Menentukan nilai perumahan adalah contoh klasik penggunaan pembelajaran mesin (ML). Pengaruh signifikan diberikan oleh Harrison dan Rubinfeld (1978), yang menerbitkan makalah dan kumpulan data inovatif yang kemudian dikenal secara informal sebagai kumpulan data perumahan Boston. Karya penting ini mengusulkan metode untuk memperkirakan harga perumahan sebagai fungsi dari berbagai dimensi, termasuk kualitas udara, yang merupakan fokus utama penelitian mereka. Hampir 50 tahun kemudian, estimasi harga rumah telah menjadi alat pengajaran penting bagi pelajar dan profesional yang tertarik menggunakan data dan ML dalam pengambilan keputusan bisnis.
Dalam postingan kali ini, kami membahas penggunaan model sumber terbuka yang dirancang khusus untuk tugas menjawab pertanyaan visual (VQA). Dengan VQA, Anda dapat mengajukan pertanyaan tentang foto menggunakan bahasa alami dan menerima jawaban atas pertanyaan Andaโjuga dalam bahasa sederhana. Tujuan kami dalam postingan ini adalah untuk menginspirasi dan menunjukkan apa yang mungkin dilakukan dengan menggunakan teknologi ini. Kami mengusulkan penggunaan kemampuan ini dengan Amazon SageMaker platform layanan untuk meningkatkan akurasi model regresi dalam kasus penggunaan ML, dan secara independen, untuk pemberian tag otomatis pada gambar visual.
Kami menyediakan yang sesuai YouTube video yang menunjukkan apa yang dibahas di sini. Pemutaran video akan dimulai di tengah jalan untuk menyorot poin yang paling menonjol. Kami menyarankan Anda mengikuti bacaan ini dengan video untuk memperkuat dan mendapatkan pemahaman yang lebih kaya tentang konsep tersebut.
Model pondasi
Solusi ini berpusat pada penggunaan model dasar yang dipublikasikan ke repositori model Hugging Face. Di sini, kami menggunakan istilah tersebut model pondasi untuk menggambarkan kemampuan kecerdasan buatan (AI) yang telah dilatih sebelumnya pada kumpulan data yang besar dan beragam. Model pondasi terkadang siap digunakan tanpa beban melatih model dari nol. Beberapa model dasar dapat disesuaikan, yang berarti mengajari mereka pola tambahan yang relevan dengan bisnis Anda tetapi tidak ada dalam model asli yang dipublikasikan secara umum. Penyempurnaan terkadang diperlukan untuk memberikan respons benar yang unik untuk kasus penggunaan atau kumpulan pengetahuan Anda.
Dalam majalah Wajah Memeluk repositori, ada beberapa model VQA yang dapat dipilih. Kami memilih model dengan unduhan terbanyak pada saat penulisan ini. Meskipun postingan ini menunjukkan kemampuan untuk menggunakan model dari repositori model sumber terbuka, konsep yang sama akan berlaku untuk model yang Anda latih dari nol atau digunakan dari penyedia tepercaya lainnya.
Pendekatan modern terhadap kasus penggunaan klasik
Estimasi harga rumah secara tradisional dilakukan melalui data tabel di mana fitur properti digunakan untuk menginformasikan harga. Meskipun ada ratusan fitur yang perlu dipertimbangkan, beberapa contoh mendasar adalah ukuran rumah dalam ruang yang sudah jadi, jumlah kamar tidur dan kamar mandi, dan lokasi tempat tinggal.
Pembelajaran mesin mampu menggabungkan beragam sumber masukan di luar data tabular, seperti audio, gambar diam, video bergerak, dan bahasa alami. Dalam AI, istilahnya multimoda mengacu pada penggunaan berbagai jenis media, seperti gambar dan data tabular. Dalam postingan ini, kami menunjukkan cara menggunakan data multimodal untuk menemukan dan membebaskan nilai tersembunyi yang tersimpan dalam limbah digital yang melimpah yang dihasilkan oleh dunia modern saat ini.
Dengan pemikiran ini, kami mendemonstrasikan penggunaan model fondasi untuk mengekstrak fitur laten dari gambar properti. Dengan memanfaatkan wawasan yang ditemukan dalam gambar, yang sebelumnya tidak tersedia dalam data tabel, kami dapat meningkatkan akurasi model. Baik gambar maupun data tabular yang dibahas dalam postingan ini awalnya tersedia dan dipublikasikan ke GitHub oleh Ahmed dan Moustafa (2016).
Sebuah gambar bernilai seribu kata
Sekarang setelah kita memahami kemampuan VQA, mari kita perhatikan dua gambar dapur berikut. Bagaimana Anda menilai nilai rumah dari gambar-gambar ini? Apa saja pertanyaan yang ingin Anda tanyakan pada diri Anda sendiri? Setiap gambar mungkin menimbulkan lusinan pertanyaan di benak Anda. Beberapa dari pertanyaan tersebut mungkin menghasilkan jawaban bermakna yang meningkatkan proses penilaian rumah.
Kredit foto Francesca Tosolini (Kiri) dan Sidekix Media (kanan) di Unsplash
Tabel berikut memberikan contoh anekdotal interaksi VQA dengan menampilkan pertanyaan beserta jawabannya. Jawaban dapat berupa tanggapan kategorikal, nilai berkelanjutan, atau biner.
Contoh Pertanyaan | Contoh Jawaban dari Model Fondasi |
Terbuat dari apakah meja dapurnya? | granit, ubin, marmer, laminasi, dll. |
Apakah ini dapur yang mahal? | ya Tidak |
Berapa banyak wastafel yang terpisah? | 0, 1, 2 |
Arsitektur referensi
Dalam posting ini, kami menggunakan Pengatur Data Amazon SageMaker untuk menanyakan serangkaian pertanyaan visual yang seragam untuk ribuan foto dalam kumpulan data. SageMaker Data Wrangler dibuat khusus untuk menyederhanakan proses persiapan data dan rekayasa fitur. Dengan menyediakan lebih dari 300 transformasi bawaan, SageMaker Data Wrangler membantu mengurangi waktu yang diperlukan untuk menyiapkan data tabel dan gambar untuk ML dari hitungan minggu menjadi menit. Di sini, SageMaker Data Wrangler menggabungkan fitur data dari kumpulan tabel asli dengan fitur hasil foto dari model dasar untuk pelatihan model.
Selanjutnya kita membangun model regresi dengan menggunakan Kanvas Amazon SageMaker. SageMaker Canvas dapat membuat model, tanpa menulis kode apa pun, dan memberikan hasil awal hanya dalam 2โ15 menit. Pada bagian berikutnya, kami menyediakan arsitektur referensi yang digunakan untuk memungkinkan panduan solusi ini.
Banyak model populer dari Hugging Face dan penyedia lainnya yang dapat diterapkan dengan sekali klik Mulai Lompatan Amazon SageMaker. Ada ratusan ribu model yang tersedia di repositori ini. Untuk postingan ini, kami memilih model yang tidak tersedia di SageMaker JumpStart, yang memerlukan penerapan pelanggan. Seperti yang ditunjukkan pada gambar berikut, kami menerapkan model Hugging Face untuk inferensi menggunakan Studio Amazon SageMaker buku catatan. Notebook ini digunakan untuk menyebarkan titik akhir untuk inferensi waktu nyata. Notebook ini menggunakan aset yang mencakup model biner Hugging Face, penunjuk ke gambar kontainer, dan skrip inference.py yang dibuat khusus yang cocok dengan input dan output yang diharapkan dari model. Saat Anda membaca ini, campuran model VQA yang tersedia dapat berubah. Yang penting adalah meninjau model VQA yang tersedia, pada saat Anda membaca ini, dan bersiap untuk menerapkan model yang Anda pilih, yang akan memiliki kontrak permintaan dan respons API sendiri.
Setelah model VQA dilayani oleh titik akhir SageMaker, kami menggunakan SageMaker Data Wrangler untuk mengatur alur yang pada akhirnya menggabungkan data tabular dan fitur yang diekstraksi dari gambar digital dan membentuk ulang data untuk pelatihan model. Gambar berikutnya memberikan gambaran tentang bagaimana tugas transformasi data skala penuh dijalankan.
Pada gambar berikut, kami menggunakan SageMaker Data Wrangler untuk mengatur tugas persiapan data dan SageMaker Canvas untuk pelatihan model. Pertama, SageMaker Data Wrangler menggunakan Layanan Lokasi Amazon untuk mengubah kode pos yang tersedia dalam data mentah menjadi fitur lintang dan bujur. Kedua, SageMaker Data Wrangler mampu mengoordinasikan pengiriman ribuan foto ke titik akhir yang dihosting SageMaker untuk inferensi waktu nyata, mengajukan serangkaian pertanyaan seragam per adegan. Hal ini menghasilkan beragam fitur yang menggambarkan karakteristik yang diamati di dapur, kamar mandi, eksterior rumah, dan banyak lagi. Setelah data disiapkan oleh SageMaker Data Wrangler, kumpulan data pelatihan tersedia di Layanan Penyimpanan Sederhana Amazon (Amazon S3). Dengan menggunakan data S3 sebagai masukan, SageMaker Canvas mampu melatih model, hanya dalam waktu 2โ15 menit, tanpa menulis kode apa pun.
Transformasi data menggunakan SageMaker Data Wrangler
Tangkapan layar berikut menunjukkan alur kerja SageMaker Data Wrangler. Alur kerjanya dimulai dengan ribuan foto rumah yang disimpan di Amazon S3. Selanjutnya, detektor pemandangan menentukan lokasi kejadian, seperti dapur atau kamar mandi. Terakhir, serangkaian pertanyaan spesifik adegan ditanyakan pada gambar, sehingga menghasilkan kumpulan data tabular yang lebih kaya dan tersedia untuk pelatihan.
Berikut ini adalah contoh kode transformasi kustom SageMaker Data Wrangler yang digunakan untuk berinteraksi dengan model fondasi dan memperoleh informasi tentang gambar dapur. Pada tangkapan layar sebelumnya, jika Anda memilih node fitur dapur, kode berikut akan muncul:
Sebagai pertimbangan keamanan, Anda harus terlebih dahulu mengaktifkan SageMaker Data Wrangler untuk memanggil titik akhir real-time SageMaker Anda melalui Identitas AWS dan Manajemen Akses (SAYA). Demikian pula, sumber daya AWS apa pun yang Anda panggil melalui SageMaker Data Wrangler akan memerlukan izin serupa.
Struktur data sebelum dan sesudah SageMaker Data Wrangler
Pada bagian ini, kita membahas struktur data tabel asli dan data yang disempurnakan. Data yang disempurnakan berisi fitur data baru yang terkait dengan contoh kasus penggunaan ini. Dalam aplikasi Anda, luangkan waktu untuk membayangkan beragam rangkaian pertanyaan yang tersedia di gambar Anda untuk membantu tugas klasifikasi atau regresi Anda. Idenya adalah membayangkan pertanyaan sebanyak mungkin dan kemudian mengujinya untuk memastikan pertanyaan tersebut memberikan nilai tambah.
Struktur data tabular asli
Seperti yang dijelaskan dalam sumbernya GitHub repo, kumpulan data sampel berisi 535 catatan tabel termasuk empat gambar per properti. Tabel berikut menggambarkan struktur data tabular asli.
Fitur | Pesan |
Jumlah kamar tidur | . |
Jumlah kamar mandi | . |
Luas (kaki persegi) | . |
Kode Pos | . |
Harga | Ini adalah variabel target yang akan diprediksi. |
Struktur data yang disempurnakan
Tabel berikut mengilustrasikan struktur data yang disempurnakan, yang berisi beberapa fitur baru yang diperoleh dari gambar.
Fitur | Pesan |
Jumlah kamar tidur | . |
Jumlah kamar mandi | . |
Luas (kaki persegi) | . |
Lintang | Dihitung dengan meneruskan kode pos asli ke Amazon Location Service. Ini adalah nilai pusat massa untuk ZIP. |
Garis bujur | Dihitung dengan meneruskan kode pos asli ke Amazon Location Service. Ini adalah nilai pusat massa untuk ZIP. |
Apakah kamar tidurnya memiliki langit-langit berkubah? | 0 = tidak; 1 = ya |
Apakah kamar mandinya mahal? | 0 = tidak; 1 = ya |
Apakah dapurnya mahal? | 0 = tidak; 1 = ya |
Harga | Ini adalah variabel target yang akan diprediksi. |
Pelatihan model dengan SageMaker Canvas
Tugas pemrosesan SageMaker Data Wrangler sepenuhnya mempersiapkan dan membuat seluruh dataset pelatihan tabel tersedia di Amazon S3. Selanjutnya, SageMaker Canvas membahas fase pembuatan model siklus hidup ML. Canvas dimulai dengan membuka set pelatihan S3. Mampu memahami suatu model sering kali merupakan persyaratan utama pelanggan. Tanpa menulis kode, dan hanya dengan beberapa klik, SageMaker Canvas memberikan masukan visual yang kaya mengenai performa model. Seperti yang terlihat pada tangkapan layar di bagian berikut, SageMaker Canvas menunjukkan bagaimana fitur tunggal menginformasikan model.
Model dilatih dengan data tabular asli dan fitur yang berasal dari gambar real estat
Kita dapat melihat dari tangkapan layar berikut bahwa fitur-fitur yang dikembangkan dari gambar properti itu penting. Berdasarkan hasil tersebut, pertanyaan โApakah dapur ini mahalโ dari foto lebih signifikan dibandingkan โjumlah kamar tidurโ pada kumpulan tabel asli, dengan nilai kepentingan fitur masing-masing sebesar 7.08 dan 5.498.
Tangkapan layar berikut memberikan informasi penting tentang model. Pertama, grafik sisa menunjukkan sebagian besar titik dalam kumpulan yang mengelompok di sekitar zona yang diarsir ungu. Di sini, dua outlier dianotasi secara manual di luar SageMaker Canvas untuk ilustrasi ini. Pencilan ini menunjukkan kesenjangan yang signifikan antara nilai rumah sebenarnya dan nilai prediksi. Selain itu, R2 nilai, yang memiliki kisaran kemungkinan 0โ100%, ditunjukkan pada 76%. Hal ini menunjukkan bahwa model tersebut tidak sempurna dan tidak memiliki titik informasi yang cukup untuk sepenuhnya memperhitungkan semua variasi guna memperkirakan nilai rumah sepenuhnya.
Kita dapat menggunakan outlier untuk menemukan dan mengusulkan sinyal tambahan guna membangun model yang lebih komprehensif. Misalnya, properti outlier ini mungkin mencakup kolam renang atau berlokasi di lahan yang luas. Kumpulan data tidak menyertakan fitur-fitur ini; namun, Anda mungkin dapat menemukan data ini dan melatih model baru dengan โmemiliki kolam renangโ yang disertakan sebagai fitur tambahan. Idealnya, pada upaya Anda berikutnya, R2 nilai akan meningkat dan nilai MAE dan RMSE akan menurun.
Model dilatih tanpa fitur yang berasal dari gambar real estat
Terakhir, sebelum melanjutkan ke bagian berikutnya, mari kita telusuri apakah fitur-fitur dari gambar tersebut bermanfaat. Tangkapan layar berikut menyediakan model terlatih SageMaker Canvas lainnya tanpa fitur dari model VQA. Kami melihat tingkat kesalahan model meningkat, dari RMSE 282K menjadi RMSE 352K. Dari sini, kita dapat menyimpulkan bahwa tiga pertanyaan sederhana dari gambar meningkatkan akurasi model sekitar 20%. Tidak ditampilkan, tetapi untuk melengkapinya, R2 nilai untuk model berikut juga menurun, turun ke nilai 62% dari nilai 76% dengan fitur VQA yang disediakan. Ini adalah contoh bagaimana SageMaker Canvas mempermudah eksperimen cepat dan menggunakan pendekatan berbasis data yang menghasilkan model untuk melayani kebutuhan bisnis Anda.
Melihat ke depan
Banyak organisasi menjadi semakin tertarik pada model pondasi, terutama sejak trafo terlatih umum (GPT) secara resmi menjadi topik utama yang diminati pada bulan Desember 2022. Sebagian besar minat terhadap model pondasi berpusat pada tugas model bahasa besar (LLM). ; namun, ada beragam kasus penggunaan lain yang tersedia, seperti visi komputer dan, lebih sempitnya, tugas VQA khusus yang dijelaskan di sini.
Postingan ini adalah contoh untuk menginspirasi penggunaan data multimodal untuk menyelesaikan kasus penggunaan industri. Meskipun kami mendemonstrasikan penggunaan dan manfaat VQA dalam model regresi, VQA juga dapat digunakan untuk memberi label dan menandai gambar untuk penelusuran berikutnya atau perutean alur kerja bisnis. Bayangkan bisa mencari properti yang terdaftar untuk dijual atau disewakan. Misalkan Anda ingin mencari properti dengan lantai ubin atau meja marmer. Saat ini, Anda mungkin harus mendapatkan daftar panjang properti kandidat dan memfilter diri Anda berdasarkan tampilan saat menelusuri setiap kandidat. Sebaliknya, bayangkan kemampuan memfilter listingan yang berisi fitur-fitur iniโmeskipun seseorang tidak menandainya secara eksplisit. Dalam industri asuransi, bayangkan kemampuan memperkirakan kerugian klaim, atau mengarahkan tindakan selanjutnya dalam alur kerja bisnis dari gambar. Di platform media sosial, foto dapat diberi tag otomatis untuk penggunaan selanjutnya.
Kesimpulan
Postingan ini menunjukkan cara menggunakan visi komputer yang diaktifkan oleh model dasar untuk meningkatkan kasus penggunaan ML klasik menggunakan platform SageMaker. Sebagai bagian dari solusi yang diusulkan, kami menemukan model VQA populer yang tersedia di registri model publik dan menerapkannya menggunakan titik akhir SageMaker untuk inferensi waktu nyata.
Selanjutnya, kami menggunakan SageMaker Data Wrangler untuk mengatur alur kerja di mana pertanyaan seragam diajukan pada gambar untuk menghasilkan kumpulan data tabel yang kaya. Terakhir, kami menggunakan SageMaker Canvas untuk melatih model regresi. Penting untuk dicatat bahwa kumpulan data sampel sangat sederhana dan, oleh karena itu, desainnya tidak sempurna. Meski begitu, SageMaker Canvas memudahkan untuk memahami akurasi model dan mencari sinyal tambahan untuk meningkatkan akurasi model dasar.
Kami berharap postingan ini mendorong Anda menggunakan data multimoda yang mungkin dimiliki organisasi Anda. Selain itu, kami berharap postingan ini menginspirasi Anda untuk mempertimbangkan pelatihan model sebagai proses berulang. Model yang hebat dapat dicapai dengan sedikit kesabaran. Model yang mendekati sempurna mungkin terlalu bagus untuk menjadi kenyataan, mungkin akibat dari kebocoran target atau overfitting. Skenario yang ideal dimulai dengan model yang baik, namun belum sempurna. Dengan menggunakan kesalahan, kerugian, dan plot sisa, Anda dapat memperoleh sinyal data tambahan untuk meningkatkan akurasi dari perkiraan dasar awal Anda.
AWS menawarkan rangkaian layanan ML terluas dan terdalam serta mendukung infrastruktur cloud, menempatkan ML di tangan setiap pengembang, ilmuwan data, dan praktisi ahli. Jika Anda penasaran untuk mempelajari lebih lanjut tentang platform SageMaker, termasuk SageMaker Data Wrangler dan SageMaker Canvas, silakan hubungi tim akun AWS Anda dan mulai percakapan. Juga, pertimbangkan untuk membaca lebih lanjut tentang SageMaker Data Wrangler transformasi khusus.
Referensi
Ahmed, EH, & Moustafa, M. (2016). Estimasi harga rumah dari fitur visual dan tekstual. IJCCI 2016-Prosiding Konferensi Gabungan Internasional ke-8 tentang Kecerdasan Komputasi, 3, 62โ68.
Harrison Jr, D., & Rubinfeld, DL (1978). Harga rumah yang hedonis dan permintaan udara bersih. Jurnal ekonomi dan manajemen lingkungan, 5(1), 81-102.
Kim, W., Putra, B. & Kim, I.. (2021). ViLT: Transformator Visi-dan-Bahasa Tanpa Konvolusi atau Pengawasan Wilayah. Prosiding Konferensi Internasional Pembelajaran Mesin ke-38, dalam Prosiding Penelitian Pembelajaran Mesin. 139:5583-5594.
Tentang Penulis
Charles Tertawa adalah Arsitek Solusi Spesialis AI/ML Utama dan bekerja di tim layanan Amazon SageMaker di AWS. Dia membantu membentuk peta jalan layanan dan berkolaborasi setiap hari dengan beragam pelanggan AWS untuk membantu mentransformasikan bisnis mereka menggunakan teknologi AWS mutakhir dan kepemimpinan pemikiran. Charles memegang gelar MS dalam Manajemen Rantai Pasokan dan Ph.D. dalam Ilmu Data.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Tahun
- 7
- 8
- 8th
- a
- kemampuan
- Sanggup
- Tentang Kami
- berlimpah-limpah
- mengakses
- Akun
- ketepatan
- dicapai
- tindakan
- Tambahan
- Selain itu
- alamat
- Setelah
- ahmed
- AI
- AI / ML
- UDARA
- Semua
- mengizinkan
- hampir
- di samping
- juga
- Meskipun
- Amazon
- Amazon SageMaker
- Amazon Web Services
- amp
- an
- dan
- Lain
- menjawab
- jawaban
- Apa pun
- api
- muncul
- Aplikasi
- Mendaftar
- pendekatan
- arsitektur
- ADALAH
- sekitar
- susunan
- buatan
- kecerdasan buatan
- Kecerdasan buatan (AI)
- AS
- meminta
- meminta
- menilai
- Aktiva
- At
- usaha
- audio
- Otomatis
- tersedia
- AWS
- berdasarkan
- Dasar
- BE
- menjadi
- menjadi
- menjadi
- menjadi
- sebelum
- mulai
- makhluk
- manfaat
- antara
- Luar
- tubuh
- boston
- kedua
- membangun
- Bangunan
- built-in
- beban
- bisnis
- bisnis
- tapi
- by
- panggilan
- CAN
- calon
- kanvas
- kemampuan
- kemampuan
- mampu
- kasus
- kasus
- plafon
- berpusat
- Pusat
- rantai
- perubahan
- karakteristik
- Charles
- Pilih
- klaim
- klasik
- klasifikasi
- membersihkan
- awan
- infrastruktur cloud
- kekelompokan
- kode
- Kode
- berkolaborasi
- warna
- menggabungkan
- bagaimana
- lengkap
- luas
- komputasi
- komputer
- Visi Komputer
- konsep
- menyimpulkan
- Konferensi
- Mempertimbangkan
- pertimbangan
- mengandung
- Wadah
- mengandung
- kontinu
- kontrak
- Percakapan
- mengubah
- mengkoordinasikan
- benar
- Sesuai
- bisa
- kredit
- ingin tahu
- adat
- pelanggan
- pelanggan
- canggih
- harian
- data
- Persiapan data
- ilmu data
- ilmuwan data
- kumpulan data
- Struktur data
- Data-driven
- Desember
- Pengambilan Keputusan
- mengurangi
- terdalam
- menyampaikan
- Permintaan
- mendemonstrasikan
- menunjukkan
- menunjukkan
- menyebarkan
- dikerahkan
- penyebaran
- Berasal
- menggambarkan
- dijelaskan
- Mendesain
- dirancang
- ditentukan
- dikembangkan
- Pengembang
- digital
- ukuran
- membahas
- dibahas
- beberapa
- do
- tidak
- Tidak
- download
- puluhan
- Jatuhan
- e
- setiap
- Mudah
- Ekonomi
- aktif
- diaktifkan
- didorong
- Titik akhir
- Teknik
- ditingkatkan
- cukup
- Seluruh
- lingkungan
- kesalahan
- kesalahan
- terutama
- memperkirakan
- dll
- Bahkan
- Setiap
- contoh
- contoh
- diharapkan
- mahal
- eksperimen
- ahli
- secara eksplisit
- menyelidiki
- ekstrak
- Menghadapi
- Fitur
- Fitur
- umpan balik
- kaki
- beberapa
- Angka
- menyaring
- Akhirnya
- Menemukan
- Pertama
- Lantai
- Fokus
- mengikuti
- berikut
- berikut
- Untuk
- bentuk
- ditemukan
- Prinsip Dasar
- empat
- dari
- skala penuh
- sepenuhnya
- fungsi
- fungsi
- mendasar
- Mendapatkan
- kesenjangan
- Umum
- menghasilkan
- mendapatkan
- tujuan
- baik
- grafik
- besar
- groundbreaking
- bimbingan
- tangan
- Memiliki
- he
- membantu
- bermanfaat
- membantu
- di sini
- Tersembunyi
- Menyoroti
- memegang
- Beranda
- Rumah
- berharap
- host
- Rumah
- perumahan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- http
- HTTPS
- Ratusan
- i
- ide
- ideal
- idealnya
- identitas
- if
- menggambarkan
- gambar
- gambar
- membayangkan
- mengimpor
- pentingnya
- penting
- memperbaiki
- ditingkatkan
- in
- memasukkan
- termasuk
- Termasuk
- menggabungkan
- Meningkatkan
- Pada meningkat
- makin
- secara mandiri
- menunjukkan
- industri
- mempengaruhi
- memberitahu
- informasi
- Infrastruktur
- mulanya
- memasukkan
- wawasan
- mengilhami
- terinspirasi
- sebagai gantinya
- asuransi
- Intelijen
- berinteraksi
- interaksi
- bunga
- tertarik
- Internasional
- ke
- IT
- NYA
- Pekerjaan
- bersama
- jpg
- json
- kunci
- Kim
- pengetahuan
- dikenal
- label
- Tanah
- bahasa
- besar
- kemudian
- memimpin
- Kepemimpinan
- BELAJAR
- pengetahuan
- siklus hidup
- Daftar
- Daftar
- Daftar
- sedikit
- LLM
- terletak
- tempat
- terkunci
- Panjang
- kerugian
- mesin
- Mesin belajar
- terbuat
- Arus utama
- membuat
- MEMBUAT
- pengelolaan
- manual
- banyak
- korek api
- Mungkin..
- berarti
- cara
- Media
- metode
- Di pertengahan
- mungkin
- keberatan
- menit
- hilang
- mencampur
- ML
- model
- model
- modern
- lebih
- paling
- gerakan
- bergerak
- harus
- Alam
- Perlu
- dibutuhkan
- New
- Fitur Baru
- berikutnya
- tidak
- simpul
- buku catatan
- jumlah
- banyak sekali
- memperoleh
- terjadi
- of
- Penawaran
- Secara resmi
- sering
- on
- hanya
- open source
- pembukaan
- or
- urutan
- organisasi
- organisasi
- asli
- semula
- Lainnya
- kami
- di luar
- orang asing
- keluaran
- di luar
- sendiri
- kertas
- bagian
- Lewat
- Kesabaran
- pola
- untuk
- sempurna
- prestasi
- mungkin
- Izin
- orang
- tahap
- foto
- Foto
- gambar
- Film
- pipa saluran
- Polos
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- silahkan
- Titik
- poin
- kolam
- Populer
- bagian
- memiliki
- mungkin
- Pos
- diprediksi
- pendahuluan
- persiapan
- Mempersiapkan
- siap
- Mempersiapkan
- sebelumnya
- harga pompa cor beton mini
- harga
- Utama
- Prosiding
- proses
- pengolahan
- Diproduksi
- profesional
- properties
- milik
- mengusulkan
- diusulkan
- memberikan
- disediakan
- pemberi
- penyedia
- menyediakan
- menyediakan
- publik
- diterbitkan
- Puting
- kualitas
- pertanyaan
- Pertanyaan
- segera
- R
- jarak
- Penilaian
- Mentah
- mencapai
- Baca
- Bacaan
- siap
- real-time
- menerima
- arsip
- menurunkan
- referensi
- mengacu
- wilayah
- pendaftaran
- memperkuat
- relatif
- relevan
- Menyewa
- gudang
- mewakili
- permintaan
- kebutuhan
- membutuhkan
- penelitian
- membentuk kembali
- Tempat tinggal
- Sumber
- masing-masing
- tanggapan
- tanggapan
- mengakibatkan
- dihasilkan
- Hasil
- kembali
- ulasan
- Kaya
- lebih kaya
- peta jalan
- Rute
- rute
- Run
- runtime
- s
- pembuat bijak
- penjualan
- sama
- Contoh kumpulan data
- skenario
- adegan
- Ilmu
- ilmuwan
- scott
- naskah
- Pencarian
- Kedua
- Bagian
- keamanan
- melihat
- Mencari
- terlihat
- terpilih
- mengirim
- melayani
- yang telah dilayani
- layanan
- Layanan
- set
- beberapa
- Bentuknya
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- Melihat
- sinyal
- penting
- mirip
- Demikian pula
- Sederhana
- menyederhanakan
- sejak
- tunggal
- Ukuran
- So
- Sosial
- media sosial
- media sosial platform
- larutan
- MEMECAHKAN
- beberapa
- kadang-kadang
- putra
- sumber
- sumber
- Space
- spesialis
- khusus
- Secara khusus
- kotak
- awal
- Masih
- penyimpanan
- tersimpan
- mudah
- struktur
- struktur
- Siswa
- selanjutnya
- seperti itu
- menyarankan
- pengawasan
- menyediakan
- supply chain
- manajemen rantai persediaan
- pendukung
- yakin
- tabel
- MENANDAI
- Mengambil
- Dibutuhkan
- target
- tugas
- tugas
- Pengajaran
- tim
- Teknologi
- Teknologi
- istilah
- uji
- tekstual
- dari
- bahwa
- Grafik
- Sumber
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- hal
- ini
- itu
- pikir
- pemikiran kepemimpinan
- ribu
- ribuan
- tiga
- Melalui
- waktu
- untuk
- hari ini
- hari ini
- terlalu
- alat
- tema
- secara tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- Transformasi
- transformasi
- transformator
- transformer
- benar
- Terpercaya
- dua
- mengetik
- jenis
- Akhirnya
- memahami
- pemahaman
- unik
- Unsplash
- menggunakan
- gunakan case
- bekas
- kegunaan
- menggunakan
- Memanfaatkan
- Penilaian
- nilai
- nilai tambah
- Nilai - Nilai
- variabel
- variasi
- sangat
- Video
- View
- terlihat
- penglihatan
- visual
- W
- ingin
- adalah
- we
- jaringan
- layanan web
- minggu
- BAIK
- adalah
- Apa
- Apa itu
- yang
- SIAPA
- akan
- Windows
- dengan
- dalam
- tanpa
- kayu
- Kerja
- alur kerja
- bekerja
- dunia
- bernilai
- akan
- penulisan
- tahun
- hasil panen
- Kamu
- Anda
- diri
- Youtube
- zephyrnet.dll
- nol
- Zip