קביעת ערך הדיור היא דוגמה קלאסית לשימוש של למידת מכונה (ML). השפעה משמעותית בוצעה על ידי האריסון ורובינפלד (1978), שפרסמו מאמר ומערך נתונים פורצי דרך שנודעו באופן לא רשמי בתור מערך הדיור של בוסטון. עבודה מכוננת זו הציעה שיטה להערכת מחירי דיור כפונקציה של ממדים רבים, כולל איכות האוויר, שהייתה המוקד העיקרי של המחקר שלהם. כמעט 50 שנה מאוחר יותר, הערכת מחירי הדירות הפכה לכלי הוראה חשוב עבור סטודנטים ואנשי מקצוע המעוניינים להשתמש בנתונים וב-ML בקבלת החלטות עסקית.
בפוסט זה, אנו דנים בשימוש במודל קוד פתוח שתוכנן במיוחד עבור המשימה של מענה לשאלות חזותיות (VQA). עם VQA, אתה יכול לשאול שאלה של תמונה בשפה טבעית ולקבל תשובה לשאלתך - גם בשפה פשוטה. המטרה שלנו בפוסט זה היא לעורר השראה ולהדגים מה אפשרי באמצעות טכנולוגיה זו. אנו מציעים להשתמש ביכולת זו עם ה אמזון SageMaker פלטפורמת שירותים לשיפור דיוק מודל הרגרסיה במקרה שימוש ב-ML, ובאופן עצמאי, לתיוג אוטומטי של תמונות ויזואליות.
אנו מספקים תואם וידאו של YouTube זה מדגים את מה שנדון כאן. השמעת וידאו תתחיל באמצע הדרך כדי להדגיש את הנקודה הבולטת ביותר. אנו מציעים לך לעקוב אחר קריאה זו עם הסרטון כדי לחזק ולהשיג הבנה עשירה יותר של הרעיון.
דגמי יסוד
פתרון זה מתמקד בשימוש במודל יסוד שפורסם במאגר המודלים של Hugging Face. כאן, אנו משתמשים במונח מודל יסוד לתאר יכולת בינה מלאכותית (AI) שהוכשרה מראש על מאגר נתונים גדול ומגוון. מודלים של בסיס יכולים לפעמים להיות מוכנים לשימוש ללא הנטל של הכשרת מודל מאפס. ניתן לכוונן דגמי יסוד מסוימים, כלומר ללמד אותם דפוסים נוספים שרלוונטיים לעסק שלך אך חסרים מהמודל המקורי והמוכלל שפורסם. לפעמים יש צורך בכוונון עדין כדי לספק תגובות נכונות שייחודיות למקרה השימוש או לגוף הידע שלך.
ב פנים מחבקות מאגר, ישנם מספר דגמי VQA לבחירה. בחרנו את הדגם עם הכי הרבה הורדות בזמן כתיבת שורות אלה. למרות שפוסט זה מדגים את היכולת להשתמש במודל ממאגר מודלים בקוד פתוח, אותו רעיון יחול על מודל שאימנתם מאפס או השתמשתם מספק אמין אחר.
גישה מודרנית למקרה שימוש קלאסי
הערכת מחירי הדירות התרחשה באופן מסורתי באמצעות נתונים טבלאיים שבהם נעשה שימוש בתכונות של הנכס כדי להודיע על המחיר. למרות שיכולות להיות מאות תכונות שיש לקחת בחשבון, כמה דוגמאות בסיסיות הן גודל הבית בחלל המוגמר, מספר חדרי השינה וחדרי האמבטיה ומיקום המגורים.
למידת מכונה מסוגלת לשלב מקורות קלט מגוונים מעבר לנתונים טבלאיים, כגון אודיו, תמונות סטילס, וידאו בתנועה ושפה טבעית. ב-AI, המונח רב-מודאלי מתייחס לשימוש במגוון סוגי מדיה, כגון תמונות ונתונים טבלאיים. בפוסט זה, אנו מראים כיצד להשתמש בנתונים מולטי-מודאליים כדי למצוא ולשחרר ערך נסתר הכלוא בפלט הדיגיטלי השופע המיוצר על ידי העולם המודרני של היום.
מתוך מחשבה על רעיון זה, אנו מדגימים את השימוש במודלים של בסיס כדי לחלץ תכונות סמויות מתמונות של הנכס. על ידי שימוש בתובנות שנמצאו בתמונות, שלא היו זמינות בעבר בנתונים הטבלה, נוכל לשפר את הדיוק של המודל. גם התמונות וגם הנתונים הטבלאיים שנדונו בפוסט זה הועמדו לזמינים ופורסמו במקור GitHub מאת אחמד ומוסטפא (2016).
תמונה שווה אלף מילים
כעת, לאחר שהבנו את היכולות של VQA, בואו נבחן את שתי התמונות הבאות של מטבחים. כיצד היית מעריך את ערך הבית מהתמונות הללו? אילו שאלות הייתם שואלים את עצמכם? כל תמונה עשויה לעורר עשרות שאלות במוחכם. חלק מהשאלות הללו עשויות להוביל לתשובות משמעותיות שמשפרות תהליך הערכת שווי בית.
קרדיט תמונות פרנצ'סקה טוסוליני (L) ו-Sidekix Media (R) ב-Unsplash
הטבלה הבאה מספקת דוגמאות אנקדוטיות של אינטראקציות VQA על ידי הצגת שאלות לצד התשובות המתאימות שלהן. תשובות יכולות לבוא בצורה של תגובות קטגוריות, ערך רציף או בינאריות.
שאלה לדוגמה | תשובה לדוגמה ממודל הקרן |
ממה עשויים המשטחים? | גרניט, אריחים, שיש, למינציה וכו'. |
האם זה מטבח יקר? | כן לא |
כמה כיורים מופרדים יש? | 0, 1, 2 |
ארכיטקטורת התייחסות
בפוסט זה אנו משתמשים רנגלר הנתונים של אמזון SageMaker לשאול סט אחיד של שאלות ויזואליות עבור אלפי תמונות במערך הנתונים. SageMaker Data Wrangler נבנה במיוחד כדי לפשט את תהליך הכנת הנתונים והנדסת תכונות. על ידי אספקת יותר מ-300 טרנספורמציות מובנות, SageMaker Data Wrangler עוזר להפחית את הזמן שלוקח להכנת נתוני טבלאות ותמונה עבור ML משבועות לדקות. כאן, SageMaker Data Wrangler משלב תכונות נתונים מהסט הטבלאי המקורי עם תכונות שנולדו בתמונות ממודל הבסיס לאימון דוגמניות.
לאחר מכן, אנו בונים מודל רגרסיה עם שימוש ב אמזון SageMaker Canvas. SageMaker Canvas יכול לבנות מודל, מבלי לכתוב שום קוד, ולספק תוצאות ראשוניות תוך 2-15 דקות בלבד. בסעיף שלאחר מכן, אנו מספקים ארכיטקטורת התייחסות המשמשת כדי לאפשר הנחיית פתרון זו.
דגמים פופולריים רבים מבית Hugging Face וספקים אחרים ניתנים לפריסה בלחיצה אחת אמזון SageMaker JumpStart. ישנם מאות אלפי דגמים זמינים במאגרים אלה. עבור פוסט זה, אנו בוחרים דגם שאינו זמין ב- SageMaker JumpStart, אשר דורש פריסה של לקוח. כפי שמוצג באיור הבא, אנו פורסים מודל חיבוק להסקת מסקנות באמצעות א סטודיו SageMaker של אמזון מחברת. המחברת משמשת לפריסת נקודת קצה להסקת מסקנות בזמן אמת. המחברת משתמשת בנכסים הכוללים את המודל הבינארי של Hugging Face, מצביע לתמונת מיכל וסקריפט inference.py בנוי למטרות התואם את הקלט והפלט הצפויים של המודל. בזמן שאתה קורא את זה, השילוב של דגמי VQA זמינים עשוי להשתנות. הדבר החשוב הוא לסקור את דגמי ה-VQA הזמינים, בזמן שאתה קורא את זה, ולהיות מוכן לפרוס את המודל שאתה בוחר, שיהיה לו חוזה בקשה ותגובה משלו ל-API.
לאחר שמודל ה-VQA מוגש על ידי נקודת הקצה של SageMaker, אנו משתמשים ב- SageMaker Data Wrangler כדי לתזמן את הצינור המשלב בסופו של דבר נתונים טבלאיים ותכונות שחולצו מהתמונות הדיגיטליות ומעצב מחדש את הנתונים לצורך אימון המודל. האיור הבא מציע תצוגה של אופן הפעלת משימת שינוי הנתונים בקנה מידה מלא.
באיור הבא, אנו משתמשים ב- SageMaker Data Wrangler לתזמור משימות הכנת נתונים וב- SageMaker Canvas לאימון מודלים. ראשית, SageMaker Data Wrangler משתמש שירות המיקום של אמזון כדי להמיר מיקודים הזמינים בנתונים הגולמיים לתכונות קו רוחב ואורך. שנית, SageMaker Data Wrangler מסוגלת לתאם שליחת אלפי תמונות לנקודת קצה מתארחת של SageMaker לצורך הסקת מסקנות בזמן אמת, ולשאול סט אחיד של שאלות לכל סצנה. כתוצאה מכך, מגוון עשיר של מאפיינים המתארים מאפיינים שנצפו במטבחים, חדרי אמבטיה, חוץ לבית ועוד. לאחר שהנתונים הוכנו על ידי SageMaker Data Wrangler, ערכת נתוני אימון זמינה ב שירות אחסון פשוט של אמזון (אמזון S3). באמצעות נתוני S3 כקלט, SageMaker Canvas מסוגל לאמן מודל, תוך 2-15 דקות בלבד, מבלי לכתוב שום קוד.
שינוי נתונים באמצעות SageMaker Data Wrangler
צילום המסך הבא מציג זרימת עבודה של SageMaker Data Wrangler. זרימת העבודה מתחילה באלפי תמונות של בתים המאוחסנים באמזון S3. לאחר מכן, גלאי סצנה קובע את הסצנה, כגון מטבח או חדר אמבטיה. לבסוף, נשאלת סט שאלות ספציפיות לסצינה מהתמונות, וכתוצאה מכך מערך נתונים טבלאי עשיר יותר זמין להדרכה.
להלן דוגמה לקוד הטרנספורמציה המותאם אישית של SageMaker Data Wrangler המשמש לאינטראקציה עם מודל הבסיס ולקבלת מידע על תמונות של מטבחים. בצילום המסך הקודם, אם הייתם בוחרים בצומת תכונות המטבח, יופיע הקוד הבא:
כשיקול אבטחה, תחילה עליך לאפשר ל- SageMaker Data Wrangler להתקשר לנקודת הקצה של SageMaker בזמן אמת דרך AWS זהות וניהול גישה (אני). באופן דומה, כל משאבי AWS שתפעיל באמצעות SageMaker Data Wrangler יזדקק להרשאות אישור דומות.
מבני נתונים לפני ואחרי SageMaker Data Wrangler
בחלק זה, נדון במבנה של הנתונים הטבלאיים המקוריים והנתונים המשופרים. הנתונים המשופרים מכילים תכונות נתונים חדשות ביחס למקרה שימוש לדוגמה זה. ביישום שלך, הקדיש זמן לדמיין את קבוצת השאלות המגוונת הזמינה בתמונות שלך כדי לעזור למשימת הסיווג או הרגרסיה שלך. הרעיון הוא לדמיין כמה שיותר שאלות ואז לבדוק אותן כדי לוודא שהן אכן מספקות ערך מוסף.
מבנה הנתונים הטבלה המקוריים
כפי שמתואר במקור GitHub ריפו, מערך הנתונים לדוגמה מכיל 535 רשומות טבלאות כולל ארבע תמונות לכל מאפיין. הטבלה הבאה ממחישה את המבנה של הנתונים הטבלאיים המקוריים.
מאפיין | תגובה |
מספר חדרי שינה | . |
מספר חדרי אמבטיה | . |
שטח (מטר מרובע) | . |
מיקוד | . |
מחיר | זהו משתנה היעד שיש לחזות. |
מבנה של נתונים משופרים
הטבלה הבאה ממחישה את מבנה הנתונים המשופר, המכיל מספר תכונות חדשות שנגזרות מהתמונות.
מאפיין | תגובה |
מספר חדרי שינה | . |
מספר חדרי אמבטיה | . |
שטח (מטר מרובע) | . |
קו רוחב | מחושב על ידי העברת מיקוד מקורי לשירות המיקום של אמזון. זהו הערך המרכזי של ה-ZIP. |
קו אורך | מחושב על ידי העברת מיקוד מקורי לשירות המיקום של אמזון. זהו הערך המרכזי של ה-ZIP. |
האם חדר השינה מכיל תקרה מקומרת? | 0 = לא; 1 = כן |
האם השירותים יקרים? | 0 = לא; 1 = כן |
האם המטבח יקר? | 0 = לא; 1 = כן |
מחיר | זהו משתנה היעד שיש לחזות. |
אימון דוגמניות עם SageMaker Canvas
עבודת עיבוד של SageMaker Data Wrangler מכינה והופכת את כל מערך ההדרכה הטבלאי לזמין באמזון S3. בשלב הבא, SageMaker Canvas מתייחס לשלב בניית המודל של מחזור החיים של ML. קנבס מתחיל בפתיחת ערכת האימונים S3. היכולת להבין מודל היא לעתים קרובות דרישת מפתח של הלקוח. בלי לכתוב קוד, ובתוך כמה קליקים, SageMaker Canvas מספק משוב עשיר וחזותי על ביצועי המודל. כפי שניתן לראות בצילום המסך בסעיף הבא, SageMaker Canvas מראה כיצד תכונות בודדות מודיעות לדגם.
מודל מאומן עם נתונים טבלאיים מקוריים ותכונות שנגזרות מתמונות נדל"ן
אנו יכולים לראות מצילום המסך הבא שתכונות שפותחו מתמונות של הנכס היו חשובות. בהתבסס על תוצאות אלו, השאלה "האם המטבח הזה יקר" מהתמונה הייתה משמעותית יותר מ"מספר חדרי השינה" בסט הטבלה המקורי, עם ערכי חשיבות תכונה של 7.08 ו-5.498, בהתאמה.
צילום המסך הבא מספק מידע חשוב על הדגם. ראשית, גרף השאריות מציג את רוב הנקודות בקבוצה המתקבצות סביב האזור המוצלל הסגול. כאן, שני חריגים צוינו באופן ידני מחוץ ל- SageMaker Canvas עבור איור זה. חריגים אלה מייצגים פערים משמעותיים בין ערך הבית האמיתי לערך החזוי. בנוסף, ה-R2 הערך, שיש לו טווח אפשרי של 0-100%, מוצג ב-76%. זה מצביע על כך שהמודל אינו מושלם ואין לו מספיק נקודות מידע כדי לתת את הדעת על כל המגוון כדי להעריך באופן מלא את ערכי הבית.
אנו יכולים להשתמש בחריגים כדי למצוא ולהציע אותות נוספים כדי לבנות מודל מקיף יותר. לדוגמה, נכסים חריגים אלה עשויים לכלול בריכת שחייה או להיות ממוקמים על חלקות אדמה גדולות. מערך הנתונים לא כלל את התכונות הללו; עם זאת, ייתכן שתוכל לאתר נתונים אלה ולאמן דגם חדש עם "יש בריכת שחייה" כלול כתכונה נוספת. באופן אידיאלי, בניסיון הבא שלך, ה-R2 הערך יעלה וערכי MAE ו-RMSE ירדו.
דגם מאומן ללא תכונות שנגזרות מתמונות נדל"ן
לבסוף, לפני שנעבור לסעיף הבא, בואו נבדוק אם התכונות מהתמונות היו מועילות. צילום המסך הבא מספק דגם נוסף שעבר הכשרה של SageMaker Canvas ללא התכונות מדגם VQA. אנו רואים ששיעור השגיאות בדגם גדל, מ-RMSE של 282K ל-RMSE של 352K. מכאן נוכל להסיק ששלוש שאלות פשוטות מהתמונות שיפרו את דיוק המודל בכ-20%. לא מוצג, אבל כדי להיות שלם, ה-R2 הערך עבור הדגם הבא הידרדר גם הוא, וירד לערך של 62% מערך של 76% עם תכונות ה-VQA שסופקו. זוהי דוגמה לאופן שבו SageMaker Canvas עושה את זה פשוט להתנסות במהירות ולהשתמש בגישה מונעת נתונים שמניבה מודל שישרת את הצורך העסקי שלך.
להסתכל קדימה
ארגונים רבים מתעניינים יותר ויותר במודלים של יסודות, במיוחד מאז שנאים כלליים מראש מאומנים (GPTs) הפכו רשמית לנושא עניין מיינסטרים בדצמבר 2022. חלק גדול מהעניין במודלים של יסודות מתרכז במשימות של מודלים של שפה גדולה (LLM) ; עם זאת, ישנם מקרי שימוש מגוונים אחרים זמינים, כגון ראייה ממוחשבת, ובאופן צר יותר, משימת VQA המיוחדת המתוארת כאן.
פוסט זה הוא דוגמה להשראה לשימוש בנתונים מולטי-מודאליים כדי לפתור מקרי שימוש בתעשייה. למרות שהדגמנו את השימוש והתועלת של VQA במודל רגרסיה, ניתן להשתמש בו גם כדי לתייג ולתייג תמונות לחיפוש אחר או לניתוב זרימת עבודה עסקית. תאר לעצמך שאתה יכול לחפש נכסים הרשומים למכירה או להשכרה. נניח שאתה רוצה למצוא נכס עם רצפות אריחים או משטחי שיש. כיום, ייתכן שיהיה עליך לקבל רשימה ארוכה של נכסים מועמדים ולסנן את עצמך לפי מראה עיניים תוך כדי דפדוף בכל מועמד. במקום זאת, דמיינו שאתם יכולים לסנן רישומים המכילים את התכונות הללו - גם אם אדם לא תייג אותם במפורש. בענף הביטוח, דמיינו את היכולת להעריך נזקי תביעה, או לנתב את הפעולות הבאות בזרימת עבודה עסקית מתמונות. בפלטפורמות של מדיה חברתית, תמונות יכולות להיות מתויגות אוטומטית לשימוש בהמשך.
<br> סיכום
פוסט זה הדגים כיצד להשתמש בראייה ממוחשבת המופעלת על ידי מודל יסוד כדי לשפר מקרה שימוש קלאסי ב-ML באמצעות פלטפורמת SageMaker. כחלק מהפתרון המוצע, איתרנו מודל VQA פופולרי זמין במרשם מודלים ציבורי ופרסנו אותו באמצעות נקודת קצה של SageMaker להסקת מסקנות בזמן אמת.
לאחר מכן, השתמשנו ב- SageMaker Data Wrangler לתזמורת זרימת עבודה שבה נשאלו שאלות אחידות לתמונות על מנת ליצור סט עשיר של נתונים טבלאיים. לבסוף, השתמשנו ב- SageMaker Canvas כדי לאמן מודל רגרסיה. חשוב לציין שמערך הנתונים לדוגמה היה פשוט מאוד, ולכן, לא מושלם בעיצובו. למרות זאת, SageMaker Canvas מאפשר להבין בקלות את דיוק המודל ולחפש אותות נוספים כדי לשפר את הדיוק של מודל בסיסי.
אנו מקווים שפוסט זה עודד אותך להשתמש בנתונים הרב-מודאליים שאולי יש בידי הארגון שלך. בנוסף, אנו מקווים שהפוסט נתן לך השראה לשקול אימון מודלים כתהליך איטרטיבי. ניתן להשיג מודל נהדר עם קצת סבלנות. מודלים שהם כמעט מושלמים עשויים להיות טובים מכדי להיות אמיתיים, אולי תוצאה של דליפת מטרה או התאמה יתר. תרחיש אידיאלי יתחיל במודל שהוא טוב, אבל לא מושלם. באמצעות שגיאות, הפסדים וחלקות שיוריות, אתה יכול להשיג אותות נתונים נוספים כדי להגדיל את הדיוק מההערכה הראשונית שלך.
AWS מציעה את הסט הרחב והעמוק ביותר של שירותי ML ותשתית ענן תומכת, ומעמידה את ה-ML בידיים של כל מפתח, מדען נתונים ומטפל מומחה. אם אתה סקרן ללמוד עוד על פלטפורמת SageMaker, כולל SageMaker Data Wrangler ו- SageMaker Canvas, אנא פנה לצוות חשבון AWS שלך והתחל בשיחה. כמו כן, שקול לקרוא עוד על SageMaker Data Wrangler טרנספורמציות מותאמות אישית.
הפניות
Ahmed, E. H., & Moustafa, M. (2016). הערכת מחיר בית מתכונות חזותיות וטקסטואליות. IJCCI 2016-הליכי הכנס הבינלאומי ה-8 בנושא אינטליגנציה חישובית, 3, 62–68.
Harrison Jr, D., & Rubinfeld, D. L. (1978). מחירי דיור נהנתנים והביקוש לאוויר נקי. כתב עת לכלכלה וניהול סביבתיים, 5(1), 81-102.
Kim, W., Son, B. & קים, אני... (2021). ViLT: Vision-and-Language Transformer ללא קונבולציה או פיקוח אזורי. הליכים של הכנס הבינלאומי ה-38 בנושא למידת מכונה, ב-Proceedings of Machine Learning Research. 139:5583-5594.
על המחבר
צ'ארלס לאגלין הוא ארכיטקט פתרונות AI/ML ראשי ועובד בצוות השירות של Amazon SageMaker ב-AWS. הוא עוזר לעצב את מפת הדרכים של השירות ומשתף פעולה מדי יום עם לקוחות AWS מגוונים כדי לעזור לשנות את העסקים שלהם באמצעות טכנולוגיות AWS מתקדמות ומנהיגות מחשבתית. צ'ארלס הוא בעל תואר שני בניהול שרשרת אספקה ותואר Ph.D. במדעי הנתונים.
- 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. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 שנים
- 7
- 8
- 8th
- a
- יכולת
- יכול
- אודות
- שופע
- גישה
- חֶשְׁבּוֹן
- דיוק
- הושג
- פעולות
- נוסף
- בנוסף
- כתובות
- לאחר
- אחמד
- AI
- AI / ML
- AIR
- תעשיות
- להתיר
- כמעט
- בַּצַד
- גם
- למרות
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- amp
- an
- ו
- אחר
- לענות
- תשובות
- כל
- API
- לְהוֹפִיעַ
- בקשה
- החל
- גישה
- ארכיטקטורה
- ARE
- סביב
- מערך
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית (AI)
- AS
- לשאול
- לשאול
- לְהַעֲרִיך
- נכסים
- At
- ניסיון
- אודיו
- אוטומטי
- זמין
- AWS
- מבוסס
- Baseline
- BE
- הפך
- להיות
- התהוות
- היה
- לפני
- להתחיל
- להיות
- תועלת
- בֵּין
- מעבר
- גוּף
- בוסטון
- שניהם
- לִבנוֹת
- בִּניָן
- מובנה
- ניטל
- עסקים
- עסקים
- אבל
- by
- שיחה
- CAN
- מועמד
- בד
- יכולות
- יכולת
- מסוגל
- מקרה
- מקרים
- תִקרָה
- מרוכז
- מרכזים
- שרשרת
- שינוי
- מאפיינים
- צ'ארלס
- בחרו
- לטעון
- קלאסי
- מיון
- לְנַקוֹת
- ענן
- תשתית ענן
- קיבוץ
- קוד
- קודים
- משתף פעולה
- צֶבַע
- משלב
- איך
- להשלים
- מַקִיף
- חישובית
- המחשב
- ראייה ממוחשבת
- מושג
- מסכם
- כנס
- לשקול
- התחשבות
- להכיל
- מכולה
- מכיל
- רציף
- חוזה
- שיחה
- להמיר
- לתאם
- לתקן
- תוֹאֵם
- יכול
- אשראי
- סקרן
- מנהג
- לקוח
- לקוחות
- שיא הטכנולוגיה
- יומי
- נתונים
- הכנת נתונים
- מדע נתונים
- מדען נתונים
- מערך נתונים
- מבנה נתונים
- נתונים מונחים
- דֵצֶמבֶּר
- קבלת החלטות
- להקטין
- העמוק ביותר
- למסור
- דרישה
- להפגין
- מופגן
- מדגים
- לפרוס
- פרס
- פריסה
- נגזר
- לתאר
- מְתוּאָר
- עיצוב
- מעוצב
- קובע
- מפותח
- מפתח
- דיגיטלי
- ממדים
- לדון
- נָדוֹן
- שונה
- do
- עושה
- לא
- הורדות
- עשרות
- נשמט
- e
- כל אחד
- קל
- כלכלה
- לאפשר
- מופעל
- עודד
- נקודת קצה
- הנדסה
- משופר
- מספיק
- שלם
- סביבתי
- שגיאה
- שגיאות
- במיוחד
- לְהַעֲרִיך
- וכו '
- אֲפִילוּ
- כל
- דוגמה
- דוגמאות
- צפוי
- יקר
- לְנַסוֹת
- מומחה
- בִּמְפוּרָשׁ
- לחקור
- תמצית
- פָּנִים
- מאפיין
- תכונות
- מָשׁוֹב
- רגליים
- מעטים
- תרשים
- לסנן
- בסופו של דבר
- ראשון
- קוֹמָה
- להתמקד
- לעקוב
- הבא
- כדלקמן
- בעד
- טופס
- מצא
- קרן
- ארבע
- החל מ-
- בקנה מידה מלא
- לגמרי
- פונקציה
- פונקציות
- יסודי
- לְהַשִׂיג
- פערים
- כללי
- ליצור
- לקבל
- מטרה
- טוב
- גרף
- גדול
- פורץ דרך
- הדרכה
- ידיים
- יש
- he
- לעזור
- מועיל
- עוזר
- כאן
- מוּסתָר
- להבליט
- מחזיק
- עמוד הבית
- בתי מגורים
- לקוות
- אירח
- בית
- דיור
- איך
- איך
- אולם
- http
- HTTPS
- מאות
- i
- רעיון
- אידאל
- באופן אידיאלי
- זהות
- if
- מדגים
- תמונה
- תמונות
- תמונה
- לייבא
- חשיבות
- חשוב
- לשפר
- משופר
- in
- לכלול
- כלול
- כולל
- שילוב
- להגדיל
- גדל
- יותר ויותר
- באופן עצמאי
- מצביע על
- תעשייה
- להשפיע
- לְהוֹדִיעַ
- מידע
- תשתית
- בתחילה
- קלט
- תובנות
- לעורר
- השראה
- במקום
- ביטוח
- מוֹדִיעִין
- אינטראקציה
- יחסי גומלין
- אינטרס
- מעוניין
- ברמה בינלאומית
- אל תוך
- IT
- שֶׁלָה
- עבודה
- משותף
- jpg
- ג'סון
- מפתח
- קים
- ידע
- ידוע
- תווית
- מדינה
- שפה
- גָדוֹל
- מאוחר יותר
- עוֹפֶרֶת
- מנהיגות
- לִלמוֹד
- למידה
- מעגל החיים
- רשימה
- ברשימה
- רישומים
- קְצָת
- LLM
- ממוקם
- מיקום
- נעול
- ארוך
- אבדות
- מכונה
- למידת מכונה
- עשוי
- זרם מרכזי
- לעשות
- עושה
- ניהול
- באופן ידני
- רב
- גפרורים
- מאי..
- משמעותי
- אומר
- מדיה
- שיטה
- בְּחַצִי הַדֶרֶך
- יכול
- אכפת לי
- דקות
- חסר
- לערבב
- ML
- מודל
- מודלים
- מודרני
- יותר
- רוב
- תנועה
- נע
- צריך
- טבעי
- צורך
- נחוץ
- חדש
- תכונות חדשות
- הבא
- לא
- צומת
- מחברה
- מספר
- רב
- להשיג
- התרחשה
- of
- המיוחדות שלנו
- רשמית
- לעתים קרובות
- on
- רק
- קוד פתוח
- פתיחה
- or
- להזמין
- ארגון
- ארגונים
- מְקוֹרִי
- בְּמָקוֹר
- אחר
- שלנו
- הַחוּצָה
- חריג,יוצא דופן
- תפוקה
- בחוץ
- שֶׁלוֹ
- מאמר
- חלק
- חולף
- סבלנות
- דפוסי
- עבור
- ביצועים
- אוּלַי
- הרשאות
- אדם
- שלב
- צילום
- תמונות
- תמונה
- תמונות
- צינור
- מישור
- פלטפורמה
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אנא
- נקודה
- נקודות
- בריכה
- פופולרי
- חלק
- להחזיק
- אפשרי
- הודעה
- חזה
- מקדים
- הכנה
- להכין
- מוּכָן
- מכין
- קוֹדֶם
- מחיר
- מחירים
- מנהל
- הליכים
- תהליך
- תהליך
- מיוצר
- אנשי מקצוע
- נכסים
- רכוש
- להציע
- מוּצָע
- לספק
- ובלבד
- ספק
- ספקים
- מספק
- מתן
- ציבורי
- לאור
- מכניס
- איכות
- שאלה
- שאלות
- מהירות
- R
- רכס
- ציון
- חי
- לְהַגִיעַ
- חומר עיוני
- קריאה
- מוכן
- זמן אמת
- לקבל
- רשום
- להפחית
- הפניה
- מתייחס
- באזור
- רישום
- לתגבר
- קרוב משפחה
- רלוונטי
- לשכור
- מאגר
- לייצג
- לבקש
- דרישה
- דורש
- מחקר
- לעצב מחדש
- מגורים
- משאבים
- בהתאמה
- תגובה
- תגובות
- תוצאה
- וכתוצאה מכך
- תוצאות
- לַחֲזוֹר
- סקירה
- עשיר
- עשיר יותר
- מפת דרכים
- מסלול
- ניתוב
- הפעלה
- זמן ריצה
- s
- בעל חכמים
- SALE
- אותו
- מערך נתונים לדוגמה
- תרחיש
- סצינה
- מדע
- מַדְעָן
- סקוט
- תסריט
- חיפוש
- שְׁנִיָה
- סעיף
- אבטחה
- לִרְאוֹת
- לחפש
- לראות
- נבחר
- שליחה
- לשרת
- שירת
- שרות
- שירותים
- סט
- כמה
- צוּרָה
- לְהַצִיג
- הראה
- הופעות
- מראה
- אותות
- משמעותי
- דומה
- באופן דומה
- פָּשׁוּט
- לפשט
- since
- יחיד
- מידה
- So
- חֶברָתִי
- מדיה חברתית
- פלטפורמות מדיה חברתיות
- פִּתָרוֹן
- לפתור
- כמה
- לפעמים
- שלה
- מָקוֹר
- מקורות
- מֶרחָב
- מומחה
- מיוחד
- במיוחד
- מרובע
- התחלה
- עוד
- אחסון
- מאוחסן
- פשוט
- מִבְנֶה
- מבנים
- סטודנטים
- לאחר מכן
- כזה
- להציע
- פיקוח עליון
- לספק
- שרשרת אספקה
- ניהול שרשרת הספקה
- מסייע
- בטוח
- שולחן
- תָג
- לקחת
- לוקח
- יעד
- המשימות
- משימות
- הוראה
- נבחרת
- טכנולוגיות
- טכנולוגיה
- טווח
- מבחן
- טקסטואלית
- מֵאֲשֶׁר
- זֶה
- השמיים
- המקור
- שֶׁלָהֶם
- אותם
- אז
- שם.
- לכן
- אלה
- הֵם
- דבר
- זֶה
- אלה
- מחשבה
- מנהיגות מחשבתית
- אלף
- אלפים
- שְׁלוֹשָׁה
- דרך
- זמן
- ל
- היום
- של היום
- גַם
- כלי
- נושא
- באופן מסורתי
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- טרנספורמציה
- טרנספורמציות
- שנאי
- רוֹבּוֹטרִיקִים
- נָכוֹן
- מהימן
- שתיים
- סוג
- סוגים
- בסופו של דבר
- להבין
- הבנה
- ייחודי
- Unsplash
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- שימושים
- באמצעות
- ניצול
- הערכה
- ערך
- ערך מוסף
- ערכים
- משתנה
- מגוון
- מאוד
- וִידֵאוֹ
- לצפיה
- נראה
- חזון
- חזותי
- W
- רוצה
- היה
- we
- אינטרנט
- שירותי אינטרנט
- שבועות
- טוֹב
- היו
- מה
- מה
- אשר
- מי
- יצטרך
- חלונות
- עם
- בתוך
- לְלֹא
- עץ
- תיק עבודות
- זרימת עבודה
- עובד
- עוֹלָם
- ראוי
- היה
- כתיבה
- שנים
- תשואות
- אתה
- עצמך
- YouTube
- זפירנט
- אפס
- רוכסן