데이터 준비는 모든 데이터 기반 프로젝트에서 중요한 단계이며 올바른 도구를 사용하면 운영 효율성을 크게 높일 수 있습니다. Amazon SageMaker 데이터 랭글러 기계 학습(ML)을 위한 테이블 형식 및 이미지 데이터를 집계하고 준비하는 데 걸리는 시간을 몇 주에서 몇 분으로 단축합니다. SageMaker Data Wrangler를 사용하면 데이터 준비 및 기능 엔지니어링 프로세스를 간소화하고 단일 시각적 인터페이스에서 데이터 선택, 정리, 탐색 및 시각화를 포함한 데이터 준비 워크플로의 각 단계를 완료할 수 있습니다.
이 게시물에서는 운영 환경을 개선하도록 특별히 설계된 SageMaker Data Wrangler의 최신 기능을 살펴봅니다. 우리는 간단한 스토리지 서비스 (아마존 S3) 적하 목록 파일, 대화형 데이터 흐름의 추론 아티팩트 및 원활한 통합 JSON(자바스크립트 객체 표기법) 추론을 위한 형식, 이러한 개선 사항이 데이터 준비를 보다 쉽고 효율적으로 만드는 방법을 강조합니다.
새로운 기능 소개
이 섹션에서는 최적의 데이터 준비를 위한 SageMaker Data Wrangler의 새로운 기능에 대해 설명합니다.
ML 추론을 위한 SageMaker Autopilot을 통한 S3 매니페스트 파일 지원
SageMaker 데이터 랭글러는 통합 데이터 준비 및 모델 교육 경험 Amazon SageMaker 자동 조종 장치 몇 번의 클릭만으로. SageMaker Autopilot을 사용하여 데이터 흐름에서 변환한 데이터에 대해 모델을 자동으로 훈련, 조정 및 배포할 수 있습니다.
이 경험은 이제 S3 매니페스트 파일 지원으로 더욱 단순화되었습니다. S3 매니페스트 파일은 S3 버킷에 저장된 객체(파일)를 나열하는 텍스트 파일입니다. SageMaker Data Wrangler에서 내보낸 데이터 세트가 상당히 크고 Amazon S3에서 여러 부분으로 구성된 데이터 파일로 분할된 경우 이제 SageMaker Data Wrangler는 이러한 모든 데이터 파일을 나타내는 매니페스트 파일을 S3에 자동으로 생성합니다. 이제 이 생성된 매니페스트 파일을 SageMaker Data Wrangler의 SageMaker Autopilot UI와 함께 사용하여 훈련을 위해 분할된 모든 데이터를 선택할 수 있습니다.
이 기능이 출시되기 전에는 SageMaker Data Wrangler에서 준비된 데이터에 대해 훈련된 SageMaker Autopilot 모델을 사용할 때 특히 데이터 세트가 매우 큰 경우 전체 데이터 세트를 나타내지 않을 수 있는 하나의 데이터 파일만 선택할 수 있었습니다. 이 새로운 매니페스트 파일 환경을 사용하면 데이터 세트의 하위 집합으로 제한되지 않습니다. 매니페스트 파일을 사용하여 모든 데이터를 나타내는 SageMaker Autopilot으로 ML 모델을 구축하고 이를 ML 추론 및 프로덕션 배포에 사용할 수 있습니다. 이 기능은 SageMaker Autopilot으로 학습 ML 모델을 단순화하고 데이터 처리 워크플로를 간소화하여 운영 효율성을 향상시킵니다.
생성된 아티팩트의 추론 흐름에 대한 지원 추가
고객은 원-핫 인코딩, PCA 및 결측값 대치와 같은 모델 교육 데이터에 적용한 데이터 변환을 수행하고 해당 데이터 변환을 프로덕션의 실시간 추론 또는 배치 추론에 적용하기를 원합니다. 이렇게 하려면 SageMaker 모델에서 사용하는 SageMaker 데이터 랭글러 추론 아티팩트가 있어야 합니다.
이전에는 SageMaker Autopilot 교육으로 내보내거나 추론 파이프라인 노트북을 내보낼 때 UI에서만 추론 아티팩트를 생성할 수 있었습니다. 이것은 SageMaker Data Wrangler 흐름을 외부로 가져오려는 경우 유연성을 제공하지 않았습니다. 아마존 세이지 메이커 스튜디오 환경. 이제 SageMaker Data Wrangler 처리 작업을 통해 호환되는 모든 흐름 파일에 대한 추론 아티팩트를 생성할 수 있습니다. 이를 통해 코드 우선 MLOps 페르소나를 위한 SageMaker Data Wrangler 흐름을 사용하는 프로그래밍 방식의 종단 간 MLOps는 물론 UI에서 작업을 생성하여 추론 아티팩트를 얻을 수 있는 직관적인 코드 없는 경로를 사용할 수 있습니다.
데이터 준비 간소화
JSON은 최신 데이터 생태계에서 데이터 교환을 위해 널리 채택된 형식이 되었습니다. SageMaker Data Wrangler와 JSON 형식의 통합을 통해 변환 및 정리를 위해 JSON 데이터를 원활하게 처리할 수 있습니다. JSON에 대한 기본 지원을 제공함으로써 SageMaker Data Wrangler는 정형 및 반정형 데이터로 작업하는 프로세스를 간소화하여 귀중한 통찰력을 추출하고 데이터를 효율적으로 준비할 수 있도록 합니다. SageMaker Data Wrangler는 이제 일괄 및 실시간 추론 엔드포인트 배포를 위한 JSON 형식을 지원합니다.
솔루션 개요
사용 사례의 경우 샘플을 사용합니다. Amazon 고객 리뷰 데이터 세트 SageMaker Data Wrangler가 SageMaker Autopilot을 사용하여 새로운 ML 모델을 구축하기 위한 운영 노력을 간소화하는 방법을 보여줍니다. Amazon 고객 리뷰 데이터 세트에는 142.8년 1996월부터 2014년 XNUMX월까지 XNUMX억 XNUMX만 개의 리뷰를 포함하여 Amazon의 제품 리뷰 및 메타데이터가 포함되어 있습니다.
높은 수준에서 SageMaker Data Wrangler를 사용하여 이 대규모 데이터 세트를 관리하고 다음 작업을 수행합니다.
- 샘플이 아닌 모든 데이터 세트를 사용하여 SageMaker Autopilot에서 ML 모델을 개발합니다.
- SageMaker Data Wrangler에서 생성된 추론 아티팩트로 실시간 추론 파이프라인을 구축하고 입력 및 출력에 JSON 형식을 사용합니다.
SageMaker Autopilot을 통한 S3 매니페스트 파일 지원
SageMaker Data Wrangler를 사용하여 SageMaker Autopilot 실험을 생성할 때 이전에는 단일 CSV 또는 Parquet 파일만 지정할 수 있었습니다. 이제 S3 매니페스트 파일을 사용할 수도 있으므로 SageMaker Autopilot 실험에 많은 양의 데이터를 사용할 수 있습니다. SageMaker Data Wrangler는 입력 데이터 파일을 여러 개의 작은 파일로 자동 분할하고 SageMaker Autopilot 실험에서 사용할 수 있는 매니페스트를 생성하여 작은 샘플뿐만 아니라 대화형 세션에서 모든 데이터를 가져옵니다.
다음 단계를 완료하십시오.
- Amazon 고객 리뷰 데이터를 CSV 파일에서 SageMaker Data Wrangler로 가져옵니다. 데이터를 가져올 때 샘플링을 비활성화해야 합니다.
- 데이터를 정규화하는 변환을 지정합니다. 이 예에서는 기호를 제거하고 SageMaker Data Wrangler의 기본 제공 변환을 사용하여 모든 것을 소문자로 변환합니다.
- 왼쪽 메뉴에서 모델 학습 훈련을 시작합니다.
SageMaker Autopilot으로 모델을 교육하기 위해 SageMaker는 자동으로 데이터를 S3 버킷으로 내보냅니다. 이와 같은 대규모 데이터 세트의 경우 자동으로 파일을 더 작은 파일로 분할하고 더 작은 파일의 위치를 포함하는 매니페스트를 생성합니다.
- 먼저 입력 데이터를 선택합니다.
이전에는 SageMaker Data Wrangler에 SageMaker Autopilot과 함께 사용할 매니페스트 파일을 생성하는 옵션이 없었습니다. 오늘 매니페스트 파일 지원이 출시됨에 따라 SageMaker Data Wrangler는 자동으로 매니페스트 파일을 Amazon S3로 내보내고 SageMaker Autopilot 교육의 S3 위치를 매니페스트 파일 S3 위치로 미리 채우고 매니페스트 파일 옵션을 다음으로 전환합니다. 가능. 매니페스트 파일을 생성하거나 사용하는 데 필요한 작업이 없습니다.
- 모델이 예측할 대상을 선택하여 실험을 구성합니다.
- 다음으로 교육 방법을 선택합니다. 이 경우 선택합니다. 자동차 SageMaker Autopilot이 데이터 세트 크기에 따라 최상의 교육 방법을 결정하도록 합니다.
- 배포 설정을 지정합니다.
- 마지막으로 작업 구성을 검토하고 교육을 위해 SageMaker Autopilot 실험을 제출합니다. SageMaker Autopilot이 실험을 완료하면 교육 결과를 보고 최상의 모델을 탐색할 수 있습니다.
매니페스트 파일 지원 덕분에 SageMaker Autopilot 실험에 데이터의 일부가 아닌 전체 데이터 세트를 사용할 수 있습니다.
SageMaker Data Wrangler와 함께 SageMaker Autopilot을 사용하는 방법에 대한 자세한 내용은 다음을 참조하십시오. Amazon SageMaker Data Wrangler 및 Amazon SageMaker Autopilot을 통한 통합 데이터 준비 및 모델 교육.
SageMaker 처리 작업에서 추론 아티팩트 생성
이제 SageMaker Data Wrangler UI와 SageMaker Data Wrangler 노트북을 통해 추론 아티팩트를 생성하는 방법을 살펴보겠습니다.
SageMaker 데이터 랭글러 UI
사용 사례의 경우 UI를 통해 데이터를 처리한 다음 결과 데이터를 사용하여 SageMaker 콘솔을 통해 모델을 교육하고 배포하려고 합니다. 다음 단계를 완료하십시오.
- 이전 섹션에서 만든 데이터 흐름을 엽니다.
- 마지막 변환 옆에 있는 더하기 기호를 선택하고 다음을 선택합니다. 목적지 추가, 선택 아마존 S3. 처리된 데이터가 저장될 위치입니다.
- 왼쪽 메뉴에서 직업 만들기.
- 선택 추론 아티팩트 생성 추론 매개변수 섹션에서 추론 아티팩트를 생성합니다.
- Inference artifact name(추론 아티팩트 이름)에 추론 아티팩트의 이름을 입력합니다(파일 확장자는 .tar.gz).
- 추론 출력 노드에 훈련 데이터에 적용된 변환에 해당하는 대상 노드를 입력합니다.
- 왼쪽 메뉴에서 작업 구성.
- $XNUMX Million 미만 작업 구성, 경로 입력 흐름 파일 S3 위치. 라는 폴더
data_wrangler_flows
이 위치에 생성되고 추론 아티팩트가 이 폴더에 업로드됩니다. 업로드 위치를 변경하려면 다른 S3 위치를 설정하십시오. - 다른 모든 옵션은 기본값으로 두고 다음을 선택합니다. 만들기 처리 작업을 생성합니다.
처리 작업은tarball (.tar.gz)
추론에 사용할 수 있도록 새로 추가된 추론 섹션이 있는 수정된 데이터 흐름 파일을 포함합니다. 추론 솔루션을 배포할 때 SageMaker 모델에 아티팩트를 제공하려면 추론 아티팩트의 S3 URI(Uniform Resource Identifier)가 필요합니다. URI는 다음 형식입니다.{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - 이전에 이러한 값을 기록하지 않은 경우 처리 작업에 대한 링크를 선택하여 관련 세부 정보를 찾을 수 있습니다. 이 예에서 URI는
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- 값 복사 처리 이미지; 모델을 생성할 때도 이 URI가 필요합니다.
- 이제 이 URI를 사용하여 SageMaker 콘솔에서 SageMaker 모델을 생성할 수 있으며 나중에 엔드포인트 또는 일괄 변환 작업에 배포할 수 있습니다.
- $XNUMX Million 미만 모델 설정¸ 모델 이름을 입력하고 IAM 역할을 지정합니다.
- 럭셔리 컨테이너 입력 옵션, 고르다 모델 아티팩트 및 추론 이미지 위치 제공.
- 럭셔리 추론 코드 이미지의 위치, 처리 이미지 URI를 입력합니다.
- 럭셔리 모델 아티팩트의 위치, 추론 아티팩트 URI를 입력합니다.
- 또한 데이터에 훈련된 ML 모델에서 예측할 대상 열이 있는 경우 아래에 해당 열의 이름을 지정하십시오. 환경 변수과
INFERENCE_TARGET_COLUMN_NAME
as 키 열 이름은 다음과 같습니다. 가치관. - 선택하여 모델 생성을 완료합니다. 모델 생성.
이제 엔드포인트 또는 일괄 변환 작업에 배포할 수 있는 모델이 있습니다.
SageMaker 데이터 랭글러 노트북
처리 작업에서 추론 아티팩트를 생성하는 코드 우선 접근 방식의 경우 다음을 선택하여 예제 코드를 찾을 수 있습니다. 다음 위치로 내보내기 : 노드 메뉴에서 다음 중 하나를 선택합니다. 아마존 S3, SageMaker 파이프 라인및 SageMaker 추론 파이프라인. 우리는 선택합니다 SageMaker 추론 파이프라인 이 예제에서.
이 노트에는 제목이 있는 섹션이 있습니다. 프로세서 만들기 (이는 SageMaker Pipelines 노트북에서 동일하지만 Amazon S3 노트북에서는 동등한 코드가 작업 구성 부분). 이 섹션의 맨 아래에는 추론 아티팩트에 대한 구성이 있습니다. inference_params
. 여기에는 UI에서 본 것과 동일한 정보, 즉 추론 아티팩트 이름 및 추론 출력 노드가 포함됩니다. 이러한 값은 미리 채워지지만 수정할 수 있습니다. 라는 매개변수가 추가로 있습니다. use_inference_params
로 설정해야 합니다. True
처리 작업에서 이 구성을 사용합니다.
더 아래에는 제목이 있는 섹션이 있습니다. 파이프라인 단계 정의어디 inference_params
구성은 작업 인수 목록에 추가되고 SageMaker 데이터 랭글러 처리 단계에 대한 정의로 전달됩니다. Amazon S3 노트북에서, job_arguments
바로 뒤에 정의됩니다. 작업 구성 안내
이러한 간단한 구성을 통해 이 노트북에서 생성된 처리 작업은 흐름 파일(이전 노트북에서 정의됨)과 동일한 S3 위치에 추론 아티팩트를 생성합니다. 프로그래밍 방식으로 이 S3 위치를 결정하고 이 아티팩트를 사용하여 다음을 사용하여 SageMaker 모델을 생성할 수 있습니다. SageMaker Python SDK, SageMaker Inference Pipeline 노트북에서 시연됩니다.
SageMaker 데이터 랭글러 처리 작업을 생성하는 모든 Python 코드에 동일한 접근 방식을 적용할 수 있습니다.
추론 중 입력 및 출력에 대한 JSON 파일 형식 지원
웹사이트와 애플리케이션에서 JSON을 API에 대한 요청/응답으로 사용하여 다양한 프로그래밍 언어로 정보를 쉽게 파싱하는 것은 매우 일반적입니다.
이전에는 훈련된 모델이 있으면 SageMaker 데이터 랭글러 추론 파이프라인의 입력 형식으로 CSV를 통해서만 모델과 상호 작용할 수 있었습니다. 현재 JSON을 입력 및 출력 형식으로 사용하여 SageMaker Data Wrangler 추론 컨테이너와 상호 작용할 때 더 많은 유연성을 제공할 수 있습니다.
추론 파이프라인 노트북에서 입력 및 출력에 JSON 사용을 시작하려면 다음 단계를 완료하세요.
- 페이로드를 정의합니다.
각 페이로드에 대해 모델은 인스턴스라는 키를 예상합니다. 값은 각각 고유한 데이터 포인트인 개체 목록입니다. 개체에는 기능이라는 키가 필요하며 값은 모델에 제출하려는 단일 데이터 포인트의 기능이어야 합니다. 단일 요청으로 여러 데이터 포인트를 제출할 수 있으며 요청당 총 크기는 최대 6MB입니다.
다음 코드를 참조하십시오.
- 지정
ContentType
asapplication/json
. - 모델에 데이터를 제공하고 JSON 형식으로 추론을 받습니다.
만나다 추론을 위한 공통 데이터 형식 샘플 입력 및 출력 JSON 예제.
정리
SageMaker Data Wrangler 사용을 마치면 추가 요금이 발생하지 않도록 실행 중인 인스턴스를 종료하는 것이 좋습니다. SageMaker Data Wrangler 앱 및 연결된 인스턴스를 종료하는 방법에 대한 지침은 다음을 참조하십시오. 데이터 랭글러 종료.
결론
S3 매니페스트 파일, 추론 기능, JSON 형식 통합 지원을 비롯한 SageMaker Data Wrangler의 새로운 기능은 데이터 준비의 운영 경험을 혁신합니다. 이러한 향상된 기능은 데이터 가져오기를 간소화하고, 데이터 변환을 자동화하고, JSON 데이터 작업을 단순화합니다. 이러한 기능을 사용하면 운영 효율성을 향상하고 수동 작업을 줄이며 데이터에서 귀중한 통찰력을 쉽게 추출할 수 있습니다. SageMaker Data Wrangler의 새로운 기능을 활용하고 데이터 준비 워크플로우의 잠재력을 최대한 활용하십시오.
SageMaker Data Wrangler를 시작하려면 다음에서 최신 정보를 확인하십시오. SageMaker 데이터 랭글러 제품 페이지.
저자 소개
무니시 다브라 Amazon Web Services(AWS)의 수석 솔루션 아키텍트입니다. 그의 현재 초점 영역은 AI/ML 및 Observability입니다. 그는 확장 가능한 분산 시스템을 설계하고 구축하는 데 강력한 배경을 가지고 있습니다. 그는 고객이 AWS에서 비즈니스를 혁신하고 변혁하도록 돕는 일을 즐깁니다. 링크드인: /mdabra
패트릭 린 Amazon SageMaker Data Wrangler의 소프트웨어 개발 엔지니어입니다. 그는 Amazon SageMaker Data Wrangler를 생산된 ML 워크플로를 위한 최고의 데이터 준비 도구로 만들기 위해 최선을 다하고 있습니다. 직장 밖에서는 그가 책을 읽고, 음악을 듣고, 친구들과 대화를 나누고, 교회에서 봉사하는 것을 볼 수 있습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :있다
- :이다
- :아니
- :어디
- $UP
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- 행위
- 추가
- 추가
- 또한
- 채택
- 후
- AI / ML
- All
- 허용
- 수
- 또한
- 아마존
- 아마존 세이지 메이커
- Amazon SageMaker 자동 조종 장치
- Amazon SageMaker 데이터 랭글러
- Amazon Web Services
- Amazon Web Services (AWS)
- 금액
- an
- 및
- 어떤
- API
- 앱
- 어플리케이션
- 적용된
- 신청
- 접근
- 있군요
- 지역
- 인수
- AS
- 관련
- At
- 자동화
- 자동적으로
- 피하기
- AWS
- 배경
- 기반으로
- BE
- 가
- 존재
- BEST
- 큰
- 두
- 바닥
- 흩어져
- 빌드
- 건물
- 내장
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 라는
- CAN
- 기능
- 케이스
- 이전 단계로 돌아가기
- 요금
- 검사
- 왼쪽 메뉴에서
- 선택
- 교회
- 청소관련
- 암호
- 단
- 저지른
- 공통의
- 호환
- 완전한
- 완료
- 구성
- 콘솔에서
- 소비
- 용기
- 이 포함되어 있습니다
- 대화
- 동
- 수
- 만들
- 만든
- 생성
- 만들기
- 임계
- Current
- 고객
- 고객
- 데이터
- 데이터 교환
- 데이터 점수
- 데이터 준비
- 데이터 처리
- 데이터 중심
- 데이터 세트
- 일
- 결정하다
- 기본값
- 한정된
- 정의
- 동굴
- 시연
- 배포
- 배치
- 전개
- 설계
- 설계
- 목적지
- 세부설명
- 결정
- 개발
- 다른
- 토론
- 분산
- 분산 시스템
- do
- 아래 (down)
- ...동안
- 마다
- 이전
- 완화
- 쉽게
- 쉽게
- 생태계
- 효율성
- 효율적인
- 효율적으로
- 노력
- 중
- 포옹
- 수
- 가능
- 끝으로 종료
- 종점
- 기사
- 엔지니어링
- 강화
- 향상
- 강화
- 엔터 버튼
- 전체의
- 환경
- 동등한
- 특히
- EVER
- 모든
- 매일
- 모두
- 예
- 예
- 교환
- 기대
- 경험
- 실험
- 실험
- 탐구
- 탐험
- 수출
- 수출
- 확장자
- 추출물
- 특색
- 특징
- 를
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- Find
- 유연성
- 흐름
- 흐름
- 초점
- 따라
- 수행원
- 럭셔리
- 형태
- 체재
- 친구
- 에
- 가득 찬
- 추가
- 생성
- 생성
- 얻을
- 매우
- 했다
- 핸들
- 있다
- 데
- he
- 도움이
- 높은
- 강조
- 그를
- 그의
- 방법
- How To
- HTML
- HTTPS
- i
- 같은
- 식별자
- if
- 영상
- 바로
- import
- 가져 오기
- 개선
- in
- 포함
- 포함
- 정보
- 받아 들여 쓰다
- 입력
- 통찰력
- 예
- 명령
- 완성
- 예정된
- 상호 작용하는
- 상호 작용
- 대화형
- 인터페이스
- 으로
- 직관적인
- IT
- 그
- 자바 스크립트
- 일
- JPG
- JSON
- 7월
- 다만
- 키
- 언어
- 넓은
- 성
- 후에
- 최근
- 시작
- 배우기
- 하자
- 레벨
- 처럼
- 제한된
- LINK
- 링크드인
- 명부
- 청취
- 기울기
- 위치
- 보기
- 기계
- 기계 학습
- 확인
- 유튜브 영상을 만드는 것은
- 관리
- 조작
- XNUMX월..
- 메뉴
- 메타 데이터
- 방법
- 수도
- 백만
- 회의록
- 누락
- ML
- MLOps
- 모델
- 모델
- 현대
- 수정
- 배우기
- 보다 효율적으로
- 여러
- 음악
- 절대로 필요한 것
- name
- 이름
- 즉
- 출신
- 필요한
- 필요
- 요구
- 신제품
- 새로운 기능
- 새로운
- 다음 것
- 아니
- 노드
- 수첩
- 지금
- 번호
- 대상
- 사물
- of
- on
- ONE
- 만
- 운영
- 최적의
- 최적화
- 선택권
- 옵션
- or
- 기타
- 우리의
- 아웃
- 출력
- 외부
- 자신의
- 매개 변수
- 매개 변수
- 합격
- 통로
- 용
- 수행
- 선택
- 관로
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- ...을 더한
- 포인트 적립
- 전철기
- 게시하다
- 가능성
- 힘
- 예측
- 예측
- 준비
- Prepare
- 준비
- 예쁜
- 이전에
- 교장
- 방법
- 처리됨
- 처리
- 프로덕트
- 제품 리뷰
- 생산
- 프로그래밍 방식의
- 프로그램 작성
- 프로그래밍 언어
- 프로젝트
- 제공
- 제공
- Python
- 읽기
- 실시간
- 받다
- 권하다
- 감소
- 감소
- 공개
- 관련된
- 제거
- 대표
- 대표
- 의뢰
- 필요
- 의지
- 결과
- 결과
- 리뷰
- 리뷰
- 연락해주세요
- 직위별
- 실행
- s
- 현자
- SageMaker 추론
- SageMaker 파이프 라인
- 같은
- 본
- 확장성
- 원활한
- 완벽하게
- 섹션
- 참조
- 선택
- 선택
- 서비스
- 피복재
- 세션
- 세트
- 설정
- 몇몇의
- 영상을
- 표시
- 종료
- 기호
- 단순, 간단, 편리
- 단순화
- 단순화
- 단순화
- 단일
- 크기
- 작은
- 작은
- So
- 소프트웨어
- 소프트웨어 개발
- 해결책
- 솔루션
- 구체적으로
- 분열
- 스타트
- 시작
- 단계
- 단계
- 저장
- 저장
- 유선
- 능률화
- 강한
- 구조화
- 제출
- 제출
- 이러한
- SUPPORT
- 지원
- 확인
- 시스템은
- 받아
- 소요
- 목표
- 그
- XNUMXD덴탈의
- 정보
- 그들의
- 그때
- 그곳에.
- Bowman의
- 이
- 그
- 을 통하여
- 시간
- 제목의
- 에
- 오늘
- 너무
- 수단
- 검색을
- 금액
- Train
- 훈련 된
- 트레이닝
- 변환
- 변환
- 변환
- 변환
- 변환
- 두번
- ui
- 아래에
- 잠금을 해제
- 업로드
- 사용
- 유스 케이스
- 익숙한
- 사용
- 가치 있는
- 가치
- 마케팅은:
- 대단히
- 를 통해
- 관측
- 심상
- 필요
- 원
- we
- 웹
- 웹 서비스
- 웹 사이트
- 주
- 잘
- 언제
- 어느
- 크게
- 의지
- 과
- 작업
- 워크플로우
- 워크 플로우
- 일하는
- 자신의
- 너의
- 제퍼 넷