Amazon SageMaker-gegevens Wrangler is een enkele visuele interface die de tijd die nodig is om gegevens voor te bereiden en feature-engineering uit te voeren terugbrengt van weken naar minuten met de mogelijkheid om gegevens te selecteren en op te schonen, functies te creรซren en gegevensvoorbereiding in machine learning (ML)-workflows te automatiseren zonder enige code te schrijven.
SageMaker Data Wrangler ondersteunt Sneeuwvlok, een populaire gegevensbron voor gebruikers die ML willen uitvoeren. We lanceren de Snowflake directe verbinding van de SageMaker Data Wrangler om de klantervaring te verbeteren. Vรณรณr de lancering van deze functie moesten beheerders de initiรซle opslagintegratie instellen om verbinding te maken met Snowflake om functies voor ML in Data Wrangler te creรซren. Dit is inclusief bevoorrading Amazon eenvoudige opslagservice (Amazon S3) emmers, AWS Identiteits- en toegangsbeheer (IAM) toegangsrechten, Snowflake-opslagintegratie voor individuele gebruikers en een doorlopend mechanisme om gegevenskopieรซn in Amazon S3 te beheren of op te schonen. Dit proces is niet schaalbaar voor klanten met strikte gegevenstoegangscontrole en een groot aantal gebruikers.
In dit bericht laten we zien hoe de directe verbinding van Snowflake in SageMaker Data Wrangler de ervaring van de beheerder en de ML-reis van datawetenschappers van data naar zakelijke inzichten vereenvoudigt.
Overzicht oplossingen
In deze oplossing gebruiken we SageMaker Data Wrangler om de gegevensvoorbereiding voor ML en Amazon SageMaker-stuurautomaat om de ML-modellen automatisch te bouwen, trainen en verfijnen op basis van uw gegevens. Beide services zijn specifiek ontworpen om de productiviteit te verhogen en de time-to-value voor ML-beoefenaars te verkorten. We demonstreren ook de vereenvoudigde gegevenstoegang van SageMaker Data Wrangler naar Snowflake met directe verbinding om query's uit te voeren en functies voor ML te maken.
Raadpleeg het onderstaande diagram voor een overzicht van het low-code ML-proces met Snowflake, SageMaker Data Wrangler en SageMaker Autopilot.
De workflow omvat de volgende stappen:
- Navigeer naar SageMaker Data Wrangler voor uw gegevensvoorbereiding en functie-engineeringtaken.
- Stel de Snowflake-verbinding in met SageMaker Data Wrangler.
- Verken uw Snowflake-tabellen in SageMaker Data Wrangler, maak een ML-dataset en voer feature-engineering uit.
- Train en test de modellen met SageMaker Data Wrangler en SageMaker Autopilot.
- Laad het beste model naar een real-time inferentie-eindpunt voor voorspellingen.
- Gebruik een Python-notebook om het gelanceerde real-time deductie-eindpunt aan te roepen.
Voorwaarden
Voor deze functie heeft de beheerder de volgende vereisten nodig:
Datawetenschappers moeten aan de volgende voorwaarden voldoen
Ten slotte moet u uw gegevens voorbereiden op Snowflake
- We gebruiken creditcardtransactiegegevens van Kaggle om ML-modellen te bouwen voor het detecteren van frauduleuze creditcardtransacties, zodat klanten niet hoeven te betalen voor items die ze niet hebben gekocht. De dataset bevat creditcardtransacties in september 2013 door Europese kaarthouders.
- Gebruik de SnowSQL-client en installeer het op uw lokale computer, zodat u het kunt gebruiken om de dataset naar een Snowflake-tabel te uploaden.
De volgende stappen laten zien hoe u de dataset voorbereidt en laadt in de Snowflake-database. Dit is een eenmalige instelling.
Sneeuwvloktabel en gegevensvoorbereiding
Voer de volgende stappen uit voor deze eenmalige configuratie:
- Maak als beheerder eerst een virtueel magazijn, gebruiker en rol van Snowflake en verleen toegang aan andere gebruikers, zoals de datawetenschappers, om een โโdatabase te maken en gegevens te verzamelen voor hun ML-gebruiksscenario's:
- Laten we als datawetenschapper nu een database maken en de creditcardtransacties importeren in de Snowflake-database om toegang te krijgen tot de gegevens van SageMaker Data Wrangler. Ter illustratie maken we een Snowflake-database met de naam
SF_FIN_TRANSACTION
: - Download het CSV-bestand van de gegevensset naar uw lokale computer en maak een fase om de gegevens in de databasetabel te laden. Werk het bestandspad bij zodat het verwijst naar de locatie van de gedownloade gegevensset voordat u de opdracht PUT uitvoert om de gegevens naar de gemaakte fase te importeren:
- Maak een tabel met de naam
credit_card_transactions
: - Importeer de gegevens in de gemaakte tabel vanuit het werkgebied:
Stel de SageMaker Data Wrangler en Snowflake-verbinding in
Nadat we de dataset hebben voorbereid voor gebruik met SageMaker Data Wrangler, laten we een nieuwe Snowflake-verbinding maken in SageMaker Data Wrangler om verbinding te maken met de sf_fin_transaction
database in Snowflake en vraag de credit_card_transaction
tafel:
- Kies Sneeuwvlok op de SageMaker Data Wrangler Aansluiting pagina.
- Geef een naam op om uw verbinding te identificeren.
- Selecteer uw authenticatiemethode om verbinding te maken met de Snowflake-database:
- Als u basisauthenticatie gebruikt, geeft u de gebruikersnaam en het wachtwoord op die door uw Snowflake-beheerder worden gedeeld. Voor dit bericht gebruiken we basisauthenticatie om verbinding te maken met Snowflake met behulp van de gebruikersreferenties die we in de vorige stap hebben gemaakt.
- Als u OAuth gebruikt, geeft u de inloggegevens van uw identiteitsprovider op.
SageMaker Data Wrangler bevraagt โโuw gegevens standaard rechtstreeks vanuit Snowflake zonder gegevenskopieรซn in S3-buckets te maken. De nieuwe bruikbaarheidsverbetering van SageMaker Data Wrangler maakt gebruik van Apache Spark om te integreren met Snowflake om een โโdataset voor te bereiden en naadloos te creรซren voor uw ML-reis.
Tot nu toe hebben we de database op Snowflake gemaakt, het CSV-bestand in de Snowflake-tabel geรฏmporteerd, Snowflake-referenties gemaakt en een connector op SageMaker Data Wrangler gemaakt om verbinding te maken met Snowflake. Om de geconfigureerde Snowflake-verbinding te valideren, voert u de volgende query uit op de gemaakte Snowflake-tabel:
Merk op dat de optie voor opslagintegratie die voorheen vereist was, nu optioneel is in de geavanceerde instellingen.
Verken Snowflake-gegevens
Nadat u de queryresultaten hebt gevalideerd, kiest u import om de queryresultaten op te slaan als de dataset. We gebruiken deze geรซxtraheerde dataset voor verkennende data-analyse en feature engineering.
U kunt ervoor kiezen om de gegevens van Snowflake te samplen in de gebruikersinterface van SageMaker Data Wrangler. Een andere optie is om volledige gegevens voor uw ML-modeltraining use cases te downloaden met behulp van SageMaker Data Wrangler-verwerkingstaken.
Voer verkennende gegevensanalyse uit in SageMaker Data Wrangler
De gegevens binnen Data Wrangler moeten worden ontworpen voordat ze kunnen worden getraind. In deze sectie laten we zien hoe u feature-engineering kunt uitvoeren op de gegevens van Snowflake met behulp van de ingebouwde mogelijkheden van SageMaker Data Wrangler.
Laten we eerst de Data Quality and Insights Report
functie binnen SageMaker Data Wrangler om rapporten te genereren om automatisch de gegevenskwaliteit te verifiรซren en afwijkingen in de gegevens van Snowflake te detecteren.
U kunt het rapport gebruiken om u te helpen uw gegevens op te schonen en te verwerken. Het geeft u informatie zoals het aantal ontbrekende waarden en het aantal uitschieters. Als u problemen heeft met uw gegevens, zoals het lekken van doelen of onbalans, kan het inzichtenrapport deze problemen onder uw aandacht brengen. Raadpleeg voor meer informatie over de rapportdetails Versnel de gegevensvoorbereiding met gegevenskwaliteit en inzichten in Amazon SageMaker Data Wrangler.
Nadat u de door SageMaker Data Wrangler toegepaste gegevenstypeovereenkomst hebt uitgecheckt, voert u de volgende stappen uit:
- Kies het plusteken naast Datatypen En kies Analyse toevoegen.
- Voor Type analyse, kiezen Rapport Gegevenskwaliteit en inzichten.
- Kies creรซren.
- Raadpleeg de details van het gegevenskwaliteits- en inzichtenrapport om waarschuwingen met hoge prioriteit te bekijken.
U kunt ervoor kiezen om de gerapporteerde waarschuwingen op te lossen voordat u doorgaat met uw ML-reis.
De doelkolom Class
te voorspellen is geclassificeerd als een string. Laten we eerst een transformatie toepassen om de verouderde lege tekens te verwijderen.
- Kies Stap toevoegen En kies Tekenreeks opmaken.
- Kies in de lijst met transformaties Strip links en rechts.
- Voer de tekens in die u wilt verwijderen en kies Toevoegen.
Vervolgens converteren we de doelkolom Class
van het gegevenstype string naar Boolean omdat de transactie legitiem of frauduleus is.
- Kies Stap toevoegen.
- Kies Kolom ontleden als type.
- Kies voor Kolom
Class
. - Voor Van, kiezen Draad.
- Voor Naar, kiezen Boolean.
- Kies Toevoegen.
Na de doelkolomtransformatie verminderen we het aantal kenmerkkolommen, omdat er meer dan 30 kenmerken in de oorspronkelijke dataset zijn. We gebruiken Principal Component Analysis (PCA) om de dimensies te verkleinen op basis van belangrijkheid van kenmerken. Raadpleeg voor meer informatie over PCA en dimensionaliteitsreductie Principal Component Analysis (PCA)-algoritme.
- Kies Stap toevoegen.
- Kies Dimensionaliteitsvermindering.
- Voor Transformeren, kiezen Analyse van de belangrijkste componenten.
- Voor Invoerkolommen, kies alle kolommen behalve de doelkolom
Class
. - Kies het plusteken naast Informatiestroom En kies Analyse toevoegen.
- Voor Type analyse, kiezen Snel model.
- Voor Analyse naam, voer een naam in.
- Voor label, kiezen
Class
. - Kies lopen.
Op basis van de PCA-resultaten kunt u beslissen welke functies u wilt gebruiken voor het bouwen van het model. In de volgende schermafbeelding toont de grafiek de functies (of dimensies) geordend op basis van het hoogste naar het laagste belang om de doelklasse te voorspellen, wat in deze dataset is of de transactie frauduleus of geldig is.
U kunt ervoor kiezen om het aantal functies te verminderen op basis van deze analyse, maar voor dit bericht laten we de standaardinstellingen zoals ze zijn.
Hiermee is ons feature-engineeringproces afgerond, hoewel u ervoor kunt kiezen om het snelle model uit te voeren en opnieuw een Data Quality and Insights-rapport te maken om de gegevens te begrijpen voordat u verdere optimalisaties uitvoert.
Exporteer gegevens en train het model
In de volgende stap gebruiken we SageMaker Autopilot om automatisch de beste ML-modellen te bouwen, trainen en afstemmen op basis van uw gegevens. Met SageMaker Autopilot behoudt u nog steeds de volledige controle en zichtbaarheid van uw gegevens en model.
Nu we de verkenning en functie-engineering hebben voltooid, gaan we een model op de dataset trainen en de gegevens exporteren om het ML-model te trainen met behulp van SageMaker Autopilot.
- Op de Trainingen tabblad, kies Exporteren en trainen.
We kunnen de voortgang van de export volgen terwijl we wachten tot deze is voltooid.
Laten we SageMaker Autopilot configureren om een โโgeautomatiseerde trainingstaak uit te voeren door het doel op te geven dat we willen voorspellen en het type probleem. Omdat we de dataset trainen om te voorspellen of de transactie frauduleus of geldig is, gebruiken we in dit geval binaire classificatie.
- Voer een naam in voor uw experiment, geef de S3-locatiegegevens op en maak uw keuze Volgende: Target en functies.
- Voor doelwit, kiezen
Class
als de te voorspellen kolom. - Kies Volgende: Trainingsmethode.
Laten we SageMaker Autopilot toestaan โโom de trainingsmethode te bepalen op basis van de dataset.
- Voor Trainingsmethode en algoritmenselecteer automobiel.
Raadpleeg voor meer informatie over de trainingsmodi die worden ondersteund door SageMaker Autopilot Trainingsmodi en algoritme Ondersteunen.
- Kies Volgende: Implementatie en geavanceerde instellingen.
- Voor Implementatie optie, kiezen Implementeer automatisch het beste model met transformaties van Data Wrangler, die het beste model voor inferentie laadt nadat het experiment is voltooid.
- Voer een naam in voor uw eindpunt.
- Voor Selecteer het type machine learning-probleem, kiezen Binaire classificatie.
- Voor Bezwaar statistiek, kiezen F1.
- Kies Volgende: Controleren en maken.
- Kies Experiment maken.
Dit start een SageMaker Autopilot-taak die een set trainingstaken maakt die combinaties van hyperparameters gebruikt om de objectieve metriek te optimaliseren.
Wacht tot SageMaker Autopilot klaar is met het bouwen van de modellen en de evaluatie van het beste ML-model.
Start een real-time deductie-eindpunt om het beste model te testen
SageMaker Autopilot voert experimenten uit om het beste model te bepalen dat creditcardtransacties als legitiem of frauduleus kan classificeren.
Wanneer SageMaker Autopilot het experiment voltooit, kunnen we de trainingsresultaten met de evaluatiestatistieken bekijken en het beste model van de SageMaker Autopilot-functiebeschrijvingspagina verkennen.
- Selecteer het beste model en kies Model implementeren.
We gebruiken een real-time inferentie-eindpunt om het beste model te testen dat is gemaakt met SageMaker Autopilot.
- kies Realtime voorspellingen doen.
Wanneer het eindpunt beschikbaar is, kunnen we de payload doorgeven en conclusies trekken.
Laten we een Python-notebook starten om het inferentie-eindpunt te gebruiken.
- Kies op de SageMaker Studio-console het mappictogram in het navigatievenster en kies Maak een notitieboekje.
- Gebruik de volgende Python-code om het geรฏmplementeerde real-time deductie-eindpunt aan te roepen:
De uitvoer toont het resultaat als false
, wat impliceert dat de voorbeeldfunctiegegevens niet frauduleus zijn.
Opruimen
Om ervoor te zorgen dat er geen kosten in rekening worden gebracht na het voltooien van deze zelfstudie, sluit de SageMaker Data Wrangler-toepassing af en sluit de notebookinstantie af gebruikt om gevolgtrekkingen uit te voeren. Je zou ook moeten verwijder het gevolgtrekkingseindpunt die u hebt gemaakt met SageMaker Autopilot om extra kosten te voorkomen.
Conclusie
In dit bericht hebben we laten zien hoe u uw gegevens rechtstreeks uit Snowflake kunt halen zonder tussentijdse kopieรซn te maken. U kunt uw volledige dataset rechtstreeks vanuit Snowflake samplen of laden naar SageMaker Data Wrangler. U kunt vervolgens de gegevens verkennen, de gegevens opschonen en featuring engineering uitvoeren met behulp van de visuele interface van SageMaker Data Wrangler.
We hebben ook benadrukt hoe u eenvoudig een model kunt trainen en afstemmen met SageMaker Autopilot, rechtstreeks vanuit de gebruikersinterface van SageMaker Data Wrangler. Met de integratie van SageMaker Data Wrangler en SageMaker Autopilot kunnen we snel een model bouwen na het voltooien van feature engineering, zonder enige code te schrijven. Vervolgens verwezen we naar het beste model van SageMaker Autopilot om gevolgtrekkingen uit te voeren met behulp van een real-time eindpunt.
Probeer vandaag nog de nieuwe directe integratie van Snowflake met SageMaker Data Wrangler uit om eenvoudig ML-modellen te bouwen met uw gegevens met behulp van SageMaker.
Over de auteurs
Hariharan Suresh is Senior Solutions Architect bij AWS. Hij is gepassioneerd door databases, machine learning en het ontwerpen van innovatieve oplossingen. Voordat hij bij AWS kwam, was Hariharan productarchitect, core banking-implementatiespecialist en ontwikkelaar, en werkte hij meer dan 11 jaar met BFSI-organisaties. Buiten de technologie houdt hij van paragliden en fietsen.
Aparajithan Vaidyanathan is Principal Enterprise Solutions Architect bij AWS. Hij ondersteunt zakelijke klanten bij het migreren en moderniseren van hun workloads naar de AWS-cloud. Hij is een Cloud Architect met meer dan 23 jaar ervaring in het ontwerpen en ontwikkelen van enterprise, grootschalige en gedistribueerde softwaresystemen. Hij is gespecialiseerd in Machine Learning & Data Analytics met een focus op het domein Data en Feature Engineering. Hij is een aspirant-marathonloper en zijn hobby's zijn wandelen, fietsen en tijd doorbrengen met zijn vrouw en twee jongens.
Tim Lied is een Software Development Engineer bij AWS SageMaker, met meer dan 10 jaar ervaring als softwareontwikkelaar, consultant en technisch leider. Hij heeft aangetoond in staat te zijn om schaalbare en betrouwbare producten te leveren en complexe problemen op te lossen. In zijn vrije tijd geniet hij van de natuur, buiten hardlopen, wandelen en etc.
Bosco Albuquerque is Sr. Partner Solutions Architect bij AWS en heeft meer dan 20 jaar ervaring in het werken met database- en analyseproducten van leveranciers van bedrijfsdatabases en cloudproviders. Hij heeft grote technologiebedrijven geholpen bij het ontwerpen van data-analyseoplossingen en heeft technische teams geleid bij het ontwerpen en implementeren van data-analyseplatforms en dataproducten.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- : heeft
- :is
- :niet
- $UP
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 jaar
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- vermogen
- Over
- versnellen
- toegang
- Account
- Extra
- beheerders
- vergevorderd
- Na
- weer
- AI / ML
- Alles
- toelaten
- ook
- Hoewel
- Amazone
- Amazon Sage Maker
- Amazon SageMaker-gegevens Wrangler
- Amazon Web Services
- bedragen
- an
- analyse
- analytics
- en
- Nog een
- elke
- apache
- api
- toegepast
- Solliciteer
- ZIJN
- AS
- eerzuchtig
- At
- aandacht
- authenticatie
- automatiseren
- geautomatiseerde
- webmaster.
- Beschikbaar
- AWS
- Bankieren
- gebaseerde
- basis-
- BE
- omdat
- vaardigheden
- onder
- BEST
- BFSI
- lichaam
- zowel
- brengen
- bouw
- Gebouw
- ingebouwd
- bedrijfsdeskundigen
- maar
- by
- CAN
- mogelijkheden
- vangen
- kaart
- geval
- gevallen
- tekens
- opgeladen
- lasten
- controle
- Kies
- klasse
- classificatie
- geklasseerd
- classificeren
- klant
- Cloud
- code
- Kolom
- columns
- combinaties
- Bedrijven
- compleet
- Voltooid
- voltooit
- het invullen van
- complex
- bestanddeel
- geconfigureerd
- Verbinden
- versterken
- troosten
- consultant
- voortzetten
- onder controle te houden
- converteren
- Kern
- Kernbankieren
- en je merk te creรซren
- aangemaakt
- creรซert
- Wij creรซren
- Geloofsbrieven
- Credits
- creditkaart
- klant
- klantervaring
- Klanten
- gegevens
- toegang tot data
- gegevensanalyse
- gegevens Analytics
- Data voorbereiding
- data scientist
- Database
- databanken
- beslissen
- Standaard
- defaults
- leveren
- tonen
- gedemonstreerd
- implementeren
- ingezet
- inzet
- beschrijving
- Design
- ontworpen
- ontwerpen
- gegevens
- Bepalen
- Ontwikkelaar
- het ontwikkelen van
- Ontwikkeling
- Afmeting
- directe
- direct
- verdeeld
- domein
- Dont
- beneden
- Download
- gemakkelijk
- beide
- Endpoint
- ingenieur
- Engineering
- Enter
- Enterprise
- etc
- Nederlands
- evaluatie
- Behalve
- bestaat
- ervaring
- experiment
- experimenten
- exploratie
- Verkennende gegevensanalyse
- Verken
- exporteren
- ver
- Kenmerk
- Voordelen
- Met
- Dien in
- financieel
- afmaken
- Voornaam*
- Vlotter
- Focus
- volgend
- Voor
- formaat
- frauduleus
- oppompen van
- vol
- verder
- voortbrengen
- krijgen
- geeft
- toe te kennen
- diagram
- Hebben
- he
- hulp
- geholpen
- hoogst
- Gemarkeerd
- zijn
- Hoe
- How To
- HTML
- http
- HTTPS
- ICON
- identificeren
- Identiteit
- if
- onbalans
- uitvoering
- uitvoering
- importeren
- belang
- importeren
- invoer
- verbeteren
- in
- omvatten
- omvat
- Laat uw omzet
- individueel
- informatie
- eerste
- innovatieve
- inzichten
- installeren
- integreren
- integratie
- Interface
- intern
- in
- problemen
- IT
- artikelen
- Jobomschrijving:
- Vacatures
- aansluiting
- jpg
- json
- Groot
- grootschalig
- lancering
- gelanceerd
- leider
- leren
- Verlof
- LED
- links
- rechtmatig
- laten
- Bibliotheek
- LIMIT
- Lijst
- laden
- ladingen
- lokaal
- plaats
- laagste
- machine
- machine learning
- gemaakt
- onderhouden
- maken
- beheer
- Marathon
- matching
- Mei..
- mechanisme
- methode
- metriek
- Metriek
- trekken
- minuten
- vermist
- ML
- model
- modellen
- moderniseren
- modi
- monitor
- meer
- naam
- Genoemd
- NATUUR
- Navigatie
- behoeften
- New
- volgende
- notitieboekje
- nu
- aantal
- OAuth
- object
- doel van de persoon
- of
- on
- lopend
- Optimaliseer
- Keuze
- or
- bestellen
- organisaties
- origineel
- OS
- Overige
- onze
- uit
- uitgang
- buiten
- over
- overzicht
- pagina
- brood
- partner
- passeren
- hartstochtelijk
- Wachtwoord
- pad
- Uitvoeren
- uitvoerend
- permissies
- platforms
- Plato
- Plato gegevensintelligentie
- PlatoData
- plus
- punt
- Populair
- Post
- voorspellen
- voorspeld
- Voorspellingen
- voorbereiding
- Voorbereiden
- vereisten
- voorkomen
- vorig
- Principal
- Voorafgaand
- probleem
- problemen
- verwerking
- Product
- produktiviteit
- Producten
- Voortgang
- zorgen voor
- leverancier
- providers
- publiek
- inkomsten
- doeleinden
- zetten
- Python
- kwaliteit
- queries
- Quick
- snel
- real-time
- verminderen
- vermindert
- reductie
- betrouwbaar
- verwijderen
- vervangen
- verslag
- gemeld
- Rapporten
- te vragen
- nodig
- antwoord
- resultaat
- Resultaten
- beoordelen
- paardrijden
- Rol
- lopen
- loper
- lopend
- s
- sagemaker
- Bespaar
- schaalbare
- Wetenschapper
- wetenschappers
- naadloos
- sectie
- sturen
- senior
- September
- Diensten
- reeks
- settings
- setup
- gedeeld
- moet
- tonen
- Shows
- teken
- Eenvoudig
- vereenvoudigd
- single
- So
- Software
- software development
- oplossing
- Oplossingen
- OPLOSSEN
- lied
- bron
- Vonk
- specialist
- specialiseert
- specifiek
- snelheid
- Uitgaven
- Stadium
- starts
- Stap voor
- Stappen
- Still
- mediaopslag
- shop
- Streng
- Draad
- studio
- voorleggen
- geslaagd
- Met goed gevolg
- dergelijk
- ondersteuning
- ondersteunde
- steunen
- Systems
- tafel
- doelwit
- taken
- teams
- tech
- Technologie
- technologiebedrijven
- proef
- dat
- De
- De grafiek
- hun
- harte
- Er.
- ze
- dit
- die
- Door
- niet de tijd of
- naar
- vandaag
- Trainen
- getraind
- Trainingen
- transactie
- Transacties
- Transformatie
- transformaties
- waar
- zelfstudie
- twee
- type dan:
- ui
- begrijpen
- bijwerken
- us
- bruikbaarheid
- .
- gebruikt
- Gebruiker
- User Interface
- gebruikers
- toepassingen
- gebruik
- v1
- BEVESTIG
- waarde
- Values
- vendors
- controleren
- Bekijk
- Virtueel
- zichtbaarheid
- wachten
- willen
- was
- we
- web
- webservices
- weken
- waren
- of
- welke
- en
- WIE
- vrouw
- Met
- binnen
- zonder
- Mijn werk
- werkte
- workflow
- workflows
- werkzaam
- het schrijven van
- jaar
- You
- Your
- zephyrnet