In zijn boek Het boek waarom, pleit Judea Pearl voor het aanleren van oorzaak-gevolgprincipes aan machines om hun intelligentie te verbeteren. De prestaties van diep leren zijn in wezen slechts een soort curve-fitting, terwijl causaliteit kan worden gebruikt om interacties tussen de systemen van de wereld onder verschillende beperkingen bloot te leggen zonder hypothesen direct te testen. Dit zou antwoorden kunnen opleveren die ons naar AGI (kunstmatige gegeneraliseerde intelligentie) leiden.
Deze oplossing stelt een causaal inferentiekader voor dat Bayesiaanse netwerken gebruikt om causale afhankelijkheden weer te geven en causale conclusies te trekken op basis van waargenomen satellietbeelden en experimentele proefgegevens in de vorm van gesimuleerde weer- en bodemgesteldheid. De case study is de oorzakelijke relatie tussen op stikstof gebaseerde bemesting en de maïsopbrengsten.
De satellietbeelden worden verwerkt met behulp van speciaal gebouwde Amazon SageMaker georuimtelijke mogelijkheden en verrijkt met custom-built Amazon SageMaker-verwerking activiteiten. De causale inferentie-engine wordt ingezet met Amazon SageMaker asynchrone gevolgtrekking.
In dit bericht laten we zien hoe u deze contrafeitelijke analyse kunt maken met behulp van Amazon SageMaker JumpStart oplossingen.
Overzicht oplossingen
Het volgende diagram toont de architectuur voor de end-to-end workflow.
Voorwaarden
Je hebt een AWS-account om deze oplossing te gebruiken.
Om deze JumpStart 1P-oplossing uit te voeren en de infrastructuur op uw AWS-account te implementeren, moet u een actief Amazon SageMaker Studio voorbeeld (zie Aan boord van Amazon SageMaker Domain). Wanneer uw Studio-instantie klaar is, volgt u de instructies in SageMaker JumpStart om de Crop Yield Counterfactuals-oplossing te lanceren.
Houd er rekening mee dat deze oplossing momenteel alleen beschikbaar is in de regio US West (Oregon).
Causale gevolgtrekking
Causaliteit heeft alles te maken met het begrijpen van verandering, maar hoe dit te formaliseren in statistieken en machine learning (ML) is geen triviale exercitie.
In deze gewasopbrengststudie kunnen de toegevoegde stikstof als meststof en de opbrengstresultaten worden verward. Evenzo kunnen de stikstof die wordt toegevoegd als meststof en de resultaten van stikstofuitspoeling ook worden verward, in die zin dat een gemeenschappelijke oorzaak hun associatie kan verklaren. Associatie is echter geen oorzakelijk verband. Als we weten welke waargenomen factoren de associatie verwarren, verklaren we ze, maar wat als er andere verborgen variabelen zijn die verantwoordelijk zijn voor verwarring? Het verminderen van de hoeveelheid kunstmest zal niet noodzakelijkerwijs de resterende stikstof verminderen; evenzo zou het de opbrengst niet drastisch kunnen verminderen, terwijl de bodem- en klimatologische omstandigheden de waargenomen factoren zouden kunnen zijn die de associatie verstoren. Hoe om te gaan met confounding is het centrale probleem van causale gevolgtrekkingen. Een techniek geïntroduceerd door RA Fisher genaamd gerandomiseerde gecontroleerde studie heeft tot doel mogelijke confounding te doorbreken.
Bij gebrek aan gerandomiseerde controleonderzoeken is er echter behoefte aan causale gevolgtrekkingen, puur op basis van waarnemingsgegevens. Er zijn manieren om de causale vragen te koppelen aan gegevens in observationele studies door het causale grafische model te schrijven over wat we veronderstellen als hoe dingen gebeuren. Dit houdt in dat wordt beweerd dat de corresponderende traverses de corresponderende afhankelijkheden zullen vastleggen, terwijl wordt voldaan aan het grafische criterium voor voorwaardelijke ignorability (in hoeverre we causaliteit kunnen behandelen als associatie op basis van de causale aannames). Nadat we de structuur hebben gepostuleerd, kunnen we de impliciete invarianties gebruiken om te leren van observatiegegevens en causale vragen in te vullen, waardoor causale claims worden afgeleid zonder gerandomiseerde controleproeven.
Deze oplossing maakt gebruik van zowel gegevens van gesimuleerde gerandomiseerde controleproeven (RCT's) als observatiegegevens van satellietbeelden. Een reeks simulaties die over duizenden velden en meerdere jaren in Illinois (Verenigde Staten) is uitgevoerd, wordt gebruikt om de reactie van maïs op toenemende stikstofgehalten te bestuderen voor een brede combinatie van weers- en bodemvariatie die in de regio wordt waargenomen. Het behandelt de beperking van het gebruik van proefgegevens die beperkt zijn in het aantal bodems en jaren die kunnen worden onderzocht door gewassimulaties van verschillende landbouwscenario's en geografische gebieden te gebruiken. De database is gekalibreerd en gevalideerd met behulp van gegevens uit meer dan 400 onderzoeken in de regio. De aanvankelijke stikstofconcentratie in de bodem werd willekeurig binnen een redelijk bereik ingesteld.
Bovendien is de database uitgebreid met waarnemingen van satellietbeelden, terwijl zonale statistieken zijn afgeleid van spectrale indices om spatio-temporele veranderingen in vegetatie weer te geven, gezien over geografische gebieden en fenologische fasen.
Causale gevolgtrekking met Bayesiaanse netwerken
Structurele causale modellen (SCM's) gebruiken grafische modellen om causale afhankelijkheden weer te geven door zowel gegevensgestuurde als menselijke input te integreren. Een bepaald type causaal structuurmodel, Bayesiaanse netwerken genaamd, wordt voorgesteld om de gewasfenologiedynamiek te modelleren met behulp van probabilistische uitdrukkingen door variabelen voor te stellen als knooppunten en relaties tussen variabelen als randen. Knopen zijn indicatoren van gewasgroei, bodem- en weersomstandigheden, en de randen ertussen vertegenwoordigen spatio-temporele causale relaties. De bovenliggende knooppunten zijn veldgerelateerde parameters (inclusief de dag van zaaien en het beplante oppervlak), en de onderliggende knooppunten zijn opbrengst, stikstofopname en stikstofuitspoeling.
Voor meer informatie wordt verwezen naar de database karakterisering en gids voor het identificeren van de groeistadia van maïs.
Er zijn een paar stappen nodig om een Bayesiaans netwerkmodel (met CausaalNex) voordat we het kunnen gebruiken voor contrafeitelijke en interventionele analyse. De structuur van het causale model wordt in eerste instantie geleerd uit gegevens, terwijl vakkennis (betrouwbare literatuur of empirische overtuigingen) wordt gebruikt om aanvullende afhankelijkheden en onafhankelijkheid tussen willekeurige variabelen en interventievariabelen te postuleren, evenals om te beweren dat de structuur causaal is.
gebruik GEEN TRANEN, een continu optimalisatie-algoritme voor structuurleren, wordt de grafiekstructuur die voorwaardelijke afhankelijkheden tussen variabelen beschrijft, geleerd uit gegevens, met een reeks beperkingen opgelegd aan randen, bovenliggende knooppunten en onderliggende knooppunten die niet zijn toegestaan in het causale model. Dit behoudt de temporele afhankelijkheden tussen variabelen. Zie de volgende code:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
De volgende stap codeert domeinkennis in modellen en legt de fenologische dynamiek vast, terwijl valse relaties worden vermeden. Multicollineariteitsanalyse, analyse van variatie-inflatiefactoren en het gebruik van het belang van globale kenmerken VORM analyses worden uitgevoerd om inzichten en beperkingen te verkrijgen over waterstressvariabelen (expansie, fenologie en fotosynthese rond bloei), weer- en bodemvariabelen, spectrale indices en de op stikstof gebaseerde indicatoren:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Bayesiaanse netwerken in CausalNex ondersteunen alleen discrete distributies. Alle doorlopende kenmerken, of kenmerken met een groot aantal categorieën, worden gediscretiseerd voordat ze in het Bayesiaanse netwerk passen:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
Nadat de structuur is beoordeeld, kan de voorwaardelijke kansverdeling van elke variabele, gegeven zijn ouders, worden geleerd uit gegevens, in een stap genaamd kans schatting:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Ten slotte worden de structuur en de waarschijnlijkheden gebruikt om ter plekke observationele gevolgtrekkingen uit te voeren, volgens een deterministische Junction Tree-algoritme (JTA), en interventies uitvoeren met behulp van doen-calculus. SageMaker asynchrone gevolgtrekking maakt het mogelijk om inkomende verzoeken in de wachtrij te plaatsen en asynchroon te verwerken. Deze optie is ideaal voor zowel observationele als contrafeitelijke inferentiescenario's, waarbij het proces niet kan worden geparalleliseerd, waardoor het veel tijd kost om de waarschijnlijkheden in het hele netwerk bij te werken, hoewel meerdere query's parallel kunnen worden uitgevoerd. Zie de volgende code:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Voor meer details, zie de inferentiescript.
Het causale model notitieboekje is een stapsgewijze handleiding voor het uitvoeren van de voorgaande stappen.
Geospatiale gegevensverwerking
Aardobservatie banen (EOJ's) zijn aan elkaar geketend om satellietbeelden te verwerven en te transformeren, terwijl speciaal gebouwde bewerkingen en vooraf getrainde modellen worden gebruikt voor het verwijderen van wolken, het maken van mozaïeken, bewerkingen voor bandberekeningen en resampling. In dit gedeelte gaan we dieper in op de geospatiale verwerkingsstappen.
Gebied van intresse
In de volgende afbeelding zijn groene polygonen de geselecteerde provincies, het oranje raster is de databasekaart (een raster van cellen van 10 x 10 km waarin proeven worden uitgevoerd in de regio) en het raster van vierkanten in grijstinten is de 100 km x 100 km Sentinel-2 UTM tegelrooster.
Ruimtelijke bestanden worden gebruikt om de gesimuleerde database in kaart te brengen met bijbehorende satellietbeelden, polygonen van 10 km x 10 km cellen die de staat Illinois verdelen (waar proeven worden uitgevoerd in de regio), provincies polygonen en 100 km x 100 km Sentinel- 2 UTM-tegels. Om de pijplijn voor geospatiale gegevensverwerking te optimaliseren, worden eerst enkele nabijgelegen Sentinel-2-tegels geselecteerd. Vervolgens worden de geaggregeerde geometrieën van tegels en cellen over elkaar gelegd om het interessegebied (RoI) te verkrijgen. De provincies en de cel-ID's die volledig worden waargenomen binnen de RoI, worden geselecteerd om de polygoongeometrie te vormen die wordt doorgegeven aan de EOJ's.
Tijdsbestek
Voor deze oefening wordt de fenologiecyclus van de maïs verdeeld in drie fasen: de vegetatieve stadia v5 tot R1 (ontkieming, bladkragen en kwastvorming), de reproductieve stadia R1 tot R4 (silking, blaren, melk en deeg) en de reproductieve stadia R5 (gedeukt) en R6 (fysiologische volwassenheid). Opeenvolgende satellietbezoeken worden verkregen voor elke fenologiefase binnen een tijdsbestek van 2 weken en een vooraf bepaald interessegebied (geselecteerde provincies), waardoor ruimtelijke en temporele analyse van satellietbeelden mogelijk wordt. De volgende afbeelding illustreert deze statistieken.
Wolk verwijderen
Cloudverwijdering voor Sentinel-2-gegevens gebruikt een op ML gebaseerd semantisch segmentatiemodel om wolken in de afbeelding te identificeren, waarbij bewolkte pixels worden vervangen door waarde -9999 (geen gegevenswaarde):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Nadat de EOJ is gemaakt, wordt de ARN geretourneerd en gebruikt om de volgende geomosaïsche bewerking uit te voeren.
Om de status van een taak te krijgen, kunt u rennen sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaïsche
De geomosaïsche EOJ wordt gebruikt om afbeeldingen van meerdere satellietbezoeken samen te voegen tot een groot mozaïek, door geen gegevens of transparante pixels (inclusief de troebele pixels) te overschrijven met pixels van andere tijdstempels:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Nadat de EOJ is gemaakt, wordt de ARN geretourneerd en gebruikt om de daaropvolgende resampling-bewerking uit te voeren.
Resampling
Resampling wordt gebruikt om de resolutie van het geospatiale beeld te verkleinen zodat deze overeenkomt met de resolutie van de uitsnijdmaskers (10–30 m resolutie herschaling):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Nadat de EOJ is gemaakt, wordt de ARN geretourneerd en gebruikt om de daaropvolgende bandberekening uit te voeren.
Band wiskunde
Band wiskundige bewerkingen worden gebruikt voor het transformeren van de waarnemingen van meerdere spectrale banden naar een enkele band. Het omvat de volgende spectrale indices:
- EVI2 - Tweebands verbeterde vegetatie-index
- DGVI - Gegeneraliseerde verschilvegetatie-index
- NDMI - Genormaliseerde verschil-vochtindex
- NDVI - Genormaliseerde verschilvegetatie-index
- NDWI – Genormaliseerde verschilwaterindex
Zie de volgende code:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Zonale statistieken
De spectrale indices worden verder verrijkt met behulp van Amazon SageMaker-verwerking, waarbij op GDAL gebaseerde aangepaste logica wordt gebruikt om het volgende te doen:
- Voeg de spectrale indices in een enkel meerkanaals mozaïek
- Projecteer het mozaïek opnieuw naar de crop masker's projectie
- Pas het bijsnijdmasker toe en projecteer het mozaïek opnieuw op de CRC van de veelhoeken van de cellen
- Bereken zonale statistieken voor geselecteerde polygonen (cellen van 10 km x 10 km)
Met geparallelliseerde gegevensdistributie worden manifestbestanden (voor elk fenologisch stadium van het gewas) verdeeld over verschillende instanties met behulp van de ShardedByS3Key
Type S3-gegevensdistributie. Raadpleeg voor meer informatie de functie extractie script.
De geospatiale verwerking notitieboekje is een stapsgewijze handleiding voor het uitvoeren van de voorgaande stappen.
De volgende afbeelding toont RGB-kanalen van opeenvolgende satellietbezoeken die de vegetatieve en reproductieve stadia van de maïsfenologiecyclus vertegenwoordigen, met (rechts) en zonder (links) gewasmaskers (CW 20, 26 en 33, 2018 Central Illinois).
In de volgende afbeelding, spectrale indices (NDVI, EVI2, NDMI) van opeenvolgende satellietbezoeken vertegenwoordigen de vegetatieve en reproductieve stadia van de maïsfenologiecyclus (CW 20, 26 en 33, 2018 Central Illinois).
Opruimen
Als u deze oplossing niet langer wilt gebruiken, kunt u de aangemaakte resources verwijderen. Nadat de oplossing in Studio is geïmplementeerd, kiest u Alle bronnen verwijderen om automatisch alle standaardbronnen te verwijderen die zijn gemaakt bij het starten van de oplossing, inclusief de S3-bucket.
Conclusie
Deze oplossing biedt een blauwdruk voor gebruikssituaties waarbij causale gevolgtrekking met Bayesiaanse netwerken de geprefereerde methodologie is voor het beantwoorden van causale vragen op basis van een combinatie van gegevens en menselijke input. De workflow omvat een efficiënte implementatie van de inferentie-engine, die binnenkomende vragen en interventies in een wachtrij plaatst en asynchroon verwerkt. Het modulaire aspect maakt het hergebruik van verschillende componenten mogelijk, waaronder geospatiale verwerking met speciaal gebouwde bewerkingen en vooraf getrainde modellen, verrijking van satellietbeelden met op maat gemaakte GDAL-bewerkingen en multimodale functie-engineering (spectrale indices en tabelgegevens).
Daarnaast kunt u deze oplossing gebruiken als sjabloon voor het bouwen van gerasterde gewasmodellen waar stikstofmestbeheer en milieubeleidsanalyses worden uitgevoerd.
Raadpleeg voor meer informatie Oplossingssjablonen en volg de gids om de Crop Yield Counterfactuals-oplossing te lanceren in de regio West (Oregon) van de VS. De code is beschikbaar in de GitHub repo.
Citaten
Duitse Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Gesimuleerde dataset van maïsrespons op stikstof over duizenden velden en meerdere jaren in Illinois,
Gegevens in het kort, Volume 40, 2022, 107753, ISSN 2352-3409
Handige adressen
Over de auteurs
Paul Barna is een Senior Data Scientist bij de Machine Learning Prototyping Labs bij AWS.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :is
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Over
- prestaties
- Account
- verwerven
- verworven
- over
- actieve
- toegevoegd
- toevoeging
- Extra
- adressen
- voorstanders
- Na
- AGI
- wil
- algoritme
- Alles
- toestaat
- Hoewel
- Amazone
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- onder
- bedragen
- analyse
- en
- antwoorden
- overal
- Aanvraag
- architectuur
- ZIJN
- GEBIED
- rond
- AS
- verschijning
- Beweren
- Vereniging
- At
- webmaster.
- Beschikbaar
- het vermijden van
- AWS
- BAND
- gebaseerde
- Bayesian
- BE
- vaardigheden
- tussen
- Blauw
- boek
- Breken
- breed
- bouw
- Gebouw
- by
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- CAN
- mogelijkheden
- vangen
- captures
- gevallen
- categorieën
- Veroorzaken
- Cellen
- centraal
- geketend
- verandering
- Wijzigingen
- kanalen
- kind
- Kies
- beweren
- vorderingen
- Cloud
- code
- kragen
- combinatie van
- Gemeen
- componenten
- concentratie
- voorwaarden
- uitgevoerd
- Verbinden
- opeenvolgend
- beperkingen
- doorlopend
- onder controle te houden
- gecontroleerd
- Overeenkomend
- kon
- en je merk te creëren
- aangemaakt
- gewas
- Op dit moment
- curve
- gewoonte
- Custom-built
- cyclus
- gegevens
- gegevensverwerking
- data scientist
- Gegevensgestuurde
- Database
- dag
- deep
- diepgaand leren
- tonen
- ingezet
- Afgeleid
- detail
- gegevens
- verschil
- direct
- bespreken
- verdeeld
- distributie
- Uitkeringen
- Verdeeld
- domein
- drastisch
- trekken
- dynamica
- elk
- effect
- opkomst
- maakt
- waardoor
- eind tot eind
- Motor
- Engineering
- verbeterde
- verrijkt
- milieu
- Milieu beleid
- in wezen
- Oefening
- uitbreiding
- expert
- expertise
- Verklaren
- Verken
- uitdrukkingen
- uitbreiding
- extract
- factoren
- landbouw
- Kenmerk
- Voordelen
- weinig
- Velden
- Figuur
- volgen
- volgend
- Voor
- formulier
- Achtergrond
- oppompen van
- geheel
- verder
- voortbrengen
- geografieën
- krijgen
- GitHub
- gegeven
- Globaal
- diagram
- grijstinten
- Groen
- Raster
- gids
- handvat
- gebeuren
- Hebben
- verborgen
- Hoe
- How To
- Echter
- HTML
- http
- HTTPS
- menselijk
- ideaal
- identificeren
- het identificeren van
- Illinois
- beeld
- afbeeldingen
- Impact
- uitvoering
- impliciete
- importeren
- belang
- opgelegd
- indrukwekkend
- in
- omvat
- Inclusief
- Inkomend
- opnemen
- meer
- indicatoren
- Index
- informatie
- Infrastructuur
- eerste
- eerste
- inzichten
- instantie
- instructies
- Intelligentie
- interacties
- belang
- tussenkomst
- geïntroduceerd
- IT
- HAAR
- Jobomschrijving:
- blijven
- kennis
- Labs
- Groot
- lancering
- lancering
- leiden
- LEARN
- geleerd
- leren
- beperking
- Beperkt
- literatuur
- langer
- machine
- machine learning
- Machines
- gemaakt
- maken
- management
- kaart
- Martin
- maskeren
- Maskers
- Match
- wiskunde
- Materie
- зрелость
- gaan
- Methodologie
- Metriek
- macht
- Melk
- ML
- model
- modellen
- modulaire
- meer
- meervoudig
- naam
- NASA
- Nabij
- nodig
- Noodzaak
- netwerk
- netwerken
- volgende
- Nicolas
- knooppunt
- Knooppuntdistributie
- knooppunten
- aantal
- verkrijgen
- of
- on
- operatie
- Operations
- optimalisatie
- Optimaliseer
- Keuze
- Oranje
- bestellen
- Oregon
- Overige
- Parallel
- parameters
- ouders
- bijzonder
- voorbij
- Uitvoeren
- Fotosynthese
- pijpleiding
- Plato
- Plato gegevensintelligentie
- PlatoData
- stekker
- beleidsmaatregelen
- Veelhoek
- mogelijk
- Post
- bij voorkeur
- principes
- Voorafgaand
- probleem
- Verwerkt
- processen
- verwerking
- vastgoed
- eigendom
- voorgestelde
- stelt
- prototyping
- zorgen voor
- biedt
- puur
- Contact
- willekeurige
- Gerandomiseerd
- reeks
- Tarieven
- klaar
- redelijk
- Rood
- verminderen
- vermindering
- regio
- verwantschap
- Relaties
- verwijdering
- vervangen
- vertegenwoordigen
- vertegenwoordigen
- verzoeken
- nodig
- Resolutie
- Resources
- antwoord
- verantwoordelijk
- beoordeeld
- RGB
- ROI
- lopen
- lopend
- sagemaker
- satelliet
- scenario's
- Wetenschapper
- sectie
- segmentatie
- gekozen
- senior
- zin
- -Series
- reeks
- verscheidene
- Shows
- evenzo
- single
- oplossing
- Oplossingen
- sommige
- ruimtelijke
- Spectraal
- pleinen
- Stadium
- stadia
- standaard
- Land
- Staten
- statistiek
- Status
- Stap voor
- Stappen
- spanning
- structuur
- studies
- studio
- Studie
- onderwerpen
- volgend
- ondersteuning
- Systems
- het nemen
- taro
- Onderwijs
- sjabloon
- Testen
- dat
- De
- De grafiek
- De Staat
- de wereld
- hun
- Ze
- daarbij
- Deze
- spullen
- duizenden kosten
- drie
- Door
- overal
- niet de tijd of
- naar
- samen
- Trainen
- Transformeren
- transformeren
- transparant
- behandelen
- proces
- proeven
- vertrouwde
- ucla
- ontdekken
- voor
- begrip
- eenheid
- United
- Verenigde Staten
- bijwerken
- bijwerken
- us
- .
- gevalideerd
- waarde
- divers
- Bezoeken
- volume
- Water
- manieren
- Weer
- weken
- GOED
- West
- Wat
- welke
- en
- wil
- Met
- binnen
- zonder
- wereld
- het schrijven van
- X
- jaar
- Opbrengst
- opbrengsten
- You
- Your
- zephyrnet