Amazon SageMaker 데이터 랭글러 Amazon SageMaker Studio에서 기계 학습(ML)용 데이터를 집계하고 준비하는 데 걸리는 시간을 몇 주에서 몇 분으로 단축합니다. Data Wrangler를 사용하면 널리 사용되는 다양한 소스의 데이터에 액세스할 수 있습니다(아마존 S3, 아마존 아테나, 아마존 레드 시프트, 아마존 EMR 및 Snowflake) 및 40개 이상의 기타 타사 소스. 오늘부터 접속 가능 아마존 EMR ML용 대용량 데이터 세트를 가져오는 빅 데이터 쿼리 엔진인 Hive.
많은 양의 데이터를 집계하고 준비하는 것은 ML 워크플로의 중요한 부분입니다. 데이터 과학자와 데이터 엔지니어는 대규모 데이터 처리를 위해 Amazon EMR에서 실행되는 Apache Spark, Apache Hive 및 Presto를 사용합니다. 이 블로그 게시물에서는 데이터 전문가가 SageMaker Data Wrangler의 시각적 인터페이스를 사용하여 Hive 엔드포인트가 있는 기존 Amazon EMR 클러스터를 찾고 연결하는 방법을 살펴봅니다. 모델링 또는 보고를 준비하기 위해 데이터베이스, 테이블, 스키마를 시각적으로 분석하고 Hive 쿼리를 작성하여 ML 데이터 세트를 생성할 수 있습니다. 그런 다음 Data Wrangler 시각적 인터페이스를 사용하여 데이터를 신속하게 프로파일링하여 데이터 품질을 평가하고 이상 및 누락되거나 잘못된 데이터를 찾아내고 이러한 문제를 처리하는 방법에 대한 조언을 얻을 수 있습니다. 더 인기 있는 ML 기반 기본 제공 분석과 Spark에서 지원하는 300개 이상의 기본 제공 변환을 활용하여 한 줄의 코드를 작성하지 않고도 기능을 분석, 정리 및 엔지니어링할 수 있습니다. 마지막으로 다음을 사용하여 모델을 교육하고 배포할 수도 있습니다. SageMaker 자동 조종 장치Data Wrangler의 시각적 인터페이스에서 SageMaker 파이프라인으로 작업을 예약하거나 데이터 준비를 운용할 수 있습니다.
솔루션 개요
SageMaker Studio 설정을 통해 데이터 전문가는 기존 EMR 클러스터를 빠르게 식별하고 연결할 수 있습니다. 또한 데이터 전문가는 다음에서 EMR 클러스터를 검색할 수 있습니다. 사전 정의된 템플릿을 사용하는 SageMaker Studio 몇 번의 클릭만으로 필요에 따라. 고객은 SageMaker Studio 범용 노트북을 사용하고 아파치 스파크, 하이브, 프레스토 악장 or 파이 스파크 규모에 맞게 데이터 준비를 수행합니다. 그러나 가파른 학습 곡선이 수반되기 때문에 모든 데이터 전문가가 데이터를 준비하기 위해 Spark 코드를 작성하는 데 익숙한 것은 아닙니다. 이제 Amazon EMR이 Amazon SageMaker Data Wrangler의 데이터 소스인 덕분에 한 줄의 코드를 작성하지 않고도 빠르고 간단하게 Amazon EMR에 연결할 수 있습니다.
다음 다이어그램은이 솔루션에 사용 된 다양한 구성 요소를 나타냅니다.
EMR 클러스터에 대한 연결을 설정하는 데 사용할 수 있는 두 가지 인증 옵션을 시연합니다. 각 옵션에 대해 고유한 스택을 배포합니다. AWS 클라우드 포메이션 템플릿.
CloudFormation 템플릿은 각 옵션을 선택할 때 다음 작업을 수행합니다.
- 이름이 지정된 사용자 프로필과 함께 VPC 전용 모드에서 Studio 도메인을 생성합니다.
studio-user
. - VPC, 엔드포인트, 서브넷, 보안 그룹, EMR 클러스터 및 예제를 성공적으로 실행하는 데 필요한 기타 리소스를 포함한 빌딩 블록을 생성합니다.
- EMR 클러스터의 경우 AWS Glue 데이터 카탈로그를 EMR Hive 및 Presto의 메타스토어로 연결하고, EMR에 Hive 테이블을 생성하고, 미국 공항 데이터 세트.
- LDAP CloudFormation 템플릿의 경우 다음을 생성합니다. 아마존 엘라스틱 컴퓨트 클라우드 (Amazon EC2) 인스턴스는 Hive 및 Presto LDAP 사용자를 인증하기 위해 LDAP 서버를 호스팅합니다.
옵션 1: 경량 액세스 디렉토리 프로토콜
LDAP 인증 CloudFormation 템플릿의 경우 LDAP 서버로 Amazon EC2 인스턴스를 프로비저닝하고 인증에 이 서버를 사용하도록 EMR 클러스터를 구성합니다. 이것은 TLS가 활성화된 것입니다.
옵션 2: 인증 없음
인증 없음 인증 CloudFormation 템플릿에서는 인증이 활성화되지 않은 표준 EMR 클러스터를 사용합니다.
AWS CloudFormation으로 리소스 배포
환경을 배치하려면 다음 단계를 완료하십시오.
- 에 로그인 AWS 관리 콘솔 로 AWS 자격 증명 및 액세스 관리 (IAM) 사용자, 가급적 관리 사용자.
- 왼쪽 메뉴에서 발사 스택 적절한 인증 시나리오에 대한 CloudFormation 템플릿을 시작합니다. CloudFormation 스택을 배포하는 데 사용되는 지역에 기존 Studio 도메인이 없는지 확인하십시오. 지역에 이미 Studio 도메인이 있는 경우 다른 지역을 선택할 수 있습니다.
LDAP 인증 없음 - 왼쪽 메뉴에서 다음 보기.
- 럭셔리 스택 이름에서 스택 이름을 입력합니다 (예 :
dw-emr-hive-blog
). - 다른 값은 기본값으로 둡니다.
- 계속하려면 다음을 선택하십시오. 다음 보기 스택 세부 정보 페이지 및 스택 옵션에서.
LDAP 스택은 다음 자격 증명을 사용합니다.- 사용자 이름 :
david
- 비밀번호 :
welcome123
- 사용자 이름 :
- 검토 페이지에서 확인란을 선택하여 AWS CloudFormation이 리소스를 생성 할 수 있는지 확인합니다.
- 왼쪽 메뉴에서 스택 생성. 스택 상태가 다음으로 변경될 때까지 기다리십시오.
CREATE_IN_PROGRESS
에CREATE_COMPLETE
. 이 과정은 일반적으로 10-15 분 정도 걸립니다.
Data Wrangler에서 Amazon EMR을 데이터 원본으로 설정
이 섹션에서는 Data Wrangler의 데이터 원본으로 CloudFormation 템플릿을 통해 생성된 기존 Amazon EMR 클러스터에 연결하는 방법을 다룹니다.
새 데이터 흐름 만들기
데이터 흐름을 생성하려면 다음 단계를 완료하십시오.
- SageMaker 콘솔에서 다음을 클릭합니다. 도메인, 다음을 클릭하십시오. 스튜디오 도메인 CloudFormation 템플릿 위에서 실행하여 생성됩니다.
- 선택 스튜디오 사용자 사용자 프로필을 클릭하고 Studio를 시작합니다.
- 왼쪽 메뉴에서 오픈스튜디오.
- Studio 홈 콘솔에서 다음을 선택합니다. 시각적으로 데이터 가져오기 및 준비. 또는 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에 드롭다운, 선택 신제품다음을 선택 데이터 랭글러 흐름.
- 새 흐름을 만드는 데 몇 분 정도 걸릴 수 있습니다. 흐름이 생성된 후 데이터 가져 오기 페이지.
- Data Wrangler에서 Amazon EMR을 데이터 원본으로 추가합니다. 에 데이터 소스 추가 메뉴, 선택 아마존 EMR.
Studio 실행 역할이 볼 수 있는 권한이 있는 모든 EMR 클러스터를 찾아볼 수 있습니다. 클러스터에 연결하는 두 가지 옵션이 있습니다. 하나는 대화형 UI를 통한 것이고 다른 하나는 먼저 AWS Secrets Manager를 사용하여 비밀 생성 EMR 클러스터 정보를 포함하는 JDBC URL로 Hive에 연결하기 위해 UI에 저장된 AWS 비밀 ARN을 제공합니다. 이 블로그에서는 첫 번째 옵션을 따릅니다.
- 사용하려는 다음 클러스터 중 하나를 선택하십시오. 를 클릭하십시오 다음 보기을 클릭하고 끝점을 선택합니다.
- 선택 하이브, Amazon EMR에 연결하고 연결을 식별할 이름을 생성한 다음 클릭 다음 보기.
- 다음 중 하나의 인증 유형을 선택합니다. LDAP(Lightweight Directory Access Protocol) or 인증 없음.
LDAP(Lightweight Directory Access Protocol)의 경우 옵션을 선택하고 다음으로 클러스터에 로그인합니다.r 그런 다음 인증할 사용자 이름과 암호를 제공하고 연결을 클릭합니다.
인증 없음의 경우 VPC 내에서 사용자 자격 증명을 제공하지 않고 EMR Hive에 연결됩니다. EMR에 대한 Data Wrangler의 SQL 탐색기 페이지에 들어갑니다.
- 연결되면 데이터베이스 트리와 테이블 미리보기 또는 스키마를 대화식으로 볼 수 있습니다. EMR에서 데이터를 쿼리, 탐색 및 시각화할 수도 있습니다. 미리 보기의 경우 기본적으로 100개의 레코드 제한이 표시됩니다. 쿼리 편집기 상자에 SQL 문을 입력하고 달리기 버튼을 클릭하면 EMR의 Hive 엔진에서 쿼리가 실행되어 데이터를 미리 볼 수 있습니다.
XNUMXD덴탈의 쿼리 취소 버튼을 사용하면 진행 중인 쿼리가 비정상적으로 오래 걸리는 경우 취소할 수 있습니다.
- 마지막 단계는 가져오기입니다. 쿼리된 데이터가 준비되면 Data Wrangler로 데이터를 가져오기 위한 샘플링 유형(FirstK, Random 또는 Stratified) 및 샘플링 크기에 따라 데이터 선택에 대한 샘플링 설정을 업데이트할 수 있는 옵션이 있습니다.
수입. 준비 페이지가 로드되어 데이터 세트에 다양한 변환 및 필수 분석을 추가할 수 있습니다.
- 로 이동 데이터 흐름 상단 화면에서 변환 및 분석을 위해 필요에 따라 더 많은 단계를 흐름에 추가합니다. 당신은 실행할 수 있습니다 데이터 인사이트 보고서 데이터 품질 문제를 식별하고 이러한 문제를 해결하기 위한 권장 사항을 얻습니다. 몇 가지 예제 변환을 살펴보겠습니다.
- . 데이터 흐름 보기에서 Hive 커넥터를 사용하여 EMR을 데이터 원본으로 사용하고 있음을 확인할 수 있습니다.
- 를 클릭하자 + 오른쪽에있는 버튼 자료형 선택 변형 추가. 그렇게 하면 원래대로 돌아갑니다. Data 전망.
데이터를 살펴보겠습니다. 다음과 같은 여러 기능이 있음을 알 수 있습니다. iata_code, 공항, 시티, 상태, 국가, 위도및 경도. 전체 데이터 세트가 미국인 한 국가를 기반으로 하고 있고 누락된 값이 있음을 알 수 있습니다. 위도 및 경도. 누락된 데이터는 매개변수 추정에 편향을 일으킬 수 있고 표본의 대표성을 감소시킬 수 있으므로 몇 가지를 수행해야 합니다. 돌리기 데이터 세트에서 누락된 값을 처리합니다.
- 를 클릭하자 단계 추가 오른쪽에 있는 탐색 표시줄의 버튼입니다. 고르다 핸들 누락. 구성은 다음 스크린샷에서 볼 수 있습니다.
$XNUMX Million 미만 변환, 고르다 돌리다. 선택 컬럼 유형 as 숫자 및 입력 열 이름 위도 및 경도. 대략적인 중앙값을 사용하여 누락된 값을 대치할 것입니다.
먼저 클릭 시사 누락된 값을 확인한 다음 업데이트를 클릭하여 변환을 추가합니다.
- 이제 다른 예제 변환을 살펴보겠습니다. ML 모델을 빌드할 때 열이 중복되거나 모델에 도움이 되지 않는 경우 열이 제거됩니다. 열을 제거하는 가장 일반적인 방법은 열을 삭제하는 것입니다. 데이터 세트에서 기능 국가 데이터 세트는 특히 미국 공항 데이터용이므로 삭제할 수 있습니다. 열을 관리하려면 단계 추가 오른쪽에 있는 탐색 표시줄의 버튼을 클릭하고 열 관리. 구성은 다음 스크린샷에서 볼 수 있습니다. 아래에 변환, 고르다 열 삭제, 아래 삭제할 열, 고르다 국가.
- 를 클릭하십시오 시사 그리고 업데이트 열을 삭제합니다.
- Feature Store는 ML 모델의 기능을 저장, 공유 및 관리하는 저장소입니다. 를 클릭하자 + 오른쪽에있는 버튼 열 삭제. 선택 다음 위치로 내보내기 : 선택하고 SageMaker 기능 저장소 (Jupyter 노트북을 통해).
- 선택하여 SageMaker 기능 저장소 대상으로 기능을 기존 기능 그룹에 저장하거나 새로 만들 수 있습니다.
이제 Data Wrangler로 기능을 생성하고 해당 기능을 Feature Store에 쉽게 저장했습니다. Data Wrangler UI에서 기능 엔지니어링을 위한 예제 워크플로우를 보여주었습니다. 그런 다음 새 기능 그룹을 생성하여 Data Wrangler에서 직접 해당 기능을 Feature Store에 저장했습니다. 마지막으로 이러한 기능을 Feature Store로 수집하기 위한 처리 작업을 실행했습니다. Data Wrangler와 Feature Store를 함께 사용하면 자동화되고 반복 가능한 프로세스를 구축하여 필요한 최소한의 코딩으로 데이터 준비 작업을 간소화할 수 있었습니다. Data Wrangler는 또한 다음을 사용하여 동일한 데이터 준비 흐름을 자동화할 수 있는 유연성을 제공합니다. 예약된 작업. 우리는 또한 자동으로 SageMaker Autopilot을 사용하여 모델 훈련 및 배포 Data Wrangler의 시각적 인터페이스에서 또는 SageMaker Pipelines(Jupyter Notebook을 통해)로 교육 또는 기능 엔지니어링 파이프라인을 생성하고 SageMaker 추론 파이프라인(Jupyter Notebook을 통해)으로 추론 엔드포인트에 배포합니다.
정리
Data Wrangler 작업이 완료되면 다음 단계를 통해 생성된 리소스를 삭제하여 추가 비용이 발생하지 않도록 할 수 있습니다.
- SageMaker Studio를 종료합니다.
SageMaker Studio 내에서 모든 탭을 닫은 다음 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에 그때 종료. 메시지가 표시되면 선택 모두 종료.
종료는 인스턴스 유형에 따라 몇 분 정도 걸릴 수 있습니다. 사용자 프로필과 관련된 모든 앱이 삭제되었는지 확인하십시오. 삭제되지 않은 경우 사용자 프로필에 연결된 앱을 수동으로 삭제합니다.
- CloudFormation 시작 시 생성된 모든 S3 버킷을 비웁니다.
AWS 콘솔 검색에서 S3를 검색하여 Amazon S3 페이지를 엽니다. 클러스터를 프로비저닝할 때 생성된 모든 S3 버킷을 비웁니다. 양동이는 형식입니다 dw-emr-hive-blog-
.
- SageMaker Studio EFS를 삭제합니다.
AWS 콘솔 검색에서 EFS를 검색하여 EFS 페이지를 엽니다.
SageMaker에서 생성한 파일 시스템을 찾습니다. 다음을 클릭하여 확인할 수 있습니다. 파일 시스템 ID 태그 확인 ManagedByAmazonSageMakerResource
를 시청하여 이에 대해 더 많은 정보를 얻을 수 있습니다. 태그 탭.
- CloudFormation 스택을 삭제합니다. AWS 콘솔에서 CloudFormation 서비스를 검색하고 열어서 CloudFormation을 엽니다.
로 시작하는 템플릿을 선택합니다. dw- 다음 화면에 표시된 대로 스택을 클릭하여 표시된 대로 스택을 삭제합니다. . 버튼을 클릭합니다.
이것은 예상되는 것이며 우리는 이것으로 돌아와 다음 단계에서 정리할 것입니다.
- CloudFormation 스택이 완료되지 않으면 VPC를 삭제하십시오. 먼저 AWS 콘솔에서 VPC를 엽니다.
- 다음으로 SageMaker Studio CloudFormation에서 생성한 VPC(제목:
dw-emr-
을 클릭한 다음 프롬프트에 따라 VPC를 삭제합니다. - CloudFormation 스택을 삭제합니다.
CloudFormation으로 돌아가 스택 삭제를 다시 시도하십시오. dw-emr-hive-blog
.
완벽한! 이 블로그 게시물에 설명된 CloudFormation 템플릿에서 프로비저닝한 모든 리소스가 이제 계정에서 제거됩니다.
결론
이 게시물에서는 데이터 랭글러에서 Amazon EMR을 데이터 원본으로 설정하는 방법, 데이터 세트를 변환 및 분석하는 방법, 결과를 Jupyter 노트북에서 사용하기 위해 데이터 흐름으로 내보내는 방법을 살펴보았습니다. Data Wrangler의 기본 제공 분석 기능을 사용하여 데이터 세트를 시각화한 후 데이터 흐름을 더욱 개선했습니다. 단 한 줄의 코드도 작성하지 않고 데이터 준비 파이프라인을 만들었다는 점은 의미가 있습니다.
데이터 랭글러를 시작하려면 Amazon SageMaker Data Wrangler로 ML 데이터 준비 최신 정보를 확인하세요. 데이터 랭글러 제품 페이지 및 AWS 기술 문서.
저자에 관하여
아자이 고빈다람 AWS의 선임 솔루션 아키텍트입니다. 그는 AI/ML을 사용하여 복잡한 비즈니스 문제를 해결하는 전략적 고객과 협력합니다. 그의 경험은 보통 규모에서 대규모 AI/ML 애플리케이션 배포에 대한 기술 방향 및 설계 지원을 제공하는 데 있습니다. 그의 지식은 애플리케이션 아키텍처에서 빅 데이터, 분석 및 기계 학습에 이르기까지 다양합니다. 쉬는 동안 음악을 들으며 야외 활동을 하고 사랑하는 사람들과 시간을 보내는 것을 즐긴다.
이샤 두아 San Francisco Bay Area에 기반을 둔 선임 솔루션 아키텍트입니다. 그녀는 AWS 엔터프라이즈 고객이 목표와 과제를 이해하여 성장하도록 돕고 복원력과 확장성을 보장하면서 클라우드 네이티브 방식으로 애플리케이션을 설계할 수 있는 방법을 안내합니다. 그녀는 기계 학습 기술과 환경 지속 가능성에 대해 열정적입니다.
바룬 메타 AWS의 솔루션 아키텍트입니다. 그는 고객이 AWS 클라우드에서 Enterprise-Scale Well-Architected 솔루션을 구축하도록 돕는 일에 열정적입니다. 그는 AI/ML을 사용하여 복잡한 비즈니스 문제를 해결하는 전략적 고객과 협력합니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-insight-with-amazon-sagemaker-data-wrangler-and-the-power-of-apache-hive/
- :이다
- $UP
- 1
- 10
- 100
- 11
- 7
- a
- 소개
- 가속
- ACCESS
- 액세스 프로토콜
- 에 따르면
- 계정
- 행위
- 또한
- 추가
- 관리자
- 조언
- 후
- AI / ML
- 공항
- All
- 허용
- 수
- 이미
- 아마존
- Amazon EC2
- 아마존 EMR
- 아마존 세이지 메이커
- Amazon SageMaker 데이터 랭글러
- 아마존 세이지 메이커 스튜디오
- 금액
- 복수
- 분석
- 분석
- 분석
- 분석하다
- 및
- 다른
- 아파치
- 앱
- 어플리케이션
- 어플리케이션
- 적당한
- 앱
- 아키텍처
- 있군요
- 지역
- AS
- 원조
- 관련
- At
- 인증
- 인증 된
- 인증
- 저자
- 자동화
- Automatic
- 자동적으로
- AWS
- AWS 클라우드 포메이션
- AWS 접착제
- 뒤로
- 바
- 기반으로
- 만
- BE
- 때문에
- 존재
- 바이어스
- 큰
- 빅 데이터
- 블록
- 블로그
- 보물상자
- 가져
- 빌드
- 건물
- 내장
- 사업
- 단추
- by
- CAN
- 목록
- 원인
- 과제
- 변경
- 검사
- 왼쪽 메뉴에서
- 클릭
- 닫기
- 클라우드
- 클러스터
- 암호
- 코딩
- 단
- 열
- 왔다
- 공통의
- 완전한
- 복잡한
- 구성 요소들
- 계산
- 확인하기
- 연결하기
- 연결
- 연결
- 연결
- 커넥트
- 콘솔에서
- 계속
- 국가
- 엄호
- 만들
- 만든
- 생성
- 만들기
- 신임장
- 임계
- 곡선
- 고객
- 데이터
- 데이터 준비
- 데이터 처리
- 데이터베이스
- 데이터 세트
- 거래
- 태만
- 수요
- 보여
- 배포
- 배포
- 기술 된
- 디자인
- 목적지
- 세부설명
- 다른
- 방향
- 직접
- 발견
- 도메인
- 말라
- 아래 (down)
- 드롭
- 떨어 뜨린
- 마다
- 용이하게
- 편집자
- 중
- 사용 가능
- 수
- 종점
- 엔진
- 기사
- 엔지니어링
- 엔지니어
- 강화
- 보장
- 엔터 버튼
- Enterprise
- 전체의
- 환경
- 환경
- 필수
- 세우다
- 평가
- 예
- 예
- 실행
- 현존하는
- 기대하는
- 경험
- 체험
- 탐험
- 탐색기
- 수출
- 실패
- 익숙한
- 특색
- 특징
- 지우면 좋을거같음 . SM
- 를
- 최종적으로
- 먼저,
- 수정
- 흐름
- 따라
- 수행원
- 럭셔리
- 시스코
- 에
- 추가
- 얻을
- Go
- 목표
- 그룹
- 여러 떼
- 성장
- 안내서
- 핸들
- 있다
- 도움
- 도움
- 도움이
- 도움이
- 하이브
- 홈
- 주인
- 방법
- How To
- 그러나
- HTML
- HTTP
- HTTPS
- 확인
- 통합 인증
- import
- 가져 오기
- in
- 포함
- 정보
- 통찰력
- 예
- 대화형
- 인터페이스
- 참여
- 문제
- IT
- 일
- 작업
- JPG
- 지식
- 넓은
- 대규모
- 성
- 최근
- 시작
- 배우기
- 이점
- 거짓
- 경량의
- 제한
- 라인
- 청취
- 긴
- 장기
- 보기
- 사랑
- 기계
- 기계 학습
- 확인
- 관리
- 구축
- 태도
- 수동으로
- 메뉴
- 수도
- 최저한의
- 회의록
- 누락
- ML
- 모드
- 모델
- 모델
- 배우기
- 가장
- 여러
- 음악
- name
- 이름
- 이름
- 카테고리
- 필요
- 신제품
- 수첩
- of
- on
- ONE
- 지속적으로
- 열 수
- 열기
- 선택권
- 옵션
- 기타
- 야외에서
- 페이지
- 매개 변수
- 부품
- 열렬한
- 비밀번호
- 수행
- 수행하다
- 권한
- 관로
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 인기 문서
- 게시하다
- 힘
- Prepare
- 준비
- 시사
- 문제
- 방법
- 프로세스
- 처리
- 프로덕트
- 전문가
- 프로필
- 프로토콜
- 제공
- 제공
- 제공
- 규정
- 품질
- 빨리
- 닥치는대로의
- 준비
- 추천
- 기록
- 감소
- 감소
- 지방
- 제거
- 제거됨
- 반복 가능
- 통계 보고서
- 저장소
- 대표
- 필수
- 되튀기
- 제품 자료
- 결과
- 리뷰
- 직위별
- 달리기
- 달리는
- 현자
- SageMaker 추론
- SageMaker 파이프 라인
- 같은
- 산
- 샌프란시스코
- 찜하기
- 확장성
- 규모
- 대본
- 예정
- 과학자
- 화면
- 스크린 샷
- 검색
- 수색
- 비밀
- 섹션
- 보안
- 선택된
- 선택
- 선택
- 연장자
- 서비스
- 세트
- 설정
- 공유
- 영상을
- 표시
- 상당한
- 간단히
- 이후
- 단일
- 크기
- So
- 해결책
- 솔루션
- 풀다
- 일부
- 출처
- 지우면 좋을거같음 . SM
- 불꽃
- 구체적으로
- 지출
- Spot
- 스택
- 스택
- 표준
- 시작
- 시작 중
- 성명서
- 통계
- Status
- 단계
- 단계
- 저장
- 저장
- 전략의
- 유선
- 스튜디오
- 서브넷
- 후속의
- 성공적으로
- 이러한
- 지원
- 지속 가능성
- 체계
- 테이블
- TAG
- 받아
- 소요
- 복용
- 작업
- 테크니컬
- 기술
- 이 템플릿
- 템플릿
- 감사
- 그
- XNUMXD덴탈의
- 그들의
- 그들
- Bowman의
- 타사
- 을 통하여
- 시간
- 에
- 오늘
- 함께
- 상단
- Train
- 트레이닝
- 변환
- 변환
- ui
- 아래에
- 이해
- 유일한
- 보편적 인
- 업데이트
- URL
- us
- 사용
- 사용자
- 보통
- 가치
- 마케팅은:
- 종류
- 여러
- 를 통해
- 관측
- 기다리다
- 방법..
- 주
- 잘
- 어느
- 동안
- 누구
- 넓은
- 위키 백과
- 의지
- 과
- 이내
- 없이
- 작업
- 일
- 겠지
- 쓰다
- 코드 작성
- 쓰기
- 얌
- 자신의
- 너의
- 제퍼 넷