I sin bok Boken om hvorfor, Judea Pearl tar til orde for å lære maskiner årsak og virkningsprinsipper for å forbedre deres intelligens. Prestasjonene til dyp læring er i hovedsak bare en type kurvetilpasning, mens kausalitet kan brukes til å avdekke interaksjoner mellom systemene i verden under forskjellige begrensninger uten å teste hypoteser direkte. Dette kan gi svar som leder oss til AGI (kunstig generalisert intelligens).
Denne løsningen foreslår et kausal slutningsrammeverk som bruker Bayesianske nettverk for å representere årsaksavhengigheter og trekke årsaksmessige konklusjoner basert på observerte satellittbilder og eksperimentelle forsøksdata i form av simulerte vær- og jordforhold. De case study er årsakssammenhengen mellom nitrogenbasert gjødseltilførsel og maisavlingene.
Satellittbildene behandles ved hjelp av spesialbygde Amazon SageMaker geospatiale muligheter og beriket med spesialbygde Amazon SageMaker-prosessering operasjoner. Årsaksinferensmotoren er utplassert med Amazon SageMaker Asynchronous Inference.
I dette innlegget viser vi hvordan du lager denne kontrafaktiske analysen ved hjelp av Amazon SageMaker JumpStart løsninger.
Løsningsoversikt
Følgende diagram viser arkitekturen for ende-til-ende arbeidsflyten.
Forutsetninger
Du trenger en AWS-konto å bruke denne løsningen.
For å kjøre denne JumpStart 1P-løsningen og få infrastrukturen distribuert til AWS-kontoen din, må du opprette en aktiv Amazon SageMaker Studio forekomst (se Ombord på Amazon SageMaker Domain). Når Studio-forekomsten din er klar, følg instruksjonene i SageMaker JumpStart for å lansere Crop Yield Counterfactuals-løsningen.
Merk at denne løsningen for øyeblikket kun er tilgjengelig i USAs vestlige (Oregon)-regionen.
Årsaksslutning
Kausalitet handler om å forstå endring, men hvordan man formaliserer dette i statistikk og maskinlæring (ML) er ikke en triviell øvelse.
I denne avlingsstudien kan nitrogenet tilsatt som gjødsel og avlingsresultatene bli forvirret. På samme måte kan nitrogenet som er tilsatt som gjødsel og nitrogenutlekkingen også bli forvirret, i den forstand at en vanlig årsak kan forklare sammenhengen deres. Assosiasjon er imidlertid ikke årsakssammenheng. Hvis vi vet hvilke observerte faktorer som forvirrer assosiasjonen, gjør vi rede for dem, men hva om det er andre skjulte variabler som er ansvarlige for forvirring? Å redusere mengden gjødsel vil ikke nødvendigvis redusere gjenværende nitrogen; på samme måte kan det hende at det ikke reduserer utbyttet drastisk, mens jordsmonnet og klimatiske forhold kan være de observerte faktorene som forvirrer assosiasjonen. Hvordan man skal håndtere forvirring er det sentrale problemet med kausal slutning. En teknikk introdusert av RA Fisher kalt tilfeldig kontrollert test har som mål å bryte mulig forvirring.
Men i fravær av randomiserte kontrollforsøk er det behov for årsaksinferens utelukkende fra observasjonsdata. Det er måter å koble årsaksspørsmålene til data i observasjonsstudier ved å skrive den kausale grafiske modellen på det vi postulerer som hvordan ting skjer. Dette innebærer å hevde at de tilsvarende traversene vil fange opp de tilsvarende avhengighetene, samtidig som de tilfredsstiller det grafiske kriteriet for betinget ignorering (i hvilken grad vi kan behandle årsakssammenheng som assosiasjon basert på årsaksantakelsene). Etter at vi har postulert strukturen, kan vi bruke de underforståtte invariansene til å lære av observasjonsdata og plugge inn årsaksspørsmål, og konkludere med årsakspåstander uten randomiserte kontrollforsøk.
Denne løsningen bruker både data fra simulerte randomiserte kontrollforsøk (RCT) så vel som observasjonsdata fra satellittbilder. En serie simuleringer utført over tusenvis av åkre og flere år i Illinois (USA) brukes til å studere kornresponsen på økende nitrogenhastigheter for en bred kombinasjon av vær- og jordvariasjoner sett i regionen. Den tar for seg begrensningen ved å bruke prøvedata begrenset i antall jord og år den kan utforske ved å bruke avlingssimuleringer av ulike oppdrettsscenarier og geografier. Databasen ble kalibrert og validert ved hjelp av data fra mer enn 400 forsøk i regionen. Innledende nitrogenkonsentrasjon i jorda ble satt tilfeldig innenfor et rimelig område.
I tillegg er databasen forbedret med observasjoner fra satellittbilder, mens sonestatistikk er utledet fra spektrale indekser for å representere rom-tidsmessige endringer i vegetasjon, sett på tvers av geografier og fenologiske faser.
Årsaksslutning med Bayesianske nettverk
Strukturelle årsaksmodeller (SCMs) bruker grafiske modeller for å representere årsaksavhengigheter ved å inkludere både datadrevne og menneskelige input. En spesiell type strukturårsaksmodell kalt Bayesianske nettverk er foreslått for å modellere avlingsfenologidynamikken ved å bruke sannsynlighetsuttrykk ved å representere variabler som noder og forhold mellom variabler som kanter. Noder er indikatorer på avlingsvekst, jord- og værforhold, og kantene mellom dem representerer romlige og tidsmessige årsakssammenhenger. Foreldreknutene er feltrelaterte parametere (inkludert dagen for såing og areal plantet), og undernodene er avling, nitrogenopptak og nitrogenutlekking.
For mer informasjon, se databasekarakterisering og veilede for å identifisere maisvekststadiene.
Noen få trinn kreves for å bygge en Bayesiansk nettverksmodell (med CausalNex) før vi kan bruke det til kontrafaktisk og intervensjonell analyse. Strukturen til årsaksmodellen læres i utgangspunktet fra data, mens fagekspertise (betrodd litteratur eller empiriske oppfatninger) brukes til å postulere ytterligere avhengigheter og uavhengigheter mellom tilfeldige variabler og intervensjonsvariabler, i tillegg til å hevde at strukturen er årsakssammenheng.
Ved hjelp av INGEN TÅRER, en kontinuerlig optimaliseringsalgoritme for strukturlæring, læres grafstrukturen som beskriver betingede avhengigheter mellom variabler fra data, med et sett med begrensninger pålagt kanter, overordnede noder og barnnoder som ikke er tillatt i årsaksmodellen. Dette bevarer de tidsmessige avhengighetene mellom variabler. Se følgende kode:
"""
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,
)
Det neste trinnet koder for domenekunnskap i modeller og fanger fenologisk dynamikk, samtidig som falske relasjoner unngås. Multikollinearitetsanalyse, variasjonsinflasjonsfaktoranalyse og global funksjons betydning ved å bruke SHAP analyser utføres for å trekke ut innsikt og begrensninger på vannstressvariabler (ekspansjon, fenologi og fotosyntese rundt blomstring), vær- og jordvariabler, spektralindekser og nitrogenbaserte indikatorer:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Bayesiske nettverk i CausalNex støtter kun diskrete distribusjoner. Eventuelle kontinuerlige funksjoner, eller funksjoner med et stort antall kategorier, diskretiseres før de passer til det Bayesianske nettverket:
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,
)
Etter at strukturen er gjennomgått, kan den betingede sannsynlighetsfordelingen for hver variabel gitt dens foreldre læres fra data, i et trinn som kalles sannsynlighetsestimering:
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",
)
Til slutt brukes strukturen og sannsynlighetene til å utføre observasjonsslutninger på farten, etter en deterministisk Junction Tree-algoritme (JTA), og gjøre inngrep ved hjelp av gjøre-kalkulus. SageMaker Asynkron inferens tillater innkommende forespørsler i kø og behandler dem asynkront. Dette alternativet er ideelt for både observasjons- og kontrafaktiske slutningsscenarier, der prosessen ikke kan parallelliseres, og dermed tar det betydelig tid å oppdatere sannsynlighetene i hele nettverket, selv om flere spørringer kan kjøres parallelt. Se følgende kode:
"""
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")
For ytterligere detaljer, se slutningsskrift.
Årsaksmodellen bærbare er en trinn-for-trinn veiledning for å kjøre de foregående trinnene.
Geospatial databehandling
Jordobservasjonsjobber (EOJs) er lenket sammen for å skaffe og transformere satellittbilder, mens spesialbygde operasjoner og forhåndstrente modeller brukes til skyfjerning, mosaikk, båndmatematikkoperasjoner og resampling. I denne delen diskuterer vi mer detaljert de geospatiale prosesseringstrinnene.
Interesseområde
I den følgende figuren er grønne polygoner de valgte fylkene, det oransje rutenettet er databasekartet (et rutenett med 10 x 10 km-celler der forsøk utføres i regionen), og rutenettet med gråtone-firkanter er 100 km x 100 km Sentinel-2 UTM flisgitter.
Romlige filer brukes til å kartlegge den simulerte databasen med tilsvarende satellittbilder, overliggende polygoner på 10 km x 10 km celler som deler staten Illinois (hvor forsøk utføres i regionen), fylkespolygoner og 100 km x 100 km Sentinel- 2 UTM-fliser. For å optimere rørledningen for geospatial databehandling, velges først noen få nærliggende Sentinel-2-fliser. Deretter legges de aggregerte geometriene til fliser og celler over for å oppnå regionen av interesse (RoI). Fylkene og celle-IDene som er fullstendig observert innenfor RoI er valgt for å danne polygongeometrien som sendes til EOJ-ene.
Tidsramme
For denne øvelsen er maisfenologisyklusen delt inn i tre stadier: de vegetative stadiene v5 til R1 (fremkomst, bladkrager og dusker), reproduksjonsstadiene R1 til R4 (silke, blemme, melk og deig) og reproduksjonsstadiene R5 (bulket) og R6 (fysiologisk modenhet). Påfølgende satellittbesøk innhentes for hvert fenologistadium innen et tidsrom på 2 uker og et forhåndsdefinert interesseområde (utvalgte fylker), noe som muliggjør romlig og tidsmessig analyse av satellittbilder. Følgende figur illustrerer disse beregningene.
Fjerning av skyer
Skyfjerning for Sentinel-2-data bruker en ML-basert semantisk segmenteringsmodell for å identifisere skyer i bildet, der skyete piksler erstattes av med verdi -9999 (nodata-verdi):
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)
Etter at EOJ er opprettet, returneres ARN og brukes til å utføre den påfølgende geomoseoperasjonen.
For å få statusen til en jobb kan du løpe sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaisk
Geomosaic EOJ brukes til å slå sammen bilder fra flere satellittbesøk til en stor mosaikk, ved å overskrive nodata eller gjennomsiktige piksler (inkludert de skyede piksler) med piksler fra andre tidsstempler:
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)
Etter at EOJ er opprettet, returneres ARN og brukes til å utføre den påfølgende resampling-operasjonen.
Resampling
Resampling brukes til å nedskalere oppløsningen til det geospatiale bildet for å matche oppløsningen til beskjæringsmaskene (10–30 m reskalering av oppløsning):
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)
Etter at EOJ er opprettet, returneres ARN og brukes til å utføre den påfølgende båndmatematikkoperasjonen.
Band matematikk
Båndmatematikkoperasjoner brukes til å transformere observasjonene fra flere spektralbånd til et enkelt bånd. Den inkluderer følgende spektralindekser:
- EVI2 – To-Band Enhanced Vegetation Index
- DGVI – Generalisert forskjellsvegetasjonsindeks
- NDMI – Normalisert Difference Moisture Index
- NDVI – Normalisert forskjell Vegetasjonsindeks
- NDWI – Normalisert forskjellsvannindeks
Se følgende kode:
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)
Sonestatistikk
Spektralindeksene blir ytterligere beriket ved hjelp av Amazon SageMaker-prosessering, der GDAL-basert tilpasset logikk brukes til å gjøre følgende:
- Slå sammen spektrale indekser til en enkelt flerkanals mosaikk
- Projiser mosaikken på nytt til avlingsmaskesin projeksjon
- Påfør beskjæringsmasken og reprojiser mosaikken til cellepolygonenes CRC
- Beregn sonestatistikk for utvalgte polygoner (10 km x 10 km celler)
Med parallellisert datadistribusjon blir manifestfiler (for hvert avlingsfenologiske stadium) fordelt over flere forekomster ved å bruke ShardedByS3Key
S3 datadistribusjonstype. For ytterligere detaljer, se funksjonsekstraksjonsskript.
Den geospatiale behandlingen bærbare er en trinn-for-trinn veiledning for å kjøre de foregående trinnene.
Følgende figur viser RGB-kanaler for påfølgende satellittbesøk som representerer de vegetative og reproduktive stadiene i maisfenologisyklusen, med (høyre) og uten (venstre) avlingsmasker (CW 20, 26 og 33, 2018 Central Illinois).
I den følgende figuren, spektralindekser (NDVI, EVI2, NDMI) av påfølgende satellittbesøk representerer de vegetative og reproduktive stadiene av maisfenologisyklusen (CW 20, 26 og 33, 2018 Central Illinois).
Rydd opp
Hvis du ikke lenger ønsker å bruke denne løsningen, kan du slette ressursene den opprettet. Etter at løsningen er distribuert i Studio, velger du Slett alle ressurser å automatisk slette alle standardressurser som ble opprettet ved lansering av løsningen, inkludert S3-bøtta.
konklusjonen
Denne løsningen gir en blåkopi for brukstilfeller der årsaksinferens med Bayesianske nettverk er den foretrukne metoden for å svare på årsaksspørsmål fra en kombinasjon av data og menneskelige input. Arbeidsflyten inkluderer en effektiv implementering av inferensmotoren, som setter innkommende forespørsler og intervensjoner i kø og behandler dem asynkront. Det modulære aspektet muliggjør gjenbruk av ulike komponenter, inkludert geospatial prosessering med spesialbygde operasjoner og forhåndstrente modeller, berikelse av satellittbilder med spesialbygde GDAL-operasjoner og multimodal funksjonsteknikk (spektrale indekser og tabelldata).
I tillegg kan du bruke denne løsningen som en mal for å bygge rutenettede avlingsmodeller der nitrogengjødselhåndtering og miljøpolitiske analyser utføres.
For mer informasjon, se Løsningsmaler og følg veilede å lansere Crop Yield Counterfactuals-løsningen i USAs vestlige (Oregon)-regionen. Koden er tilgjengelig i GitHub repo.
Sitater
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Simulert datasett av maisrespons på nitrogen over tusenvis av felt og flere år i Illinois,
Data i korte trekk, bind 40, 2022, 107753, ISSN 2352-3409
Nyttige ressurser
Om forfatterne
Paul Barna er senior dataforsker ved Machine Learning Prototyping Labs ved AWS.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :er
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Om oss
- prestasjoner
- Logg inn
- erverve
- ervervet
- tvers
- aktiv
- la til
- tillegg
- Ytterligere
- adresser
- talsmenn
- Etter
- AGI
- mål
- algoritme
- Alle
- tillater
- Selv
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- blant
- beløp
- analyse
- og
- svar
- hvor som helst
- Søknad
- arkitektur
- ER
- AREA
- rundt
- AS
- aspektet
- hevde
- Association
- At
- automatisk
- tilgjengelig
- unngå
- AWS
- BAND
- basert
- Bayesiansk
- BE
- før du
- mellom
- Blå
- bok
- Break
- bred
- bygge
- Bygning
- by
- som heter
- CAN
- evner
- fangst
- fanger
- saker
- kategorier
- Årsak
- Celler
- sentral
- Lenket
- endring
- Endringer
- kanaler
- barn
- Velg
- hevder
- krav
- Cloud
- kode
- halsbånd
- kombinasjon
- Felles
- komponenter
- konsentrasjon
- forhold
- gjennomført
- Koble
- påfølgende
- begrensninger
- kontinuerlig
- kontroll
- kontrolleres
- Tilsvarende
- kunne
- skape
- opprettet
- avling
- I dag
- skjøger
- skikk
- Custom-bygget
- syklus
- dato
- databehandling
- dataforsker
- data-drevet
- Database
- dag
- dyp
- dyp læring
- demonstrere
- utplassert
- Avledet
- detalj
- detaljer
- forskjell
- direkte
- diskutere
- distribueres
- distribusjon
- Distribusjoner
- Divided
- domene
- drastisk
- tegne
- dynamikk
- hver enkelt
- effekt
- veksten
- muliggjør
- muliggjør
- ende til ende
- Motor
- Ingeniørarbeid
- forbedret
- anriket
- miljømessige
- Miljøpolitikk
- hovedsak
- Øvelse
- utvidelse
- Expert
- ekspertise
- Forklar
- utforske
- uttrykkene
- forlengelse
- trekke ut
- faktorer
- oppdrett
- Trekk
- Egenskaper
- Noen få
- Felt
- Figur
- følge
- etter
- Til
- skjema
- Rammeverk
- fra
- fullt
- videre
- generere
- geografier
- få
- GitHub
- gitt
- Global
- graf
- Gråtoner
- Grønn
- Grid
- Vekst
- veilede
- håndtere
- skje
- Ha
- skjult
- Hvordan
- Hvordan
- Men
- HTML
- http
- HTTPS
- menneskelig
- ideell
- identifisere
- identifisering
- Illinois
- bilde
- bilder
- Påvirkning
- gjennomføring
- implisitt
- importere
- betydning
- pålagt
- pålegge
- in
- inkluderer
- Inkludert
- Innkommende
- innlemme
- økende
- indikatorer
- Indekser
- informasjon
- Infrastruktur
- innledende
- i utgangspunktet
- innsikt
- f.eks
- instruksjoner
- Intelligens
- interaksjoner
- interesse
- intervensjon
- introdusert
- IT
- DET ER
- Jobb
- Vet
- kunnskap
- Labs
- stor
- lansere
- lansere
- føre
- LÆRE
- lært
- læring
- begrensning
- Begrenset
- litteratur
- lenger
- maskin
- maskinlæring
- maskiner
- laget
- Making
- ledelse
- kart
- Martin
- maske
- masker
- Match
- math
- Saken
- modenhet
- Flett
- metodikk
- Metrics
- kunne
- Melk
- ML
- modell
- modeller
- modulære
- mer
- flere
- navn
- Nasa
- Nær
- nødvendigvis
- Trenger
- nettverk
- nettverk
- neste
- Nicolas
- node
- Nodedistribusjon
- noder
- Antall
- få
- of
- on
- drift
- Drift
- optimalisering
- Optimalisere
- Alternativ
- oransje
- rekkefølge
- Oregon
- Annen
- Parallel
- parametere
- foreldre
- Spesielt
- bestått
- Utfør
- Fotosyntese
- rørledning
- plato
- Platon Data Intelligence
- PlatonData
- støpsel
- politikk
- polygon
- mulig
- Post
- trekkes
- prinsipper
- Før
- Problem
- prosess
- Bearbeidet
- Prosesser
- prosessering
- egenskaper
- eiendom
- foreslått
- foreslår
- prototyping
- gi
- gir
- rent
- spørsmål
- tilfeldig
- randomisert
- område
- priser
- klar
- rimelig
- Rød
- redusere
- redusere
- region
- forholdet
- Relasjoner
- fjerning
- erstattet
- representere
- representerer
- forespørsler
- påkrevd
- oppløsning
- Ressurser
- svar
- ansvarlig
- anmeldt
- RGB
- ROI
- Kjør
- rennende
- sagemaker
- satellitt
- scenarier
- Forsker
- Seksjon
- segmentering
- valgt
- senior
- forstand
- Serien
- sett
- flere
- Viser
- på samme måte
- enkelt
- løsning
- Solutions
- noen
- romlig
- Spectral
- firkanter
- Scene
- stadier
- Standard
- Tilstand
- Stater
- statistikk
- status
- Trinn
- Steps
- stresset
- struktur
- studier
- studio
- Studer
- emne
- senere
- støtte
- Systemer
- ta
- taro
- Undervisning
- mal
- Testing
- Det
- De
- Grafen
- Staten
- verden
- deres
- Dem
- derved
- Disse
- ting
- tusener
- tre
- Gjennom
- hele
- tid
- til
- sammen
- Tog
- Transform
- transformere
- gjennomsiktig
- behandle
- prøve
- forsøk
- klarert
- UCLA
- avdekke
- etter
- forståelse
- enhet
- forent
- Forente Stater
- Oppdater
- oppdatering
- us
- bruke
- validert
- verdi
- ulike
- Besøk
- volum
- Vann
- måter
- Vær
- uker
- VI VIL
- Vest
- Hva
- hvilken
- mens
- vil
- med
- innenfor
- uten
- verden
- skriving
- X
- år
- Utbytte
- rentene
- Du
- Din
- zephyrnet