Dit bericht is geschreven in samenwerking met Brad Duncan, Rachel Johnson en Richard Alcock van MathWorks.
MATLAB is een populaire programmeertool voor een breed scala aan toepassingen, zoals gegevensverwerking, parallel computing, automatisering, simulatie, machinaal leren en kunstmatige intelligentie. Het wordt intensief gebruikt in veel industrieën, zoals de automobielsector, de ruimtevaart, de communicatie en de productie. De afgelopen jaren heeft MathWorks veel productaanbiedingen naar de cloud gebracht, vooral op Amazon Web Services (AWS). Voor meer details over MathWorks-cloudproducten, zie MATLAB en Simulink in de cloud or mail Wiskunde.
In dit bericht brengen we de machine learning-mogelijkheden van MATLAB naar voren Amazon Sage Maker, wat een aantal belangrijke voordelen heeft:
- Computerbronnen: Het gebruik van de krachtige computeromgeving die door SageMaker wordt aangeboden, kan de training in machine learning versnellen.
- Samenwerking: MATLAB en SageMaker bieden samen een robuust platform dat teams kunnen gebruiken om effectief samen te werken bij het bouwen, testen en implementeren van machine learning-modellen.
- Implementatie en toegankelijkheid: Modellen kunnen worden ingezet als real-time eindpunten van SageMaker, waardoor ze gemakkelijk toegankelijk zijn voor andere applicaties om live streaming-gegevens te verwerken.
We laten u zien hoe u een MATLAB machine learning-model traint als een SageMaker-trainingstaak en het model vervolgens implementeert als een realtime SageMaker-eindpunt, zodat het live streaminggegevens kan verwerken.
Om dit te doen, gebruiken we een voorbeeld van voorspellend onderhoud, waarbij we fouten classificeren in een operationele pomp die live sensorgegevens streamt. We hebben toegang tot een grote opslagplaats met gelabelde gegevens die zijn gegenereerd op basis van een simulink simulatie met drie mogelijke fouttypen in verschillende mogelijke combinaties (bijvoorbeeld één gezonde en zeven defecte toestanden). Omdat we een model van het systeem hebben en fouten zelden optreden, kunnen we profiteren van gesimuleerde gegevens om ons algoritme te trainen. Het model kan worden afgestemd op de operationele gegevens van onze echte pomp met behulp van parameterschattingstechnieken in MATLAB en Simulink.
Ons doel is om de gecombineerde kracht van MATLAB en Amazon SageMaker aan te tonen met behulp van dit voorbeeld van foutclassificatie.
We beginnen met het trainen van een classificatiemodel op onze desktop met MATLAB. Eerst extraheren we features uit een subset van de volledige dataset met behulp van de Ontwerper van diagnostische functies app en voer de modeltraining vervolgens lokaal uit met een MATLAB-beslissingsboommodel. Zodra we tevreden zijn met de parameterinstellingen, kunnen we een MATLAB-functie genereren en de taak samen met de dataset naar SageMaker sturen. Hierdoor kunnen we het trainingsproces opschalen om veel grotere datasets te kunnen huisvesten. Nadat we ons model hebben getraind, implementeren we het als een live eindpunt dat kan worden geïntegreerd in een downstream-app of dashboard, zoals een MATLAB-webapp.
Dit voorbeeld vat elke stap samen en biedt praktisch inzicht in de manier waarop MATLAB en Amazon SageMaker kunnen worden ingezet voor machine learning-taken. De volledige code en beschrijving voor het voorbeeld vindt u hierin bewaarplaats.
Voorwaarden
- Werkomgeving van MATLAB 2023a of hoger met MATLAB Compiler en de Statistics and Machine Learning Toolbox op Linux. Hier is een Snelgids over het uitvoeren van MATLAB op AWS.
- Docker opgezet in een Amazon Elastic Compute Cloud (Amazon EC2) exemplaar waarin MATLAB wordt uitgevoerd. Of Ubuntu or Linux.
- Installatie van AWS-opdrachtregelinterface (AWS CLI), AWS configureren en Python3.
- AWS CLI zou al geïnstalleerd moeten zijn als u de installatiehandleiding van hebt gevolgd stap 1.
- AWS-configuratie instellen om te communiceren met AWS-bronnen.
- Verifieer uw Python3-installatie door uit te voeren
python -V
orpython --version
opdracht op uw terminal. Installeer indien nodig Python.
- Kopieer deze repository naar een map op uw Linux-machine door het volgende uit te voeren:
- Controleer de toestemming voor de repositorymap. Als het geen schrijfrechten heeft, voer dan de volgende shell-opdracht uit:
- Bouw de MATLAB-trainingscontainer en duw deze naar de Amazon Elastic Container Registry (Amazon ECR).
- Navigeer naar map
docker
- Maak een Amazon ECR-repository met behulp van de AWS CLI (vervang REGION door de AWS-regio van uw voorkeur)
- Voer de volgende docker-opdracht uit:
- Navigeer naar map
- Open MATLAB en open het live-script genaamd
PumpFaultClassificationMATLABSageMaker.mlx
in mapexamples/PumpFaultClassification
. Maak van deze map uw huidige werkmap in MATLAB.
Deel 1: Gegevensvoorbereiding en extractie van kenmerken
De eerste stap in elk machine learning-project is het voorbereiden van uw gegevens. MATLAB biedt een breed scala aan tools voor het importeren, opschonen en extraheren van functies uit uw gegevens.:
De SensorData.mat
dataset bevat 240 records. Elke record heeft twee tijdschema's: flow
en pressure
. De doelkolom is faultcode
, wat een binaire weergave is van drie mogelijke foutcombinaties in de pomp. Voor die tijdreekstabellen heeft elke tabel 1,201 rijen die 1.2 seconden pompstroom- en drukmeting nabootsen met stappen van 0.001 seconden.
Vervolgens kunt u met de Diagnostic Feature Designer-app een verscheidenheid aan functies uit de gegevens extraheren, visualiseren en rangschikken. Hier gebruik je Automatische functies, dat snel een brede reeks tijd- en frequentiedomeinkenmerken uit de dataset haalt en de topkandidaten voor modeltraining rangschikt. U kunt vervolgens een MATLAB-functie exporteren die de top 15 gerangschikte functies opnieuw berekent op basis van nieuwe invoergegevens. Laten we deze functie noemen extractFeaturesTraining
. Deze functie kan worden geconfigureerd om gegevens in één batch op te nemen of als streaminggegevens.
Deze functie produceert een tabel met functies met bijbehorende foutcodes, zoals weergegeven in de volgende afbeelding:
Deel 2: Organiseer gegevens voor SageMaker
Vervolgens moet u de gegevens zo organiseren dat SageMaker deze kan gebruiken voor machine learning-training. Normaal gesproken houdt dit in dat de gegevens worden opgesplitst in trainings- en validatiesets en dat de voorspellende gegevens worden gesplitst van de doelrespons.
In deze fase zijn mogelijk andere, complexere bewerkingen voor het opschonen en filteren van gegevens vereist. In dit voorbeeld zijn de gegevens al schoon. Als de gegevensverwerking zeer complex en tijdrovend is, kunnen mogelijk SageMaker-verwerkingstaken worden gebruikt om deze taken uit te voeren, afgezien van de SageMaker-training, zodat ze in twee stappen kunnen worden opgesplitst.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
Deel 3: Train en test een machine learning-model in MATLAB
Voordat u naar SageMaker overstapt, is het een goed idee om het machine learning-model lokaal in MATLAB te bouwen en te testen. Hierdoor kunt u het model snel herhalen en fouten opsporen. U kunt lokaal een eenvoudige beslissingsboomclassificator instellen en trainen.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
Het duurt minder dan een minuut om de trainingstaak te voltooien en er worden enkele grafieken gegenereerd om de voortgang van de training aan te geven. Nadat de training is voltooid, wordt een MATLAB machine learning-model geproduceerd. De Classificatie leerling app kan worden gebruikt om vele soorten classificatiemodellen uit te proberen en deze af te stemmen voor de beste prestaties, en vervolgens de benodigde code te produceren om de bovenstaande modeltrainingscode te vervangen.
Nadat we de nauwkeurigheidsstatistieken voor het lokaal getrainde model hebben gecontroleerd, kunnen we de training naar Amazon SageMaker verplaatsen.
Deel 4: Train het model in Amazon SageMaker
Nadat u tevreden bent met het model, kunt u het op schaal trainen met SageMaker. Om SageMaker SDK's aan te roepen, moet u een SageMaker-sessie starten.
session = sagemaker.Session();
Geef een SageMaker-uitvoering op IAM-rol waar trainingstaken en eindpunthosting gebruik van zullen maken.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
Sla vanuit MATLAB de trainingsgegevens op als een .csv-bestand naar een Eenvoudige opslagservice van Amazon (Amazon S3) emmer.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Maak een SageMaker-schatter
Vervolgens moet u een SageMaker-schatter maken en alle noodzakelijke parameters eraan doorgeven, zoals een trainingsdocker-image, trainingsfunctie, omgevingsvariabelen, de grootte van een trainingsinstantie, enzovoort. De URI van de trainingsafbeelding moet de Amazon ECR-URI zijn die u in de vereiste stap met het formaat hebt gemaakt ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. De trainingsfunctie moet onderaan het MATLAB live-script worden aangeboden.
Verzend SageMaker-trainingstaak
Door de fit-methode vanuit de schatter aan te roepen, wordt de trainingstaak verzonden naar SageMaker.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
U kunt de status van de trainingstaak ook controleren via de SageMaker-console:
Nadat de trainingstaken zijn voltooid, gaat u door het selecteren van de taaklink naar de taakbeschrijvingspagina waar u het MATLAB-model kunt zien dat is opgeslagen in de speciale S3-bucket:
Deel 5: Implementeer het model als een realtime SageMaker-eindpunt
Na de training kunt u het model inzetten als een realtime SageMaker-eindpunt, waarmee u in realtime voorspellingen kunt doen. Roep hiervoor de implementatiemethode van de schatter aan. Hier kunt u de gewenste instantiegrootte voor hosting instellen, afhankelijk van de werklast.
Achter de schermen bouwt deze stap een inferentie-docker-image en duwt deze naar de Amazon ECR-repository. Er is niets van de gebruiker vereist om de inferentiecontainer te bouwen. De afbeelding bevat alle benodigde informatie om aan het inferentieverzoek te voldoen, zoals modellocatie, MATLAB-authenticatie-informatie en algoritmen. Daarna creëert Amazon SageMaker een SageMaker-eindpuntconfiguratie en implementeert uiteindelijk het realtime eindpunt. Het eindpunt kan worden bewaakt in de SageMaker-console en kan op elk moment worden beëindigd als het niet langer wordt gebruikt.
Deel 6: Test het eindpunt
Nu het eindpunt actief is, kunt u het eindpunt testen door het een aantal records te geven die u kunt voorspellen. Gebruik de volgende code om 10 records uit de trainingsgegevens te selecteren en deze ter voorspelling naar het eindpunt te sturen. Het voorspellingsresultaat wordt teruggestuurd vanaf het eindpunt en weergegeven in de volgende afbeelding.
Deel 7: Dashboard-integratie
Het SageMaker-eindpunt kan door veel native AWS-services worden aangeroepen. Het kan ook worden gebruikt als een standaard REST API als het samen met een AWS Lambda functie en API-gateway, die met elke webapplicatie kan worden geïntegreerd. Voor dit specifieke gebruik kun je streaming-opname gebruiken met Amazon SageMaker Feature Store en Amazon Managed Streaming voor Apache Kafka, MSK, om op machine learning gebaseerde beslissingen vrijwel in realtime te nemen. Een andere mogelijke integratie is het gebruik van een combinatie van Amazon Kinesis, SageMaker en Apache Flink om een beheerde, betrouwbare, schaalbare en zeer beschikbare applicatie te bouwen die in staat is tot realtime gevolgtrekkingen uit een datastroom.
Nadat algoritmen zijn geïmplementeerd op een SageMaker-eindpunt, wilt u ze wellicht visualiseren met behulp van een dashboard dat streamingvoorspellingen in realtime weergeeft. In de aangepaste MATLAB-webapp die volgt, kunt u druk- en stroomgegevens per pomp bekijken, en live foutvoorspellingen van het geïmplementeerde model.
Dit dashboard bevat een model voor de resterende nuttige levensduur (RUL) om de tijd tot falen voor elke pomp in kwestie te voorspellen. Zie voor meer informatie over het trainen van RUL-algoritmen Toolbox voor voorspellend onderhoud.
Clean Up
Nadat u deze oplossing hebt uitgevoerd, moet u ervoor zorgen dat u onnodige AWS-bronnen opruimt om onverwachte kosten te voorkomen. U kunt deze bronnen opschonen met behulp van de SageMaker Python-SDK of de AWS Management Console voor de specifieke services die hier worden gebruikt (SageMaker, Amazon ECR en Amazon S3). Door deze bronnen te verwijderen, voorkom je dat er verdere kosten in rekening worden gebracht voor bronnen die je niet langer gebruikt.
Conclusie
We hebben gedemonstreerd hoe u MATLAB naar SageMaker kunt brengen voor een gebruiksscenario voor voorspellend pomponderhoud met de gehele machine learning-levenscyclus. SageMaker biedt een volledig beheerde omgeving voor het uitvoeren van machine learning-workloads en het implementeren van modellen met een grote selectie aan rekeninstances die aan verschillende behoeften voldoen.
Disclaimer: De code die in dit bericht wordt gebruikt, is eigendom van en wordt onderhouden door MathWorks. Raadpleeg de licentievoorwaarden in de GitHub-opslagplaats. Voor eventuele problemen met de code of functieverzoeken kunt u een GitHub-probleem openen in de repository
Referenties
Over de auteurs
Brad Duncan is de productmanager voor machine learning-mogelijkheden in de Statistics and Machine Learning Toolbox bij MathWorks. Hij werkt samen met klanten om AI toe te passen op nieuwe technische gebieden, zoals het integreren van virtuele sensoren in technische systemen, het bouwen van verklaarbare machine learning-modellen en het standaardiseren van AI-workflows met behulp van MATLAB en Simulink. Voordat hij bij MathWorks kwam, leidde hij teams voor 3D-simulatie en optimalisatie van de aerodynamica van voertuigen, gebruikerservaring voor 3D-simulatie en productbeheer voor simulatiesoftware. Brad is ook gastdocent aan Tufts University op het gebied van voertuigaerodynamica.
Richard Alcock is de senior ontwikkelingsmanager voor Cloud Platform Integrations bij MathWorks. In deze rol speelt hij een belangrijke rol bij het naadloos integreren van MathWorks-producten in cloud- en containerplatforms. Hij creëert oplossingen waarmee ingenieurs en wetenschappers het volledige potentieel van MATLAB en Simulink in cloudgebaseerde omgevingen kunnen benutten. Voorheen was hij software-engineer bij MathWorks, waar hij oplossingen ontwikkelde ter ondersteuning van parallelle en gedistribueerde computerworkflows.
Rachel Johnson is de productmanager voor voorspellend onderhoud bij MathWorks en is verantwoordelijk voor de algemene productstrategie en marketing. Voorheen was ze applicatie-ingenieur die de lucht- en ruimtevaartindustrie rechtstreeks ondersteunde bij voorspellende onderhoudsprojecten. Voordat ze bij MathWorks kwam, was Rachel een aerodynamica- en voortstuwingssimulatie-ingenieur voor de Amerikaanse marine. Ze gaf ook een aantal jaren les in wiskunde, natuurkunde en techniek.
Mijd Mao is een Senior AI/ML Partner Solutions Architect in het Emerging Technologies-team bij Amazon Web Services. Hij heeft een passie voor het samenwerken met zakelijke klanten en partners bij het ontwerpen, implementeren en schalen van AI/ML-applicaties om zo hun bedrijfswaarden te ontsluiten. Buiten zijn werk houdt hij van vissen, reizen en pingpongen.
Ramesh Jatiya is een Solutions Architect in het Independent Software Vendor (ISV)-team bij Amazon Web Services. Hij heeft een passie voor het samenwerken met ISV-klanten bij het ontwerpen, implementeren en schalen van hun applicaties in de cloud om zo hun bedrijfswaarden te ontlenen. Hij volgt ook een MBA in Machine Learning en Business Analytics aan Babson College, Boston. Buiten zijn werk houdt hij van hardlopen, tennissen en koken.
- 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. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- : heeft
- :is
- :niet
- :waar
- $UP
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- Over
- boven
- toegang
- beschikbaar
- accommoderen
- Account
- nauwkeurigheid
- Voordeel
- LUCHT- EN RUIMTEVAART
- Na
- AI
- AI / ML
- algoritme
- algoritmen
- Alles
- toestaat
- langs
- al
- ook
- Amazone
- Amazon EC2
- Amazon Sage Maker
- Amazon Web Services
- an
- analytics
- en
- Nog een
- elke
- apache
- uit elkaar
- api
- gebruiken
- app staat toe
- Aanvraag
- toepassingen
- Solliciteer
- ZIJN
- GEBIED
- gebieden
- kunstmatig
- kunstmatige intelligentie
- AS
- geassocieerd
- At
- authenticatie
- auto
- Automatisering
- automotive
- Beschikbaar
- vermijd
- AWS
- AWS-beheerconsole
- Babson
- terug
- BE
- omdat
- vaardigheden
- beginnen
- betekent
- BEST
- Boston
- Onder
- brad
- brengen
- breed
- bracht
- bouw
- Gebouw
- bouwt
- bedrijfsdeskundigen
- by
- Bellen
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- bellen
- CAN
- kandidaten
- mogelijkheden
- in staat
- geval
- lasten
- controle
- controleren
- classificatie
- classificeren
- schoon
- Schoonmaak
- Cloud
- Cloud Platform
- code
- codes
- samenwerken
- samenwerking
- College
- Kolom
- COM
- combinatie van
- combinaties
- gecombineerde
- komst
- Communicatie
- complex
- Berekenen
- computergebruik
- Configuratie
- geconfigureerd
- troosten
- consumeren
- Containers
- bevat
- Kosten
- en je merk te creëren
- aangemaakt
- creëert
- Actueel
- gewoonte
- Klanten
- dashboards
- gegevens
- Data voorbereiding
- gegevensverwerking
- datasets
- beslissing
- beslissingen
- toegewijd aan
- tonen
- gedemonstreerd
- Afhankelijk
- implementeren
- ingezet
- het inzetten
- ontplooit
- Derive
- beschrijving
- Design
- leesmaatjes
- gewenste
- desktop
- gegevens
- het ontwikkelen van
- Ontwikkeling
- diagnostisch
- direct
- displays
- verdeeld
- distributed computing
- do
- havenarbeider
- doet
- domein
- Duncan
- elk
- effectief
- beide
- opkomende
- opkomende technologieën
- in staat stellen
- einde
- Endpoint
- ingenieur
- ontworpen
- Engineering
- Ingenieurs
- Enterprise
- Geheel
- Milieu
- omgevingen
- vooral
- voorbeeld
- uitvoering
- ervaring
- exporteren
- extract
- extracten
- Storing
- fouten
- defect
- Kenmerk
- Voordelen
- weinig
- Figuur
- Dien in
- filtering
- Tot slot
- afmaken
- Voornaam*
- Vissen
- geschikt
- stroom
- gevolgd
- volgend
- volgt
- Voor
- formaat
- Frequentie
- oppompen van
- vol
- geheel
- functie
- verder
- poort
- voortbrengen
- gegenereerde
- genereert
- GitHub
- Vrijgevigheid
- goed
- grafieken
- groot
- Gast
- gids
- harnas
- Hebben
- he
- Gezondheid
- gezond
- hard
- hier
- hoge performantie
- zeer
- Hosting
- Hoe
- How To
- HTML
- HTTPS
- idee
- if
- beeld
- importeren
- in
- omvat
- opnemen
- aanwas
- onafhankelijk
- aangeven
- industrieën
- -industrie
- informatie
- beginnen
- invoer
- installeren
- installatie
- geïnstalleerd
- instantie
- instrumentaal
- geïntegreerde
- Integreren
- integratie
- integraties
- Intelligentie
- interactie
- Interface
- in
- kwestie
- problemen
- ISV
- IT
- Jobomschrijving:
- Vacatures
- Johnson
- jpg
- Groot
- groter
- later
- laatste
- LEARN
- leren
- LED
- minder
- Hefboomwerking
- Vergunning
- Life
- levenscyclus van uw product
- LINK
- linux
- leven
- plaatselijk
- plaats
- Log in
- langer
- machine
- machine learning
- onderhoud
- maken
- maken
- beheerd
- management
- manager
- productie
- veel
- Marketing
- Match
- wiskunde
- maat
- methode
- Metriek
- macht
- minuut
- ML
- model
- modellen
- monitor
- bewaakt
- meer
- beweging
- bewegend
- veel
- Genoemd
- inheemse
- Nabij
- noodzakelijk
- Noodzaak
- nodig
- behoeften
- New
- geen
- niets
- doel van de persoon
- of
- aangeboden
- aanbod
- on
- eens
- EEN
- open
- operatie
- operationele
- Operations
- optimalisatie
- or
- Overige
- onze
- uitgang
- buiten
- totaal
- eigendom
- pagina
- Parallel
- parameter
- parameters
- bijzonder
- partner
- partners
- passeren
- hartstochtelijk
- prestatie
- toestemming
- Fysica
- platform
- platforms
- Plato
- Plato gegevensintelligentie
- PlatoData
- spelen
- dan
- Populair
- mogelijk
- Post
- potentieel
- mogelijk
- energie
- PRAKTISCH
- voorspellen
- voorspelling
- Voorspellingen
- predictor
- bij voorkeur
- voorbereiding
- Voorbereiden
- druk
- voorkomen
- die eerder
- Voorafgaand
- verwerking
- produceren
- geproduceerd
- produceert
- Product
- product management
- product manager
- Producten
- Programming
- Voortgang
- project
- projecten
- voortstuwing
- zorgen voor
- mits
- biedt
- het verstrekken van
- pomp
- Duwen
- duwt
- Python
- vraag
- snel
- reeks
- rangschikken
- gerangschikt
- gelederen
- BIJZONDER
- gemakkelijk
- vast
- real-time
- recent
- record
- archief
- verwijzen
- regio
- register
- betrouwbaar
- resterende
- vervangen
- bewaarplaats
- vertegenwoordiging
- te vragen
- verzoeken
- nodig
- Resources
- antwoord
- verantwoordelijk
- REST
- resultaat
- Richard
- robuust
- Rol
- lopen
- lopend
- sagemaker
- tevreden
- tevreden met
- Bespaar
- gered
- schaalbare
- Scale
- Scenes
- wetenschappers
- script
- SDK's
- naadloos
- seconden
- zien
- selecteren
- selectie
- sturen
- senior
- sensor
- verzonden
- -Series
- dienen
- service
- Diensten
- serveer-
- Sessie
- reeks
- Sets
- settings
- zeven
- verscheidene
- ze
- Shell
- moet
- tonen
- getoond
- aanzienlijke
- Eenvoudig
- simulatie
- Maat
- So
- Software
- software engineering
- oplossing
- Oplossingen
- sommige
- specifiek
- snelheid
- besteed
- Stadium
- standaard
- standaardiseren
- begin
- Staten
- statistiek
- Status
- Stap voor
- Stappen
- mediaopslag
- shop
- Strategie
- stream
- streaming
- dergelijk
- samenvatten
- ondersteuning
- Ondersteuning
- zeker
- system
- Systems
- tafel
- TAG
- Nemen
- neemt
- doelwit
- taken
- Onderwijs
- team
- teams
- technieken
- Technologies
- terminal
- termen
- proef
- Testen
- neem contact
- dat
- De
- De omgeving
- hun
- Ze
- harte
- Deze
- ze
- dit
- die
- drie
- niet de tijd of
- Tijdreeksen
- naar
- samen
- tools
- Toolbox
- tools
- top
- Trainen
- Trainingen
- Reizend
- boom
- proberen
- toon
- tuned
- twee
- types
- typisch
- begrip
- Onverwacht
- universiteit-
- us
- .
- use case
- gebruikt
- Gebruiker
- Gebruikerservaring
- gebruik
- bevestiging
- Values
- variëteit
- divers
- voertuig
- verkoper
- zeer
- Virtueel
- visualiseren
- willen
- was
- Manier..
- we
- web
- Webapplicaties
- webservices
- welke
- breed
- Grote range
- wil
- Met
- Mijn werk
- workflows
- werkzaam
- Bedrijven
- schrijven
- geschreven
- jaar
- You
- Your
- zephyrnet