בספרו ספר הסיבה, יהודה פרל דוגלת בהוראת עקרונות סיבה ותוצאה למכונות על מנת לשפר את האינטליגנציה שלהן. ההישגים של למידה עמוקה הם בעצם רק סוג של התאמת עקומה, בעוד שסיבתיות יכולה לשמש כדי לחשוף אינטראקציות בין מערכות העולם תחת אילוצים שונים מבלי לבדוק השערות ישירות. זה יכול לספק תשובות שיובילו אותנו ל-AGI (אינטליגנציה כללית מלאכותית).
פתרון זה מציע מסגרת של הסקת מסקנות סיבתיות באמצעות רשתות בייסיאניות כדי לייצג תלות סיבתית ולהסיק מסקנות סיבתיות על סמך תמונות לוויין שנצפו ונתוני ניסויים ניסיוניים בצורה של תנאי מזג אוויר וקרקע מדומים. ה מקרה מבחן הוא הקשר הסיבתי בין יישום דשן על בסיס חנקן לבין תנובת התירס.
תמונת הלוויין מעובדת באמצעות תוכנת ייעוד יכולות גיאו-מרחביות של Amazon SageMaker ומועשר בהתאמה אישית עיבוד אמזון SageMaker פעולות. מנוע ההסקה הסיבתי נפרס עם אמזון SageMaker מסקנות אסינכרוניות.
בפוסט זה, אנו מדגימים כיצד ליצור ניתוח נגד עובדתי זה באמצעות אמזון SageMaker JumpStart פתרונות.
סקירת פתרונות
התרשים הבא מציג את הארכיטקטורה של זרימת העבודה מקצה לקצה.
תנאים מוקדמים
אתה צריך חשבון AWS להשתמש בפתרון הזה.
כדי להפעיל את פתרון JumpStart 1P זה ולפרוס את התשתית בחשבון AWS שלך, עליך ליצור קובץ פעיל סטודיו SageMaker של אמזון מופע (עיין נכלל ב-Amazon SageMaker Domain). כאשר מופע ה-Studio שלך מוכן, עקוב אחר ההוראות ב- SageMaker JumpStart כדי להשיק את פתרון ה-Crop Yield Counterfactuals.
שים לב שפתרון זה זמין כעת באזור מערב ארה"ב (אורגון) בלבד.
מסקנות סיבתיות
סיבתיות היא כולה הבנת שינוי, אבל איך לנסח זאת בסטטיסטיקה ולמידת מכונה (ML) אינו תרגיל טריוויאלי.
במחקר תפוקת יבול זה, החנקן המוסף כדשן ותוצאות היבול עלולים להיות מבולבלים. באופן דומה, החנקן המוסף כדשן ותוצאות שטיפת החנקן עלולים להיות מבולבלים גם כן, במובן זה שגורם שכיח יכול להסביר את הקשר ביניהם. עם זאת, הקשר אינו סיבתיות. אם אנו יודעים אילו גורמים נצפים מבלבלים את האסוציאציה, אנו מסבירים אותם, אך מה אם ישנם משתנים נסתרים אחרים האחראים לבלבול? הפחתת כמות הדשן לא בהכרח תפחית את שאריות החנקן; באופן דומה, זה עלול לא להפחית באופן דרסטי את התשואה, בעוד שהקרקע ותנאי האקלים עשויים להיות הגורמים הנצפים שמבלבלים את הקשר. כיצד לטפל בבלבול היא הבעיה המרכזית של מסקנות סיבתיות. טכניקה שהציג RA פישר בשם ניסוי אקראי מבוקר מטרתו לשבור בלבול אפשרי.
עם זאת, בהיעדר ניסויי ביקורת אקראיים, יש צורך בהסקת סיבתיות אך ורק מנתוני תצפית. ישנן דרכים לחבר את השאלות הסיבתיות לנתונים במחקרי תצפית על ידי כתיבת המודל הגרפי הסיבתי על מה שאנו משערים כיצד דברים קורים. זה כרוך בטענה שהמעברים המקבילים ילכדו את התלות המתאימות, תוך עמידה בקריטריון הגרפי להתעלמות מותנית (עד כמה נוכל להתייחס לסיבתיות כאל אסוציאציה בהתבסס על ההנחות הסיבתיות). לאחר שהנחנו את המבנה, נוכל להשתמש בשנויים המשתמעים כדי ללמוד מנתוני תצפית ולחבר שאלות סיבתיות, ולהסיק טענות סיבתיות ללא ניסויי בקרה אקראיים.
פתרון זה משתמש הן בנתונים מניסויי בקרה אקראיים מדומים (RCTs) והן בנתונים תצפיתיים מתמונות לוויין. סדרה של סימולציות שנערכו במשך אלפי שדות ושנים מרובות באילינוי (ארצות הברית) משמשות כדי לחקור את תגובת התירס להגדלת שיעורי החנקן עבור שילוב רחב של וריאציות של מזג אוויר וקרקע שנראה באזור. הוא מתייחס למגבלה של שימוש בנתוני ניסוי מוגבל במספר הקרקעות והשנים שהוא יכול לחקור על ידי שימוש בהדמיות יבול של תרחישי חקלאות וגיאוגרפיות שונות. בסיס הנתונים כייל ואומת באמצעות נתונים של יותר מ-400 ניסויים באזור. ריכוז החנקן הראשוני בקרקע נקבע באופן אקראי בטווח סביר.
בנוסף, מסד הנתונים משופר עם תצפיות מצילומי לוויין, בעוד שסטטיסטיקה אזורית נגזרת ממדדים ספקטרליים על מנת לייצג שינויים מרחביים-זמניים בצמחייה, הנראים על פני גיאוגרפיות ושלבים פנולוגיים.
הסקה סיבתית עם רשתות בייסיאניות
מודלים סיבתיים מבניים (SCMs) משתמשים במודלים גרפיים כדי לייצג תלות סיבתית על ידי שילוב של תשומות מונעות נתונים ואנושיות. סוג מסוים של מודל סיבתי של מבנה הנקרא רשתות בייסיאניות מוצע למודל של הדינמיקה של פנולוגיית היבול באמצעות ביטויים הסתברותיים על ידי ייצוג משתנים כצמתים ויחסים בין משתנים כקצוות. צמתים הם אינדיקטורים לצמיחת היבול, תנאי הקרקע ומזג האוויר, והקצוות ביניהם מייצגים קשרים סיבתיים מרחביים-זמניים. צמתי האב הם פרמטרים הקשורים לשדה (כולל יום הזריעה ושטח הנטיעה), והצמתים הילדיים הם מדדי יבול, ספיגת חנקן ומדדי שטיפת חנקן.
לקבלת מידע נוסף, עיין בסעיף אפיון מסד הנתונים ו מדריך לזיהוי שלבי גידול התירס.
נדרשים כמה שלבים לבניית מודל רשתות בייסיאניות (עם CausalNex) לפני שנוכל להשתמש בו לניתוח נגד עובדתי והתערבותי. המבנה של המודל הסיבתי נלמד בתחילה מהנתונים, בעוד שמומחיות בנושא (ספרות מהימנה או אמונות אמפיריות) משמשת להנחת תלות וחוסר תלות נוספות בין משתנים אקראיים ומשתני התערבות, כמו גם טענה שהמבנה הוא סיבתי.
שימוש בלי דמעות, אלגוריתם אופטימיזציה מתמשך ללמידת מבנים, מבנה הגרף המתאר תלות מותנית בין משתנים נלמד מנתונים, עם קבוצה של אילוצים המוטלים על קצוות, צמתים אב וצמתים ילדים שאינם מותרים במודל הסיבתי. זה משמר את התלות הזמנית בין משתנים. ראה את הקוד הבא:
"""
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,
)
השלב הבא מקודד ידע בתחום במודלים ולוכד דינמיקה פנולוגית, תוך הימנעות ממערכות יחסים מזויפות. ניתוח מולטי-קולינאריות, ניתוח גורמי אינפלציה של וריאציות וחשיבות תכונה גלובלית באמצעות מעצב ניתוח נערך כדי לחלץ תובנות ואילוצים על משתני מתח מים (התרחבות, פנוולוגיה ופוטוסינתזה סביב פריחה), משתני מזג אוויר וקרקע, מדדים ספקטרליים ואינדיקטורים מבוססי חנקן:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
רשתות בייסיאניות ב-CausalNex תומכות רק בהפצות בדידות. כל תכונות רציפות, או תכונות עם מספר רב של קטגוריות, עוברות דיסקרטיות לפני התאמה לרשת הבייזיאנית:
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,
)
לאחר סקירת המבנה, ניתן ללמוד מנתונים את התפלגות ההסתברות המותנית של כל משתנה בהינתן הוריו, בשלב הנקרא הערכת סבירות:
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",
)
לבסוף, המבנה והסבירות משמשים לביצוע מסקנות תצפיתיות תוך כדי תנועה, בעקבות דטרמיניסטית אלגוריתם עץ צומת (JTA), וביצוע התערבויות באמצעות לעשות חשבון. מסקנות אסינכרוניות של SageMaker מאפשר עמידה בתור בקשות נכנסות ומעבד אותן באופן אסינכרוני. אפשרות זו היא אידיאלית עבור תרחישי היסק תצפיתי ונגד-עובדתיים, שבהם לא ניתן לבצע במקביל את התהליך, ובכך לוקח זמן משמעותי לעדכן את ההסתברויות ברחבי הרשת, אם כי ניתן להריץ מספר שאילתות במקביל. ראה את הקוד הבא:
"""
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")
לפרטים נוספים, עיין ב תסריט מסקנות.
המודל הסיבתי מחברה הוא מדריך שלב אחר שלב להפעלת השלבים הקודמים.
עיבוד נתונים גיאו-מרחבי
עבודות תצפית כדור הארץ (EOJs) משורשרים יחד כדי לרכוש ולשנות תמונות לוויין, בעוד שפעולות ייעודיות ומודלים מאומנים מראש משמשים להסרת ענן, פסיפסים, פעולות מתמטיקה של להקות ודגימה מחדש. בחלק זה, אנו דנים ביתר פירוט בשלבי העיבוד הגיאו-מרחבי.
תחום עניין
באיור הבא, מצולעים ירוקים הם המחוזות הנבחרים, הרשת הכתומה היא מפת מסד הנתונים (רשת של תאים בגודל 10 x 10 ק"מ שבהם נערכים ניסויים באזור), והרשת של ריבועים בגווני אפור היא 100 ק"מ x 100 ק"מ רשת ריצוף Sentinel-2 UTM.
קבצים מרחביים משמשים למיפוי מסד הנתונים המדומה עם תמונות לוויין מתאימות, שכבות על מצולעים של תאים בגודל 10 ק"מ על 10 ק"מ המחלקים את מדינת אילינוי (שם נערכים ניסויים באזור), מצולעים של מחוזות, ו-100 ק"מ על 100 ק"מ סנטינל- 2 אריחי UTM. כדי לייעל את צינור עיבוד הנתונים הגיאוגרפי-מרחבי, נבחרים תחילה כמה אריחי Sentinel-2 בקרבת מקום. לאחר מכן, הגיאומטריות המצטברות של אריחים ותאים מכוסות על מנת להשיג את אזור העניין (RoI). המחוזות ומזהי התא שנצפו במלואם בתוך ה-RoI נבחרים ליצירת גיאומטריית המצולע המועברת ל-EOJs.
טווח זמן
עבור תרגיל זה, מחזור הפנולוגיה של התירס מחולק לשלושה שלבים: השלבים הווגטטיביים v5 עד R1 (הופעה, צווארוני עלים וציצית), שלבי הרבייה R1 עד R4 (משי, שלפוחית, חלב ובצק) ושלבי הרבייה R5 (שקועות) ו-R6 (בגרות פיזיולוגית). ביקורי לוויין רצופים נרכשים עבור כל שלב פנולוגי בטווח זמן של שבועיים ואזור עניין מוגדר מראש (מחוזות נבחרים), המאפשרים ניתוח מרחבי וזמני של תמונות לוויין. האיור הבא ממחיש את המדדים הללו.
הסרת ענן
הסרת ענן עבור נתוני Sentinel-2 משתמשת במודל פילוח סמנטי מבוסס ML כדי לזהות עננים בתמונה, כאשר פיקסלים עכורים מוחלפים בערך -9999 (ערך 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)
לאחר יצירת ה-EOJ, ה-ARN מוחזר ומשמש לביצוע הפעולה הגאומוזאית הבאה.
כדי לקבל סטטוס של עבודה, אתה יכול לרוץ sg_client.get_earth_observation_job(Arn = response['Arn']).
גיאומוסאי
ה-EOJ הגיאומוזאי משמש למיזוג תמונות מביקורי לווין מרובים לפסיפס גדול, על ידי החלפת קוד נתונים או פיקסלים שקופים (כולל הפיקסלים המעוננים) עם פיקסלים מחותמות זמן אחרות:
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)
לאחר יצירת ה-EOJ, ה-ARN מוחזר ומשמש לביצוע פעולת הדגימה מחדש הבאה.
Resampling
דגימה מחדש משמשת להקטנת הרזולוציה של התמונה הגיאו-מרחבית כדי להתאים לרזולוציה של מסכות החיתוך (שינוי קנה מידה של רזולוציה של 10-30 מ'):
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)
לאחר יצירת ה-EOJ, ה-ARN מוחזר ומשמש לביצוע פעולת המתמטיקה של הלהקה הבאה.
מתמטיקה להקה
פעולות מתמטיות של פס משמשות להפיכת התצפיות ממספר פסים ספקטרליים לפס בודד. הוא כולל את המדדים הספקטרליים הבאים:
- EVI2 – אינדקס צמחייה משופרת בשני פסים
- DGVI – אינדקס צמחיית הבדל כללי
- NDMI - מדד לחות מנורמל הבדל
- NDVI – אינדקס צמחיית הבדל מנורמל
- NDWI – מדד מים מנורמל הבדל
ראה את הקוד הבא:
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)
סטטיסטיקה אזורית
המדדים הספקטרליים מועשרים עוד יותר באמצעות עיבוד אמזון SageMaker, כאשר לוגיקה מותאמת אישית מבוססת GDAL משמשת לביצוע הפעולות הבאות:
- מזג את מדדים ספקטרליים לפסיפס רב-ערוצי יחיד
- השלך מחדש את הפסיפס ל- מסכת יבולההקרנה של
- החל את מסכת החיתוך והקרן מחדש את הפסיפס ל-CRC של מצולעי התאים
- חשב נתונים סטטיסטיים אזוריים עבור מצולעים נבחרים (תאים של 10 ק"מ על 10 ק"מ)
עם הפצת נתונים מקבילה, קובצי מניפסט (עבור כל שלב פנולוגי של יבול) מופצים על פני מספר מקרים באמצעות ShardedByS3Key
סוג הפצת נתונים S3. לפרטים נוספים, עיין ב סקריפט חילוץ תכונה.
העיבוד הגיאו-מרחבי מחברה הוא מדריך שלב אחר שלב להפעלת השלבים הקודמים.
האיור הבא מציג ערוצי RGB של ביקורי לוויין רצופים המייצגים את שלבי הצמחייה והרבייה של מחזור הפנולוגיה של התירס, עם (מימין) וללא (משמאל) מסכות יבול (CW 20, 26 ו-33, 2018 Central Illinois).
באיור הבא, מדדים ספקטרליים (NDVI, EVI2, NDMI) של ביקורי לוויין רצופים מייצגים את שלבי הצמחייה והרבייה של מחזור הפנולוגיה של התירס (CW 20, 26 ו-33, 2018 Central Illinois).
לנקות את
אם אינך רוצה יותר להשתמש בפתרון זה, תוכל למחוק את המשאבים שהוא יצר. לאחר פריסת הפתרון בסטודיו, בחר מחק את כל המשאבים למחוק אוטומטית את כל המשאבים הסטנדרטיים שנוצרו בעת השקת הפתרון, כולל דלי S3.
סיכום
פתרון זה מספק שרטוט למקרי שימוש בהם מסקנות סיבתיות עם רשתות בייסיאניות הן המתודולוגיה המועדפת למענה על שאלות סיבתיות משילוב של נתונים ותשומות אנושיות. זרימת העבודה כוללת יישום יעיל של מנוע ההסקה, אשר מעמיד בתור שאילתות והתערבויות נכנסות ומעבד אותן באופן אסינכרוני. ההיבט המודולרי מאפשר שימוש חוזר ברכיבים שונים, לרבות עיבוד גיאו-מרחבי עם פעולות ייעודיות ומודלים מאומנים מראש, העשרת תמונות לוויין עם פעולות GDAL מותאמות אישית, והנדסת תכונות מולטי-מודאלית (מדדים ספקטרליים ונתונים טבלאיים).
בנוסף, אתה יכול להשתמש בפתרון זה כתבנית לבניית מודלים של גידולי רשת שבהם נערכים ניהול דשן חנקן וניתוח מדיניות סביבתית.
למידע נוסף עיין ב תבניות פתרונות ובצע את מדריך כדי להשיק את פתרון ה-Crop Yield Counterfactuals באזור מערב ארה"ב (אורגון). הקוד זמין ב- GitHub ריפו.
ציטוטים
מנדריני גרמנית, סוטיריוס ו' ארכונטוליס, קמרון מ. פיטלקוב, טארו מיאנו, ניקולס פ. מרטין,
מערך נתונים מדומה של תגובת תירס לחנקן במשך אלפי שדות ושנים מרובות באילינוי,
נתונים בקצרה, כרך 40, 2022, 107753, ISSN 2352-3409
משאבים שימושיים
על הכותבים
פול בארנה הוא מדען נתונים בכיר במעבדות האבטיפוס של למידת מכונה ב-AWS.
- 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/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :הוא
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- אודות
- הישגים
- חֶשְׁבּוֹן
- לרכוש
- נרכש
- לרוחב
- פעיל
- הוסיף
- תוספת
- נוסף
- כתובות
- עורכי דין
- לאחר
- AGI
- מטרות
- אַלגוֹרִיתְם
- תעשיות
- מאפשר
- למרות
- אמזון בעברית
- אמזון SageMaker
- אמזון SageMaker JumpStart
- בין
- כמות
- אנליזה
- ו
- תשובות
- בְּכָל מָקוֹם
- בקשה
- ארכיטקטורה
- ARE
- AREA
- סביב
- AS
- אספקט
- טוען
- עמותה
- At
- באופן אוטומטי
- זמין
- הימנעות
- AWS
- להקה
- מבוסס
- בייסיאנית
- BE
- לפני
- בֵּין
- כָּחוֹל
- ספר
- לשבור
- רחב
- לִבנוֹת
- בִּניָן
- by
- נקרא
- CAN
- יכולות
- ללכוד
- לוכדת
- מקרים
- קטגוריות
- לגרום
- תאים
- מֶרכָּזִי
- כבול
- שינוי
- שינויים
- ערוצים
- ילד
- בחרו
- תביעה
- טענות
- ענן
- קוד
- צווארונים
- שילוב
- Common
- רכיבים
- ריכוז
- תנאים
- מנוהל
- לְחַבֵּר
- רצופים
- אילוצים
- רציף
- לִשְׁלוֹט
- נשלט
- תוֹאֵם
- יכול
- לִיצוֹר
- נוצר
- יבול
- כיום
- זונה
- מנהג
- שהותקן
- מחזור
- נתונים
- עיבוד נתונים
- מדען נתונים
- נתונים מונחים
- מסד נתונים
- יְוֹם
- עמוק
- למידה עמוקה
- להפגין
- פרס
- נגזר
- פרט
- פרטים
- הבדל
- ישירות
- לדון
- מופץ
- הפצה
- הפצות
- מחולק
- תחום
- באופן דרסטי
- לצייר
- דינמיקה
- כל אחד
- השפעה
- הִתהַוּוּת
- מאפשר
- מה שמאפשר
- מקצה לקצה
- מנוע
- הנדסה
- משופר
- מועשר
- סביבתי
- מדיניות סביבתית
- למעשה
- תרגיל
- הרחבה
- מומחה
- מומחיות
- להסביר
- לחקור
- ביטויים
- הארכה
- תמצית
- גורמים
- חקלאות
- מאפיין
- תכונות
- מעטים
- שדות
- תרשים
- לעקוב
- הבא
- בעד
- טופס
- מסגרת
- החל מ-
- לגמרי
- נוסף
- ליצור
- גיאוגרפיות
- לקבל
- GitHub
- נתן
- גלוֹבָּלִי
- גרף
- גוונים אפורים
- ירוק
- רֶשֶׁת
- צמיחה
- מדריך
- לטפל
- לקרות
- יש
- מוּסתָר
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- בן אנוש
- אידאל
- לזהות
- זיהוי
- אילינוי
- תמונה
- תמונות
- פְּגִיעָה
- הפעלה
- מְרוּמָז
- לייבא
- חשיבות
- מוּטָל
- כופה
- in
- כולל
- כולל
- נכנס
- שילוב
- גדל
- אינדיקטורים
- מדדים
- מידע
- תשתית
- בתחילה
- בהתחלה
- תובנות
- למשל
- הוראות
- מוֹדִיעִין
- יחסי גומלין
- אינטרס
- התערבות
- הציג
- IT
- שֶׁלָה
- עבודה
- לדעת
- ידע
- מעבדות
- גָדוֹל
- לשגר
- השקה
- עוֹפֶרֶת
- לִלמוֹד
- למד
- למידה
- הגבלה
- מוגבל
- ספרות
- עוד
- מכונה
- למידת מכונה
- מכונה
- עשוי
- עשייה
- ניהול
- מַפָּה
- סנונית
- מסכה
- מבחר המסיכות
- להתאים
- מתמטיקה
- דבר
- בגרות
- למזג
- מֵתוֹדוֹלוֹגִיָה
- מדדים
- יכול
- חלב
- ML
- מודל
- מודלים
- מודולרי
- יותר
- מספר
- שם
- נאס"א
- ליד
- בהכרח
- צורך
- רשת
- רשתות
- הבא
- ניקולא
- צומת
- הפצת צמתים
- צמתים
- מספר
- להשיג
- of
- on
- מבצע
- תפעול
- אופטימיזציה
- מטב
- אפשרות
- כָּתוֹם
- להזמין
- אורגון
- אחר
- מקביל
- פרמטרים
- הורים
- מסוים
- עבר
- לְבַצֵעַ
- פוטוסינתזה
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- תקע
- מדיניות
- מְצוּלָע
- אפשרי
- הודעה
- מועדף
- עקרונות
- קודם
- בעיה
- תהליך
- מעובד
- תהליכים
- תהליך
- נכסים
- רכוש
- מוּצָע
- מציע
- prototyping
- לספק
- מספק
- אַך וְרַק
- שאלות
- אקראי
- אקראי
- רכס
- תעריפים
- מוכן
- סביר
- Red
- להפחית
- הפחתה
- באזור
- קשר
- מערכות יחסים
- הסרה
- החליף
- לייצג
- המייצג
- בקשות
- נדרש
- החלטה
- משאבים
- תגובה
- אחראי
- סקר
- RGB
- ההחזר על ההשקעה
- הפעלה
- ריצה
- בעל חכמים
- הלוויין
- תרחישים
- מַדְעָן
- סעיף
- פילוח
- נבחר
- לחצני מצוקה לפנסיונרים
- תחושה
- סדרה
- סט
- כמה
- הופעות
- באופן דומה
- יחיד
- פִּתָרוֹן
- פתרונות
- כמה
- מרחבית
- ספקטרלי
- ריבועים
- התמחות
- שלבים
- תֶקֶן
- מדינה
- הברית
- סטטיסטיקה
- מצב
- שלב
- צעדים
- לחץ
- מִבְנֶה
- מחקרים
- סטודיו
- לימוד
- נושא
- לאחר מכן
- תמיכה
- מערכות
- נטילת
- טארו
- הוראה
- תבנית
- בדיקות
- זֶה
- השמיים
- הגרף
- המדינה
- העולם
- שֶׁלָהֶם
- אותם
- בכך
- אלה
- דברים
- אלפים
- שְׁלוֹשָׁה
- דרך
- בכל
- זמן
- ל
- יַחַד
- רכבת
- לשנות
- הפיכה
- שָׁקוּף
- טיפול
- מִשׁפָּט
- ניסויים
- מהימן
- UCLA
- לגלות
- תחת
- הבנה
- יחידה
- מאוחד
- ארצות הברית
- עדכון
- עדכון
- us
- להשתמש
- תוקף
- ערך
- שונים
- ביקורים
- כֶּרֶך
- מים
- דרכים
- מזג אוויר
- שבועות
- טוֹב
- מערב
- מה
- אשר
- בזמן
- יצטרך
- עם
- בתוך
- לְלֹא
- עוֹלָם
- כתיבה
- X
- שנים
- תְשׁוּאָה
- תשואות
- אתה
- זפירנט