주택 가치를 결정하는 것은 기계 학습(ML)을 사용하는 전형적인 예입니다. 비공식적으로 보스턴 주택 데이터 세트로 알려지게 된 획기적인 논문과 데이터 세트를 발표한 Harrison과 Rubinfeld(1978)는 중요한 영향을 미쳤습니다. 이 중요한 작업은 연구의 주요 초점이었던 공기 질을 포함한 다양한 차원의 함수로 주택 가격을 추정하는 방법을 제안했습니다. 거의 50년이 지난 지금, 주택 가격 추정은 비즈니스 의사결정에 데이터와 ML을 사용하는 데 관심이 있는 학생과 전문가를 위한 중요한 교육 도구가 되었습니다.
이 게시물에서는 시각적 질문 답변(VQA) 작업을 위해 특별히 설계된 오픈 소스 모델의 사용에 대해 논의합니다. VQA를 사용하면 자연어를 사용하여 사진에 대해 질문하고 질문에 대한 답변을 일반 언어로도 받을 수 있습니다. 이 게시물의 목표는 이 기술을 사용하여 무엇이 가능한지 영감을 주고 시연하는 것입니다. 우리는 이 기능을 다음과 함께 사용할 것을 제안합니다. 아마존 세이지 메이커 ML 사용 사례에서 회귀 모델 정확도를 향상시키고 시각적 이미지의 자동화된 태깅을 위해 독립적으로 서비스 플랫폼을 제공합니다.
우리는 상응하는 것을 제공합니다 YouTube 동영상 이는 여기서 논의된 내용을 보여줍니다. 가장 두드러진 부분을 강조하기 위해 비디오 재생이 중간에 시작됩니다. 개념을 강화하고 더 풍부한 이해를 얻으려면 비디오와 함께 이 내용을 따라가는 것이 좋습니다.
기초 모델
이 솔루션은 Hugging Face 모델 저장소에 게시된 기초 모델의 사용에 중점을 두고 있습니다. 여기서는 용어를 사용합니다. 기초 모델 크고 다양한 데이터에 대해 사전 훈련된 인공 지능(AI) 기능을 설명합니다. 기초 모델은 때로는 모델을 처음부터 훈련해야 하는 부담 없이 사용할 준비가 될 수 있습니다. 일부 기초 모델은 미세 조정이 가능합니다. 즉, 비즈니스와 관련이 있지만 일반화되어 게시된 원본 모델에는 없는 추가 패턴을 가르칠 수 있습니다. 사용 사례나 지식 체계에 고유한 올바른 응답을 제공하기 위해 미세 조정이 필요한 경우가 있습니다.
. 포옹하는 얼굴 저장소에는 선택할 수 있는 여러 VQA 모델이 있습니다. 이 글을 쓰는 시점에서 가장 많이 다운로드된 모델을 선택했습니다. 이 게시물에서는 오픈 소스 모델 저장소의 모델을 사용하는 기능을 보여주지만, 처음부터 훈련했거나 다른 신뢰할 수 있는 제공업체에서 사용한 모델에도 동일한 개념이 적용됩니다.
고전적인 사용 사례에 대한 현대적인 접근 방식
주택 가격 추정은 전통적으로 부동산의 특징을 가격 정보에 사용하는 표 형식의 데이터를 통해 이루어졌습니다. 고려해야 할 특징이 수백 가지일 수 있지만 몇 가지 기본적인 예로는 완성된 공간의 집 크기, 침실과 욕실 수, 거주지 위치 등이 있습니다.
머신러닝은 표 형식 데이터를 넘어 오디오, 정지 이미지, 모션 비디오, 자연어 등 다양한 입력 소스를 통합할 수 있습니다. AI에서는 용어 멀티 모달 이미지, 표 형식 데이터 등 다양한 미디어 유형을 사용하는 것을 말합니다. 이 게시물에서는 다중 모드 데이터를 사용하여 오늘날 현대 세계에서 생산되는 풍부한 디지털 배기가스에 갇혀 있는 숨겨진 가치를 찾고 해방하는 방법을 보여줍니다.
이 아이디어를 염두에 두고 우리는 부동산 이미지에서 잠재 특징을 추출하기 위해 기초 모델을 사용하는 방법을 보여줍니다. 이전에는 표 형식 데이터에서 사용할 수 없었던 이미지에서 찾은 통찰력을 활용하여 모델의 정확도를 향상시킬 수 있습니다. 이 게시물에서 논의된 이미지와 표 형식 데이터는 모두 원래 다음 사이트에서 사용 가능하고 게시되었습니다. GitHub의 Ahmed와 Moustafa(2016).
그림은 천 단어의 가치가있다.
이제 VQA의 기능을 이해했으므로 다음 두 가지 주방 이미지를 살펴보겠습니다. 이 이미지를 통해 집의 가치를 어떻게 평가하시겠습니까? 스스로에게 어떤 질문을 하고 싶나요? 각각의 그림은 마음속에 수십 가지 질문을 불러일으킬 수 있습니다. 이러한 질문 중 일부는 주택 평가 프로세스를 개선하는 의미 있는 답변으로 이어질 수 있습니다.
Unsplash의 사진 출처 Francesca Tosolini(왼쪽) 및 Sidekix Media(오른쪽)
다음 표는 해당 답변과 함께 질문을 표시하여 VQA 상호 작용의 일화적인 예를 제공합니다. 답변은 범주형, 연속형 값 또는 이항형 응답의 형태로 나올 수 있습니다.
예시 질문 | 기초 모델의 답변 예 |
조리대는 무엇으로 만들어지나요? | 화강암, 타일, 대리석, 라미네이트 등 |
비싼 주방인가요? | 예 아니오 |
분리된 세면대가 몇 개 있나요? | 0, 1, 2 |
참조 아키텍처
이 게시물에서 우리는 Amazon SageMaker 데이터 랭글러 데이터 세트에 있는 수천 장의 사진에 대해 통일된 시각적 질문 세트를 요청합니다. SageMaker Data Wrangler는 데이터 준비 및 기능 엔지니어링 프로세스를 단순화하기 위해 특별히 제작되었습니다. SageMaker Data Wrangler는 300개 이상의 기본 제공 변환을 제공함으로써 ML용 테이블 형식 및 이미지 데이터를 준비하는 데 걸리는 시간을 몇 주에서 몇 분으로 줄이는 데 도움이 됩니다. 여기에서 SageMaker Data Wrangler는 모델 훈련을 위해 원본 테이블 형식 세트의 데이터 기능과 기초 모델의 사진 생성 기능을 결합합니다.
다음으로, 우리는 다음을 사용하여 회귀 모델을 구축합니다. Amazon SageMaker 캔버스. SageMaker Canvas는 코드를 작성하지 않고도 모델을 구축하고 2~15분 안에 예비 결과를 제공할 수 있습니다. 다음 섹션에서는 이 솔루션 지침을 가능하게 하는 데 사용되는 참조 아키텍처를 제공합니다.
Hugging Face 및 기타 제공업체의 많은 인기 모델은 다음을 통해 원클릭 배포가 가능합니다. Amazon SageMaker 점프스타트. 이러한 리포지토리에는 수십만 개의 모델이 있습니다. 이 게시물에서는 고객 배포가 필요한 SageMaker JumpStart에서 사용할 수 없는 모델을 선택합니다. 다음 그림과 같이 추론을 위해 Hugging Face 모델을 배포합니다. 아마존 세이지 메이커 스튜디오 공책. 노트북은 실시간 추론을 위한 엔드포인트를 배포하는 데 사용됩니다. 노트북은 Hugging Face 바이너리 모델, 컨테이너 이미지에 대한 포인터, 모델의 예상 입력 및 출력과 일치하도록 특별히 제작된 inference.py 스크립트를 포함하는 자산을 사용합니다. 이 내용을 읽으면서 사용 가능한 VQA 모델의 조합이 변경될 수 있습니다. 중요한 것은 이 글을 읽을 때 사용 가능한 VQA 모델을 검토하고 자체 API 요청 및 응답 계약이 있는 선택한 모델을 배포할 준비를 하는 것입니다.
SageMaker 엔드포인트에서 VQA 모델을 제공한 후 SageMaker Data Wrangler를 사용하여 궁극적으로 표 형식 데이터와 디지털 이미지에서 추출한 기능을 결합하고 모델 훈련을 위해 데이터를 재구성하는 파이프라인을 조정합니다. 다음 그림에서는 전체 데이터 변환 작업이 실행되는 방식을 보여줍니다.
다음 그림에서는 SageMaker Data Wrangler를 사용하여 데이터 준비 작업을 조정하고 SageMaker Canvas를 사용하여 모델 교육을 수행합니다. 먼저, SageMaker Data Wrangler는 다음을 사용합니다. 아마존 위치 서비스 원시 데이터에서 사용 가능한 우편번호를 위도 및 경도 기능으로 변환합니다. 둘째, SageMaker Data Wrangler는 실시간 추론을 위해 수천 장의 사진을 SageMaker 호스팅 엔드포인트로 전송하여 장면별로 균일한 질문을 던질 수 있습니다. 그 결과 주방, 욕실, 집 외관 등에서 관찰되는 특성을 설명하는 다양한 기능이 생성됩니다. SageMaker Data Wrangler에서 데이터를 준비한 후 교육 데이터 세트를 다음에서 사용할 수 있습니다. 아마존 단순 스토리지 서비스 (아마존 S3). S3 데이터를 입력으로 사용하면 SageMaker Canvas는 코드를 작성하지 않고도 2~15분 만에 모델을 교육할 수 있습니다.
SageMaker Data Wrangler를 사용한 데이터 변환
다음 스크린샷은 SageMaker Data Wrangler 워크플로를 보여줍니다. 워크플로는 Amazon S3에 저장된 수천 장의 집 사진으로 시작됩니다. 다음으로 장면 감지기가 주방이나 욕실 등 장면을 판별합니다. 마지막으로, 이미지에 대해 장면별 질문 세트를 요청하여 훈련에 사용할 수 있는 더욱 풍부한 표 형식의 데이터세트를 얻습니다.
다음은 기초 모델과 상호 작용하고 주방 사진에 대한 정보를 얻는 데 사용되는 SageMaker Data Wrangler 사용자 지정 변환 코드의 예입니다. 앞의 스크린샷에서 주방 기능 노드를 선택하면 다음 코드가 나타납니다.
보안을 고려하여 먼저 SageMaker Data Wrangler를 활성화하여 SageMaker 실시간 엔드포인트를 호출해야 합니다. AWS 자격 증명 및 액세스 관리 (그래요). 마찬가지로 SageMaker Data Wrangler를 통해 호출하는 모든 AWS 리소스에는 유사한 허용 권한이 필요합니다.
SageMaker Data Wrangler 전후의 데이터 구조
이 섹션에서는 원본 테이블 형식 데이터와 향상된 데이터의 구조에 대해 설명합니다. 향상된 데이터에는 이 사용 사례 예시와 관련된 새로운 데이터 기능이 포함되어 있습니다. 애플리케이션에서 분류 또는 회귀 작업에 도움이 되도록 이미지에 사용할 수 있는 다양한 질문 집합을 상상해 보세요. 아이디어는 가능한 한 많은 질문을 상상한 다음 테스트하여 부가가치를 제공하는지 확인하는 것입니다.
원본 표 형식 데이터의 구조
소스에 설명된 대로 GitHub 레포, 샘플 데이터 세트에는 속성당 535개의 이미지를 포함하여 XNUMX개의 테이블 형식 레코드가 포함되어 있습니다. 다음 표에서는 원본 표 형식 데이터의 구조를 보여줍니다.
특색 | Comment |
침실의 수 | . |
욕실 수 | . |
면적(평방피트) | . |
우편 번호 | . |
가격 | 예측할 대상 변수입니다. |
향상된 데이터의 구조
다음 표는 이미지에서 파생된 몇 가지 새로운 기능을 포함하는 향상된 데이터 구조를 보여줍니다.
특색 | Comment |
침실의 수 | . |
욕실 수 | . |
면적(평방피트) | . |
위도 | 원본 우편번호를 Amazon Location Service에 전달하여 계산됩니다. 이는 ZIP의 중심값입니다. |
경도 | 원본 우편번호를 Amazon Location Service에 전달하여 계산됩니다. 이는 ZIP의 중심값입니다. |
침실에 아치형 천장이 있나요? | 0 = 아니오; 1 = 예 |
화장실이 비싸요? | 0 = 아니오; 1 = 예 |
부엌이 비싼가요? | 0 = 아니오; 1 = 예 |
가격 | 예측할 대상 변수입니다. |
SageMaker Canvas를 사용한 모델 훈련
SageMaker Data Wrangler 처리 작업은 전체 표 형식 교육 데이터 세트를 완전히 준비하고 Amazon S3에서 사용할 수 있도록 합니다. 다음으로 SageMaker Canvas는 ML 수명 주기의 모델 구축 단계를 다룹니다. 캔버스는 S3 훈련 세트를 여는 것으로 시작됩니다. 모델을 이해하는 능력은 고객의 주요 요구 사항인 경우가 많습니다. 코드를 작성하지 않고 몇 번의 클릭만으로 SageMaker Canvas는 모델 성능에 대한 풍부하고 시각적인 피드백을 제공합니다. 다음 섹션의 스크린샷에서 볼 수 있듯이 SageMaker Canvas는 단일 기능이 모델에 어떻게 정보를 제공하는지 보여줍니다.
부동산 이미지에서 파생된 원본 표 형식 데이터와 기능을 사용하여 학습된 모델
다음 스크린샷에서 부동산 이미지를 통해 개발된 기능이 중요하다는 것을 알 수 있습니다. 이러한 결과를 바탕으로, 사진의 "이 부엌은 비싸나요?"라는 질문은 원래 테이블 형식 세트의 "침실 수"보다 더 유의미했으며 특성 중요도 값은 각각 7.08과 5.498입니다.
다음 스크린샷은 모델에 대한 중요한 정보를 제공합니다. 첫째, 잔차 그래프는 보라색 음영 영역 주위에 클러스터링된 세트의 대부분의 포인트를 보여줍니다. 여기에서는 이 그림을 위해 SageMaker Canvas 외부에 두 개의 이상값에 수동으로 주석을 달았습니다. 이러한 이상치는 실제 주택 가치와 예측 가치 사이의 상당한 격차를 나타냅니다. 추가적으로, R2 0~100% 범위의 가능한 값은 76%로 표시됩니다. 이는 모델이 불완전하며 주택 가치를 완전히 추정하기 위해 모든 다양성을 완전히 설명할 수 있는 정보 포인트가 충분하지 않음을 나타냅니다.
이상값을 사용하여 추가 신호를 찾고 제안하여 보다 포괄적인 모델을 구축할 수 있습니다. 예를 들어, 이러한 이상치 속성에는 수영장이 포함되거나 대규모 토지에 위치할 수 있습니다. 데이터 세트에는 이러한 기능이 포함되지 않았습니다. 그러나 이 데이터를 찾고 추가 기능으로 "수영장 있음"이 포함된 새 모델을 훈련할 수 있습니다. 이상적으로는 다음 시도에서 R2 값은 증가하고 MAE 및 RMSE 값은 감소합니다.
부동산 이미지에서 파생된 특징 없이 학습된 모델
마지막으로 다음 섹션으로 넘어가기 전에 이미지의 기능이 도움이 되었는지 살펴보겠습니다. 다음 스크린샷은 VQA 모델의 기능이 없는 또 다른 SageMaker Canvas 교육 모델을 제공합니다. 모델 오류율이 RMSE 282K에서 RMSE 352K로 증가한 것을 확인할 수 있습니다. 이를 통해 이미지의 세 가지 간단한 질문이 모델 정확도를 약 20% 향상시켰다는 결론을 내릴 수 있습니다. 표시되지는 않았지만 완전하려면 R2 후속 모델의 값도 저하되어 VQA 기능 제공 시 62% 값에서 76% 값으로 떨어졌습니다. 이는 SageMaker Canvas를 통해 비즈니스 요구 사항에 맞는 모델을 생성하는 데이터 기반 접근 방식을 신속하게 실험하고 사용하는 방법을 보여주는 예입니다.
앞서 찾고
특히 2022년 XNUMX월 일반 사전 훈련된 변환기(GPT)가 공식적으로 주류 관심 주제가 된 이후 많은 조직에서 기초 모델에 대한 관심이 점점 더 커지고 있습니다. 기초 모델에 대한 관심의 상당 부분은 LLM(대형 언어 모델) 작업에 집중되어 있습니다. ; 그러나 컴퓨터 비전, 더 좁게는 여기에 설명된 특수 VQA 작업과 같은 다양한 사용 사례가 있습니다.
이 게시물은 업계 사용 사례를 해결하기 위해 다중 모드 데이터를 사용하도록 영감을 주는 예입니다. 회귀 모델에서 VQA의 사용과 이점을 시연했지만 후속 검색 또는 비즈니스 워크플로 라우팅을 위해 이미지에 레이블을 지정하고 태그를 지정하는 데에도 사용할 수 있습니다. 판매 또는 임대 목록에 있는 부동산을 검색할 수 있다고 상상해 보세요. 타일 바닥이나 대리석 조리대가 있는 부동산을 찾고 싶다고 가정해 보겠습니다. 오늘날에는 후보 부동산의 긴 목록을 얻고 각 후보를 탐색하면서 눈에 띄게 필터링해야 할 수도 있습니다. 대신, 사람이 명시적으로 태그를 지정하지 않은 경우에도 이러한 기능이 포함된 목록을 필터링할 수 있다고 상상해 보십시오. 보험 업계에서 이미지를 통해 손해배상 청구나 비즈니스 워크플로의 다음 조치를 라우팅하는 기능을 상상해 보세요. 소셜 미디어 플랫폼에서는 나중에 사용할 수 있도록 사진에 자동으로 태그가 지정될 수 있습니다.
요약
이 게시물에서는 SageMaker 플랫폼을 사용하여 기본 ML 사용 사례를 개선하기 위해 기초 모델로 지원되는 컴퓨터 비전을 사용하는 방법을 보여주었습니다. 제안된 솔루션의 일부로 우리는 공개 모델 레지스트리에서 사용 가능한 인기 있는 VQA 모델을 찾아 실시간 추론을 위해 SageMaker 엔드포인트를 사용하여 배포했습니다.
다음으로, 풍부한 표 형식 데이터 세트를 생성하기 위해 SageMaker Data Wrangler를 사용하여 이미지에 대해 통일된 질문을 하는 워크플로를 조율했습니다. 마지막으로 SageMaker Canvas를 사용하여 회귀 모델을 훈련했습니다. 샘플 데이터 세트는 매우 단순하므로 설계상 불완전하다는 점에 유의하는 것이 중요합니다. 그럼에도 불구하고 SageMaker Canvas를 사용하면 모델 정확도를 쉽게 이해하고 추가 신호를 찾아 기본 모델의 정확도를 높일 수 있습니다.
이 게시물이 귀하의 조직이 보유할 수 있는 다중 모드 데이터를 사용하는 데 도움이 되기를 바랍니다. 또한 이 게시물을 통해 모델 학습을 반복 프로세스로 고려하는 데 도움이 되기를 바랍니다. 약간의 인내심을 가지고 훌륭한 모델을 얻을 수 있습니다. 거의 완벽에 가까운 모델은 사실이 되기에는 너무 좋을 수 있습니다. 아마도 목표 누출이나 과적합의 결과일 수 있습니다. 이상적인 시나리오는 훌륭하지만 완벽하지는 않은 모델로 시작됩니다. 오류, 손실 및 잔차 도표를 사용하면 추가 데이터 신호를 얻어 초기 기준선 추정치의 정확도를 높일 수 있습니다.
AWS는 가장 광범위하고 심층적인 ML 서비스 세트와 클라우드 인프라 지원을 제공하여 모든 개발자, 데이터 과학자 및 전문 실무자가 ML을 사용할 수 있게 해줍니다. SageMaker Data Wrangler 및 SageMaker Canvas를 포함하여 SageMaker 플랫폼에 대해 자세히 알아보려면 AWS 계정 팀에 문의하여 대화를 시작하십시오. 또한 SageMaker Data Wrangler에 대해 자세히 읽어보세요. 사용자 정의 변환.
참고자료
아흐메드, EH, & 무스타파, M. (2016). 시각적, 텍스트적 특징을 활용한 주택 가격 추정. IJCCI 2016-제8차 전산 지능에 관한 국제 합동 컨퍼런스 회의록, 3, 62–68.
해리슨 주니어, D., & 루빈펠드, DL(1978). 헤도닉 주택 가격과 깨끗한 공기에 대한 수요. 환경 경제 및 경영 저널, 5(1), 81-102.
김W., 손B., 김나..(2021). ViLT: 컨볼루션이나 지역 감독이 없는 비전 및 언어 변환기. 제38차 기계 학습 국제 컨퍼런스 진행, 기계 학습 연구 진행. 139:5583-5594.
저자에 관하여
찰스 라플린 수석 AI/ML 전문가 솔루션 설계자이며 AWS의 Amazon SageMaker 서비스 팀에서 일하고 있습니다. 그는 서비스 로드맵을 형성하는 데 도움을 주고 다양한 AWS 고객과 매일 협력하여 최첨단 AWS 기술과 사고 리더십을 사용하여 비즈니스를 혁신하도록 돕습니다. Charles는 공급망 관리 석사 및 박사 학위를 보유하고 있습니다. 데이터 과학에서.
- 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. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :있다
- :이다
- :아니
- :어디
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 년
- 7
- 8
- 8 위
- a
- 능력
- 할 수 있는
- 소개
- 풍족한
- ACCESS
- 계정
- 달성
- 행위
- 추가
- 또한
- 구애
- 후
- 아메드
- AI
- AI / ML
- AIR
- All
- 수
- 거의
- 함께
- 또한
- 이기는하지만
- 아마존
- 아마존 세이지 메이커
- Amazon Web Services
- amp
- an
- 및
- 다른
- 답변
- 답변
- 어떤
- API를
- 표시
- 어플리케이션
- 신청
- 접근
- 아키텍처
- 있군요
- 약
- 배열
- 인조의
- 인공 지능
- 인공 지능(AI)
- AS
- 문의
- 질문
- 평가하다
- 자산
- At
- 시도
- 오디오
- 자동화
- 가능
- AWS
- 기반으로
- 기준
- BE
- 되었다
- 가
- 되고
- 된
- 전에
- 시작하다
- 존재
- 이익
- 사이에
- 그 너머
- 몸
- 보스턴
- 두
- 빌드
- 건물
- 내장
- 부담
- 사업
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 전화
- CAN
- 후보자
- 캔버스
- 기능
- 능력
- 수
- 케이스
- 가지 경우
- 천장
- 중심으로
- 센터
- 체인
- 이전 단계로 돌아가기
- 특성
- 찰스
- 왼쪽 메뉴에서
- 청구
- 고전적인
- 분류
- 황어 무리
- 클라우드
- 클라우드 인프라
- 클러스터링
- 암호
- 코드
- 협력하다
- 색
- 결합
- 왔다
- 완전한
- 포괄적 인
- 계산
- 컴퓨터
- 컴퓨터 비전
- 개념
- 결론
- 컨퍼런스
- 고려
- 고려
- 포함하는
- 컨테이너
- 이 포함되어 있습니다
- 끊임없는
- 계약
- 대화
- 변하게 하다
- 좌표의
- 수정
- 동
- 수
- 신용
- 이상한
- 관습
- 고객
- 고객
- 최첨단
- 매일
- 데이터
- 데이터 준비
- 데이터 과학
- 데이터 과학자
- 데이터 세트
- 데이터 구조
- 데이터 중심
- XNUMX월
- 의사 결정
- 감소
- 가장 깊은
- 배달하다
- 수요
- 보여
- 시연
- 보여줍니다
- 배포
- 배포
- 전개
- 파생
- 설명
- 기술 된
- 디자인
- 설계
- 결정하다
- 개발
- 개발자
- 디지털
- 치수
- 토론
- 논의 된
- 몇몇의
- do
- 하지
- 하지 않습니다
- 다운로드
- 수십
- 적하
- e
- 마다
- 쉽게
- 경제적
- 가능
- 사용 가능
- 격려
- 종점
- 엔지니어링
- 강화
- 충분히
- 전체의
- 환경
- 오류
- 오류
- 특히
- 견적
- 등
- 조차
- 모든
- 예
- 예
- 기대하는
- 비싼
- 실험
- 전문가
- 명시 적으로
- 탐험
- 추출물
- 페이스메이크업
- 특색
- 특징
- 피드백
- 발
- 를
- 그림
- 필터링
- 최종적으로
- Find
- 먼저,
- 바닥
- 초점
- 따라
- 수행원
- 다음
- 럭셔리
- 형태
- 발견
- Foundation
- 사
- 에
- 본격적인
- 충분히
- 기능
- 기능
- 기본적인
- 이득
- 틈새
- 일반
- 생성
- 얻을
- 골
- 좋은
- 그래프
- 큰
- 획기적인
- 지도
- 손
- 있다
- he
- 도움
- 도움이
- 도움이
- 여기에서 지금 확인해 보세요.
- 숨겨진
- 강조
- 보유
- 홈
- 주택
- 기대
- 호스팅
- 집
- 주택
- 방법
- How To
- 그러나
- HTTP
- HTTPS
- 수백
- i
- 생각
- 이상
- 이상적으로
- 통합 인증
- if
- 설명하다
- 영상
- 형상
- 그림
- import
- 중요성
- 중대한
- 개선
- 개선하는
- in
- 포함
- 포함
- 포함
- 통합
- 증가
- 증가
- 더욱 더
- 독립하여
- 표시
- 산업
- 영향
- 통보
- 정보
- 인프라
- 처음에는
- 입력
- 통찰력
- inspire
- 영감
- 를 받아야 하는 미국 여행자
- 보험
- 인텔리전스
- 상호 작용하는
- 상호 작용
- 관심
- 관심있는
- 국제 노동자 동맹
- 으로
- IT
- 그
- 일
- 관절
- JPG
- JSON
- 키
- 김
- 지식
- 알려진
- 라벨
- 땅
- 언어
- 넓은
- 후에
- 리드
- Leadership
- 배우다
- 배우기
- wifecycwe
- 명부
- 상장 된
- 목록
- 작은
- LLM
- 위치한
- 위치
- 고정
- 긴
- 사상자 수
- 기계
- 기계 학습
- 만든
- 주류
- 확인
- 제작
- 구축
- 수동으로
- .
- 성냥
- XNUMX월..
- 의미있는
- 방법
- 미디어
- 방법
- 미드웨이
- 수도
- 신경
- 회의록
- 누락
- 혼합
- ML
- 모델
- 모델
- 현대
- 배우기
- 가장
- 운동
- 움직이는
- 절대로 필요한 것
- 자연의
- 필요
- 필요
- 신제품
- 새로운 기능
- 다음 것
- 아니
- 노드
- 수첩
- 번호
- 다수의
- 획득
- 발생
- of
- 제공
- 공무상
- 자주
- on
- 만
- 오픈 소스
- 열기
- or
- 주문
- 조직
- 조직
- 실물
- 원래
- 기타
- 우리의
- 아웃
- 국외자
- 출력
- 외부
- 자신의
- 서
- 부품
- 통과
- 인내
- 패턴
- 용
- 완전한
- 성능
- 혹시
- 권한
- 사람
- 상
- 사진
- 사진
- .
- 영화
- 관로
- 평원
- 플랫폼
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- 포인트 적립
- 전철기
- 풀
- 인기 문서
- 일부
- 소유
- 가능한
- 게시하다
- 예측
- 예비
- 준비
- Prepare
- 준비
- 준비하다
- 이전에
- 가격
- 학비 안내
- 교장
- 소송 절차
- 방법
- 처리
- 생산
- 전문가
- 속성
- 재산
- 제안
- 제안 된
- 제공
- 제공
- 공급자
- 제공
- 제공
- 제공
- 공개
- 출판
- 입고
- 품질
- 문제
- 문의
- 빨리
- R
- 범위
- 율
- 살갗이 벗어 진
- 도달
- 읽기
- 읽기
- 준비
- 실시간
- 받다
- 기록
- 감소
- 참고
- 의미
- 지방
- 레지스트리
- 강화
- 상대적인
- 관련된
- Rent
- 저장소
- 대표
- 의뢰
- 요구 사항
- 필요
- 연구
- 모양을 바꾸다
- 거주
- 제품 자료
- 각기
- 응답
- 응답
- 결과
- 결과
- 결과
- return
- 리뷰
- 풍부한
- 풍부한
- 로드맵
- 길
- 라우팅
- 달리기
- 런타임
- s
- 현자
- 판매
- 같은
- 샘플 데이터세트
- 대본
- 장면
- 과학
- 과학자
- 스캇
- 스크립트
- 검색
- 둘째
- 섹션
- 보안
- 참조
- 찾으라
- 본
- 선택된
- 전송
- 서브
- 봉사 한
- 서비스
- 서비스
- 세트
- 몇몇의
- 셰이프
- 표시
- 표시
- 쇼
- 시각
- 신호
- 상당한
- 비슷한
- 비슷하게
- 단순, 간단, 편리
- 단순화
- 이후
- 단일
- 크기
- So
- 사회적
- 소셜 미디어
- 소셜 미디어 플랫폼
- 해결책
- 풀다
- 일부
- 때로는
- 그것의
- 출처
- 지우면 좋을거같음 . SM
- 스페이스 버튼
- 전문가
- 전문
- 구체적으로
- 광장
- 스타트
- 아직도
- 저장
- 저장
- 똑 바른
- 구조
- 구조
- 학생들
- 후속의
- 이러한
- 제안
- 감독
- 공급
- 공급망
- 공급 체인 관리
- 지원
- 확인
- 테이블
- TAG
- 받아
- 소요
- 목표
- 태스크
- 작업
- 교육
- 팀
- 기술
- Technology
- 기간
- test
- 텍스트
- 보다
- 그
- XNUMXD덴탈의
- 소스
- 그들의
- 그들
- 그때
- 그곳에.
- 따라서
- Bowman의
- 그들
- 맡은 일
- 이
- 그
- 생각
- 사고 리더십
- 천
- 수천
- 세
- 을 통하여
- 시간
- 에
- 오늘
- 오늘의
- 너무
- 수단
- 화제
- 전통적으로
- Train
- 훈련 된
- 트레이닝
- 변환
- 변환
- 변환
- 변압기
- 변압기
- 참된
- 신뢰할 수있는
- 두
- 유형
- 유형
- 궁극적으로
- 이해
- 이해
- 유일한
- Unsplash
- 사용
- 유스 케이스
- 익숙한
- 사용
- 사용
- 활용
- 평가
- 가치
- 부가가치
- 마케팅은:
- 변수
- 종류
- 대단히
- Video
- 관측
- 눈에 보이는
- 시력
- 시각
- W
- 필요
- 였다
- we
- 웹
- 웹 서비스
- 주
- 잘
- 했다
- 뭐
- 어느
- 누구
- 의지
- 창
- 과
- 이내
- 없이
- 목재
- 작업
- 워크플로우
- 일
- 세계
- 가치
- 겠지
- 쓰기
- 년
- 산출량
- 자신의
- 너의
- 당신 자신
- 유튜브
- 제퍼 넷
- 제로
- 지퍼