Dalam bukunya Kitab Mengapa, Judea Pearl mengadvokasi untuk mengajarkan prinsip sebab dan akibat pada mesin untuk meningkatkan kecerdasan mereka. Pencapaian pembelajaran mendalam pada dasarnya hanyalah sejenis penyesuaian kurva, sedangkan kausalitas dapat digunakan untuk mengungkap interaksi antara sistem dunia di bawah berbagai kendala tanpa menguji hipotesis secara langsung. Ini bisa memberikan jawaban yang membawa kita ke AGI (kecerdasan umum buatan).
Solusi ini mengusulkan kerangka inferensi kausal menggunakan jaringan Bayesian untuk mewakili ketergantungan kausal dan menarik kesimpulan kausal berdasarkan citra satelit yang diamati dan data uji coba eksperimental dalam bentuk simulasi cuaca dan kondisi tanah. Itu studi kasus adalah hubungan sebab akibat antara aplikasi pupuk berbasis nitrogen dan hasil jagung.
Citra satelit diproses menggunakan purpose-built Kemampuan geospasial Amazon SageMaker dan diperkaya dengan custom-built Pemrosesan SageMaker Amazon operasi. Mesin inferensi kausal digunakan dengan Inferensi Asinkron Amazon SageMaker.
Dalam posting ini, kami mendemonstrasikan cara membuat analisis kontrafaktual ini menggunakan Mulai Lompatan Amazon SageMaker solusi.
Ikhtisar solusi
Diagram berikut menunjukkan arsitektur untuk alur kerja end-to-end.
Prasyarat
Anda membutuhkan sebuah Akun AWS untuk menggunakan solusi ini.
Untuk menjalankan Solusi JumpStart 1P ini dan menerapkan infrastruktur ke akun AWS Anda, Anda perlu membuat yang aktif Studio Amazon SageMaker contoh (lihat Masuk ke Domain Amazon SageMaker). Saat instance Studio Anda sudah siap, ikuti petunjuk di dalamnya SageMaker JumpStart untuk meluncurkan solusi Kontrafaktual Hasil Tanaman.
Perhatikan bahwa solusi ini saat ini hanya tersedia di Wilayah AS Barat (Oregon).
Inferensi kausal
Kausalitas adalah tentang memahami perubahan, tetapi bagaimana memformalkannya dalam statistik dan pembelajaran mesin (ML) bukanlah latihan yang sepele.
Dalam studi hasil panen ini, nitrogen ditambahkan sebagai pupuk dan hasil panen mungkin dikacaukan. Demikian pula, nitrogen yang ditambahkan sebagai pupuk dan hasil pelindian nitrogen juga dapat dibingungkan, dalam arti bahwa penyebab umum dapat menjelaskan keterkaitannya. Namun, asosiasi bukanlah sebab-akibat. Jika kita tahu faktor-faktor yang diamati mengacaukan asosiasi, kita memperhitungkannya, tetapi bagaimana jika ada variabel tersembunyi lain yang bertanggung jawab atas pembaur? Mengurangi jumlah pupuk tidak serta merta mengurangi sisa nitrogen; demikian pula, itu mungkin tidak secara drastis mengurangi hasil, sedangkan kondisi tanah dan iklim dapat menjadi faktor yang diamati yang mengacaukan hubungan tersebut. Bagaimana menangani perancu adalah masalah utama inferensi kausal. Sebuah teknik yang diperkenalkan oleh RA Fisher disebut uji coba terkontrol secara acak bertujuan untuk memecahkan kemungkinan kekacauan.
Namun, dengan tidak adanya percobaan kontrol acak, ada kebutuhan untuk inferensi kausal murni dari data observasi. Ada cara untuk menghubungkan pertanyaan kausal dengan data dalam studi observasional dengan menulis model grafik kausal pada apa yang kita dalilkan sebagai bagaimana sesuatu terjadi. Ini melibatkan klaim lintasan yang sesuai akan menangkap dependensi yang sesuai, sambil memenuhi kriteria grafis untuk ketidaktahuan bersyarat (sejauh mana kita dapat memperlakukan sebab akibat sebagai asosiasi berdasarkan asumsi sebab akibat). Setelah kita mendalilkan strukturnya, kita dapat menggunakan invariansi tersirat untuk belajar dari data pengamatan dan memasukkan pertanyaan kausal, menyimpulkan klaim kausal tanpa percobaan kontrol acak.
Solusi ini menggunakan data dari uji coba kontrol acak yang disimulasikan (RCT) serta data pengamatan dari citra satelit. Serangkaian simulasi yang dilakukan di ribuan ladang dan beberapa tahun di Illinois (Amerika Serikat) digunakan untuk mempelajari respons jagung terhadap peningkatan kadar nitrogen untuk kombinasi luas variasi cuaca dan tanah yang terlihat di wilayah tersebut. Ini mengatasi keterbatasan penggunaan data percobaan yang terbatas pada jumlah tanah dan tahun yang dapat dijelajahi dengan menggunakan simulasi tanaman dari berbagai skenario dan geografi pertanian. Basis data dikalibrasi dan divalidasi menggunakan data dari lebih dari 400 uji coba di wilayah tersebut. Konsentrasi nitrogen awal dalam tanah diatur secara acak di antara kisaran yang masuk akal.
Selain itu, basis data ditingkatkan dengan pengamatan dari citra satelit, sedangkan statistik zona diturunkan dari indeks spektral untuk merepresentasikan perubahan spatio-temporal pada vegetasi, terlihat di seluruh fase geografi dan fenologi.
Inferensi kausal dengan jaringan Bayesian
Model kausal struktural (SCM) menggunakan model grafis untuk mewakili ketergantungan kausal dengan menggabungkan input yang digerakkan oleh data dan manusia. Jenis model kausal struktur tertentu yang disebut jaringan Bayesian diusulkan untuk memodelkan dinamika fenologi tanaman menggunakan ekspresi probabilistik dengan merepresentasikan variabel sebagai simpul dan hubungan antar variabel sebagai tepi. Node adalah indikator pertumbuhan tanaman, kondisi tanah dan cuaca, dan ujung-ujungnya mewakili hubungan kausal spatio-temporal. Simpul induk adalah parameter terkait lapangan (termasuk hari penaburan dan area tanam), dan simpul anak adalah metrik hasil, serapan nitrogen, dan pelindian nitrogen.
Untuk informasi lebih lanjut, lihat karakterisasi basis data dan membimbing untuk mengidentifikasi tahap pertumbuhan jagung.
Beberapa langkah diperlukan untuk membangun model jaringan Bayesian (dengan KausalNex) sebelum kita dapat menggunakannya untuk analisis kontrafaktual dan intervensi. Struktur model kausal awalnya dipelajari dari data, sedangkan keahlian materi pelajaran (literatur tepercaya atau keyakinan empiris) digunakan untuk mendalilkan ketergantungan dan independensi tambahan antara variabel acak dan variabel intervensi, serta menegaskan strukturnya adalah kausal.
Menggunakan TANPA AIR MATA, sebuah algoritma pengoptimalan berkelanjutan untuk pembelajaran struktur, struktur grafik yang menggambarkan dependensi kondisional antar variabel dipelajari dari data, dengan serangkaian batasan yang dikenakan pada edge, node induk, dan node anak yang tidak diperbolehkan dalam model kausal. Ini mempertahankan ketergantungan temporal antara variabel. Lihat kode berikut:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
Langkah selanjutnya mengkodekan pengetahuan domain dalam model dan menangkap dinamika fenologi, sambil menghindari hubungan palsu. Analisis multikolinieritas, analisis faktor inflasi variasi, dan penggunaan fitur global BENTUK analisis dilakukan untuk mengekstrak wawasan dan kendala pada variabel cekaman air (ekspansi, fenologi, dan fotosintesis di sekitar pembungaan), variabel cuaca dan tanah, indeks spektral, dan indikator berbasis nitrogen:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Jaringan Bayesian di CausalNex hanya mendukung distribusi diskrit. Setiap fitur berkelanjutan, atau fitur dengan sejumlah besar kategori, didiskritisasi sebelum dipasang ke jaringan Bayesian:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
Setelah struktur ditinjau, distribusi probabilitas bersyarat dari setiap variabel yang diberikan induknya dapat dipelajari dari data, dalam langkah yang disebut estimasi kemungkinan:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Akhirnya, struktur dan kemungkinan digunakan untuk melakukan inferensi pengamatan dengan cepat, mengikuti deterministik Algoritma Pohon Persimpangan (JTA), dan membuat intervensi menggunakan lakukan-kalkulus. Inferensi Asinkron SageMaker memungkinkan antrean permintaan masuk dan memprosesnya secara asinkron. Opsi ini ideal untuk skenario inferensi observasional dan kontrafaktual, di mana proses tidak dapat diparalelkan, sehingga memerlukan waktu yang signifikan untuk memperbarui probabilitas di seluruh jaringan, meskipun beberapa kueri dapat dijalankan secara paralel. Lihat kode berikut:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Untuk rincian lebih lanjut, lihat skrip inferensi.
Model kausal buku catatan adalah panduan langkah demi langkah untuk menjalankan langkah-langkah sebelumnya.
Pemrosesan data geospasial
Pekerjaan Pengamatan Bumi (EOJ) dirangkai bersama untuk memperoleh dan mengubah citra satelit, sedangkan operasi yang dibuat khusus dan model pra-pelatihan digunakan untuk menghilangkan awan, pembuatan mosaik, operasi matematika pita, dan pengambilan sampel ulang. Pada bagian ini, kita membahas lebih rinci langkah-langkah pemrosesan geospasial.
Area minat
Pada gambar berikut, poligon hijau adalah kabupaten yang dipilih, kisi oranye adalah peta basis data (kisi 10 x 10 km sel tempat uji coba dilakukan di wilayah tersebut), dan kisi kotak skala abu-abu adalah 100 km x 100 km Jaringan ubin Sentinel-2 UTM.
File spasial digunakan untuk memetakan basis data yang disimulasikan dengan citra satelit yang sesuai, melapisi poligon sel berukuran 10 km x 10 km yang membagi negara bagian Illinois (di mana uji coba dilakukan di wilayah tersebut), poligon kabupaten, dan 100 km x 100 km Sentinel- 2 ubin UTM. Untuk mengoptimalkan pipa pemrosesan data geospasial, beberapa petak Sentinel-2 terdekat dipilih terlebih dahulu. Selanjutnya, agregat geometri petak dan sel ditumpangkan untuk mendapatkan region of interest (RoI). Kabupaten dan ID sel yang diamati sepenuhnya dalam RoI dipilih untuk membentuk geometri poligon yang diteruskan ke EOJ.
Rentang waktu
Untuk latihan ini, siklus fenologi jagung dibagi menjadi tiga tahap: tahap vegetatif v5 hingga R1 (kemunculan, kerah daun, dan tasseling), tahap reproduksi R1 hingga R4 (silking, blister, susu, dan adonan) dan tahap reproduksi R5 (penyok) dan R6 (matang fisiologis). Kunjungan satelit berturut-turut diperoleh untuk setiap tahap fenologi dalam rentang waktu 2 minggu dan area minat yang telah ditentukan sebelumnya (kabupaten terpilih), yang memungkinkan analisis spasial dan temporal citra satelit. Gambar berikut mengilustrasikan metrik ini.
Penghapusan awan
Penghapusan awan untuk data Sentinel-2 menggunakan model segmentasi semantik berbasis ML untuk mengidentifikasi awan pada gambar, di mana piksel keruh diganti dengan nilai -9999 (nilai nodata):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Setelah EOJ dibuat, ARN dikembalikan dan digunakan untuk melakukan operasi geomosa selanjutnya.
Untuk mendapatkan status pekerjaan, Anda dapat menjalankan sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaik
EOJ geomosaik digunakan untuk menggabungkan gambar dari beberapa kunjungan satelit menjadi mosaik besar, dengan menimpa nodata atau piksel transparan (termasuk piksel berawan) dengan piksel dari stempel waktu lain:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Setelah EOJ dibuat, ARN dikembalikan dan digunakan untuk melakukan operasi resampling berikutnya.
Pengambilan sampel ulang
Resampling digunakan untuk menurunkan skala resolusi gambar geospasial agar sesuai dengan resolusi crop mask (penskalaan ulang resolusi 10โ30 m):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Setelah EOJ dibuat, ARN dikembalikan dan digunakan untuk melakukan operasi matematika pita berikutnya.
matematika band
Operasi matematika pita digunakan untuk mengubah pengamatan dari beberapa pita spektral menjadi satu pita. Ini termasuk indeks spektral berikut:
- EVI2 โ Indeks Vegetasi yang Ditingkatkan Dua-Band
- DGVI โ Indeks Vegetasi Perbedaan Umum
- NDMI - Indeks Kelembaban Perbedaan Normalisasi
- NDVI - Indeks Vegetasi Perbedaan Normalisasi
- NDWI - Indeks Air Perbedaan Normalisasi
Lihat kode berikut:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Statistik zona
Indeks spektral lebih diperkaya menggunakan Pemrosesan SageMaker Amazon, di mana logika kustom berbasis GDAL digunakan untuk melakukan hal berikut:
- Gabungkan indeks spektral menjadi satu mosaik multi-saluran
- Proyeksi ulang mozaik ke topeng tanamanproyeksi
- Terapkan crop mask dan proyeksikan ulang mosaik ke CRC poligon sel
- Hitung statistik zona untuk poligon yang dipilih (sel 10 km x 10 km)
Dengan distribusi data yang diparalelkan, file manifes (untuk setiap tahap fenologi tanaman) didistribusikan ke beberapa contoh menggunakan ShardedByS3Key
Jenis distribusi data S3. Untuk rincian lebih lanjut, lihat skrip ekstraksi fitur.
Pemrosesan geospasial buku catatan adalah panduan langkah demi langkah untuk menjalankan langkah-langkah sebelumnya.
Gambar berikut menunjukkan saluran RGB dari kunjungan satelit berturut-turut yang mewakili tahap vegetatif dan reproduksi dari siklus fenologi jagung, dengan (kanan) dan tanpa masker tanaman (kiri) (CW 20, 26 dan 33, 2018 Central Illinois).
Pada gambar berikut, indeks spektral (NDVI, EVI2, NDMI) dari kunjungan satelit berturut-turut mewakili tahap vegetatif dan reproduksi dari siklus fenologi jagung (CW 20, 26 dan 33, 2018 Central Illinois).
Membersihkan
Jika Anda tidak lagi ingin menggunakan solusi ini, Anda dapat menghapus sumber daya yang dibuatnya. Setelah solusi diterapkan di Studio, pilih Hapus semua sumber daya untuk secara otomatis menghapus semua sumber daya standar yang dibuat saat meluncurkan solusi, termasuk bucket S3.
Kesimpulan
Solusi ini memberikan cetak biru untuk kasus penggunaan di mana inferensi kausal dengan jaringan Bayesian adalah metodologi pilihan untuk menjawab pertanyaan kausal dari kombinasi data dan input manusia. Alur kerjanya mencakup implementasi mesin inferensi yang efisien, yang mengantri permintaan dan intervensi yang masuk dan memprosesnya secara asinkron. Aspek modular memungkinkan penggunaan kembali berbagai komponen, termasuk pemrosesan geospasial dengan operasi yang dibuat khusus dan model yang telah dilatih sebelumnya, pengayaan citra satelit dengan operasi GDAL yang dibuat khusus, dan rekayasa fitur multimodal (indeks spektral dan data tabular).
Selain itu, Anda dapat menggunakan solusi ini sebagai template untuk membuat model tanaman berjejer di mana pengelolaan pupuk nitrogen dan analisis kebijakan lingkungan dilakukan.
Untuk informasi lebih lanjut, lihat Templat Solusi dan ikuti membimbing untuk meluncurkan solusi Kontrafaktual Hasil Tanaman di Wilayah AS Barat (Oregon). Kode tersedia di GitHub repo.
kutipan
Mandrini Jerman, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Kumpulan data simulasi respons jagung terhadap nitrogen di ribuan ladang dan beberapa tahun di Illinois,
Data Singkat, Volume 40, 2022, 107753, ISSN 2352-3409
Sumber daya yang berguna
Tentang Penulis
Paul Berna adalah Ilmuwan Data Senior dengan Machine Learning Prototyping Labs di AWS.
- 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/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :adalah
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Tentang Kami
- prestasi
- Akun
- memperoleh
- diperoleh
- di seluruh
- aktif
- menambahkan
- tambahan
- Tambahan
- alamat
- pendukung
- Setelah
- AGI
- bertujuan
- algoritma
- Semua
- memungkinkan
- Meskipun
- Amazon
- Amazon SageMaker
- Mulai Lompatan Amazon SageMaker
- antara
- jumlah
- analisis
- dan
- jawaban
- di manapun
- Aplikasi
- arsitektur
- ADALAH
- DAERAH
- sekitar
- AS
- penampilan
- Menegaskan
- Asosiasi
- At
- secara otomatis
- tersedia
- menghindari
- AWS
- PITA
- berdasarkan
- Bayesian
- BE
- sebelum
- antara
- Biru
- Book
- Istirahat
- luas
- membangun
- Bangunan
- by
- bernama
- CAN
- kemampuan
- menangkap
- menangkap
- kasus
- kategori
- Menyebabkan
- Sel
- pusat
- dirantai
- perubahan
- Perubahan
- saluran
- anak
- Pilih
- mengklaim
- klaim
- awan
- kode
- Collars
- kombinasi
- Umum
- komponen
- konsentrasi
- Kondisi
- dilakukan
- Terhubung
- berturut-turut
- kendala
- kontinu
- kontrol
- dikendalikan
- Sesuai
- bisa
- membuat
- dibuat
- tanaman
- Sekarang
- melengkung
- adat
- Yg dibuat menurut pesanan
- siklus
- data
- pengolahan data
- ilmuwan data
- Data-driven
- Basis Data
- hari
- mendalam
- belajar mendalam
- mendemonstrasikan
- dikerahkan
- Berasal
- rinci
- rincian
- perbedaan
- langsung
- membahas
- didistribusikan
- distribusi
- distribusi
- Terbagi
- domain
- secara drastis
- seri
- dinamika
- setiap
- efek
- munculnya
- memungkinkan
- memungkinkan
- ujung ke ujung
- Mesin
- Teknik
- ditingkatkan
- diperkaya
- lingkungan
- Kebijakan lingkungan
- dasarnya
- Latihan
- perluasan
- ahli
- keahlian
- Menjelaskan
- menyelidiki
- ekspresi
- perpanjangan
- ekstrak
- faktor
- pertanian
- Fitur
- Fitur
- beberapa
- Fields
- Angka
- mengikuti
- berikut
- Untuk
- bentuk
- Kerangka
- dari
- sepenuhnya
- lebih lanjut
- menghasilkan
- geografi
- mendapatkan
- GitHub
- diberikan
- Aksi
- grafik
- Grayscale
- Hijau
- kisi
- Pertumbuhan
- membimbing
- menangani
- terjadi
- Memiliki
- Tersembunyi
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- manusia
- ideal
- mengenali
- mengidentifikasi
- Illinois
- gambar
- gambar
- Dampak
- implementasi
- tersirat
- mengimpor
- pentingnya
- Dikenakan
- memaksakan
- in
- termasuk
- Termasuk
- masuk
- menggabungkan
- meningkatkan
- indikator
- Indeks
- informasi
- Infrastruktur
- mulanya
- mulanya
- wawasan
- contoh
- instruksi
- Intelijen
- interaksi
- bunga
- intervensi
- diperkenalkan
- IT
- NYA
- Pekerjaan
- Tahu
- pengetahuan
- Labs
- besar
- jalankan
- peluncuran
- memimpin
- BELAJAR
- belajar
- pengetahuan
- pembatasan
- Terbatas
- literatur
- lagi
- mesin
- Mesin belajar
- Mesin
- terbuat
- Membuat
- pengelolaan
- peta
- Martin
- masker
- masker
- Cocok
- matematika
- hal
- kematangan
- Bergabung
- Metodologi
- Metrik
- mungkin
- susu
- ML
- model
- model
- modular
- lebih
- beberapa
- nama
- NASA
- Dekat
- perlu
- Perlu
- jaringan
- jaringan
- berikutnya
- Nicolas
- simpul
- Distribusi Node
- node
- jumlah
- memperoleh
- of
- on
- operasi
- Operasi
- optimasi
- Optimize
- pilihan
- Jeruk
- urutan
- Oregon
- Lainnya
- Paralel
- parameter
- orangtua
- tertentu
- Lulus
- Melakukan
- Fotosintesis
- pipa saluran
- plato
- Kecerdasan Data Plato
- Data Plato
- steker
- kebijaksanaan
- Poligon
- mungkin
- Pos
- disukai
- prinsip-prinsip
- Sebelumnya
- Masalah
- proses
- Diproses
- proses
- pengolahan
- properties
- milik
- diusulkan
- mengusulkan
- prototyping
- memberikan
- menyediakan
- murni
- Pertanyaan
- acak
- Acak
- jarak
- Tarif
- siap
- masuk akal
- Merah
- menurunkan
- mengurangi
- wilayah
- hubungan
- Hubungan
- pemindahan
- diganti
- mewakili
- mewakili
- permintaan
- wajib
- Resolusi
- Sumber
- tanggapan
- tanggung jawab
- review jurnal
- RGB
- ROI
- Run
- berjalan
- pembuat bijak
- satelit
- skenario
- ilmuwan
- Bagian
- segmentasi
- terpilih
- senior
- rasa
- Seri
- set
- beberapa
- Pertunjukkan
- Demikian pula
- tunggal
- larutan
- Solusi
- beberapa
- spasial
- Spektral
- kotak
- Tahap
- magang
- standar
- Negara
- Negara
- statistika
- Status
- Langkah
- Tangga
- tekanan
- struktur
- studi
- studio
- Belajar
- subyek
- selanjutnya
- mendukung
- sistem
- pengambilan
- talas
- Pengajaran
- Template
- pengujian
- bahwa
- Grafik
- Grafik
- Negara
- Dunia
- mereka
- Mereka
- dengan demikian
- Ini
- hal
- ribuan
- tiga
- Melalui
- di seluruh
- waktu
- untuk
- bersama
- Pelatihan VE
- Mengubah
- mengubah
- jelas
- mengobati
- percobaan
- uji
- Terpercaya
- ucla
- menemukan
- bawah
- pemahaman
- satuan
- Serikat
- Amerika Serikat
- Memperbarui
- memperbarui
- us
- menggunakan
- divalidasi
- nilai
- berbagai
- Kunjungan
- volume
- air
- cara
- Cuaca
- minggu
- BAIK
- Barat
- Apa
- yang
- sementara
- akan
- dengan
- dalam
- tanpa
- dunia
- penulisan
- X
- tahun
- Menghasilkan
- hasil panen
- Kamu
- Anda
- zephyrnet.dll