi SageMaker (melalui Jupyter Notebook).
Membersihkan
Jika pekerjaan Anda dengan Data Wrangler selesai, langkah-langkah berikut akan membantu Anda menghapus sumber daya yang dibuat untuk menghindari biaya tambahan.
- Matikan SageMaker Studio.
Dari dalam SageMaker Studio, tutup semua tab, lalu pilih File kemudian menutup. Setelah diminta pilih Matikan Semua.
Shutdown mungkin memakan waktu beberapa menit berdasarkan jenis instans. Pastikan semua aplikasi yang terkait dengan profil pengguna dihapus. Jika tidak dihapus, hapus aplikasi yang terkait di bawah profil pengguna secara manual.
- Kosongkan bucket S3 apa pun yang dibuat dari peluncuran CloudFormation.
Buka halaman Amazon S3 dengan mencari S3 di pencarian konsol AWS. Kosongkan semua bucket S3 yang dibuat saat menyediakan klaster. Ember akan menjadi format dw-emr-hive-blog-
.
- Hapus SageMaker Studio EFS.
Buka halaman EFS dengan mencari EFS di pencarian konsol AWS.
Temukan sistem file yang dibuat oleh SageMaker. Anda dapat mengkonfirmasi ini dengan mengklik ID sistem file dan mengkonfirmasi tag ManagedByAmazonSageMakerResource
pada Tag Tab.
- Hapus tumpukan CloudFormation. Buka CloudFormation dengan mencari dan membuka layanan CloudFormation dari konsol AWS.
Pilih templat yang dimulai dengan dw- seperti yang ditunjukkan pada layar berikut dan hapus tumpukan seperti yang ditunjukkan dengan mengklik Delete .
Ini diharapkan dan kami akan kembali ke ini dan membersihkannya di langkah selanjutnya.
- Hapus VPC setelah tumpukan CloudFormation gagal diselesaikan. Pertama buka VPC dari konsol AWS.
- Selanjutnya, identifikasi VPC yang dibuat oleh SageMaker Studio CloudFormation, berjudul
dw-emr-
, lalu ikuti petunjuk untuk menghapus VPC. - Hapus tumpukan CloudFormation.
Kembali ke CloudFormation dan coba lagi penghapusan tumpukan untuk dw-emr-hive-blog
.
Menyelesaikan! Semua sumber daya yang disediakan oleh template CloudFormation yang dijelaskan dalam postingan blog ini sekarang akan dihapus dari akun Anda.
Kesimpulan
Dalam postingan ini, kami membahas cara menyiapkan Amazon EMR sebagai sumber data di Data Wrangler, cara mengubah dan menganalisis kumpulan data, dan cara mengekspor hasilnya ke aliran data untuk digunakan di notebook Jupyter. Setelah memvisualisasikan kumpulan data kami menggunakan fitur analitik bawaan Data Wrangler, kami semakin meningkatkan aliran data kami. Fakta bahwa kami membuat pipa persiapan data tanpa menulis satu baris kode adalah signifikan.
Untuk memulai dengan Data Wrangler, lihat Siapkan Data ML dengan Amazon SageMaker Data Wrangler dan lihat informasi terbaru di Halaman produk Data Wrangler dan dokumen teknis AWS.
Tentang Penulis
Ajjay Govindaram adalah Arsitek Solusi Senior di AWS. Dia bekerja dengan pelanggan strategis yang menggunakan AI/ML untuk memecahkan masalah bisnis yang kompleks. Pengalamannya terletak pada memberikan arahan teknis serta bantuan desain untuk penyebaran aplikasi AI/ML skala kecil hingga besar. Pengetahuannya berkisar dari arsitektur aplikasi hingga data besar, analitik, dan pembelajaran mesin. Dia menikmati mendengarkan musik sambil beristirahat, menikmati alam bebas, dan menghabiskan waktu bersama orang yang dicintainya.
Isya Dua adalah Arsitek Solusi Senior yang berbasis di San Francisco Bay Area. Dia membantu pelanggan perusahaan AWS tumbuh dengan memahami tujuan dan tantangan mereka, dan memandu mereka tentang bagaimana mereka dapat merancang aplikasi mereka dengan cara cloud-native sambil memastikan ketahanan dan skalabilitas. Dia sangat tertarik dengan teknologi pembelajaran mesin dan kelestarian lingkungan.
Varun Mehta adalah Arsitek Solusi di AWS. Dia bersemangat membantu pelanggan membangun solusi Arsitektur Baik Berskala Perusahaan di AWS Cloud. Dia bekerja dengan pelanggan strategis yang menggunakan AI/ML untuk memecahkan masalah bisnis yang kompleks.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-insight-with-amazon-sagemaker-data-wrangler-and-the-power-of-apache-hive/
- :adalah
- $NAIK
- 1
- 10
- 100
- 11
- 7
- a
- Tentang Kami
- mempercepat
- mengakses
- Protokol Akses
- Menurut
- Akun
- tindakan
- tambahan
- Tambahan
- admin
- nasihat
- Setelah
- AI / ML
- bandara
- Semua
- Membiarkan
- memungkinkan
- sudah
- Amazon
- Amazon EC2
- Amazon ESDM
- Amazon SageMaker
- Pengatur Data Amazon SageMaker
- Studio Amazon SageMaker
- jumlah
- Analisis
- analisis
- Analytical
- analisis
- menganalisa
- dan
- Lain
- Apache
- aplikasi
- Aplikasi
- aplikasi
- sesuai
- aplikasi
- arsitektur
- ADALAH
- DAERAH
- AS
- Bantuan
- terkait
- At
- mengotentikasi
- dikonfirmasi
- Otentikasi
- penulis
- mengotomatisasikan
- secara otomatis
- secara otomatis
- AWS
- Formasi AWS Cloud
- Lem AWS
- kembali
- bar
- berdasarkan
- Teluk
- BE
- karena
- makhluk
- prasangka
- Besar
- Big data
- Blok
- Blog
- Kotak
- membawa
- membangun
- Bangunan
- built-in
- bisnis
- tombol
- by
- CAN
- katalog
- Menyebabkan
- tantangan
- Perubahan
- memeriksa
- Pilih
- Klik
- Penyelesaian
- awan
- Kelompok
- kode
- Pengkodean
- Kolom
- Kolom
- bagaimana
- Umum
- lengkap
- kompleks
- komponen
- menghitung
- Memastikan
- Terhubung
- terhubung
- Menghubungkan
- koneksi
- menghubungkan
- konsul
- terus
- negara
- menutupi
- membuat
- dibuat
- menciptakan
- membuat
- Surat kepercayaan
- kritis
- melengkung
- pelanggan
- data
- Persiapan data
- pengolahan data
- Basis Data
- kumpulan data
- transaksi
- Default
- Permintaan
- mendemonstrasikan
- menyebarkan
- penyebaran
- dijelaskan
- Mendesain
- tujuan
- rincian
- berbeda
- arah
- langsung
- menemukan
- domain
- Dont
- turun
- Menjatuhkan
- menjatuhkan
- setiap
- mudah
- editor
- antara
- diaktifkan
- memungkinkan
- Titik akhir
- Mesin
- insinyur
- Teknik
- Insinyur
- ditingkatkan
- memastikan
- Enter
- Enterprise
- Seluruh
- Lingkungan Hidup
- lingkungan
- penting
- menetapkan
- mengevaluasi
- contoh
- contoh
- eksekusi
- ada
- diharapkan
- pengalaman
- mengalami
- menyelidiki
- penjelajah
- ekspor
- gagal
- akrab
- Fitur
- Fitur
- Biaya
- beberapa
- Akhirnya
- Pertama
- Memperbaiki
- aliran
- mengikuti
- berikut
- Untuk
- Francisco
- dari
- lebih lanjut
- mendapatkan
- Go
- Anda
- Kelompok
- Grup
- Tumbuh
- Panduan
- menangani
- Memiliki
- membantu
- membantu
- membantu
- membantu
- Sarang lebah
- Beranda
- tuan rumah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- mengenali
- identitas
- mengimpor
- pengimporan
- in
- Termasuk
- informasi
- wawasan
- contoh
- interaktif
- Antarmuka
- terlibat
- masalah
- IT
- Pekerjaan
- Jobs
- jpg
- pengetahuan
- besar
- besar-besaran
- Terakhir
- Terbaru
- jalankan
- pengetahuan
- Leverage
- terletak
- ringan
- MEMBATASI
- baris
- Listening
- Panjang
- lama
- melihat
- dicintai
- mesin
- Mesin belajar
- membuat
- mengelola
- pengelolaan
- cara
- manual
- menu
- mungkin
- minimum
- menit
- hilang
- ML
- mode
- model
- model
- lebih
- paling
- beberapa
- musik
- nama
- Bernama
- nama
- Navigasi
- Perlu
- New
- buku catatan
- of
- on
- ONE
- terus-menerus
- Buka
- pembukaan
- pilihan
- Opsi
- Lainnya
- di luar rumah
- halaman
- parameter
- bagian
- bergairah
- Kata Sandi
- Melakukan
- melakukan
- Izin
- pipa saluran
- plato
- Kecerdasan Data Plato
- Data Plato
- Populer
- Pos
- kekuasaan
- Mempersiapkan
- mempersiapkan
- Preview
- masalah
- proses
- proses
- pengolahan
- Produk
- profesional
- Profil
- protokol
- memberikan
- menyediakan
- menyediakan
- ketentuan
- kualitas
- segera
- acak
- siap
- rekomendasi
- arsip
- menurunkan
- mengurangi
- wilayah
- menghapus
- Dihapus
- berulang
- Pelaporan
- gudang
- merupakan
- wajib
- ketahanan
- Sumber
- Hasil
- ulasan
- Peran
- Run
- berjalan
- pembuat bijak
- Inferensi SageMaker
- Pipa SageMaker
- sama
- San
- San Fransisco
- Save
- Skalabilitas
- Skala
- skenario
- menjadwalkan
- ilmuwan
- Layar
- screenshot
- Pencarian
- mencari
- Rahasia
- Bagian
- keamanan
- terpilih
- memilih
- seleksi
- senior
- layanan
- set
- pengaturan
- Share
- harus
- ditunjukkan
- penting
- hanya
- sejak
- tunggal
- Ukuran
- So
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- sumber
- sumber
- percikan
- Secara khusus
- Pengeluaran
- Spot
- tumpukan
- Tumpukan
- standar
- mulai
- Mulai
- Pernyataan
- statistika
- Status
- Langkah
- Tangga
- menyimpan
- tersimpan
- Strategis
- mempersingkat
- studio
- subnet
- selanjutnya
- berhasil
- seperti itu
- Didukung
- Keberlanjutan
- sistem
- tabel
- MENANDAI
- Mengambil
- Dibutuhkan
- pengambilan
- tugas
- Teknis
- Teknologi
- Template
- template
- Terima kasih
- bahwa
- Grafik
- mereka
- Mereka
- Ini
- pihak ketiga
- Melalui
- waktu
- untuk
- hari ini
- bersama
- puncak
- Pelatihan VE
- Pelatihan
- Mengubah
- transformasi
- ui
- bawah
- pemahaman
- unik
- Universal
- Memperbarui
- URL
- us
- menggunakan
- Pengguna
- biasanya
- nilai
- Nilai - Nilai
- variasi
- berbagai
- melalui
- View
- menunggu
- Cara..
- minggu
- BAIK
- yang
- sementara
- SIAPA
- lebar
- Wikipedia
- akan
- dengan
- dalam
- tanpa
- Kerja
- bekerja
- akan
- menulis
- tulis kode
- penulisan
- yaml
- Kamu
- Anda
- zephyrnet.dll