למידת מכונה (ML) מחוללת מהפכה בפתרונות בכל תעשיות ומניעה צורות חדשות של תובנות ואינטליגנציה מהנתונים. אלגוריתמים רבים של ML מתאמנים על מערכי נתונים גדולים, מכלילים דפוסים שהוא מוצא בנתונים ומסיקים תוצאות מתבניות אלה כאשר רשומות חדשות בלתי נראות מעובדות. בדרך כלל, אם מערך הנתונים או המודל גדולים מכדי להיות מאומנים במופע בודד, הכשרה מבוזרת מאפשר שימוש במספר מופעים בתוך אשכול ולהפיץ או נתונים או מחיצות מודל על פני אותם מופעים במהלך תהליך האימון. תמיכה מקורית להדרכה מבוזרת מוצעת דרך אמזון SageMaker SDK, יחד עם מחברות לדוגמה במסגרות פופולריות.
עם זאת, לפעמים עקב תקנות אבטחה ופרטיות בתוך ארגונים או בין ארגונים, הנתונים מבוזרים על פני מספר חשבונות או באזורים שונים ולא ניתן לרכז אותם בחשבון אחד או בין אזורים. במקרה זה, יש לשקול למידה מאוחדת (FL) כדי לקבל מודל כללי על כל הנתונים.
בפוסט זה, אנו דנים כיצד ליישם למידה מאוחדת באמזון SageMaker כדי להפעיל ML עם נתוני אימון מבוזרים.
מהי למידה מאוחדת?
למידה מאוחדת היא גישת ML המאפשרת מספר מפגשי אימון נפרדים הרצים במקביל על פני גבולות גדולים, למשל גיאוגרפית, ולצבור את התוצאות לבניית מודל כללי (מודל גלובלי) בתהליך. ליתר דיוק, כל מפגש אימון משתמש במערך נתונים משלו ומקבל מודל מקומי משלו. מודלים מקומיים באימונים שונים יצטברו (לדוגמה, צבירת משקל מודל) למודל גלובלי במהלך תהליך האימון. גישה זו עומדת בניגוד לטכניקות ML מרכזיות שבהן מערכי נתונים מתמזגים למפגש אימון אחד.
למידה מאוחדת לעומת אימון מבוזר בענן
כאשר שתי הגישות הללו פועלות בענן, הכשרה מבוזרת מתרחשת באזור אחד בחשבון אחד, ונתוני ההדרכה מתחילים באימון או עבודה מרוכזים. במהלך תהליך אימון מבוזר, מערך הנתונים מתפצל לתת-קבוצות קטנות יותר, ובהתאם לאסטרטגיה (מקביליות נתונים או מקביליות מודל), תת-ערכות נשלחות לצמתי אימון שונים או עוברות דרך צמתים באשכול אימון, מה שאומר שנתונים בודדים אינם בהכרח להישאר בצומת אחד של האשכול.
לעומת זאת, עם למידה מאוחדת, ההדרכה מתרחשת בדרך כלל במספר חשבונות נפרדים או בין אזורים. לכל חשבון או אזור יש מופעי הדרכה משלו. נתוני ההכשרה מבוזרים בין חשבונות או אזורים מההתחלה ועד הסוף, ונתונים בודדים נקראים רק לפי מפגש ההכשרה או התפקיד המתאים בין חשבונות או אזורים שונים במהלך תהליך הלמידה המאוחד.
מסגרת למידה מאוחדת של פרחים
מספר מסגרות קוד פתוח זמינות ללמידה מאוחדת, כגון גוֹרָל, פרח, PySyft, OpenFL, FedML, NVFlare, ו Tensorflow Federated. בבחירת מסגרת FL, אנו בדרך כלל שוקלים את התמיכה שלה בקטגוריית הדגמים, מסגרת ML והמכשיר או מערכת ההפעלה. עלינו לשקול גם את יכולת ההרחבה וגודל החבילה של מסגרת FL כדי להפעיל אותה בענן ביעילות. בפוסט זה, אנו בוחרים מסגרת הניתנת להרחבה, הניתנת להתאמה אישית וקלת משקל, Flower, כדי לבצע את הטמעת FL באמצעות SageMaker.
Flower היא מסגרת FL מקיפה שמבדילה את עצמה ממסגרות קיימות בכך שהיא מציעה מתקנים חדשים להפעלת ניסויי FL בקנה מידה גדול, ומאפשרת תרחישי מכשירי FL הטרוגניים עשירים. FL פותרת אתגרים הקשורים לפרטיות נתונים ומדרגיות בתרחישים שבהם שיתוף נתונים אינו אפשרי.
עקרונות עיצוב ויישום של Flower FL
Flower FL הוא אגנוסטי לשפה ואגנוסטית ML בעיצובו, ניתן להרחבה באופן מלא ויכול לשלב אלגוריתמים חדשים, אסטרטגיות אימון ופרוטוקולי תקשורת. Flower הוא בקוד פתוח תחת רישיון Apache 2.0.
הארכיטקטורה הרעיונית של יישום FL מתוארת במאמר פרח: מסגרת למידה פדרית ידידותית והוא מודגש באיור הבא.
בארכיטקטורה זו, לקוחות קצה חיים על התקני קצה אמיתיים ומתקשרים עם השרת באמצעות RPC. לקוחות וירטואליים, לעומת זאת, צורכים קרוב לאפס משאבים כשהם לא פעילים ורק טוענים מודל ונתונים לזיכרון כאשר הלקוח נבחר לאימון או הערכה.
שרת הפרחים בונה את האסטרטגיה והתצורות שיישלחו ללקוחות הפרחים. זה מסדר את מילוני התצורה הללו (או dict config בקיצור) לייצוג ה-ProtoBuf שלהם, מעביר אותם ללקוח באמצעות gRPC, ואז מעביר אותם חזרה למילוני Python.
אסטרטגיות פרח FL
פרח מאפשר התאמה אישית של תהליך הלמידה באמצעות ה הפשטת אסטרטגיה. האסטרטגיה מגדירה את כל תהליך הפדרציה ומציינת אתחול הפרמטרים (בין אם מדובר באתחול שרת או לקוח), מספר הלקוחות המינימלי הזמינים הנדרש לאתחול ריצה, משקל התרומות של הלקוח ופרטי הדרכה והערכה.
לפרח יש יישום נרחב של אלגוריתמי ממוצע FL וערימת תקשורת חזקה. לרשימה של אלגוריתמי מיצוע המיושמים ומאמרי מחקר קשורים, עיין בטבלה הבאה, מ פרח: מסגרת למידה פדרית ידידותית.
למידה מאוחדת עם SageMaker: ארכיטקטורת פתרונות
ארכיטקטורת למידה מאוחדת באמצעות SageMaker עם מסגרת הפרחים מיושמת על גבי זרמי gRPC (בסיס) דו-כיווניים. gRPC מגדיר את סוגי ההודעות שהוחלפו ומשתמש במהדרים כדי ליצור מימוש יעיל עבור Python, אך הוא יכול גם ליצור את המימוש עבור שפות אחרות, כגון Java או C++.
לקוחות הפרח מקבלים הוראות (הודעות) כמערכי בתים גולמיים דרך הרשת. לאחר מכן, הלקוחות מסיירים ומריצים את ההוראה (הדרכה על נתונים מקומיים). לאחר מכן, התוצאות (פרמטרים ומשקלים של המודל) מסודרות ומועברות בחזרה לשרת.
ארכיטקטורת השרת/לקוח עבור Flower FL מוגדרת ב- SageMaker באמצעות מופעי מחברת בחשבונות שונים באותו אזור כמו שרת הפרחים ולקוח הפרחים. אסטרטגיות ההדרכה וההערכה מוגדרות בשרת כמו גם הפרמטרים הגלובליים, לאחר מכן התצורה עוברת בסידרה ונשלחת ללקוח באמצעות ציון VPC.
לקוח מופע המחברת מתחיל עבודת אימון של SageMaker המריץ סקריפט מותאם אישית כדי להפעיל את המופע של לקוח ה-Flower, אשר מבטל את תצורת השרת וקורא את תצורת השרת, מפעיל את עבודת ההדרכה ושולח את תגובת הפרמטרים.
השלב האחרון מתרחש בשרת כאשר ההערכה של הפרמטרים המצטברים החדשים מופעלת עם השלמת מספר הריצות והלקוחות שנקבעו באסטרטגיית השרת. ההערכה מתרחשת על מערך בדיקות הקיים רק בשרת, ומיוצרים מדדי הדיוק המשופרים החדשים.
התרשים הבא ממחיש את הארכיטקטורה של הגדרת FL ב- SageMaker עם חבילת הפרחים.
יישם למידה מאוחדת באמצעות SageMaker
SageMaker הוא שירות ML מנוהל במלואו. עם SageMaker, מדעני נתונים ומפתחים יכולים לבנות ולהכשיר במהירות מודלים של ML, ולאחר מכן לפרוס אותם בסביבה מתארחת מוכנה לייצור.
בפוסט זה, אנו מדגימים כיצד להשתמש בפלטפורמת ה-ML המנוהלת כדי לספק סביבת חוויה של מחברת ולבצע למידה מאוחדת בין חשבונות AWS, תוך שימוש בעבודות הדרכה של SageMaker. נתוני האימון הגולמיים לעולם אינם עוזבים את החשבון שבבעלותו הנתונים ורק המשקולות הנגזרות נשלחות על פני חיבור ההצצה.
אנו מדגישים את מרכיבי הליבה הבאים בפוסט זה:
- רישות - SageMaker מאפשר הגדרה מהירה של תצורת ברירת המחדל של הרשת, ובמקביל מאפשר לך להתאים אישית את הרשת בהתאם לדרישות הארגון שלך. אנו משתמשים ב- a תצורת הצצה של VPC בתוך האזור בדוגמה זו.
- הגדרות גישה חוצת חשבונות – על מנת לאפשר למשתמש בחשבון השרת להתחיל עבודת הדרכה למודל בחשבון הלקוח, אנו להאציל גישה בין חשבונות באמצעות AWS זהות וניהול גישה (IAM) תפקידים. בדרך זו, משתמש בחשבון השרת לא צריך לצאת מהחשבון ולהיכנס לחשבון הלקוח כדי לבצע פעולות ב- SageMaker. הגדרה זו מיועדת רק למטרות התחלת משרות הדרכה של SageMaker, ואין לה הרשאת גישה או שיתוף נתונים חוצי-חשבונות.
- הטמעת קוד לקוח למידה מאוחד בחשבון הלקוח וקוד שרת בחשבון השרת - אנו מיישמים קוד לקוח ללמידה מאוחדת בחשבון הלקוח באמצעות חבילת פרחים והדרכה מנוהלת של SageMaker. בינתיים, אנו מיישמים קוד שרת בחשבון השרת באמצעות חבילת Flower.
הגדר הצצה ב-VPC
חיבור להצצה VPC הוא חיבור רשת בין שני VPCs המאפשר לך לנתב תעבורה ביניהם באמצעות כתובות IPv4 פרטיות או כתובות IPv6. מופעים בכל אחד מה-VPC יכולים לתקשר זה עם זה כאילו הם בתוך אותה רשת.
כדי להגדיר חיבור להצצה ל-VPC, תחילה צור בקשה להצצה עם VPC אחר. אתה יכול לבקש חיבור VPC עם VPC אחר באותו חשבון, או במקרה השימוש שלנו, להתחבר ל-VPC בחשבון AWS אחר. כדי להפעיל את הבקשה, על בעל ה-VPC לקבל את הבקשה. לפרטים נוספים על ציון VPC, עיין ב צור חיבור VPC להצצה.
הפעל מופעי מחברת SageMaker ב-VPCs
מופע מחברת SageMaker מספק אפליקציית מחברת Jupyter דרך ML מנוהל במלואו ענן מחשוב אלסטי של אמזון (Amazon EC2). מחברות SageMaker Jupyter משמשות לביצוע חקר נתונים מתקדם, יצירת עבודות הדרכה, פריסת מודלים לאירוח של SageMaker, ובדיקה או אימות של המודלים שלך.
למופע המחברת יש מגוון תצורות רשת הזמינות לו. בהגדרה זו, יש לנו את מופע המחברת רץ בתוך רשת משנה פרטית של ה-VPC ואין לנו גישה ישירה לאינטרנט.
הגדר הגדרות גישה חוצת חשבונות
הגדרות גישה חוצת חשבונות כוללות שני שלבים להאצלת גישה מחשבון השרת לחשבון הלקוח באמצעות תפקידי IAM:
- צור תפקיד IAM בחשבון הלקוח.
- הענק גישה לתפקיד בחשבון השרת.
לשלבים מפורטים להגדרת תרחיש דומה, עיין ב האצלת גישה בין חשבונות AWS באמצעות תפקידי IAM.
בחשבון הלקוח, אנו יוצרים תפקיד IAM בשם FL-kickoff-client-job
עם הפוליסה FL-sagemaker-actions
צמוד לתפקיד. ה FL-sagemaker-actions
למדיניות יש תוכן JSON כדלקמן:
לאחר מכן אנו משנים את מדיניות האמון ביחסי האמון של FL-kickoff-client-job
תַפְקִיד:
בחשבון השרת, הרשאות מתווספות למשתמש קיים (לדוגמה, developer
) כדי לאפשר מעבר ל- FL-kickoff-client-job
תפקיד בחשבון הלקוח. לשם כך, אנו יוצרים מדיניות מוטבעת בשם FL-allow-kickoff-client-job
ולצרף אותו למשתמש. להלן תוכן ה-JSON במדיניות:
מערך נתונים והכנת נתונים לדוגמה
בפוסט זה, אנו משתמשים ב-a מערך נתונים אוצר לאיתור הונאה בנתונים של ספקי Medicare שפורסמו על ידי ה מרכזים לשירותי Medicare & Medicaid (CMS). הנתונים מחולקים למערך נתונים של הדרכה ולמערך נתונים לבדיקה. מכיוון שרוב הנתונים אינם הונאה, אנו מיישמים עשן כדי לאזן את מערך ההדרכה, ולפצל עוד יותר את מערך ההדרכה לחלקי הדרכה ואימות. גם נתוני ההדרכה וגם נתוני האימות מועלים ל-an שירות אחסון פשוט של אמזון (Amazon S3) דלי לאימון מודלים בחשבון הלקוח, ומערך הנתונים של הבדיקה משמש בחשבון השרת למטרות בדיקה בלבד. פרטים על קוד הכנת הנתונים נמצאים בהמשך מחברה.
עם ה- SageMaker תמונות Docker שנבנו מראש עבור מסגרת scikit-learn ותהליך אימון מנוהל SageMaker, אנו מאמנים מודל רגרסיה לוגיסטי על מערך נתונים זה באמצעות למידה מאוחדת.
הטמע לקוח למידה מאוחד בחשבון הלקוח
במופע מחברת SageMaker של חשבון הלקוח, אנו מכינים א client.py תסריט וא utils.py תַסרִיט. ה client.py
הקובץ מכיל קוד עבור הלקוח, ואת utils.py
הקובץ מכיל קוד עבור חלק מפונקציות השירות שיידרשו להדרכה שלנו. אנו משתמשים בחבילת scikit-learn כדי לבנות את מודל הרגרסיה הלוגיסטית.
In client.py
, אנו מגדירים לקוח פרח. הלקוח נגזר מהכיתה fl.client.NumPyClient. זה צריך להגדיר את שלוש השיטות הבאות:
- get_parameters - הוא מחזיר את הפרמטרים הנוכחיים של המודל המקומי. פונקציית השירות
get_model_parameters
יעשה זאת. - מתאים - הוא מגדיר את השלבים לאימון המודל על נתוני ההדרכה בחשבון הלקוח. הוא גם מקבל פרמטרים גלובליים של דגם ומידע תצורה אחר מהשרת. אנו מעדכנים את הפרמטרים של המודל המקומי באמצעות הפרמטרים הגלובאליים שהתקבלו וממשיכים להכשיר אותו על מערך הנתונים בחשבון הלקוח. שיטה זו גם שולחת את הפרמטרים של המודל המקומי לאחר האימון, גודל מערך ההדרכה ומילון המתקשר ערכים שרירותיים בחזרה לשרת.
- להעריך - הוא מעריך את הפרמטרים שסופקו באמצעות נתוני האימות בחשבון הלקוח. הוא מחזיר את ההפסד יחד עם פרטים נוספים כגון גודל ערכת האימות והדיוק בחזרה לשרת.
להלן קטע קוד עבור הגדרת לקוח פרח:
לאחר מכן אנו משתמשים ב- SageMaker מצב סקריפט להכין את שאר ה client.py
קוֹבֶץ. זה כולל הגדרת פרמטרים שיועברו להדרכה של SageMaker, טעינת נתוני הדרכה ותיקוף, אתחול והדרכה של המודל על הלקוח, הגדרת לקוח ה-Flower לתקשורת עם השרת ולבסוף שמירת המודל המאומן.
utils.py
כולל כמה פונקציות שירות שנקראות client.py
:
- get_model_parameters – זה מחזיר את ה-skit-learn רגרסיה לוגיסטית פרמטרים של דגם.
- set_model_params - הוא קובע את הפרמטרים של הדגם.
- set_initial_params - הוא מאתחל את הפרמטרים של המודל כאפסים. זה נדרש מכיוון שהשרת מבקש פרמטרים ראשוניים של דגם מהלקוח בעת ההשקה. עם זאת, במסגרת scikit-learn,
LogisticRegression
פרמטרי הדגם אינם מאוחלים עדmodel.fit()
נקרא. - לטעון מידע - הוא טוען את נתוני ההדרכה והבדיקות.
- שמור_דגם - זה חוסך דגם כ
.joblib
קובץ.
כי פרח אינה חבילה המותקנת ב- מיכל Docker בנוי מראש של SageMaker sikit-learn, אנו ברשימה flwr==1.3.0
ב requirements.txt
קובץ.
שמנו את כל שלושת הקבצים (client.py
, utils.py
, ו requirements.txt
) מתחת לתיקיה וזרז אותה. קובץ ה-.tar.gz (בשם source.tar.gz
בפוסט זה) מועלה לאחר מכן לדלי S3 בחשבון הלקוח.
הטמע שרת למידה מאוחד בחשבון השרת
בחשבון השרת, אנו מכינים קוד על מחברת Jupyter. זה כולל שני חלקים: השרת מקבל תחילה תפקיד להתחיל עבודת הדרכה בחשבון הלקוח, ואז השרת מאגד את המודל באמצעות Flower.
קבל תפקיד להפעלת עבודת ההדרכה בחשבון הלקוח
אנו משתמשים Boto3 Python SDK להקים שירות אסימון האבטחה AWS (AWS STS) לקוח להניח את FL-kickoff-client-job
תפקיד ולהגדיר לקוח SageMaker כך שיפעיל עבודת הדרכה בחשבון הלקוח באמצעות תהליך ההדרכה המנוהל של SageMaker:
תוך שימוש בתפקיד המשוער, אנו יוצרים משרת הדרכה של SageMaker בחשבון הלקוח. עבודת ההדרכה משתמשת במסגרת המובנית של SageMaker skit-learn. שים לב שכל דלי S3 ותפקיד SageMaker IAM בקטע הקוד הבא קשורים לחשבון הלקוח:
צברו מודלים מקומיים למודל גלובלי באמצעות Flower
אנו מכינים קוד לאיחוד המודל בשרת. זה כולל הגדרת האסטרטגיה של הפדרציה ופרמטרי האתחול שלה. אנו משתמשים בפונקציות שירות ב- utils.py
סקריפט שתואר קודם כדי לאתחל ולהגדיר פרמטרים של מודל. פרח מאפשר לך להגדיר פונקציות התקשרות חוזרות משלך כדי להתאים אישית אסטרטגיה קיימת. אנו משתמשים ב- FedAvg אסטרטגיה עם התקשרויות מותאמות אישית להערכה ותצורת התאמה. ראה את הקוד הבא:
שתי הפונקציות הבאות מוזכרות בקטע הקוד הקודם:
- fit_round - הוא משמש לשליחת המספר העגול ללקוח. אנו מעבירים את ההתקשרות חזרה כ-
on_fit_config_fn
פרמטר של האסטרטגיה. אנו עושים זאת פשוט כדי להדגים את השימוש ב-on_fit_config_fn
פָּרָמֶטֶר. - get_evaluate_fn - הוא משמש להערכת מודלים בשרת.
למטרות הדגמה, אנו משתמשים במערך הנתונים של הבדיקה שהנחנו בהכנת הנתונים כדי להעריך את המודל המאוחד מחשבון הלקוח ולהעביר את התוצאה חזרה ללקוח. עם זאת, ראוי לציין שכמעט בכל מקרי השימוש האמיתיים, הנתונים המשמשים בחשבון השרת אינם מפוצלים ממערך הנתונים המשמש בחשבון הלקוח.
לאחר סיום תהליך הלמידה הפדרציה, א model.tar.gz
הקובץ נשמר על ידי SageMaker כחפץ דגם בדלי S3 בחשבון הלקוח. בינתיים, א model.joblib
הקובץ נשמר במופע המחברת של SageMaker בחשבון השרת. לבסוף, אנו משתמשים במערך הנתונים של הבדיקה כדי לבדוק את המודל הסופי (model.joblib
) בשרת. בדיקת תפוקת המודל הסופי היא כדלקמן:
לנקות את
לאחר שתסיים, נקה את המשאבים בחשבון השרת וגם בחשבון הלקוח כדי למנוע חיובים נוספים:
- עצור את מופעי המחברת של SageMaker.
- מחק את חיבורי ההצצה של VPC ו-VPCs התואמים.
- רוקן ומחק את דלי S3 שיצרת לאחסון נתונים.
סיכום
בפוסט זה, עברנו על איך ליישם למידה מאוחדת ב- SageMaker באמצעות חבילת הפרחים. הראינו כיצד להגדיר את התצורה של VPC Peering, להגדיר גישה חוצת חשבונות, ולהטמיע את הלקוח והשרת של FL. פוסט זה שימושי עבור אלה שצריכים להכשיר מודלים של ML ב- SageMaker באמצעות נתונים מבוזרים בין חשבונות עם שיתוף נתונים מוגבל. מכיוון שה-FL בפוסט זה מיושם באמצעות SageMaker, ראוי לציין שניתן להכניס הרבה יותר תכונות ב- SageMaker לתהליך.
הטמעת למידה מאוחדת ב- SageMaker יכולה לנצל את כל התכונות המתקדמות ש- SageMaker מספקת במהלך מחזור החיים של ML. ישנן דרכים אחרות להשיג או ליישם למידה מאוחדת בענן AWS, כגון שימוש במופעי EC2 או בקצה. לפרטים על גישות חלופיות אלה, עיין ב למידה מאוחדת ב-AWS עם FedML ו יישום למידה מאוחדת עבור ML בקצה.
על המחברים
שרי דינג הוא ארכיטקט בכיר בפתרונות AI/ML ב-Amazon Web Services (AWS). יש לה ניסיון רב בלמידת מכונה עם תואר דוקטור במדעי המחשב. היא עובדת בעיקר עם לקוחות מהמגזר הציבורי על אתגרים עסקיים שונים הקשורים ל-AI/ML, ועוזרת להם להאיץ את מסע למידת המכונה שלהם בענן AWS. כשהיא לא עוזרת ללקוחות, היא נהנית מפעילויות חוצות.
לורה אריזאבלגה היא ארכיטקט פתרונות מיושר למגזר הציבורי בבריטניה, שם היא עוזרת ללקוחות לעצב פתרונות ML עם Amazon SageMaker. היא גם חלק מקהילת השדה הטכני המוקדשת להאצת חומרה ועוזרת בבדיקות ובהשוואת עומסי עבודה של AWS Inferentia ו-AWS Trainium.
בן סניוולי הוא ארכיטקט פתרונות בכיר במגזר הציבורי של AWS. הוא עובד עם לקוחות ממשלתיים, מלכ"רים וחינוך בפרויקטים של ביג דאטה, אנליטיקה ו-AI/ML, ועוזר להם לבנות פתרונות באמצעות AWS.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- ChartPrime. הרם את משחק המסחר שלך עם ChartPrime. גישה כאן.
- BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-decentralized-training-data-using-federated-learning-on-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 100
- 11
- 12
- 15%
- 24
- 25
- 500
- 7
- a
- אודות
- להאיץ
- לְקַבֵּל
- גישה
- חֶשְׁבּוֹן
- חשבונות
- דיוק
- להשיג
- לרוחב
- פעולה
- פעולות
- פעילויות
- הוסיף
- נוסף
- כתובות
- מתקדם
- יתרון
- לאחר
- לְקַבֵּץ
- - צבירה
- AI / ML
- אלגוריתמים
- מיושר
- תעשיות
- להתיר
- מאפשר
- מאפשר
- לאורך
- גם
- חלופה
- אמזון בעברית
- אמזון
- אמזון SageMaker
- אמזון שירותי אינטרנט
- אמזון שירותי אינטרנט (AWS)
- an
- אנליטית
- ו
- אחר
- כל
- אַפָּשׁ
- האפליקציה
- החל
- גישה
- גישות
- ארכיטקטורה
- ARE
- AS
- המשויך
- לְהַנִיחַ
- להניח
- מניח
- At
- לצרף
- זמין
- ממוצעת
- לְהִמָנַע
- AWS
- Afer Inferentia
- בחזרה
- איזון
- BE
- כי
- לפני
- ההתחלה
- להיות
- בהשוואות
- בֵּין
- גָדוֹל
- נתונים גדולים
- שניהם
- גבולות
- מובא
- לִבנוֹת
- בונה
- מובנה
- עסקים
- אבל
- by
- C + +
- נקרא
- CAN
- מקרה
- מקרים
- קטגוריה
- מְרוּכָּז
- האתגרים
- חיובים
- בחרו
- בחירה
- בכיתה
- לקוחות
- לקוחות
- סְגוֹר
- ענן
- אשכול
- CMS
- קוד
- להעביר
- תקשורת
- תקשורת
- קהילה
- השלמה
- רכיבים
- מַקִיף
- לחשב
- המחשב
- מדעי מחשב
- רעיוני
- מצב
- תְצוּרָה
- לְחַבֵּר
- מחובר
- הקשר
- חיבורי
- לשקול
- נחשב
- לצרוך
- מכיל
- תוכן
- להמשיך
- לעומת זאת
- תרומות
- ליבה
- תוֹאֵם
- לִיצוֹר
- נוצר
- אישורים
- נוֹכְחִי
- מנהג
- לקוחות
- להתאמה אישית
- התאמה אישית
- אישית
- נתונים
- גישה למידע
- הכנת נתונים
- פרטיות מידע
- שיתוף מידע
- אחסון נתונים
- מערכי נתונים
- מבוזר
- מוקדש
- בְּרִירַת מֶחדָל
- לְהַגדִיר
- מוגדר
- מגדיר
- הגדרה
- הגדרה
- תואר
- הדגמה
- להפגין
- תלוי
- לפרוס
- נגזר
- מְתוּאָר
- עיצוב
- מְפוֹרָט
- פרטים
- איתור
- מפתחים
- מכשיר
- התקנים
- אחר
- ישיר
- לדון
- לְהָפִיץ
- מופץ
- הכשרה מבוזרת
- do
- סַוָר
- לא
- עשה
- לא
- נהיגה
- ראוי
- בְּמַהֲלָך
- כל אחד
- מוקדם יותר
- בקלות
- אדג '
- חינוך
- השפעה
- יעיל
- יעילות
- או
- מתעורר
- מאפשר
- סוף
- שלם
- סביבה
- להעריך
- הערכה
- דוגמה
- החליפו
- קיימים
- ניסיון
- ניסויים
- חקירה
- נרחב
- ניסיון רב
- מתקנים
- תכונות
- פֵדֵרַצִיָה
- מעטים
- שדה
- תרשים
- שלח
- קבצים
- סופי
- בסופו של דבר
- ממצאים
- ראשון
- מתאים
- הבא
- כדלקמן
- בעד
- צורות
- קרן
- מסגרת
- מסגרות
- הונאה
- גילוי הונאה
- ידידותי
- החל מ-
- לגמרי
- פונקציה
- פונקציות
- נוסף
- ליצור
- לקבל
- גלוֹבָּלִי
- Go
- ממשלה
- יד
- קורה
- חומרה
- יש
- he
- עזרה
- עוזר
- להבליט
- מודגש
- אירח
- אירוח
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- זהות
- if
- מדגים
- תמונות
- ליישם
- הפעלה
- יושם
- משופר
- in
- פעיל
- לכלול
- כולל
- בע"מ
- בנפרד
- תעשיות
- מידע
- בתחילה
- תובנות
- מותקן
- למשל
- הוראות
- מוֹדִיעִין
- מִמְשָׁק
- אינטרנט
- גישה לאינטרנט
- אל תוך
- IT
- שֶׁלָה
- עצמו
- Java
- עבודה
- מקומות תעסוקה
- מסע
- jpg
- ג'סון
- l2
- שפות
- גָדוֹל
- בקנה מידה גדול
- אחרון
- לשגר
- למידה
- רישיון
- מעגל החיים
- קַל מִשְׁקָל
- רשימה
- לחיות
- לִטעוֹן
- טוען
- המון
- מקומי
- את
- מגרש
- מכונה
- למידת מכונה
- בעיקר
- הרוב
- הצליח
- רב
- אומר
- בינתיים
- Medicare
- זכרון
- מוּזְכָּר
- הודעות
- שיטה
- שיטות
- מדדים
- מינימום
- ML
- מודל
- מודלים
- לשנות
- יותר
- מספר
- צריך
- שם
- יליד
- בהכרח
- צורך
- נחוץ
- צרכי
- רשת
- רשתות
- לעולם לא
- חדש
- חדש
- הבא
- צומת
- צמתים
- ללא כוונת רווח
- מחברה
- וציין
- מספר
- of
- מוצע
- הצעה
- on
- ONE
- רק
- קוד פתוח
- מבצע
- or
- להזמין
- ארגונים
- אחר
- שלנו
- הַחוּצָה
- תפוקה
- יותר
- שֶׁלוֹ
- בעלים
- בעלים של
- חבילה
- מאמר
- ניירות
- מקביל
- פרמטר
- פרמטרים
- חלק
- חלקים
- לעבור
- עבר
- דפוסי
- להציץ
- לְבַצֵעַ
- רשות
- הרשאות
- דוקטורט
- מקום
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- מדיניות
- פופולרי
- אפשרי
- הודעה
- הכנה
- להכין
- מנהל
- עקרונות
- פְּרָטִיוּת
- פְּרָטִי
- תהליך
- מעובד
- מיוצר
- פרויקטים
- פרוטוקולים
- לספק
- ובלבד
- מספק
- ציבורי
- למטרות
- גם
- פיתון
- מָהִיר
- מהירות
- חי
- חומר עיוני
- ממשי
- לקבל
- קיבלו
- מקבל
- רשום
- באזור
- אזורים
- תקנון
- קָשׁוּר
- מערכות יחסים
- שוחרר
- נציגות
- לבקש
- נדרש
- דרישות
- מחקר
- משאב
- משאבים
- אלה
- תגובה
- REST
- מוגבל
- תוצאה
- תוצאות
- לַחֲזוֹר
- החזרות
- מהפכה
- חָסוֹן
- תפקיד
- תפקידים
- שורש
- עגול
- סיבובים
- מסלול
- הפעלה
- ריצה
- פועל
- בעל חכמים
- אותו
- חסכת
- בקרת מערכות ותקשורת
- תרחיש
- תרחישים
- מדע
- מדענים
- סקיקיט-לימוד
- Sdk
- מגזר
- אבטחה
- בטח
- לִרְאוֹת
- נבחר
- עצמי
- לשלוח
- שולח
- לחצני מצוקה לפנסיונרים
- נשלח
- נפרד
- שרות
- שירותים
- מושב
- הפעלות
- סט
- סטים
- הצבה
- הגדרות
- התקנה
- שיתוף
- היא
- קצר
- צריך
- הראה
- סִימָן
- דומה
- פָּשׁוּט
- בפשטות
- יחיד
- מידה
- קטן יותר
- קטע
- So
- פִּתָרוֹן
- פתרונות
- פותר
- כמה
- מומחה
- במיוחד
- לפצל
- לערום
- עומד
- התחלה
- החל
- התחלות
- הצהרה
- להשאר
- שלב
- צעדים
- אחסון
- אסטרטגיות
- אִסטרָטֶגִיָה
- זרמים
- המשנה
- רשתות משנה
- כזה
- תמיכה
- מערכת
- שולחן
- לקחת
- לוקח
- טכני
- טכניקות
- tensorflow
- מבחן
- בדיקות
- זֶה
- השמיים
- בריטניה
- שֶׁלָהֶם
- אותם
- אז
- שם.
- אלה
- הֵם
- זֶה
- אלה
- שְׁלוֹשָׁה
- דרך
- ל
- יַחַד
- אסימון
- גַם
- חלק עליון
- תְנוּעָה
- רכבת
- מְאוּמָן
- הדרכה
- להפעיל
- מופעל
- סומך
- שתיים
- סוגים
- Uk
- תחת
- עד
- עדכון
- נטען
- על
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- שימושים
- באמצעות
- בְּדֶרֶך כְּלַל
- תועלת
- לְאַמֵת
- אימות
- ערכים
- מגוון
- שונים
- גרסה
- באמצעות
- וירטואלי
- vs
- הלך
- דֶרֶך..
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- מִשׁקָל
- טוֹב
- מתי
- אם
- אשר
- בזמן
- מי
- כל
- יצטרך
- עם
- בתוך
- עובד
- ראוי
- אתה
- זפירנט
- אפס
- רוכסן