Nel suo libro Il libro del perché, Judea Pearl sostiene l'insegnamento dei principi di causa ed effetto alle macchine per migliorare la loro intelligenza. I risultati del deep learning sono essenzialmente solo un tipo di adattamento della curva, mentre la causalità potrebbe essere utilizzata per scoprire le interazioni tra i sistemi del mondo sotto vari vincoli senza testare direttamente le ipotesi. Questo potrebbe fornire risposte che ci portano all'AGI (intelligenza artificiale generalizzata).
Questa soluzione propone un quadro di inferenza causale che utilizza reti bayesiane per rappresentare le dipendenze causali e trarre conclusioni causali basate su immagini satellitari osservate e dati di prove sperimentali sotto forma di condizioni meteorologiche e del suolo simulate. IL caso di studio è la relazione causale tra l'applicazione di fertilizzanti a base di azoto e le rese di mais.
Le immagini satellitari vengono elaborate utilizzando appositamente costruito Funzionalità geospaziali di Amazon SageMaker e arricchito con su misura Elaborazione di Amazon SageMaker operazioni. Il motore di inferenza causale viene distribuito con Inferenza asincrona di Amazon SageMaker.
In questo post, dimostriamo come creare questa analisi controfattuale utilizzando JumpStart di Amazon SageMaker soluzioni.
Panoramica della soluzione
Il seguente diagramma mostra l'architettura per il flusso di lavoro end-to-end.
Prerequisiti
Hai bisogno di un Account AWS utilizzare questa soluzione.
Per eseguire questa soluzione JumpStart 1P e distribuire l'infrastruttura sul tuo account AWS, devi creare un account active Amazon Sage Maker Studio istanza (cfr Integrazione nel dominio Amazon SageMaker). Quando la tua istanza di Studio è pronta, segui le istruzioni in SageMaker JumpStart per lanciare la soluzione Crop Yield Counterfactuals.
Tieni presente che questa soluzione è attualmente disponibile solo nella regione Stati Uniti occidentali (Oregon).
Inferenza causale
La causalità riguarda la comprensione del cambiamento, ma come formalizzarlo nelle statistiche e nell'apprendimento automatico (ML) non è un esercizio banale.
In questo studio sulla resa delle colture, l'azoto aggiunto come fertilizzante e i risultati della resa potrebbero essere confusi. Allo stesso modo, anche l'azoto aggiunto come fertilizzante e gli esiti della lisciviazione dell'azoto potrebbero essere confusi, nel senso che una causa comune può spiegare la loro associazione. Tuttavia, l'associazione non è causalità. Se sappiamo quali fattori osservati confondono l'associazione, li rendiamo conto, ma cosa succede se ci sono altre variabili nascoste responsabili del confondimento? Ridurre la quantità di fertilizzante non ridurrà necessariamente l'azoto residuo; allo stesso modo, potrebbe non diminuire drasticamente la resa, mentre le condizioni pedoclimatiche potrebbero essere i fattori osservati che confondono l'associazione. Come gestire la confusione è il problema centrale dell'inferenza causale. Una tecnica introdotta da RA Fisher chiamata esperimento casuale controllato mira a rompere possibili confondimenti.
Tuttavia, in assenza di studi di controllo randomizzati, è necessaria un'inferenza causale puramente basata su dati osservativi. Esistono modi per collegare le domande causali ai dati negli studi osservazionali scrivendo il modello grafico causale su ciò che postuliamo come accadono le cose. Ciò implica affermare che le corrispondenti traverse cattureranno le dipendenze corrispondenti, soddisfacendo al contempo il criterio grafico per l'ignorabilità condizionale (fino a che punto possiamo trattare la causalità come associazione basata sui presupposti causali). Dopo aver postulato la struttura, possiamo usare le invarianze implicite per apprendere dai dati osservativi e inserire domande causali, deducendo affermazioni causali senza prove di controllo randomizzate.
Questa soluzione utilizza sia i dati di studi di controllo randomizzati simulati (RCT) sia i dati osservativi delle immagini satellitari. Una serie di simulazioni condotte su migliaia di campi e più anni in Illinois (Stati Uniti) viene utilizzata per studiare la risposta del mais all'aumento dei tassi di azoto per un'ampia combinazione di variazioni meteorologiche e del suolo osservate nella regione. Affronta la limitazione dell'utilizzo di dati di prova limitati nel numero di suoli e anni che può esplorare utilizzando simulazioni di colture di vari scenari e aree geografiche agricole. Il database è stato calibrato e convalidato utilizzando i dati di oltre 400 studi nella regione. La concentrazione iniziale di azoto nel terreno è stata fissata in modo casuale entro un intervallo ragionevole.
Inoltre, il database è arricchito con osservazioni da immagini satellitari, mentre le statistiche zonali sono derivate da indici spettrali per rappresentare i cambiamenti spazio-temporali nella vegetazione, osservati attraverso le aree geografiche e le fasi fenologiche.
Inferenza causale con reti bayesiane
I modelli causali strutturali (SCM) utilizzano modelli grafici per rappresentare le dipendenze causali incorporando input umani e guidati dai dati. Un particolare tipo di modello causale della struttura chiamato reti bayesiane viene proposto per modellare la dinamica fenologica delle colture utilizzando espressioni probabilistiche rappresentando le variabili come nodi e le relazioni tra le variabili come bordi. I nodi sono indicatori della crescita delle colture, del suolo e delle condizioni meteorologiche, e i bordi tra loro rappresentano relazioni causali spazio-temporali. I nodi padre sono parametri relativi al campo (compreso il giorno della semina e l'area piantata), mentre i nodi figli sono metriche relative alla resa, all'assorbimento di azoto e alla lisciviazione dell'azoto.
Per ulteriori informazioni, fare riferimento alla caratterizzazione del database e la guida per identificare le fasi di crescita del mais.
Sono necessari pochi passaggi per costruire un modello di reti bayesiane (con CausaleNex) prima di poterlo utilizzare per l'analisi controfattuale e interventistica. La struttura del modello causale viene inizialmente appresa dai dati, mentre l'esperienza in materia (letteratura attendibile o convinzioni empiriche) viene utilizzata per postulare ulteriori dipendenze e indipendenze tra variabili casuali e variabili di intervento, nonché per affermare che la struttura è causale.
utilizzando NIENTE LACRIME, un algoritmo di ottimizzazione continua per l'apprendimento della struttura, la struttura del grafico che descrive le dipendenze condizionali tra le variabili viene appresa dai dati, con un insieme di vincoli imposti su bordi, nodi padre e nodi figlio che non sono consentiti nel modello causale. Ciò preserva le dipendenze temporali tra le variabili. Vedere il seguente codice:
"""
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,
)
Il passaggio successivo codifica la conoscenza del dominio nei modelli e cattura le dinamiche fenologiche, evitando relazioni spurie. Analisi della multicollinearità, analisi del fattore di inflazione della variazione e utilizzo dell'importanza delle caratteristiche globali FORMA vengono condotte analisi per estrarre approfondimenti e vincoli sulle variabili di stress idrico (espansione, fenologia e fotosintesi intorno alla fioritura), variabili meteorologiche e del suolo, indici spettrali e indicatori basati sull'azoto:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Le reti bayesiane in CausalNex supportano solo distribuzioni discrete. Qualsiasi caratteristica continua, o caratteristica con un gran numero di categorie, viene discretizzata prima dell'adattamento alla rete bayesiana:
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,
)
Dopo che la struttura è stata rivista, la distribuzione di probabilità condizionale di ciascuna variabile dati i suoi genitori può essere appresa dai dati, in un passaggio chiamato stima della verosimiglianza:
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",
)
Infine, la struttura e le verosimiglianze vengono utilizzate per eseguire l'inferenza osservativa al volo, seguendo un criterio deterministico. Algoritmo dell'albero di giunzione (JTA), e facendo interventi utilizzando fare-calcolo. Inferenza asincrona di SageMaker consente di accodare le richieste in arrivo e le elabora in modo asincrono. Questa opzione è ideale sia per scenari di inferenza osservativa che controfattuale, in cui il processo non può essere parallelizzato, impiegando quindi molto tempo per aggiornare le probabilità in tutta la rete, sebbene più query possano essere eseguite in parallelo. Vedere il seguente codice:
"""
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")
Per ulteriori dettagli, consultare il script di inferenza.
Il modello causale taccuino è una guida dettagliata sull'esecuzione dei passaggi precedenti.
Elaborazione dati geospaziali
Lavori di osservazione della Terra (EOJ) sono concatenati insieme per acquisire e trasformare immagini satellitari, mentre operazioni appositamente costruite e modelli pre-addestrati vengono utilizzati per la rimozione delle nuvole, la mosaicatura, le operazioni matematiche di banda e il ricampionamento. In questa sezione, discuteremo più in dettaglio le fasi di elaborazione geospaziale.
Area di interesse
Nella figura seguente, i poligoni verdi sono le contee selezionate, la griglia arancione è la mappa del database (una griglia di celle di 10 x 10 km in cui vengono condotte le prove nella regione) e la griglia di quadrati in scala di grigio è la 100 km x 100 km Griglia di affiancamento Sentinel-2 UTM.
I file spaziali vengono utilizzati per mappare il database simulato con le corrispondenti immagini satellitari, sovrapponendo poligoni di celle di 10 km x 10 km che dividono lo stato dell'Illinois (dove vengono condotte prove nella regione), poligoni di contee e Sentinel-100 km x 100 km. 2 tessere UTM. Per ottimizzare la pipeline di elaborazione dei dati geospaziali, vengono prima selezionati alcuni riquadri Sentinel-2 nelle vicinanze. Successivamente, le geometrie aggregate di piastrelle e celle vengono sovrapposte per ottenere la regione di interesse (RoI). Le contee e gli ID delle celle che sono completamente osservati all'interno del RoI vengono selezionati per formare la geometria poligonale trasmessa agli EOJ.
Intervallo di tempo
Per questo esercizio, il ciclo fenologico del mais è suddiviso in tre stadi: gli stadi vegetativi da v5 a R1 (emergenza, colletti fogliari e fiocco), gli stadi riproduttivi da R1 a R4 (setatura, bolla, latte e pasta) e gli stadi riproduttivi R5 (dentato) e R6 (maturità fisiologica). Le visite satellitari consecutive vengono acquisite per ogni fase fenologica entro un intervallo di tempo di 2 settimane e un'area di interesse predefinita (contee selezionate), consentendo l'analisi spaziale e temporale delle immagini satellitari. La figura seguente illustra queste metriche.
Rimozione delle nuvole
La rimozione del cloud per i dati di Sentinel-2 utilizza un modello di segmentazione semantica basato su ML per identificare i cloud nell'immagine, dove i pixel offuscati vengono sostituiti con il valore -9999 (valore 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)
Dopo la creazione dell'EOJ, l'ARN viene restituito e utilizzato per eseguire la successiva operazione di geomosaico.
Per ottenere lo stato di un lavoro, puoi eseguire sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaico
Il geomosaico EOJ viene utilizzato per unire le immagini di più visite satellitari in un grande mosaico, sovrascrivendo nodata o pixel trasparenti (inclusi i pixel nuvolosi) con pixel di altri timestamp:
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)
Dopo la creazione dell'EOJ, l'ARN viene restituito e utilizzato per eseguire la successiva operazione di ricampionamento.
Ricampionamento
Il ricampionamento viene utilizzato per ridurre la risoluzione dell'immagine geospaziale in modo da corrispondere alla risoluzione delle maschere di ritaglio (ridimensionamento della risoluzione di 10-30 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)
Dopo la creazione dell'EOJ, l'ARN viene restituito e utilizzato per eseguire la successiva operazione matematica di banda.
Matematica della banda
Le operazioni matematiche di banda vengono utilizzate per trasformare le osservazioni da più bande spettrali a una singola banda. Include i seguenti indici spettrali:
- EVI2 – Indice di vegetazione potenziato a due bande
- DG VI – Indice di vegetazione a differenza generalizzata
- NDMI – Indice di umidità differenziale normalizzato
- NDVI – Indice di vegetazione differenziale normalizzato
- NDWI – Indice dell'acqua di differenza normalizzato
Vedi il seguente codice:
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)
Statistiche zonali
Gli indici spettrali vengono ulteriormente arricchiti utilizzando Elaborazione di Amazon SageMaker, dove la logica personalizzata basata su GDAL viene utilizzata per eseguire le seguenti operazioni:
- Unisci il indici spettrali in un unico mosaico multicanale
- Riproiettare il mosaico al maschera di ritagliola proiezione
- Applicare la maschera di ritaglio e riproiettare il mosaico sul CRC dei poligoni delle celle
- Calcola le statistiche zonali per i poligoni selezionati (celle da 10 km x 10 km)
Con la distribuzione parallelizzata dei dati, i file manifest (per ciascuna fase fenologica della coltura) vengono distribuiti su più istanze utilizzando l'estensione ShardedByS3Key
Tipo di distribuzione dei dati S3. Per ulteriori dettagli, consultare il script di estrazione delle caratteristiche.
L'elaborazione geospaziale taccuino è una guida dettagliata sull'esecuzione dei passaggi precedenti.
La figura seguente mostra i canali RGB di visite satellitari consecutive che rappresentano le fasi vegetative e riproduttive del ciclo fenologico del mais, con (destra) e senza (sinistra) maschere colturali (CW 20, 26 e 33, 2018 Central Illinois).
Nella figura seguente, gli indici spettrali (NDVI, EVI2, NDMI) di visite satellitari consecutive rappresentano le fasi vegetative e riproduttive del ciclo fenologico del mais (CW 20, 26 e 33, 2018 Central Illinois).
ripulire
Se non desideri più utilizzare questa soluzione, puoi eliminare le risorse che ha creato. Dopo che la soluzione è stata distribuita in Studio, scegli Elimina tutte le risorse per eliminare automaticamente tutte le risorse standard create all'avvio della soluzione, incluso il bucket S3.
Conclusione
Questa soluzione fornisce un modello per i casi d'uso in cui l'inferenza causale con le reti bayesiane è la metodologia preferita per rispondere a domande causali da una combinazione di dati e input umani. Il flusso di lavoro include un'efficiente implementazione del motore di inferenza, che mette in coda le query e gli interventi in arrivo e li elabora in modo asincrono. L'aspetto modulare consente il riutilizzo di vari componenti, tra cui l'elaborazione geospaziale con operazioni appositamente create e modelli pre-addestrati, l'arricchimento delle immagini satellitari con operazioni GDAL personalizzate e l'ingegneria delle caratteristiche multimodali (indici spettrali e dati tabulari).
Inoltre, è possibile utilizzare questa soluzione come modello per la creazione di modelli di colture a griglia in cui vengono condotte la gestione dei fertilizzanti a base di azoto e l'analisi delle politiche ambientali.
Per ulteriori informazioni, fare riferimento a Modelli di soluzione e seguire la guida per lanciare la soluzione Crop Yield Counterfactuals nella regione degli Stati Uniti occidentali (Oregon). Il codice è disponibile nel Repository GitHub.
Citazioni
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Set di dati simulato della risposta del mais all'azoto su migliaia di campi e diversi anni in Illinois,
Dati in breve, Volume 40, 2022, 107753, ISSN 2352-3409
Risorse utili
Informazioni sugli autori
Paolo Barna è Senior Data Scientist presso i Machine Learning Prototyping Labs di AWS.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :È
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- WRI
- realizzazioni
- Il mio account
- acquisire
- acquisito
- operanti in
- attivo
- aggiunto
- aggiunta
- aggiuntivo
- indirizzi
- sostenitori
- Dopo shavasana, sedersi in silenzio; saluti;
- AGI
- mira
- algoritmo
- Tutti
- consente
- Sebbene il
- Amazon
- Amazon Sage Maker
- JumpStart di Amazon SageMaker
- tra
- quantità
- .
- ed
- risposte
- ovunque
- Applicazioni
- architettura
- SONO
- RISERVATA
- in giro
- AS
- aspetto
- affermare
- Associazione
- At
- automaticamente
- disponibile
- evitando
- AWS
- BAND
- basato
- bayesiano
- BE
- prima
- fra
- Blu
- libro
- Rompere
- ampio
- costruire
- Costruzione
- by
- detto
- Materiale
- funzionalità
- catturare
- cattura
- casi
- categoria
- Causare
- Celle
- centrale
- incatenato
- il cambiamento
- Modifiche
- canali
- bambino
- Scegli
- sostenendo
- Cloud
- codice
- Collari
- combinazione
- Uncommon
- componenti
- concentrazione
- condizioni
- condotto
- Connettiti
- consecutivo
- vincoli
- continuo
- di controllo
- controllata
- Corrispondente
- potuto
- creare
- creato
- raccolto
- Attualmente
- curva
- costume
- Custom-built
- ciclo
- dati
- elaborazione dati
- scienziato di dati
- data-driven
- Banca Dati
- giorno
- deep
- apprendimento profondo
- dimostrare
- schierato
- derivato
- dettaglio
- dettagli
- differenza
- direttamente
- discutere
- distribuito
- distribuzione
- distribuzioni
- Diviso
- dominio
- drasticamente
- disegnare
- dinamica
- ogni
- effetto
- emersione
- Abilita
- consentendo
- da un capo all'altro
- motore
- Ingegneria
- migliorata
- arricchito
- ambientale
- politica ambientale
- essenzialmente
- Esercitare
- espansione
- esperto
- competenza
- Spiegare
- esplora
- espressioni
- estensione
- estratto
- Fattori
- agricoltura
- caratteristica
- Caratteristiche
- pochi
- campi
- figura
- seguire
- i seguenti
- Nel
- modulo
- Contesto
- da
- completamente
- ulteriormente
- generare
- geografie
- ottenere
- GitHub
- dato
- globali
- grafico
- Scala di grigi
- Green
- Griglia
- Crescita
- guida
- maniglia
- accadere
- Avere
- nascosto
- Come
- Tutorial
- Tuttavia
- HTML
- http
- HTTPS
- umano
- ideale
- identificare
- identificazione
- Illinois
- Immagine
- immagini
- Impact
- implementazione
- implicito
- importare
- importanza
- imposto
- imponente
- in
- inclusi
- Compreso
- In arrivo
- incorporando
- crescente
- Indici
- informazioni
- Infrastruttura
- inizialmente
- inizialmente
- intuizioni
- esempio
- istruzioni
- Intelligence
- interazioni
- interesse
- intervento
- introdotto
- IT
- SUO
- Lavoro
- Sapere
- conoscenze
- Labs
- grandi
- lanciare
- lancio
- portare
- IMPARARE
- imparato
- apprendimento
- limitazione
- Limitato
- letteratura
- più a lungo
- macchina
- machine learning
- macchine
- fatto
- Fare
- gestione
- carta geografica
- martyn
- mask
- Mascherine
- partita
- matematica
- Importanza
- maturità
- Unire
- Metodologia
- Metrica
- forza
- latte
- ML
- modello
- modelli
- componibile
- Scopri di più
- multiplo
- Nome
- Nasa
- Vicino
- necessariamente
- Bisogno
- Rete
- reti
- GENERAZIONE
- Nicolas
- nodo
- Distribuzione dei nodi
- nodi
- numero
- ottenere
- of
- on
- operazione
- Operazioni
- ottimizzazione
- OTTIMIZZA
- Opzione
- Arancio
- minimo
- Oregon
- Altro
- Parallel
- parametri
- genitori
- particolare
- Passato
- Eseguire
- Fotosintesi
- conduttura
- Platone
- Platone Data Intelligence
- PlatoneDati
- spina
- politica
- Poligono
- possibile
- Post
- preferito
- principi
- Precedente
- Problema
- processi
- Elaborato
- i processi
- lavorazione
- proprietà
- proprietà
- proposto
- propone
- prototipazione
- fornire
- fornisce
- puramente
- Domande
- casuale
- Randomizzato
- gamma
- pronto
- ragionevole
- Rosso
- ridurre
- riducendo
- regione
- rapporto
- Relazioni
- rimozione
- sostituito
- rappresentare
- che rappresenta
- richieste
- necessario
- Risoluzione
- Risorse
- risposta
- responsabile
- rivisto
- RGB
- ROI
- Correre
- running
- sagemaker
- satellitare
- Scenari
- Scienziato
- Sezione
- segmentazione
- selezionato
- anziano
- senso
- Serie
- set
- alcuni
- Spettacoli
- Allo stesso modo
- singolo
- soluzione
- Soluzioni
- alcuni
- Spaziale
- Spettrale
- piazze
- Stage
- tappe
- Standard
- Regione / Stato
- stati
- statistica
- Stato dei servizi
- step
- Passi
- stress
- La struttura
- studi
- studio
- Studio
- soggetto
- successivo
- supporto
- SISTEMI DI TRATTAMENTO
- presa
- taro
- Insegnamento
- modello
- Testing
- che
- Il
- Il grafo
- Lo Stato
- il mondo
- loro
- Li
- in tal modo
- Strumenti Bowman per analizzare le seguenti finiture:
- cose
- migliaia
- tre
- Attraverso
- per tutto
- tempo
- a
- insieme
- Treni
- Trasformare
- trasformazione
- trasparente
- trattare
- prova
- studi clinici
- di fiducia
- ucla
- scoprire
- per
- e una comprensione reciproca
- unità
- Unito
- Stati Uniti
- Aggiornanento
- aggiornamento
- us
- uso
- convalidato
- APPREZZIAMO
- vario
- Visite
- volume
- Water
- modi
- Tempo
- Settimane
- WELL
- ovest
- Che
- quale
- while
- volere
- con
- entro
- senza
- mondo
- scrittura
- X
- anni
- dare la precedenza
- i rendimenti
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro