רנגלר הנתונים של אמזון SageMaker מפחית את הזמן שלוקח לצבור ולהכין נתונים ללמידת מכונה (ML) משבועות לדקות ב-Amazon SageMaker Studio. Data Wrangler מאפשר לך לגשת לנתונים ממגוון רחב של מקורות פופולריים (אמזון S3, אמזונה אתנה, האדום של אמזון, אמזון EMR ו- Snowflake) ויותר מ-40 מקורות צד שלישי אחרים. החל מהיום, אתה יכול להתחבר ל אמזון EMR כוורת כמנוע שאילתות ביג נתונים כדי להביא מערכי נתונים גדולים עבור ML.
צבירת והכנת כמויות גדולות של נתונים הן חלק קריטי בזרימת העבודה של ML. מדעני נתונים ומהנדסי נתונים משתמשים ב-Apache Spark, Apache Hive ו-Presto הפועלים על Amazon EMR לעיבוד נתונים בקנה מידה גדול. פוסט זה בבלוג יעבור על האופן שבו אנשי מקצוע בתחום הנתונים עשויים להשתמש בממשק החזותי של SageMaker Data Wrangler כדי לאתר ולהתחבר לאשכולות EMR קיימים של Amazon עם נקודות קצה של Hive. כדי להתכונן למידול או לדיווח, הם יכולים לנתח חזותית את מסד הנתונים, הטבלאות, הסכימה ושאילתות Hive המחבר כדי ליצור את מערך הנתונים של ML. לאחר מכן, הם יכולים ליצור פרופיל נתונים במהירות באמצעות הממשק החזותי של Data Wrangler כדי להעריך את איכות הנתונים, לזהות חריגות ונתונים חסרים או שגויים, ולקבל עצות כיצד להתמודד עם בעיות אלו. הם יכולים למנף יותר ניתוחים מובנים פופולריים ומופעלי ML ו-300+ טרנספורמציות מובנות הנתמכות על ידי Spark כדי לנתח, לנקות ולהנדס תכונות מבלי לכתוב שורת קוד אחת. לבסוף, הם יכולים גם לאמן ולפרוס מודלים עם טייס אוטומטי SageMaker, תזמן עבודות או תפעול הכנת נתונים ב-SageMaker Pipeline מהממשק הוויזואלי של Data Wrangler.
סקירת פתרונות
עם ההגדרות של SageMaker Studio, אנשי מקצוע בתחום הנתונים יכולים לזהות ולהתחבר במהירות לאשכולות EMR קיימים. בנוסף, אנשי מקצוע בתחום הנתונים יכולים לגלות מקבצי EMR SageMaker Studio באמצעות תבניות מוגדרות מראש לפי דרישה בכמה קליקים בלבד. לקוחות יכולים להשתמש במחברת האוניברסלית של SageMaker Studio ולכתוב קוד אפאצ 'י ספארק, כוורת, פרסטו or PySpark לבצע הכנת נתונים בקנה מידה. עם זאת, לא כל אנשי המקצוע בתחום הנתונים מכירים את כתיבת קוד Spark כדי להכין נתונים מכיוון שיש עקומת למידה תלולה. כעת הם יכולים להתחבר במהירות ובפשטות לאמזון EMR מבלי לכתוב שורת קוד אחת, הודות לכך ש-Amazon EMR היא מקור נתונים עבור Amazon SageMaker Data Wrangler.
התרשים הבא מייצג את הרכיבים השונים המשמשים בפתרון זה.
אנו מדגימים שתי אפשרויות אימות שניתן להשתמש בהן כדי ליצור חיבור לאשכול EMR. עבור כל אפשרות, אנו פורסים ערימה ייחודית של AWS CloudFormation תבניות.
תבנית CloudFormation מבצעת את הפעולות הבאות כאשר כל אפשרות נבחרת:
- יוצר תחום סטודיו במצב VPC בלבד, יחד עם פרופיל משתמש בשם
studio-user
. - יוצר אבני בניין, כולל ה-VPC, נקודות הקצה, רשתות המשנה, קבוצות אבטחה, אשכול EMR ומשאבים אחרים הנדרשים להפעלת הדוגמאות בהצלחה.
- עבור אשכול EMR, מחבר את קטלוג הנתונים של דבק AWS כ-metastore עבור EMR Hive ו-Presto, יוצר טבלת כוורת ב-EMR וממלא אותה בנתונים מ- מערך נתונים של נמל התעופה בארה"ב.
- עבור תבנית LDAP CloudFormation, יוצר ענן מחשוב אלסטי של אמזון (Amazon EC2) מופע לארח את שרת LDAP כדי לאמת את משתמש Hive ו-Presto LDAP.
אפשרות 1: פרוטוקול Access Directory קל משקל
עבור תבנית אימות LDAP CloudFormation, אנו מספקים מופע של Amazon EC2 עם שרת LDAP ומגדירים את אשכול ה-EMR להשתמש בשרת זה לצורך אימות. זה מופעל TLS.
אפשרות 2: No-Auth
בתבנית No-Auth אימות CloudFormation, אנו משתמשים באשכול EMR סטנדרטי ללא אימות מופעל.
פרוס את המשאבים עם AWS CloudFormation
השלם את השלבים הבאים לפריסת הסביבה:
- היכנס ל- קונסולת הניהול של AWS כמו AWS זהות וניהול גישה משתמש (IAM), רצוי משתמש מנהל.
- בחרו השקת ערימה כדי להפעיל את תבנית CloudFormation עבור תרחיש האימות המתאים. ודא שלאזור המשמש לפריסת מחסנית CloudFormation אין Studio Domain קיים. אם כבר יש לך תחום סטודיו באזור, אתה יכול לבחור אזור אחר.
LDAP אין אישור - בחרו הַבָּא.
- בעד שם ערימה, הזן שם לערימה (לדוגמה,
dw-emr-hive-blog
). - השאר את הערכים האחרים כברירת מחדל.
- כדי להמשיך, בחר הַבָּא מדף פרטי הערימה ואפשרויות הערימה.
ערימת LDAP משתמשת באישורים הבאים.- שם משתמש:
david
- סיסמא:
welcome123
- שם משתמש:
- בדף הסקירה, בחר בתיבת הסימון כדי לאשר ש- AWS CloudFormation עשוי ליצור משאבים.
- בחרו צור ערימה. המתן עד שהסטטוס של הערימה ישתנה מ
CREATE_IN_PROGRESS
לCREATE_COMPLETE
. התהליך בדרך כלל לוקח 10-15 דקות.
הגדר את Amazon EMR כמקור נתונים ב-Data Wrangler
בסעיף זה, אנו עוסקים בחיבור לאשכול ה-EMR הקיים של Amazon שנוצר באמצעות תבנית CloudFormation כמקור נתונים ב-Data Wrangler.
צור זרימת נתונים חדשה
כדי ליצור את זרימת הנתונים שלך, בצע את השלבים הבאים:
- במסוף SageMaker, לחץ תחומים, ולאחר מכן לחץ על StudioDomain נוצר על ידי הפעלת מעל תבנית CloudFormation.
- בחר משתמש סטודיו פרופיל משתמש והפעל את Studio.
- בחרו סטודיו פתוח.
- במסוף Studio Home, בחר ייבוא והכנת נתונים באופן ויזואלי. לחילופין, על שלח תפריט נפתח, בחר חדש, ואז לבחור זרימת רנגלר נתונים.
- יצירת זרימה חדשה יכולה לקחת כמה דקות. לאחר יצירת הזרימה, אתה רואה את ייבא נתונים עמוד.
- הוסף את Amazon EMR כמקור נתונים ב-Data Wrangler. על הוסף מקור נתונים בתפריט, בחר אמזון EMR.
אתה יכול לעיין בכל אשכולות ה-EMR שלתפקיד הביצוע שלך בסטודיו יש הרשאות לראות. יש לך שתי אפשרויות להתחבר לאשכול; האחד הוא דרך ממשק משתמש אינטראקטיבי, והשני הוא לראשון צור סוד באמצעות מנהל סודות AWS עם JDBC URL, כולל מידע על אשכול EMR, ולאחר מכן ספק את סוד ה-AWS השמור בממשק המשתמש כדי להתחבר לכיור. בבלוג זה, אנו עוקבים אחר האפשרות הראשונה.
- בחר אחד מהאשכולות הבאים שבהם ברצונך להשתמש. לחץ על הַבָּא, ובחר נקודות קצה.
- בחר כוורת, התחבר לאמזון EMR, צור שם כדי לזהות את החיבור שלך ולחץ הַבָּא.
- בחר גם סוג אימות פרוטוקול גישה קל לספרייה (LDAP) or אין אימות.
עבור Lightweight Directory Access Protocol (LDAP), בחר באפשרות ולחץ לאחר מכן, התחבר לאשכולr, לאחר מכן ספק שם משתמש וסיסמה לאימות ולחץ על התחבר.
עבור ללא אימות, תהיו מחוברים ל-EMR Hive מבלי לספק אישורי משתמש בתוך VPC. היכנסו לדף SQL Explorer של Data Wrangler עבור EMR.
- לאחר חיבור, אתה יכול להציג באופן אינטראקטיבי עץ מסד נתונים ותצוגה מקדימה של טבלה או סכימה. אתה יכול גם לבצע שאילתות, לחקור ולהמחיש נתונים מ-EMR. לתצוגה מקדימה, תראה מגבלה של 100 רשומות כברירת מחדל. לאחר שתספק משפט SQL בתיבת עורך השאילתות ולחץ על הפעלה לחצן, השאילתה תבוצע במנוע Hive של EMR כדי להציג את הנתונים בתצוגה מקדימה.
השמיים בטל שאילתה כפתור מאפשר לבטל שאילתות מתמשכות אם הן נמשכות זמן רב מהרגיל.
- השלב האחרון הוא לייבא. ברגע שאתה מוכן עם הנתונים הנשאלים, יש לך אפשרויות לעדכן את הגדרות הדגימה עבור בחירת הנתונים בהתאם לסוג הדגימה (FirstK, Random, או Stratified) וגודל הדגימה לייבוא נתונים לתוך Data Wrangler.
נְקִישָׁה תבואו. דף ההכנה ייטען, ויאפשר לך להוסיף טרנספורמציות שונות וניתוח חיוני למערך הנתונים.
- נווט אל זרימת נתונים מהמסך העליון והוסף עוד שלבים לזרימה לפי הצורך לצורך טרנספורמציות וניתוח. אתה יכול להפעיל א דוח תובנות נתונים לזהות בעיות באיכות הנתונים ולקבל המלצות לתיקון בעיות אלו. בואו נסתכל על כמה טרנספורמציות לדוגמה.
- ב זרימת נתונים להציג, אתה אמור לראות שאנו משתמשים ב-EMR כמקור נתונים באמצעות מחבר Hive.
- בוא נלחץ על + כפתור משמאל סוגי מידע ובחר הוסף טרנספורמציה. כשתעשה זאת, תחזור ל- נתונים נוף.
בוא נחקור את הנתונים. אנו רואים שיש לו תכונות מרובות כגון iata_code, נמל תעופה, עיר, היו, מדינה, רוחב, ו אורך. אנו יכולים לראות שכל מערך הנתונים מבוסס במדינה אחת, שהיא ארה"ב, ויש בה ערכים חסרים רוחב ו אורך. נתונים חסרים יכולים לגרום להטיה באומדן של פרמטרים, וזה יכול להפחית את הייצוגיות של הדגימות, ולכן עלינו לבצע כמה זקיפה ולטפל בערכים חסרים במערך הנתונים שלנו.
- בוא נלחץ על הוסף שלב לחצן בסרגל הניווט מימין. בחר ידית חסרה. ניתן לראות את התצורות בצילומי המסך הבאים.
תַחַת שינוי צורה, בחר זקוף. בחר סוג עמודה as מספרי ו עמודת קלט שמות רוחב ו קו אורך. אנו נזקוף את הערכים החסרים באמצעות ערך חציוני משוער.
לחץ ראשון על תצוגה מקדימה כדי להציג את הערך החסר ולאחר מכן לחץ על עדכן כדי להוסיף את ההמרה.
- הבה נסתכל כעת על טרנספורמציה נוספת לדוגמה. בעת בניית מודל ML, עמודות מוסרות אם הן מיותרות או לא עוזרות למודל שלך. הדרך הנפוצה ביותר להסיר עמודה היא לשחרר אותה. במערך הנתונים שלנו, התכונה מדינה ניתן לבטל מכיוון שמערך הנתונים מיועד במיוחד לנתוני שדות תעופה בארה"ב. לניהול עמודות, לחץ על הוסף שלב לחצן בסרגל הניווט מימין ובחר נהל עמודות. ניתן לראות את התצורות בצילומי המסך הבאים. תַחַת לשנות, בחר זרוק טור, ומתחת עמודות להורדה, בחר מדינה.
- לחץ על תצוגה מקדימה ולאחר מכן עדכון כדי לשחרר את העמודה.
- Feature Store הוא מאגר לאחסון, שיתוף וניהול תכונות עבור דגמי ML. בוא נלחץ על + כפתור משמאל זרוק טור. לבחור ייצוא ל ולבחור חנות תכונות SageMaker (דרך מחברת Jupyter).
- על ידי בחירה חנות תכונות SageMaker כיעד, אתה יכול לשמור את התכונות בקבוצת תכונות קיימת או ליצור קבוצה חדשה.
כעת יצרנו תכונות עם Data Wrangler ואחסנו בקלות את התכונות הללו ב- Feature Store. הראנו זרימת עבודה לדוגמה להנדסת תכונות בממשק המשתמש של Data Wrangler. לאחר מכן שמרנו את התכונות הללו ב-Feature Store ישירות מ-Data Wrangler על ידי יצירת קבוצת תכונות חדשה. לבסוף, הרצנו עבודת עיבוד כדי להטמיע את התכונות הללו בחנות התכונות. Data Wrangler ו-Feature Store יחד עזרו לנו לבנות תהליכים אוטומטיים וניתנים לשחזור כדי לייעל את משימות הכנת הנתונים שלנו עם מינימום קידוד נדרש. Data Wrangler מספק לנו גם גמישות להפוך את אותה זרימת הכנת נתונים לאוטומטית באמצעות עבודות מתוזמנות. אנחנו יכולים גם אוטומטית לאמן ולפרוס דגמים באמצעות טייס אוטומטי של SageMaker מהממשק הוויזואלי של Data Wrangler, או צור צנרת הדרכה או הנדסת תכונות עם SageMaker Pipelines (דרך Jupyter Notebook) ופריסה לנקודת הקצה עם מסקנות של SageMaker (דרך Jupyter Notebook).
לנקות את
אם העבודה שלך עם Data Wrangler הושלמה, השלבים הבאים יעזרו לך למחוק את המשאבים שנוצרו כדי למנוע חיוב בעמלות נוספות.
- סגור את SageMaker Studio.
מתוך SageMaker Studio, סגור את כל הכרטיסיות ולאחר מכן בחר שלח אז כיבוי. לאחר הנחיה בחר כיבוי הכל.
הכיבוי עשוי להימשך מספר דקות בהתבסס על סוג המופע. ודא שכל האפליקציות המשויכות לפרופיל המשתמש נמחקו. אם הם לא נמחקו, מחק ידנית את האפליקציה המשויכת תחת פרופיל המשתמש.
- רוקן כל דלי S3 שנוצרו מהשקת CloudFormation.
פתח את דף Amazon S3 על ידי חיפוש S3 בחיפוש קונסולת AWS. רוקן כל דלי S3 שנוצרו בעת הקצאת אשכולות. הדלי יהיה בפורמט dw-emr-hive-blog-
.
- מחק את SageMaker Studio EFS.
פתח את דף EFS על ידי חיפוש EFS בחיפוש מסוף AWS.
אתר את מערכת הקבצים שנוצרה על ידי SageMaker. אתה יכול לאשר זאת על ידי לחיצה על מזהה מערכת קבצים ומאשר את התג ManagedByAmazonSageMakerResource
על תגים TAB.
- מחק את ערימות CloudFormation. פתח את CloudFormation על ידי חיפוש ופתיחת שירות CloudFormation ממסוף AWS.
בחר את התבנית שמתחילה ב dw- כפי שמוצג במסך הבא ומחק את הערימה כפי שמוצג על ידי לחיצה על מחק לַחְצָן.
זה צפוי ואנו נחזור לזה וננקה אותו בשלבים הבאים.
- מחק את ה-VPC לאחר שמחסנית CloudFormation נכשלת. ראשית פתח את VPC ממסוף AWS.
- לאחר מכן, זהה את ה-VPC שנוצר על ידי SageMaker Studio CloudFormation, שכותרתו
dw-emr-
, ולאחר מכן עקוב אחר ההנחיות כדי למחוק את ה-VPC. - מחק את מחסנית CloudFormation.
חזור ל-CloudFormation ונסה שוב את מחיקת המחסנית עבור dw-emr-hive-blog
.
לְהַשְׁלִים! כל המשאבים המסופקים על ידי תבנית CloudFormation המתוארת בפוסט זה בבלוג יוסרו כעת מחשבונך.
סיכום
בפוסט זה, בדקנו כיצד להגדיר את Amazon EMR כמקור נתונים ב-Data Wrangler, כיצד להפוך ולנתח מערך נתונים וכיצד לייצא את התוצאות לזרימת נתונים לשימוש במחברת Jupyter. לאחר שהצגנו את מערך הנתונים שלנו באמצעות התכונות האנליטיות המובנות של Data Wrangler, שיפרנו עוד יותר את זרימת הנתונים שלנו. העובדה שיצרנו צינור הכנת נתונים מבלי לכתוב שורת קוד אחת היא משמעותית.
כדי להתחיל עם Data Wrangler, ראה הכן את נתוני ה- ML עם Amazon SageMaker Data Wrangler וראה את המידע העדכני ביותר על עמוד המוצר של Data Wrangler ו מסמכים טכניים של AWS.
על הכותבים
אג'אי גובינדראם הוא אדריכל פתרונות בכיר ב-AWS. הוא עובד עם לקוחות אסטרטגיים המשתמשים ב-AI/ML כדי לפתור בעיות עסקיות מורכבות. הניסיון שלו טמון במתן הכוונה טכנית כמו גם סיוע בתכנון לפריסות של יישומי AI/ML צנועות עד בקנה מידה גדול. הידע שלו נע מארכיטקטורת יישומים ועד ביג דאטה, אנליטיקה ולמידת מכונה. הוא נהנה להאזין למוזיקה בזמן מנוחה, להתנסות בחיק הטבע ולבלות עם יקיריו.
אשה דואה הוא אדריכל פתרונות בכיר שבסיסו באזור מפרץ סן פרנסיסקו. היא עוזרת ללקוחות ארגוניים של AWS לצמוח על ידי הבנת המטרות והאתגרים שלהם, ומנחה אותם כיצד הם יכולים לתכנן את היישומים שלהם באופן מקורי בענן תוך הבטחת חוסן ומדרגיות. היא נלהבת מטכנולוגיות למידת מכונה וקיימות סביבתית.
ורון מהטה הוא אדריכל פתרונות ב-AWS. הוא נלהב לעזור ללקוחות לבנות פתרונות ארכיטקטים היטב בקנה מידה ארגוני בענן AWS. הוא עובד עם לקוחות אסטרטגיים המשתמשים ב-AI/ML כדי לפתור בעיות עסקיות מורכבות.
- 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/accelerate-time-to-insight-with-amazon-sagemaker-data-wrangler-and-the-power-of-apache-hive/
- :הוא
- $ למעלה
- 1
- 10
- 100
- 11
- 7
- a
- אודות
- להאיץ
- גישה
- פרוטוקול גישה
- פי
- חֶשְׁבּוֹן
- פעולות
- תוספת
- נוסף
- מנהל
- עצה
- לאחר
- AI / ML
- נמל תעופה
- תעשיות
- מאפשר
- מאפשר
- כְּבָר
- אמזון בעברית
- אמזון
- אמזון EMR
- אמזון SageMaker
- רנגלר הנתונים של אמזון SageMaker
- סטודיו SageMaker של אמזון
- כמויות
- מנתח
- אנליזה
- אנליטית
- ניתוח
- לנתח
- ו
- אחר
- אַפָּשׁ
- האפליקציה
- בקשה
- יישומים
- מתאים
- אפליקציות
- ארכיטקטורה
- ARE
- AREA
- AS
- סיוע
- המשויך
- At
- לאמת
- מאומת
- אימות
- מחבר
- אוטומטי
- מכני עם סלילה אוטומטית
- באופן אוטומטי
- AWS
- AWS CloudFormation
- דבק AWS
- בחזרה
- בָּר
- מבוסס
- מִפרָץ
- BE
- כי
- להיות
- הטיה
- גָדוֹל
- נתונים גדולים
- אבני
- בלוג
- אריזה מקורית
- להביא
- לִבנוֹת
- בִּניָן
- מובנה
- עסקים
- לַחְצָן
- by
- CAN
- קטלוג
- לגרום
- האתגרים
- שינויים
- לבדוק
- בחרו
- קליק
- סְגוֹר
- ענן
- אשכול
- קוד
- סִמוּל
- טור
- עמודות
- איך
- Common
- להשלים
- מורכב
- רכיבים
- לחשב
- לאשר
- לְחַבֵּר
- מחובר
- מקשר
- הקשר
- מתחבר
- קונסול
- להמשיך
- מדינה
- לכסות
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- אישורים
- קריטי
- זונה
- לקוחות
- נתונים
- הכנת נתונים
- עיבוד נתונים
- מסד נתונים
- מערכי נתונים
- עסקה
- בְּרִירַת מֶחדָל
- דרישה
- להפגין
- לפרוס
- פריסות
- מְתוּאָר
- עיצוב
- יעד
- פרטים
- אחר
- כיוון
- ישירות
- לגלות
- תחום
- לא
- מטה
- ירידה
- ירד
- כל אחד
- בקלות
- עורך
- או
- מופעל
- מאפשר
- נקודת קצה
- מנוע
- מהנדס
- הנדסה
- מהנדסים
- משופר
- הבטחתי
- זן
- מִפְעָל
- שלם
- סביבה
- סביבתי
- חיוני
- להקים
- להעריך
- דוגמה
- דוגמאות
- הוצאת להורג
- קיימים
- צפוי
- ניסיון
- התנסות
- לחקור
- חוקר
- יצוא
- נכשל
- מוכר
- מאפיין
- תכונות
- אגרות
- מעטים
- בסופו של דבר
- ראשון
- לסדר
- תזרים
- לעקוב
- הבא
- בעד
- פרנסיסקו
- החל מ-
- נוסף
- לקבל
- Go
- שערים
- קְבוּצָה
- קבוצה
- לגדול
- מדריך
- לטפל
- יש
- לעזור
- עזר
- עזרה
- עוזר
- כוורת
- עמוד הבית
- המארח
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- לזהות
- זהות
- לייבא
- יבוא
- in
- כולל
- מידע
- תובנה
- למשל
- אינטראקטיבי
- מִמְשָׁק
- מעורב
- בעיות
- IT
- עבודה
- מקומות תעסוקה
- jpg
- ידע
- גָדוֹל
- בקנה מידה גדול
- אחרון
- האחרון
- לשגר
- למידה
- תנופה
- שקרים
- קַל מִשְׁקָל
- להגביל
- קו
- האזנה
- ארוך
- הרבה זמן
- נראה
- אהבתי
- מכונה
- למידת מכונה
- לעשות
- לנהל
- ניהול
- דרך
- באופן ידני
- תפריט
- יכול
- מינימום
- דקות
- חסר
- ML
- מצב
- מודל
- מודלים
- יותר
- רוב
- מספר
- כלי נגינה
- שם
- שם
- שמות
- ניווט
- צורך
- חדש
- מחברה
- of
- on
- ONE
- מתמשך
- לפתוח
- פתיחה
- אפשרות
- אפשרויות
- אחר
- בחוץ
- עמוד
- פרמטרים
- חלק
- לוהט
- סיסמה
- לְבַצֵעַ
- מבצע
- הרשאות
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- פופולרי
- הודעה
- כּוֹחַ
- להכין
- העריכה
- תצוגה מקדימה
- בעיות
- תהליך
- תהליכים
- תהליך
- המוצר
- אנשי מקצוע
- פּרוֹפִיל
- פרוטוקול
- לספק
- מספק
- מתן
- אַספָּקָה
- איכות
- מהירות
- אקראי
- מוכן
- המלצות
- רשום
- להפחית
- מפחית
- באזור
- להסיר
- הוסר
- הָדִיר
- דווח
- מאגר
- מייצג
- נדרש
- כושר התאוששות
- משאבים
- תוצאות
- סקירה
- תפקיד
- הפעלה
- ריצה
- בעל חכמים
- SageMaker Inference
- צינורות SageMaker
- אותו
- סן
- סן פרנסיסקו
- שמור
- בקרת מערכות ותקשורת
- סולם
- תרחיש
- לוח זמנים
- מדענים
- מסך
- צילומי מסך
- חיפוש
- חיפוש
- סוד
- סעיף
- אבטחה
- נבחר
- בחירה
- מבחר
- לחצני מצוקה לפנסיונרים
- שרות
- סט
- הגדרות
- שיתוף
- צריך
- הראה
- משמעותי
- בפשטות
- since
- יחיד
- מידה
- So
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- מָקוֹר
- מקורות
- לעורר
- במיוחד
- הוצאה
- מסחרי
- לערום
- ערימות
- תֶקֶן
- החל
- החל
- הצהרה
- סטטיסטיקה
- מצב
- שלב
- צעדים
- חנות
- מאוחסן
- אסטרטגי
- לייעל
- סטודיו
- רשתות משנה
- לאחר מכן
- בהצלחה
- כזה
- נתמך
- קיימות
- מערכת
- שולחן
- תָג
- לקחת
- לוקח
- נטילת
- משימות
- טכני
- טכנולוגיות
- תבנית
- תבניות
- תודה
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- אלה
- צד שלישי
- דרך
- זמן
- ל
- היום
- יַחַד
- חלק עליון
- רכבת
- הדרכה
- לשנות
- טרנספורמציות
- ui
- תחת
- הבנה
- ייחודי
- אוניברסלי
- עדכון
- כתובת האתר
- us
- להשתמש
- משתמש
- בְּדֶרֶך כְּלַל
- ערך
- ערכים
- מגוון
- שונים
- באמצעות
- לצפיה
- לחכות
- דֶרֶך..
- שבועות
- טוֹב
- אשר
- בזמן
- מי
- רָחָב
- ויקיפדיה
- יצטרך
- עם
- בתוך
- לְלֹא
- תיק עבודות
- עובד
- היה
- לכתוב
- לכתוב קוד
- כתיבה
- יאמל
- אתה
- זפירנט