אמזון SageMaker JumpStart הוא מרכז למידת מכונה (ML) של SageMaker המספק מודלים מוכשרים וזמינים לציבור עבור מגוון רחב של סוגי בעיות כדי לעזור לך להתחיל עם למידת מכונה.
הבנת התנהגות הלקוחות היא בראש מעייניו של כל עסק כיום. השגת תובנות לגבי מדוע וכיצד לקוחות קונים יכולים לעזור להגדיל את ההכנסות. נטישת לקוחות היא בעיה איתה מתמודדות מגוון רחב של חברות, מטלקומוניקציה ועד בנקאות, שבהן לקוחות בדרך כלל אובדים למתחרים. האינטרס של החברה הוא לשמר לקוחות קיימים במקום לגייס לקוחות חדשים, כי בדרך כלל זה עולה משמעותית יותר למשוך לקוחות חדשים. כאשר מנסים לשמר לקוחות, חברות לרוב ממקדות את מאמציהן בלקוחות שיש להם סיכוי גבוה יותר לעזוב. יומני צ'אט של התנהגות משתמשים ותמיכה בלקוחות יכולים להכיל אינדיקטורים חשובים לגבי הסבירות שלקוח יסיים את השירות. בפתרון זה, אנו מאמנים ופורסים מודל חיזוי נטישה המשתמש במודל מתקדם של עיבוד שפה טבעית (NLP) כדי למצוא אותות שימושיים בטקסט. בנוסף לקלט טקסטואלי, מודל זה משתמש בקלט נתונים מובנים מסורתיים כגון שדות מספריים וקטגוריים.
מולטי-מודאליות הוא תחום מחקר רב-תחומי המתייחס לכמה מהמטרות המקוריות של בינה מלאכותית על ידי שילוב ומודלים של מספר אופנים. פוסט זה נועד לבנות מודל שיכול לעבד ולקשר מידע ממגוון אופנים כגון תכונות טבלאות וטקסטואליות.
אנו מראים לך כיצד לאמן, לפרוס ולהשתמש במודל חיזוי נטישה שעיבד תכונות מספריות, קטגוריות וטקסטואליות כדי לבצע חיזוי. למרות שאנו צוללים עמוק לתוך מקרה שימוש של חיזוי נטישה בפוסט זה, אתה יכול להשתמש בפתרון זה כתבנית כדי להכליל כוונון עדין של מודלים מאומנים מראש עם מערך הנתונים שלך, ולאחר מכן להפעיל אופטימיזציה של היפרפרמטרים (HPO) כדי לשפר את הדיוק. אתה יכול אפילו להחליף את מערך הנתונים לדוגמה בקובץ שלך ולהפעיל אותו מקצה לקצה כדי לפתור מקרי שימוש משלך. הפתרון המתואר בפוסט זמין ב- GitHub.
תבניות פתרונות JumpStart
אמזון SageMaker JumpStart מספק פתרונות מקצה לקצה בלחיצה אחת עבור מקרי שימוש נפוצים רבים ב-ML. בדוק את מקרי השימוש הבאים לקבלת מידע נוסף על תבניות פתרונות זמינות:
תבניות הפתרון של JumpStart מכסות מגוון מקרי שימוש, תחת כל אחד מהם מוצעות מספר תבניות פתרונות שונות (פתרון הבנת המסמכים נמצא תחת מקרה השימוש "חלץ וניתוח נתונים ממסמכים").
בחר את תבנית הפתרון המתאימה ביותר למקרה השימוש שלך מדף הנחיתה של JumpStart. למידע נוסף על פתרונות ספציפיים תחת כל מקרה שימוש וכיצד להשיק פתרון JumpStart, ראה תבניות פתרונות.
סקירת פתרונות
האיור הבא מדגים כיצד ניתן להשתמש בפתרון זה עם אמזון SageMaker רכיבים. משרות ההדרכה של SageMaker משמשות להכשרת דגמי ה-NLP השונים, ונקודות הקצה של SageMaker משמשות לפריסת המודלים בכל שלב. אנו משתמשים שירות אחסון פשוט של אמזון (Amazon S3) לצד SageMaker כדי לאחסן את נתוני האימון וחפצי המודל, ו אמזון CloudWatch כדי לרשום תפוקות הדרכה ונקודות קצה.
אנו ניגשים לפתרון בעיית חיזוי הנטישה באמצעות השלבים הבאים:
- חקר נתונים כדי להכין את הנתונים להיות מוכנים ל-ML.
- אימון דגם מולטי-מודאלי עם א מחבק פנים משפטי שנאי ו סיווג יער אקראי של Scikit-Learn.
- שפר עוד יותר את ביצועי המודל עם שימוש ב-HPO כוונון הדגם האוטומטי של SageMaker.
- רכבת שניים דגמי AutoGluon מולטימודאליים: דגם AutoGluon מולטי-מודאלי משוקלל/ערום, ודגם AutoGluon היתוך מולטי-מודאלי.
- העריכו והשוו את ביצועי המודל על נתוני בדיקת ה-holdout.
תנאים מוקדמים
כדי לנסות את פִּתָרוֹן בחשבון שלך, ודא שיש לך את הדברים הבאים:
- חשבון AWS. אם אין לך חשבון, אתה יכול הירשם לאחד.
- הפתרון המתואר בפוסט הוא חלק מ- SageMaker JumpStart. כדי להפעיל פתרון JumpStart זה ולהפרוס את התשתית בחשבון ה-AWS שלך, עליך ליצור קובץ פעיל סטודיו SageMaker של אמזון מופע (ראה על הסיפון לאמזון SageMaker Studio). כאשר מופע ה-Studio שלך מוכן, השתמש בהוראות ב-JumpStart כדי להפעיל את הפתרון.
- כשמריצים את זה מחברה בסטודיו, עליך לוודא ש Python 3 (PyTorch 1.10 Python 3.8 CPU מותאם) נעשה שימוש בתמונה/קרנל.
אתה יכול להתקין את החבילות הנדרשות כפי שמתואר בפתרון כדי להפעיל מחברת זו:
פתח את מקרה השימוש לחיזוי נטישה
במסוף Studio, בחר פתרונות, דגמים, מחברות לדוגמה תחת פתרונות התחלה מהירה בחלונית הניווט. נווט אל חיזוי נטישה עם טקסט פתרון ב-JumpStart.
כעת נוכל להסתכל מקרוב על כמה מהנכסים הכלולים בפתרון זה.
חקר נתונים
ראשית, בואו נוריד את הבדיקה, נאמת ונאמן את מערך הנתונים מ-S3 המקור ונעלה אותו ל-S3 שלנו. צילום המסך הבא מציג לנו 10 תצפיות על נתוני האימון.
בואו נתחיל לחקור את מערך הרכבות והאימות.
כפי שאתה יכול לראות, יש לנו תכונות שונות כגון CustServ Calls
, Day Charge
, ו Day Calls
שאנו משתמשים בהם כדי לחזות את עמודת היעד y
(האם הלקוח עזב את השירות).
y
ידוע בשם תכונת יעד: התכונה שאנו רוצים שמודל ה-ML יחזה. מכיוון שתכונת המטרה היא בינארית, המודל שלנו מבצע חיזוי בינארי, הידוע גם בשם סיווג בינארי.
ישנן 21 תכונות, כולל משתנה היעד. מספר הדוגמאות לנתוני הכשרה ותיקוף הוא 43,000 ו-5,000, בהתאמה.
צילום המסך הבא מציג את סטטיסטיקת הסיכום של מערך ההדרכה.
חקרנו את מערך הנתונים וחילקנו אותו לקבוצות הדרכה, אימות ובדיקות. ערכת ההדרכה והתיקוף משמשת להדרכה ול-HPO. ערכת הבדיקה משמשת כסט החזק להערכת ביצועי המודל. כעת אנו מבצעים שלבי הנדסת תכונה ולאחר מכן מתאימים את הדגם.
התאימו לדגם מולטי-מודאלי עם שנאי משפטים של Hugging Face ומסווג יער אקראי של Scikit-Learn
הכשרת המודל מורכבת משני מרכיבים: שלב הנדסת תכונות המעבד תכונות מספריות, קטגוריות וטקסט, ושלב התאמת מודל המתאים את התכונות שעברו טרנספורמציה ל- סיווג יער אקראי של Scikit-Learn.
עבור הנדסת תכונות, אנו משלימים את השלבים הבאים:
- מלא את הערכים החסרים עבור תכונות מספריות.
- מקודד תכונות קטגוריות לערכים חמים אחד, כאשר הערכים החסרים נספרים כאחת מהקטגוריות עבור כל תכונה.
- להשתמש מחבק פנים משפטי שנאי לקודד את תכונת הטקסט כדי ליצור וקטור צפוף ממדי X, כאשר הערך של X תלוי בשנאי משפטים מסוים.
אנו בוחרים את שלושת הדגמים המובילים ביותר של שנאי המשפטים שהורדתם ומשתמשים בהם בהתאמת המודלים הבאים וב-HPO. באופן ספציפי, אנו משתמשים all-MiniLM-L6-v2, multi-qa-mpnet-base-dot-v1, ו פרפרזה-MiniLM-L6-v2. לפרמטרי היפר של מסווג היער האקראי, עיין ב- GitHub ריפו.
האיור הבא מתאר את דיאגרמת ארכיטקטורת המודל.
ישנם היפרפרמטרים רבים שאתה יכול לכוונן, כגון n-Estimatators, max-depth ו-bootstrap. לפרטים נוספים, עיין ב GitHub ריפו.
למטרות הדגמה, אנו משתמשים רק בתכונות מספריות CustServ Calls
ו Account Length
, מאפיינים קטגוריים plan
, ו limit
ותכונת טקסט text
כדי להתאים לדגם. יש להפריד בין תכונות מרובות ב-,.
אנו פורסים את המודל לאחר השלמת ההכשרה:
כשקוראים לנקודת הקצה החדשה שלנו מהמחברת, אנו משתמשים ב-SageMaker SDK חיזוי. Predictor
משמש לשליחת נתונים לנקודת קצה (כחלק מבקשה) ולפרש את התגובה. JSON משמש כפורמט הן לנתוני קלט והן לתגובת פלט מכיוון שזהו פורמט סטנדרטי של נקודת קצה ותגובת נקודת הקצה יכולה להכיל מבני נתונים מקוננים.
כשהמודל שלנו נפרס בהצלחה והחזוי שלנו מוגדר, נוכל לנסות את מודל חיזוי הנטישה על קלט לדוגמה:
הקוד הבא מציג את התגובה (הסתברות לנטישה) משאילתת נקודת הקצה:
שים לב שההסתברות שהוחזרה על ידי מודל זה לא כוילה. כאשר המודל נותן הסתברות לנטישה של 20%, למשל, זה לא אומר בהכרח ש-20% מהלקוחות עם הסתברות של 20% הביאו לנטישה. כיול הוא תכונה שימושית בנסיבות מסוימות, אך אינו נדרש במקרים בהם די בהפליה בין מקרים של נטישה לאי-נטישה. מכויל סיווג CV החל מ- Scikit-ללמוד ניתן להשתמש כדי לכייל דגם.
כעת אנו מבצעים שאילתות על נקודת הקצה באמצעות נתוני מבחן ה-hold-out, אשר מורכבים מ-1,939 דוגמאות. הטבלה הבאה מסכמת את תוצאות ההערכה עבור המודל הרב-מודאלי שלנו עם שנאי משפטים של Hugging Face ומסווג יער אקראי של Scikit-learn.
מטרי | BERT + יער אקראי |
דיוק | 0.77463 |
ROC AUC | 0.75905 |
ביצועי הדגם תלויים בתצורות היפרפרמטר. אימון מודל עם סט אחד של תצורות היפרפרמטרים לא יבטיח מודל אופטימלי. כתוצאה מכך, אנו מפעילים את תהליך HPO בסעיף הבא כדי לשפר עוד יותר את ביצועי המודל.
התאם דגם מולטי-מודאלי עם HPO
בסעיף זה, אנו משפרים עוד יותר את ביצועי הדגם על ידי הוספת כוונון HPO עם כוונון הדגם האוטומטי של SageMaker. כוונון מודל אוטומטי של SageMaker, הידוע גם בשם כוונון היפרפרמטרים, מוצא את הגרסה הטובה ביותר של מודל על ידי הפעלת עבודות אימון רבות במערך הנתונים שלך באמצעות האלגוריתם וטווחי הפרמטרים של ההיפר שאתה מציין. לאחר מכן הוא בוחר את ערכי ההיפרפרמטרים שמביאים למודל שמבצע את הביצועים הטובים ביותר, כפי שנמדד על ידי מדד שתבחר. המודל הטוב ביותר וההיפרפרמטרים המתאימים לו נבחרים בנתוני האימות. לאחר מכן, המודל הטוב ביותר מוערך על פי נתוני מבחן ה-hold-out, שהם אותם נתוני בדיקה שיצרנו בסעיף הקודם. לבסוף, אנו מראים שהביצועים של המודל שאומן עם HPO טובים משמעותית מזה שאומן ללא HPO.
להלן היפרפרמטרים סטטיים שאנו לא מכוונים והיפרפרמטרים דינמיים שאנו רוצים לכוונן וטווחי החיפוש שלהם:
אנו מגדירים את שם המדד האובייקטיבי, ההגדרה המטרית (עם תבנית ביטוי רגיל) וסוג היעד עבור עבודת הכוונון.
ראשית, הגדרנו את המטרה בתור ציון הדיוק על נתוני האימות (roc auc score on validation data
) והגדירו מדדים עבור עבודת הכוונון על ידי ציון שם המדד האובייקטיבי וביטוי רגולרי (רגקס). הביטוי הרגולרי משמש כדי להתאים את פלט היומן של האלגוריתם וללכוד את הערכים המספריים של מדדים.
לאחר מכן, אנו מציינים טווחי היפרפרמטרים לבחירת ערכי ההיפרפרמטר הטובים ביותר. אנחנו מגדירים את המספר הכולל של עבודות כוונון כ-10 ומחלקים את העבודות הללו לחמש עבודות שונות ענן מחשוב אלסטי של אמזון (Amazon EC2) מופעים להפעלת עבודות כוונון מקבילות.
לבסוף, אנו מעבירים את הערכים הללו כדי ליצור אובייקט SageMaker Estimator, בדומה למה שעשינו בשלב ההדרכה הקודם. במקום לקרוא לפונקציית ההתאמה של האובייקט Estimator, אנו מעבירים את האובייקט Estimator כפרמטר ל- Hyperparameter טונר בנאי וקרא לפונקציית ההתאמה שלו כדי להשיק עבודות כוונון:
לאחר סיום עבודת הכוונון, נוכל להפיק את טבלת הסיכום של כל עבודות הכוונון.
לאחר השלמת עבודות הכוונון, אנו פורסים את המודל שנותן את ציון מדדי ההערכה הטובים ביותר במערך האימות, מבצעים הסקה על אותו מערך בדיקות מחזיק מעמד שעשינו בסעיף הקודם, ומחשבים מדדי הערכה.
מטרי | BERT + יער אקראי | BERT + יער אקראי עם HPO |
דיוק | 0.77463 | 0.9278 |
ROC AUC | 0.75905 | 0.79861 |
אנו יכולים לראות הפעלת HPO עם SageMaker כוונון דגמים אוטומטי משפר משמעותית את ביצועי הדגם.
בנוסף ל-HPO, ביצועי המודל תלויים גם באלגוריתם. חשוב לאמן מספר אלגוריתמים חדישים, להשוות את הביצועים שלהם על אותם נתוני מבחן מחזיק מעמד, ולאסוף את האופטימלי. לכן, אנו מאמנים שני דגמים מולטי-מודאליים נוספים של AutoGluon בסעיפים הבאים.
התאם דגם של הרכב מולטי-מודאלי AutoGluon משוקלל/ערום
ישנם שני סוגים של מולטי-מודאליות AutoGluon:
- אמן מספר דגמים טבלאיים כמו גם את
TextPredictor
מודל (המשתמש ב-TextPredictor
דגם בתוךTabularPredictor
), ולאחר מכן שלבו אותם באמצעות אנסמבל משוקלל או אנסמבל מוערם, כפי שהוסבר ב AutoGluon-Tabular: AutoML חזק ומדויק עבור נתונים מובנים - איחוד מודלים של רשתות עצביות מרובות ישירות ולטפל בטקסט גולמי (שגם מסוגל לטפל בעמודות מספריות וקטגוריות נוספות)
אנו מאמנים מודל אנסמבל מולטי-מודאלי משוקלל או מוערם תחילה בסעיף זה, ומאמנים מודל רשת עצבית היתוך בחלק הבא.
ראשית, אנו מאחזרים את תמונת האימון של AutoGluon:
לאחר מכן, אנו עוברים בהיפרפרמטרים. בניגוד למסגרות AutoML קיימות המתמקדות בעיקר בבחירת המודל או ההיפרפרמטרים, AutoGluonTabular מצליחה על ידי הרכבת דגמים מרובים וערימתם במספר שכבות. לכן, HPO בדרך כלל אינו נדרש עבור דגמי אנסמבל AutoGluon.
לבסוף, אנו יוצרים א SageMaker Estimator ואת השיחה estimator.fit()
כדי להתחיל עבודת הדרכה:
לאחר השלמת האימון, אנו מאחזרים את תמונת ההסקה של AutoGluon ופורסים את המודל:
לאחר שאנו פורסים את נקודות הקצה, אנו מבצעים שאילתות לנקודת הקצה באמצעות אותה ערכת בדיקה ומחשבים מדדי הערכה. בטבלה הבאה, אנו יכולים לראות את הרכב המולטי-מודאלי של AutoGluon משתפר בכ-3% ב-ROC AUC בהשוואה לשנאי המשפטים של BERT וליער אקראי עם HPO.
מטרי | BERT + יער אקראי | BERT + יער אקראי עם HPO | AutoGluon Multimodal אנסמבל |
דיוק | 0.77463 | 0.9278 | 0.92625 |
ROC AUC | 0.75905 | 0.79861 | 0.82918 |
התאם דגם היתוך רב-מודאלי של AutoGluon
התרשים הבא ממחיש את הארכיטקטורה של המודל. לפרטים, ראה AutoMM עבור טקסט + טבלאות - התחלה מהירה.
באופן פנימי, אנו משתמשים ברשתות שונות כדי לקודד את עמודות הטקסט, העמודות הקטגוריות והעמודות המספריות. התכונות שנוצרות על ידי רשתות בודדות מצטברות על ידי צבר איחוי מאוחר. האגרגטור יכול להוציא גם את הלוגיטים וגם את תחזיות הניקוד.
כאן, אנו משתמשים בעמוד השדרה המאומן מראש של NLP כדי לחלץ את תכונות הטקסט ולאחר מכן משתמשים בשני מגדלים אחרים כדי לחלץ את התכונה מהעמודה הקטגורית והעמודה המספרית.
בנוסף, כדי להתמודד עם שדות טקסט מרובים, אנו מפרידים שדות אלה עם האסימון [SEP] ומתחלפים 0 ו-1 כמזהי הפלחים, כפי שמוצג בתרשים הבא.
באופן דומה, אנו עוקבים אחר ההוראות בסעיף הקודם כדי לאמן ולפרוס את מודל ההיתוך הרב-מודאלי של AutoGluon:
הטבלה הבאה מסכמת את תוצאות ההערכה עבור מודל ההיתוך הרב-מודאלי של AutoGluon, יחד עם אלו של שלושה מודלים שהערכנו בסעיפים הקודמים. אנו יכולים לראות את ההרכב המולטי-מודאלי של AutoGluon ודגמי היתוך רב-מודאליים משיגים את הביצועים הטובים ביותר.
מדדים | BERT + יער אקראי | BERT + יער אקראי עם HPO | AutoGluon Multimodal אנסמבל | AutoGluon Multimodal Fusion |
דיוק | 0.77463 | 0.9278 | 0.92625 | 0.9247 |
ROC AUC | 0.75905 | 0.79861 | 0.82918 | 0.81115 |
שים לב שהתוצאות והביצועים היחסיים בין המודלים הללו תלויים במערך הנתונים שבו אתה משתמש לאימון. תוצאות אלו מייצגות, ולמרות שהנטייה של אלגוריתמים מסוימים לביצועים טובים יותר מבוססת על גורמים רלוונטיים, האיזון בביצועים עשוי להשתנות בהינתן התפלגות נתונים שונה. אתה יכול להחליף את מערך הנתונים לדוגמה בנתונים משלך כדי לקבוע איזה דגם מתאים לך ביותר.
מחברת הדגמה
אתה יכול להשתמש במחברת ההדגמה כדי לשלוח נתונים לדוגמה לנקודות קצה של מודל שכבר פרסו. מחברת ההדגמה מאפשרת לך לקבל חוויה מעשית במהירות על ידי שאילתת הנתונים לדוגמה. לאחר שתפעיל את פתרון חיזוי ה-Churn with Text, פתח את מחברת ההדגמה על ידי בחירה השתמש בנקודת קצה במחברת.
לנקות את
לאחר שתסיים עם פתרון זה, ודא שאתה מוחק את כל משאבי ה-AWS הבלתי רצויים על ידי בחירה מחק את כל המשאבים.
שים לב שעליך למחוק ידנית כל משאבים נוספים שייתכן שיצרת במחברת זו.
סיכום
בפוסט זה, הראינו כיצד אתה יכול להשתמש ב- Sagemaker JumpStart כדי לחזות נטישה באמצעות רב-מודאליות של טקסט ותכונות טבלאיות.
אם אתה מעוניין ללמוד עוד על דגמי נטישה של לקוחות, עיין בפוסטים הבאים:
על הכותבים
ד"ר שין הואנג הוא מדען יישומי עבור אלגוריתמים מובנים של Amazon SageMaker JumpStart ו-Amazon SageMaker. הוא מתמקד בפיתוח אלגוריתמים של למידת מכונה ניתנים להרחבה. תחומי העניין שלו במחקר הם בתחום של עיבוד שפה טבעית, למידה עמוקה הניתנת להסבר על נתונים טבלאיים וניתוח חזק של צבירת מרחב-זמן לא פרמטרית. הוא פרסם מאמרים רבים בכנסים ACL, ICDM, KDD ובכתב העת Royal Statistical Society: Series A.
ראג'קומאר סמפאטקומאר הוא מנהל חשבון טכני ראשי ב-AWS, המספק ללקוחות הדרכה על יישור טכנולוגיה עסקית ותומך בהמצאה מחדש של המודלים והתהליכים של תפעול הענן שלהם. הוא נלהב בענן ולמידת מכונה. Raj הוא גם מומחה למידת מכונה ועובד עם לקוחות AWS כדי לתכנן, לפרוס ולנהל את עומסי העבודה והארכיטקטורות של AWS שלהם.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/churn-prediction-using-multimodality-of-text-and-tabular-features-with-amazon-sagemaker-jumpstart/
- 000
- 1
- 10
- 100
- 28
- 7
- 70
- 9
- a
- אודות
- חֶשְׁבּוֹן
- דיוק
- מדויק
- להשיג
- רכישה
- פעיל
- תוספת
- נוסף
- כתובות
- לאחר
- סוֹכֵן
- צבר
- מטרות
- אַלגוֹרִיתְם
- אלגוריתמים
- תעשיות
- מאפשר
- בַּצַד
- למרות
- אמזון בעברית
- אמזון
- אמזון SageMaker
- אמזון SageMaker JumpStart
- אנליזה
- לנתח
- ו
- יישומית
- גישה
- ארכיטקטורה
- AREA
- מלאכותי
- בינה מלאכותית
- נכסים
- מכני עם סלילה אוטומטית
- AutoML
- זמין
- AWS
- עמוד שדרה
- איזון
- בנקאות
- מבוסס
- כי
- הטוב ביותר
- מוטב
- בֵּין
- אוזן נעל
- לִבנוֹת
- מובנה
- עסקים
- לִקְנוֹת
- שיחה
- קוראים
- שיחות
- מסוגל
- ללכוד
- לשאת
- מקרה
- מקרים
- קטגוריות
- מסוים
- סיכוי
- שינוי
- לבדוק
- בחרו
- בחירה
- בנסיבות
- מיון
- קרוב יותר
- ענן
- קיבוץ
- קוד
- טור
- עמודות
- לשלב
- Common
- חברות
- של החברה
- לְהַשְׁווֹת
- לעומת
- מתחרים
- להשלים
- רכיבים
- לחשב
- כנסים
- קונסול
- מכולה
- חוזה
- חוזים
- תוֹאֵם
- עלויות
- לכסות
- לִיצוֹר
- נוצר
- לקוח
- התנהגות ל קוח
- שירות לקוחות
- שירות לקוחות
- לקוחות
- נתונים
- עסקה
- התמודדות
- החליט
- עמוק
- למידה עמוקה
- תלוי
- תלוי
- לפרוס
- פרס
- עיצוב
- פרטים
- לקבוע
- מתפתח
- DID
- אחר
- ישירות
- לְהָפִיץ
- הפצה
- סַוָר
- מסמך
- לא
- לא
- להורדה
- דינמי
- כל אחד
- מַאֲמָצִים
- או
- מקצה לקצה
- נקודת קצה
- הנדסה
- העריך
- הערכה
- אֲפִילוּ
- דוגמה
- דוגמאות
- קיימים
- ניסיון
- מוסבר
- חקירה
- לחקור
- חקר
- היכרות
- תמצית
- מאוד
- פָּנִים
- מתמודד
- גורמים
- מאפיין
- תכונות
- שדה
- שדות
- תרשים
- בסופו של דבר
- ממצאים
- ראשון
- מתאים
- הוֹלֵם
- להתמקד
- מתמקד
- לעקוב
- הבא
- יער
- פוּרמָט
- מסגרות
- החל מ-
- פונקציה
- נוסף
- היתוך
- זכייה
- ליצור
- נוצר
- לקבל
- נתן
- נותן
- גלון
- שערים
- טוב
- לגדול
- אַחֲרָיוּת
- לטפל
- טיפול
- ידות על
- לעזור
- מועיל
- איך
- איך
- HTML
- HTTPS
- טבור
- אופטימיזציה של היפר-פרמטרים
- כוונון היפר-פרמטר
- לזהות
- תמונה
- לייבא
- חשוב
- לשפר
- in
- כלול
- כולל
- להגדיל
- אינדיקטורים
- בנפרד
- מידע
- תשתית
- קלט
- תובנות
- להתקין
- למשל
- במקום
- הוראות
- שילוב
- מוֹדִיעִין
- אינטרס
- מעוניין
- אינטרסים
- מעורב
- בעיות
- IT
- עבודה
- מקומות תעסוקה
- כתב עת
- ג'סון
- מפתח
- סוג
- ידוע
- נחיתה
- שפה
- לשגר
- שכבות
- למידה
- יציאה
- אורך
- סביר
- להגביל
- קו
- ארוך
- נראה
- מכונה
- למידת מכונה
- לעשות
- לנהל
- מנהל
- באופן ידני
- רב
- להתאים
- לְהַגדִיל
- מקסימום
- מטרי
- מדדים
- יכול
- אכפת לי
- חסר
- ML
- מודל
- מודלים
- חוֹדֶשׁ
- חודשים
- יותר
- רוב
- רב תחומי
- מספר
- שם
- טבעי
- עיבוד שפה טבעית
- נווט
- ניווט
- בהכרח
- צורך
- רשת
- רשתות
- רשת עצבית
- חדש
- הבא
- NLP
- מחברה
- מספר
- אובייקט
- מטרה
- מוצע
- ONE
- לפתוח
- מבצע
- אופטימלי
- אופטימיזציה
- אופטימיזציה
- מְקוֹרִי
- אחר
- המתואר
- שֶׁלוֹ
- חבילות
- זגוגית
- ניירות
- מקביל
- פרמטר
- חלק
- מסוים
- לוהט
- תבנית
- לְבַצֵעַ
- ביצועים
- הופעות
- מבצע
- טלפון
- לבחור
- מקום
- תכנית
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- הודעה
- הודעות
- לחזות
- נבואה
- התחזיות
- חיזוי
- להכין
- קודם
- בראש ובראשונה
- מנהל
- בעיה
- תהליך
- מעובד
- תהליכים
- תהליך
- רכוש
- מספק
- מתן
- בפומבי
- לאור
- למטרות
- פיתון
- פיטורך
- מָהִיר
- מהירות
- אקראי
- רכס
- חי
- RE
- מוכן
- regex
- רגיל
- רלוונטי
- להחליף
- נציג
- לבקש
- נדרש
- מחקר
- משאבים
- תגובה
- תגובה
- תוצאה
- תוצאות
- הכנסה
- חָסוֹן
- מלכותי
- הפעלה
- ריצה
- בעל חכמים
- SageMaker כוונון דגם אוטומטי
- אותו
- להרחבה
- מַדְעָן
- סקיקיט-לימוד
- Sdk
- חיפוש
- חיפוש
- סעיף
- סעיפים
- קטע
- נבחר
- מבחר
- משפט
- סדרה
- סדרה א '
- שרות
- סט
- סטים
- כמה
- צריך
- לְהַצִיג
- הראה
- הופעות
- אותות
- באופן משמעותי
- דומה
- פָּשׁוּט
- So
- חֶברָה
- פִּתָרוֹן
- פתרונות
- לפתור
- פותר
- כמה
- מָקוֹר
- מומחה
- ספציפי
- במיוחד
- לפצל
- ריצה
- מְגוּבָּב
- הערימה
- התמחות
- תֶקֶן
- התחלה
- החל
- מדינה-of-the-art
- סטטיסטי
- סטטיסטיקה
- שלב
- צעדים
- אחסון
- חנות
- מובנה
- סטודיו
- כתוצאה מכך
- בהצלחה
- כזה
- מספיק
- סיכום
- תמיכה
- מסייע
- שולחן
- לקחת
- יעד
- טק
- טכני
- התקשורת
- תבנית
- תבניות
- מונחים
- מבחן
- השמיים
- האזור
- המקור
- שֶׁלָהֶם
- לכן
- שְׁלוֹשָׁה
- ל
- היום
- אסימון
- חלק עליון
- סה"כ
- מסורתי
- רכבת
- מְאוּמָן
- הדרכה
- טרנספורמציה
- נָכוֹן
- סוגים
- בדרך כלל
- תחת
- הבנה
- בלתי מוגבל
- לא רצוי
- שדרוג
- us
- להשתמש
- במקרה להשתמש
- משתמש
- בְּדֶרֶך כְּלַל
- ניצול
- לְאַמֵת
- אימות
- בעל ערך
- ערך
- ערכים
- מגוון
- שונים
- Ve
- ורייזון
- גרסה
- באמצעות
- מה
- אם
- אשר
- מי
- רָחָב
- טווח רחב
- יצטרך
- לְלֹא
- תיק עבודות
- עובד
- היה
- טעות
- X
- אתה
- זפירנט