עיבוד שפה טבעית (NLP) הוא התחום בלמידת מכונה (ML) העוסק במתן למחשבים את היכולת להבין טקסט ומילים מדוברות באותו אופן שבו בני אדם יכולים. לאחרונה, ארכיטקטורות מתקדמות כמו ה ארכיטקטורת שנאים משמשים להשגת ביצועים כמעט אנושיים במשימות NLP במורד הזרם כמו סיכום טקסט, סיווג טקסט, זיהוי ישויות ועוד.
מודלים של שפה גדולה (LLMs) הם מודלים מבוססי שנאים שהוכשרו על כמות גדולה של טקסט ללא תווית עם מאות מיליונים (ברט) עד מעל טריליון פרמטרים (MiCS), ושגודלו הופך את האימון ב-GPU יחיד לבלתי מעשי. בשל המורכבות המובנית שלהם, אימון LLM מאפס היא משימה מאתגרת מאוד שמעט מאוד ארגונים יכולים להרשות לעצמם. נוהג נפוץ למשימות NLP במורד הזרם הוא לקחת LLM מאומן מראש ולכוונן אותו עדין. למידע נוסף על כוונון עדין, עיין ב התאמת דומיין כוונון עדין של מודלים של בסיס באמזון SageMaker JumpStart על נתונים פיננסיים ו כוונן מודלים של שפות שנאים לגיוון לשוני עם Hugging Face ב- Amazon SageMaker.
לימוד זריקת אפס ב-NLP מאפשר א LLM שעבר הכשרה מראש ליצור תגובות למשימות שלא הוכשר להן במפורש (גם ללא כוונון עדין). אם מדברים ספציפית על סיווג טקסט, סיווג טקסט בצילום אפס היא משימה בעיבוד שפה טבעית שבה נעשה שימוש במודל NLP לסיווג טקסט משיעורים בלתי נראים, בניגוד ל סיווג מפוקח, כאשר מודלים של NLP יכולים לסווג רק טקסט השייך לשיעורים בנתוני ההדרכה.
לאחרונה השקנו תמיכה במודל סיווג אפס-shot ב אמזון SageMaker JumpStart. SageMaker JumpStart הוא מרכז ה-ML של אמזון SageMaker המספק גישה למודלים מיומנים מראש (FMs), LLMs, אלגוריתמים מובנים ותבניות פתרונות כדי לעזור לך להתחיל במהירות עם ML. בפוסט זה, אנו מראים כיצד ניתן לבצע סיווג אפס באמצעות מודלים מאומנים מראש ב- SageMaker Jumpstart. תלמד כיצד להשתמש בממשק המשתמש של SageMaker Jumpstart וב-SageMaker Python SDK כדי לפרוס את הפתרון ולהפעיל הסקה באמצעות הדגמים הזמינים.
למידה אפסית
סיווג זריקת אפס הוא פרדיגמה שבה מודל יכול לסווג דוגמאות חדשות, בלתי נראות, השייכות לשיעורים שלא היו בנתוני ההדרכה. לדוגמה, מודל שפה שהוכשר להבנת שפה אנושית יכול לשמש כדי לסווג ציוצים של החלטות לשנה החדשה במספר שיעורים כמו career
, health
, ו finance
, מבלי שמודל השפה הוכשר במפורש במשימת סיווג הטקסט. זאת בניגוד לכוונון עדין של המודל, מאחר שהאחרון מרמז על אימון מחדש של המודל (באמצעות למידה בהעברה) בעוד שלמידת זריקת אפס אינה דורשת הכשרה נוספת.
התרשים הבא ממחיש את ההבדלים בין למידה של העברה (שמאל) לעומת למידה של זריקת אפס (ימין).
יין וחב'. הציע מסגרת ליצירת מסווגים מסוג אפס באמצעות הסקת שפה טבעית (NLI). המסגרת פועלת על ידי הצבת הרצף שיסווג כהנחת NLI ובונה השערה מכל תווית מועמד. לדוגמה, אם נרצה להעריך האם רצף שייך למחלקה politics
, נוכל לבנות השערה של "הטקסט הזה עוסק בפוליטיקה." לאחר מכן, ההסתברויות להשלכות ולסתירה מומרות לתווית הסתברויות. כסקירה מהירה, NLI שוקל שני משפטים: הנחת יסוד והשערה. המשימה היא לקבוע אם ההשערה נכונה (השלכות) או שקרית (סתירה) בהינתן הנחת היסוד. הטבלה הבאה מספקת כמה דוגמאות.
הנחת יסוד | תווית | השערה |
אדם בודק את המדים של דמות באיזו מדינה במזרח אסיה. | סתירה | האיש ישן. |
איש מבוגר וצעיר מחייך. | נטרל | שני גברים מחייכים וצוחקים על החתולים שמשחקים על הרצפה. |
משחק כדורגל עם מספר גברים שמשחקים. | כישוף | יש גברים שעוסקים בספורט. |
סקירת פתרונות
בפוסט זה אנו דנים בדברים הבאים:
- כיצד לפרוס מודלים מאומנים מראש של סיווג טקסט אפס באמצעות ממשק המשתמש של SageMaker JumpStart ולהפעיל הסקה על המודל הפרוס באמצעות נתוני טקסט קצרים
- כיצד להשתמש ב-SageMaker Python SDK כדי לגשת למודלים של סיווג טקסט מאומן מראש ב-SageMaker JumpStart ולהשתמש בסקריפט ההסקה כדי לפרוס את המודל לנקודת קצה של SageMaker למקרה שימוש בסיווג טקסט בזמן אמת
- כיצד להשתמש ב-SageMaker Python SDK כדי לגשת למודלים מאומנים מראש של סיווג טקסט אפס ולהשתמש בהמרת אצווה של SageMaker עבור מקרה שימוש בסיווג טקסט אצווה
SageMaker JumpStart מספק כוונון ופריסה בלחיצה אחת עבור מגוון רחב של מודלים שהוכשרו מראש במשימות ML פופולריות, כמו גם מבחר פתרונות מקצה לקצה הפותרים בעיות עסקיות נפוצות. תכונות אלו מסירות את ההרמה הכבדה מכל שלב בתהליך ה-ML, מפשטות את הפיתוח של מודלים באיכות גבוהה ומצמצמות את זמן הפריסה. ה ממשקי API של JumpStart מאפשרים לך לפרוס ולכוונן באופן פרוגרמטי מבחר עצום של מודלים מאומנים מראש על מערכי הנתונים שלך.
מרכז המודלים של JumpStart מספק גישה למספר רב של מודלים של NLP המאפשרים העברה של למידה וכיוונון עדין על מערכי נתונים מותאמים אישית. נכון לכתיבת שורות אלה, מרכז הדגמים של JumpStart מכיל למעלה מ-300 דגמי טקסט במגוון דגמים פופולריים, כגון Stable Diffusion, Flan T5, Alexa TM, Bloom ועוד.
שים לב שעל ידי ביצוע השלבים בסעיף זה, תפרוס תשתית לחשבון AWS שלך שעלולה לגרור עלויות.
פרוס מודל סיווג טקסט עצמאי בצילום אפס
בחלק זה, אנו מדגימים כיצד לפרוס מודל סיווג אפס באמצעות SageMaker JumpStart. אתה יכול לגשת לדגמים מאומנים מראש דרך דף הנחיתה של JumpStart ב סטודיו SageMaker של אמזון. השלם את השלבים הבאים:
- ב-SageMaker Studio, פתח את דף הנחיתה של JumpStart.
עיין פתח והשתמש ב-JumpStart לפרטים נוספים כיצד לנווט אל SageMaker JumpStart. - ב מודלים לטקסט קרוסלה, אתר את כרטיס הדגם "סיווג טקסט אפס צילום".
- בחרו צפה בדגם כדי לגשת אל
facebook-bart-large-mnli
מודל.
לחילופין, ניתן לחפש את מודל הסיווג של זריקת אפס בשורת החיפוש ולהגיע לדגם ב- SageMaker JumpStart. - ציין תצורת פריסה, סוג מופע אירוח של SageMaker, שם נקודת קצה, שירות אחסון פשוט של אמזון שם הדלי (Amazon S3), ופרמטרים נדרשים נוספים.
- לחלופין, אתה יכול לציין תצורות אבטחה כמו AWS זהות וניהול גישה תפקיד (IAM), הגדרות VPC ו שירות ניהול מפתח AWS (AWS KMS) מפתחות הצפנה.
- בחרו לפרוס כדי ליצור נקודת קצה של SageMaker.
שלב זה נמשך מספר דקות. כשזה יושלם, אתה יכול להפעיל הסקת מסקנות נגד נקודת הקצה של SageMaker המארח את מודל הסיווג של זריקת אפס.
בסרטון הבא, אנו מראים הדרכה על השלבים בסעיף זה.
השתמש ב-JumpStart באופן פרוגרמטי עם ה-SDK של SageMaker
בקטע SageMaker JumpStart של SageMaker Studio, תחת פתרונות התחלה מהירה, אתה יכול למצוא את תבניות פתרונות. תבניות פתרונות SageMaker JumpStart הן פתרונות מקצה לקצה בלחיצה אחת עבור מקרי שימוש נפוצים רבים ב-ML. נכון לכתיבת שורות אלה, למעלה מ-20 פתרונות זמינים עבור מקרי שימוש מרובים, כגון חיזוי ביקוש, גילוי הונאה והמלצות מותאמות אישית, אם להזכיר כמה.
פתרון "סיווג טקסט אפס צילום עם פנים מחבקות" מספק דרך לסווג טקסט ללא צורך בהכשרת דגם עבור תוויות ספציפיות (סיווג זריקת אפס) על ידי שימוש במסווג טקסט מיומן מראש. ברירת המחדל של מודל הסיווג של יריית אפס עבור פתרון זה הוא facebook-bart-large-mnli דגם (BART). עבור פתרון זה, אנו משתמשים ב- מערך הנתונים של החלטות השנה החדשה 2015 לסווג החלטות. קבוצת משנה של מערך הנתונים המקורי המכילה רק את Resolution_Category
(תווית האמת הקרקעית) וה text
עמודות נכללות בנכסי הפתרון.
נתוני הקלט כוללים מחרוזות טקסט, רשימה של קטגוריות רצויות לסיווג, והאם הסיווג הוא רב-תווית או לא להסקה סינכרונית (בזמן אמת). להסקת הסקה אסינכרונית (אצווה), אנו מספקים רשימה של מחרוזות טקסט, את רשימת הקטגוריות עבור כל מחרוזת, והאם הסיווג הוא רב-תווית או לא בקובץ טקסט בפורמט שורות JSON.
התוצאה של ההסקה היא אובייקט JSON שנראה בערך כמו צילום המסך הבא.
יש לנו את הטקסט המקורי ב- sequence
שדה, התוויות המשמשות לסיווג הטקסט ב- labels
שדה, וההסתברות שהוקצתה לכל תווית (באותו סדר הופעה) בשדה scores
.
כדי לפרוס את פתרון סיווג טקסט אפס צילום עם פנים מחבקות, בצע את השלבים הבאים:
- בדף הנחיתה של SageMaker JumpStart, בחר דגמים, מחברות, פתרונות בחלונית הניווט.
- ב פתרונות סעיף, בחר חקור את כל הפתרונות.
- על פתרונות בעמוד, בחר את כרטיס הדגם 'סיווג טקסט עם צילום פנים מחבק'.
- עיין בפרטי הפריסה ואם אתה מסכים, בחר לשגר.
הפריסה תספק נקודת קצה של SageMaker בזמן אמת להסקת מסקנות בזמן אמת ודלי S3 לאחסון תוצאות השינוי האצווה.
התרשים הבא ממחיש את הארכיטקטורה של שיטה זו.
בצע הסקת מסקנות בזמן אמת באמצעות מודל סיווג אפס
בסעיף זה, נסקור כיצד להשתמש ב- Python SDK כדי להפעיל סיווג טקסט בצילום אפס (באמצעות כל אחד מהדגמים הזמינים) בזמן אמת באמצעות נקודת קצה של SageMaker.
- ראשית, אנו מגדירים את בקשת ההסקה למודל. זה תלוי במודל, אבל עבור מודל BART, הקלט הוא אובייקט JSON עם המבנה הבא:
- שים לב שמודל BART אינו מיומן במפורש על
candidate_labels
. נשתמש בטכניקת הסיווג של זריקת אפס כדי לסווג את רצף הטקסט למחלקות בלתי נראות. הקוד הבא הוא דוגמה באמצעות טקסט ממערך הנתונים של החלטות השנה החדשה והמחלקות המוגדרות: - לאחר מכן, אתה יכול להפעיל נקודת קצה של SageMaker עם מטען אפס-shot. נקודת הקצה של SageMaker נפרסת כחלק מפתרון SageMaker JumpStart.
- אובייקט תגובת ההסקה מכיל את הרצף המקורי, התוויות ממוינות לפי ניקוד ממקסימום למינימום, והציונים לכל תווית:
הפעל משימת שינוי אצווה של SageMaker באמצעות ה- Python SDK
סעיף זה מתאר כיצד להפעיל הסקת טרנספורמציה אצווה עם סיווג אפס-shot facebook-bart-large-mnli
מודל באמצעות SageMaker Python SDK. השלם את השלבים הבאים:
- פרמט את נתוני הקלט בפורמט קווי JSON והעלה את הקובץ לאמזון S3.
טרנספורמציה אצווה של SageMaker תבצע הסקה על נקודות הנתונים שהועלו בקובץ S3. - הגדר את חפצי פריסת המודל עם הפרמטרים הבאים:
- model_id - להשתמש
huggingface-zstc-facebook-bart-large-mnli
. - deploy_image_uri - להשתמש ב
image_uris
פונקציית Python SDK כדי לקבל את תמונת SageMaker Docker הבנויה מראש עבורmodel_id
. הפונקציה מחזירה את מרשם מיכל אלסטי של אמזון (Amazon ECR) URI. - deploy_source_uri - השתמש
script_uris
ממשק API לאחזר את S3 URI המכיל סקריפטים להפעלת הסקת מודלים מאומנים מראש. אנו מציינים אתscript_scope
asinference
. - model_uri - להשתמש
model_uri
כדי לקבל את חפצי הדגם מאמזון S3 עבור המצויןmodel_id
.
- model_id - להשתמש
- השתמש
HF_TASK
כדי להגדיר את המשימה עבור צינור השנאים של Hugging Face וHF_MODEL_ID
כדי להגדיר את המודל המשמש לסיווג הטקסט:לרשימה מלאה של משימות, ראה צינורות בתיעוד החיבוקים.
- צור אובייקט דגם של Hugging Face שייפרס עם משימת השינוי האצווה של SageMaker:
- צור טרנספורמציה להפעלת עבודת אצווה:
- התחל עבודת שינוי אצווה והשתמש בנתוני S3 כקלט:
אתה יכול לעקוב אחר עבודת עיבוד האצווה שלך בקונסולת SageMaker (בחר עבודות שינוי אצווה תחת הסקה בחלונית הניווט). בסיום העבודה, תוכל לבדוק את פלט חיזוי המודל בקובץ S3 שצוין ב output_path
.
לרשימה של כל הדגמים הזמינים שהוכשרו מראש ב- SageMaker JumpStart, עיין ב אלגוריתמים מובנים עם טבלת מודל מיומנת מראש. השתמש במילת המפתח "zstc" (קיצור לסיווג טקסט אפס) בשורת החיפוש כדי לאתר את כל הדגמים המסוגלים לבצע סיווג טקסט בצילום אפס.
לנקות את
לאחר שתסיים להפעיל את המחברת, הקפד למחוק את כל המשאבים שנוצרו בתהליך כדי להבטיח שהעלויות שנגרמו מהנכסים הפרוסים במדריך זה יופסקו. הקוד לניקוי המשאבים הפרוסים מסופק במחברות המשויכות לפתרון ולמודל סיווג טקסט אפס-shot.
תצורות אבטחה ברירת מחדל
דגמי SageMaker JumpStart נפרסים באמצעות תצורות האבטחה הבאות המוגדרות כברירת מחדל:
למידע נוסף על נושאים הקשורים לאבטחה של SageMaker, בדוק הגדר אבטחה באמזון SageMaker.
סיכום
בפוסט זה, הראינו לכם כיצד לפרוס מודל סיווג אפס באמצעות ממשק המשתמש של SageMaker JumpStart ולבצע הסקה באמצעות נקודת הקצה שנפרסה. השתמשנו בפתרון החלטות השנה החדשה של SageMaker JumpStart כדי להראות כיצד ניתן להשתמש ב-SageMaker Python SDK כדי לבנות פתרון מקצה לקצה ולהטמיע יישום סיווג אפס-shot. SageMaker JumpStart מספקת גישה למאות דגמים ופתרונות מאומנים מראש למשימות כמו ראייה ממוחשבת, עיבוד שפה טבעית, מערכות המלצות ועוד. נסה את הפתרון בעצמך וספר לנו את דעתך.
על המחברים
דיוויד לארדו הוא אדריכל אבות טיפוס ב-AWS Envision Engineering ב-LATAM, שם הוא עזר בפיתוח אבות טיפוס מרובים של למידת מכונה. בעבר, הוא עבד כמהנדס למידת מכונה ועסק בלמידת מכונה כבר למעלה מ-5 שנים. תחומי העניין שלו הם NLP, סדרות זמן ו-ML מקצה לקצה.
ויקראם אלנגו הוא ארכיטקט פתרונות מומחה בינה מלאכותית/ML בשירותי האינטרנט של אמזון, שבסיסה בווירג'יניה, ארה"ב. Vikram עוזרת ללקוחות הפיננסיים והביטוחים עם תכנון ומנהיגות מחשבתית לבנות ולפרוס יישומי למידת מכונה בקנה מידה. כרגע הוא מתמקד בעיבוד שפה טבעית, בינה מלאכותית אחראית, אופטימיזציה של מסקנות ושינוי קנה מידה של ML ברחבי הארגון. בזמנו הפנוי, הוא נהנה לטייל, לטייל, לבשל ולקמפינג עם משפחתו.
ד"ר Vivek Madan הוא מדען יישומי בצוות אמזון SageMaker JumpStart. הוא קיבל את הדוקטורט שלו מאוניברסיטת אילינוי באורבנה-שמפיין והיה חוקר פוסט דוקטורט בג'ורג'יה טק. הוא חוקר פעיל בלמידת מכונה ועיצוב אלגוריתמים ופרסם מאמרים בכנסים של EMNLP, ICLR, COLT, FOCS ו-SODA.
- 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/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- יכולת
- אודות
- מֵעַל
- גישה
- חֶשְׁבּוֹן
- להשיג
- לרוחב
- פעיל
- נוסף
- נגד
- AI
- AI / ML
- AL
- Alexa
- אַלגוֹרִיתְם
- אלגוריתמים
- תעשיות
- להתיר
- מאפשר
- אמזון בעברית
- אמזון SageMaker
- אמזון SageMaker JumpStart
- אמזון שירותי אינטרנט
- כמות
- an
- ו
- כל
- API
- בקשה
- יישומים
- יישומית
- ארכיטקטורה
- ARE
- אזורים
- AS
- אסיה
- נכסים
- שהוקצה
- המשויך
- At
- באופן אוטומטי
- זמין
- AWS
- בָּר
- בסיס
- מבוסס
- BE
- היה
- להיות
- שייך
- בֵּין
- לִפְרוֹחַ
- גוּף
- ספרים
- ארוחת בוקר
- לִבנוֹת
- מובנה
- עסקים
- אבל
- by
- CAN
- מועמד
- מסוגל
- כרטיס
- קריירה
- קרוסלה
- מקרים
- קטגוריות
- חתולים
- אתגר
- לבדוק
- בחרו
- בכיתה
- כיתות
- מיון
- מְסוּוָג
- לסווג
- קוד
- עמודות
- Common
- להשלים
- מורכבות
- המחשב
- ראייה ממוחשבת
- מחשבים
- מודאג
- כנסים
- תְצוּרָה
- רואה
- קונסול
- לבנות
- מכולה
- מכיל
- לעומת זאת
- הומר
- עלויות
- יכול
- מדינה
- זוג
- לִיצוֹר
- נוצר
- יוצרים
- כיום
- מנהג
- לקוחות
- נתונים
- נקודות מידע
- מערכי נתונים
- מוקדש
- בְּרִירַת מֶחדָל
- לְהַגדִיר
- מוגדר
- דרישה
- חיזוי דרישה
- להפגין
- תלות
- תלוי
- לפרוס
- פרס
- פריסה
- עיצוב
- רצוי
- פרטים
- איתור
- לקבוע
- לפתח
- צעצועי התפתחות
- ההבדלים
- שידור
- לדון
- גיוון
- סַוָר
- תיעוד
- לא
- עושה
- עשה
- ראוי
- E&T
- כל אחד
- מזרח
- חינוך
- אמייל
- לאפשר
- הצף
- מקצה לקצה
- נקודת קצה
- מהנדס
- הנדסה
- לְהַבטִיחַ
- מִפְעָל
- ישות
- לדמיין
- להעריך
- אֲפִילוּ
- דוגמה
- דוגמאות
- פָּנִים
- שקר
- משפחה
- תכונות
- מעטים
- שדה
- תרשים
- שלח
- לממן
- כספי
- קוֹמָה
- מרוכז
- הבא
- בעד
- פוּרמָט
- קרן
- מסגרת
- הונאה
- גילוי הונאה
- החל מ-
- פונקציה
- מִשְׂחָק
- ליצור
- לקבל
- GitHub
- נתן
- נתינה
- קרקע
- צמיחה
- מדריך
- טיפול
- יש
- he
- בְּרִיאוּת
- כבד
- הרמת כבד
- לעזור
- עזר
- עוזר
- באיכות גבוהה
- שֶׁלוֹ
- אירוח
- מארחים
- איך
- איך
- HTML
- http
- HTTPS
- טבור
- בן אנוש
- הומור
- מאות
- מאות מיליונים
- ID
- זהות
- if
- אילינוי
- מדגים
- תמונה
- ליישם
- לייבא
- in
- כלול
- כולל
- תעשייה
- מידע
- תשתית
- הטמון
- קלט
- תשומות
- למשל
- ביטוח
- אינטרס
- IT
- עבודה
- מקומות תעסוקה
- jpg
- ג'סון
- מפתח
- מפתחות
- לדעת
- תווית
- תוויות
- נחיתה
- שפה
- גָדוֹל
- אמריקה הלטינית
- הושק
- מנהיגות
- לִלמוֹד
- למידה
- עזבו
- לתת
- רמה
- כמו
- קו
- קווים
- רשימה
- LLM
- טוען
- נראה
- מכונה
- למידת מכונה
- לעשות
- עושה
- איש
- ניהול
- רב
- מקסימום
- מאי..
- גברים
- שיטה
- מיליונים
- דקות
- דקות
- ML
- מודל
- מודלים
- צג
- יותר
- מספר
- my
- שם
- טבעי
- עיבוד שפה טבעית
- נווט
- ניווט
- צורך
- חדש
- ראש השנה
- NLP
- לא
- מחברה
- מספר
- אובייקט
- of
- on
- רק
- לפתוח
- אופטימיזציה
- or
- להזמין
- ארגונים
- מְקוֹרִי
- אחר
- הַחוּצָה
- תפוקה
- יותר
- שֶׁלוֹ
- עמוד
- זגוגית
- ניירות
- פרדיגמה
- פרמטרים
- חלק
- נתיב
- עבור
- לְבַצֵעַ
- ביצועים
- הרשאות
- אישי
- אישית
- דוקטורט
- פִילָנטרוֹפִּיָה
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- נקודות
- פוליטיקה
- פופולרי
- הודעה
- תרגול
- נבואה
- התחזיות
- להציג
- קוֹדֶם
- בעיות
- תהליך
- תהליך
- מוּצָע
- טיפוס
- prototyping
- לספק
- ובלבד
- מספק
- אַספָּקָה
- לאור
- פיתון
- פיטורך
- מָהִיר
- מהירות
- חומר עיוני
- ממשי
- זמן אמת
- לאחרונה
- הכרה
- המלצה
- המלצות
- הפחתה
- להסיר
- לבקש
- לדרוש
- נדרש
- חוקר
- משאבים
- תגובה
- תגובות
- אחראי
- תוצאה
- תוצאות
- החזרות
- סקירה
- תקין
- תפקיד
- הפעלה
- ריצה
- s
- בעל חכמים
- אותו
- שמור
- סולם
- דרוג
- מַדְעָן
- ציון
- לגרד
- סקריפטים
- גלילה
- Sdk
- חיפוש
- סעיף
- אבטחה
- לִרְאוֹת
- מבחר
- רצף
- סדרה
- שירותים
- הגדרות
- קצר
- בְּעִיטָה
- לְהַצִיג
- הראה
- פָּשׁוּט
- מפשט
- since
- מידה
- כדורגל
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- משהו
- מדבר
- מומחה
- ספציפי
- במיוחד
- מפורט
- דיבר
- ספורט
- יציב
- עצמאי
- התחלה
- החל
- מדינה-of-the-art
- להשאר
- שלב
- צעדים
- נעצר
- אחסון
- אחסון
- מחרוזת
- מִבְנֶה
- סטודיו
- כזה
- תמיכה
- בטוח
- מערכות
- שולחן
- לקחת
- לוקח
- המשימות
- משימות
- נבחרת
- טק
- תבניות
- סיווג טקסט
- זֶה
- השמיים
- שֶׁלָהֶם
- אז
- אלה
- זֶה
- מחשבה
- מנהיגות מחשבתית
- דרך
- זמן
- סדרת זמן
- TM
- ל
- נושאים
- רכבת
- מְאוּמָן
- הדרכה
- להעביר
- לשנות
- טרנספורמציה
- שנאי
- רוֹבּוֹטרִיקִים
- נסיעה
- טרִילִיוֹן
- נָכוֹן
- אמת
- לנסות
- טוויטים
- שתיים
- סוג
- ui
- תחת
- להבין
- אוניברסיטה
- נטען
- us
- להשתמש
- מְשׁוּמָשׁ
- באמצעות
- תועלת
- מגוון
- Vast
- גרסה
- מאוד
- וִידֵאוֹ
- וירג'יניה
- חזון
- vs
- בהדרכה
- רוצה
- היה
- דֶרֶך..
- we
- אינטרנט
- שירותי אינטרנט
- טוֹב
- היו
- מתי
- אם
- בזמן
- של מי
- רָחָב
- יצטרך
- עם
- לְלֹא
- מילים
- עבד
- עובד
- כתיבה
- שנה
- שנים
- אתה
- צעיר
- זפירנט
- אפס
- למידה אפס-שוט