Hvis du er en forretningsanalytiker, er det å forstå kundeatferd sannsynligvis noe av det viktigste du bryr deg om. Å forstå årsakene og mekanismene bak kundenes kjøpsbeslutninger kan legge til rette for inntektsvekst. Men tapet av kunder (ofte referert til som kunden churn) utgjør alltid en risiko. Å få innsikt i hvorfor kunder slutter kan være like avgjørende for å opprettholde fortjeneste og inntekter.
Selv om maskinlæring (ML) kan gi verdifull innsikt, var det nødvendig med ML-eksperter for å bygge prediksjonsmodeller for kundeavgang frem til introduksjonen av Amazon SageMaker Canvas.
SageMaker Canvas er en lav-kode/ingen kode administrert tjeneste som lar deg lage ML-modeller som kan løse mange forretningsproblemer uten å skrive en eneste linje med kode. Den lar deg også evaluere modellene ved hjelp av avanserte beregninger som om du var en dataforsker.
I dette innlegget viser vi hvordan en forretningsanalytiker kan evaluere og forstå en klassifiseringsmodell laget med SageMaker Canvas ved hjelp av Avanserte beregninger fanen. Vi forklarer beregningene og viser teknikker for å håndtere data for å oppnå bedre modellytelse.
Forutsetninger
Hvis du ønsker å implementere alle eller noen av oppgavene beskrevet i dette innlegget, trenger du en AWS-konto med tilgang til SageMaker Canvas. Referere til Forutsi kundefragang med maskinlæring uten kode ved hjelp av Amazon SageMaker Canvas for å dekke det grunnleggende rundt SageMaker Canvas, churn-modellen og datasettet.
Introduksjon til modellytelsesevaluering
Som en generell retningslinje, når du trenger å evaluere ytelsen til en modell, prøver du å måle hvor godt modellen vil forutsi noe når den ser nye data. Denne spådommen kalles slutning. Du starter med å trene modellen ved å bruke eksisterende data, og ber deretter modellen forutsi utfallet på data som den ikke allerede har sett. Hvor nøyaktig modellen forutsier dette resultatet er det du ser på for å forstå modellens ytelse.
Hvis modellen ikke har sett de nye dataene, hvordan ville noen vite om spådommen er god eller dårlig? Vel, ideen er å faktisk bruke historiske data der resultatene allerede er kjent og sammenligne disse verdiene med modellens predikerte verdier. Dette aktiveres ved å sette til side en del av de historiske treningsdataene slik at de kan sammenlignes med det modellen forutsier for disse verdiene.
I eksempelet med kundeavgang (som er et kategorisk klassifiseringsproblem) starter du med et historisk datasett som beskriver kunder med mange attributter (en i hver post). En av attributtene, kalt Churn, kan være True eller False, og beskriver om kunden forlot tjenesten eller ikke. For å evaluere modellens nøyaktighet deler vi dette datasettet og trener modellen ved å bruke den ene delen (treningsdatasettet), og ber modellen om å forutsi resultatet (klassifisere kunden som Churn eller ikke) med den andre delen (testdatasettet). Vi sammenligner deretter modellens prediksjon med grunnsannheten i testdatasettet.
Tolking av avanserte beregninger
I denne delen diskuterer vi de avanserte beregningene i SageMaker Canvas som kan hjelpe deg med å forstå modellens ytelse.
Forvirringsmatrise
SageMaker Canvas bruker forvirringsmatriser for å hjelpe deg med å visualisere når en modell genererer spådommer riktig. I en forvirringsmatrise er resultatene arrangert for å sammenligne de predikerte verdiene med de faktiske historiske (kjente) verdiene. Følgende eksempel forklarer hvordan en forvirringsmatrise fungerer for en prediksjonsmodell med to kategorier som forutsier positive og negative etiketter:
- Riktig positiv – Modellen predikerte positivt når den sanne etiketten var positiv
- Ekte negativt – Modellen predikerte negativt korrekt når den sanne etiketten var negativ
- Falsk positiv – Modellen predikerte feil positivt når den sanne etiketten var negativ
- Falske negative – Modellen predikerte feil negativt når den sanne etiketten var positiv
Følgende bilde er et eksempel på en forvirringsmatrise for to kategorier. I vår churn-modell kommer de faktiske verdiene fra testdatasettet, og de predikerte verdiene kommer fra å spørre modellen vår.
Nøyaktighet
Nøyaktighet er prosentandelen av riktige spådommer av alle radene eller prøvene i testsettet. Det er de sanne prøvene som ble forutsagt som sanne, pluss de falske prøvene som ble korrekt forutsagt som usann, delt på det totale antallet prøver i datasettet.
Det er en av de viktigste beregningene å forstå fordi den vil fortelle deg i hvilken prosentandel modellen predikerte riktig, men det kan være misvisende i noen tilfeller. For eksempel:
- Klasse ubalanse – Når klassene i datasettet ditt ikke er jevnt fordelt (du har et uforholdsmessig antall prøver fra én klasse og svært lite på andre), kan nøyaktigheten være misvisende. I slike tilfeller kan selv en modell som ganske enkelt forutsier majoritetsklassen for hver instans oppnå høy nøyaktighet.
- Kostnadssensitiv klassifisering – I noen applikasjoner kan kostnadene ved feilklassifisering for ulike klasser være forskjellige. For eksempel, hvis vi forutså om et stoff kan forverre en tilstand, kan en falsk negativ (for eksempel å forutsi stoffet kanskje ikke forverres når det faktisk gjør det) være dyrere enn en falsk positiv (for eksempel kan å forutsi stoffet forverre når det faktisk ikke gjør det).
Presisjon, tilbakekalling og F1-score
Presisjon er brøkdelen av sanne positive (TP) av alle de forutsagte positive (TP + FP). Den måler andelen positive spådommer som faktisk er riktige.
Tilbakekalling er brøkdelen av sanne positive (TP) av alle faktiske positive (TP + FN). Den måler andelen positive tilfeller som ble korrekt spådd som positive av modellen.
F1-poengsummen kombinerer presisjon og tilbakekalling for å gi en enkelt poengsum som balanserer avveiningen mellom dem. Det er definert som det harmoniske gjennomsnittet av presisjon og gjenkalling:
F1-poengsum = 2 * (presisjon * tilbakekalling) / (presisjon + tilbakekalling)
F1-poengsummen varierer fra 0–1, med en høyere poengsum som indikerer bedre ytelse. En perfekt F1-score på 1 indikerer at modellen har oppnådd både perfekt presisjon og perfekt gjenkalling, og en score på 0 indikerer at modellens spådommer er helt feil.
F1-poengsummen gir en balansert evaluering av modellens ytelse. Den vurderer presisjon og tilbakekalling, og gir en mer informativ evalueringsmetrik som gjenspeiler modellens evne til å klassifisere positive tilfeller korrekt og unngå falske positive og falske negative.
For eksempel, i medisinsk diagnose, svindeldeteksjon og sentimentanalyse, er F1 spesielt relevant. I medisinsk diagnose er nøyaktig identifisering av tilstedeværelsen av en spesifikk sykdom eller tilstand avgjørende, og falske negative eller falske positive kan ha betydelige konsekvenser. F1-poengsummen tar hensyn til både presisjon (evnen til å identifisere positive tilfeller korrekt) og tilbakekalling (evnen til å finne alle positive tilfeller), og gir en balansert evaluering av modellens ytelse ved å oppdage sykdommen. Tilsvarende kan nøyaktighet alene være misvisende på grunn av et høyt antall sanne negative ved oppdagelse av svindel, hvor antallet faktiske svindelsaker er relativt lavt sammenlignet med ikke-svindelsaker (ubalanserte klasser). F1-skåren gir et omfattende mål på modellens evne til å oppdage både uredelige og ikke-svindelsaker, med tanke på både presisjon og tilbakekalling. Og i sentimentanalyse, hvis datasettet er ubalansert, kan det hende at nøyaktigheten ikke gjenspeiler modellens ytelse når det gjelder klassifisering av forekomster av den positive sentimentklassen.
AUC (areal under kurven)
AUC-beregningen evaluerer evnen til en binær klassifiseringsmodell til å skille mellom positive og negative klasser ved alle klassifiseringsterskler. EN terskel er en verdi som brukes av modellen for å ta en avgjørelse mellom de to mulige klassene, og konvertere sannsynligheten for at et utvalg er en del av en klasse til en binær beslutning. For å beregne AUC, plottes den sanne positive raten (TPR) og falsk positiv rate (FPR) over ulike terskelinnstillinger. TPR måler andelen sanne positive ut av alle faktiske positive, mens FPR måler andelen falske positive ut av alle faktiske negative. Den resulterende kurven, kalt mottakerdriftskarakteristikken (ROC), gir en visuell representasjon av TPR og FPR ved forskjellige terskelinnstillinger. AUC-verdien, som varierer fra 0–1, representerer området under ROC-kurven. Høyere AUC-verdier indikerer bedre ytelse, med en perfekt klassifisering som oppnår en AUC på 1.
Følgende plot viser ROC-kurven, med TPR som Y-aksen og FPR som X-aksen. Jo nærmere kurven kommer til øverste venstre hjørne av plottet, desto bedre klarer modellen å klassifisere dataene i kategorier.
For å avklare, la oss gå over et eksempel. La oss tenke på en svindeloppdagelsesmodell. Vanligvis er disse modellene trent fra ubalanserte datasett. Dette skyldes det faktum at nesten alle transaksjonene i datasettet vanligvis er ikke-svindel, med bare noen få merket som svindel. I dette tilfellet kan det hende at nøyaktigheten alene ikke fanger ytelsen til modellen tilstrekkelig fordi den sannsynligvis er sterkt påvirket av overfloden av ikke-svindelsaker, noe som fører til misvisende høye nøyaktighetsscore.
I dette tilfellet vil AUC være en bedre beregning for å vurdere modellytelse fordi den gir en omfattende vurdering av en modells evne til å skille mellom uredelige og ikke-svindelige transaksjoner. Den tilbyr en mer nyansert evaluering, som tar hensyn til avveiningen mellom sann positiv rate og falsk positiv rate ved ulike klassifiseringsterskler.
Akkurat som F1-poengsummen er det spesielt nyttig når datasettet er ubalansert. Den måler avveiningen mellom TPR og FPR og viser hvor godt modellen kan skille mellom de to klassene uavhengig av fordeling. Dette betyr at selv om en klasse er betydelig mindre enn den andre, vurderer ROC-kurven modellens ytelse på en balansert måte ved å vurdere begge klassene likt.
Ytterligere nøkkelemner
Avanserte beregninger er ikke de eneste viktige verktøyene som er tilgjengelige for deg for å evaluere og forbedre ML-modellytelsen. Dataforberedelse, funksjonsteknikk og funksjonseffektanalyse er teknikker som er avgjørende for modellbygging. Disse aktivitetene spiller en avgjørende rolle i å trekke ut meningsfull innsikt fra rådata og forbedre modellytelsen, noe som fører til mer robuste og innsiktsfulle resultater.
Dataforberedelse og funksjonsutvikling
Funksjonsteknikk er prosessen med å velge, transformere og lage nye variabler (funksjoner) fra rådata, og spiller en nøkkelrolle i å forbedre ytelsen til en ML-modell. Å velge de mest relevante variablene eller funksjonene fra de tilgjengelige dataene innebærer å fjerne irrelevante eller overflødige funksjoner som ikke bidrar til modellens prediksjonskraft. Å transformere datafunksjoner til et passende format inkluderer skalering, normalisering og håndtering av manglende verdier. Og til slutt, å lage nye funksjoner fra eksisterende data gjøres gjennom matematiske transformasjoner, kombinere eller samhandle forskjellige funksjoner, eller skape nye funksjoner fra domenespesifikk kunnskap.
Viktighetsanalyse av funksjoner
SageMaker Canvas genererer en funksjonsviktighetsanalyse som forklarer hvilken innvirkning hver kolonne i datasettet ditt har på modellen. Når du genererer spådommer, kan du se kolonneeffekten som identifiserer hvilke kolonner som har størst innvirkning på hver prediksjon. Dette vil gi deg innsikt i hvilke funksjoner som fortjener å være en del av den endelige modellen, og hvilke som bør forkastes. Kolonnepåvirkning er en prosentpoengsum som indikerer hvor mye vekt en kolonne har i å lage spådommer i forhold til de andre kolonnene. For en kolonnepåvirkning på 25 %, veier Canvas prediksjonen som 25 % for kolonnen og 75 % for de andre kolonnene.
Tilnærminger for å forbedre modellens nøyaktighet
Selv om det finnes flere metoder for å forbedre modellens nøyaktighet, følger dataforskere og ML-utøvere vanligvis en av de to tilnærmingene som er diskutert i denne delen, ved å bruke verktøyene og beregningene beskrevet tidligere.
Modellsentrisk tilnærming
I denne tilnærmingen forblir dataene alltid de samme og brukes til å iterativt forbedre modellen for å møte ønskede resultater. Verktøy som brukes med denne tilnærmingen inkluderer:
- Prøver flere relevante ML-algoritmer
- Algoritme og hyperparameter tuning og optimalisering
- Ulike modellensemblemetoder
- Ved hjelp av forhåndstrente modeller (SageMaker tilbyr ulike innebygde eller forhåndstrente modeller for å hjelpe ML-utøvere)
- AutoML, som er det SageMaker Canvas gjør bak kulissene (ved hjelp av Amazon SageMaker Autopilot), som omfatter alt det ovennevnte
Datasentrisk tilnærming
I denne tilnærmingen er fokuset på dataforberedelse, forbedring av datakvalitet og iterativt modifisering av dataene for å forbedre ytelsen:
- Utforske statistikk over datasettet som brukes til å trene modellen, også kjent som utforskende dataanalyse (EDA)
- Forbedring av datakvaliteten (rensing av data, imputering av manglende verdier, avvikdeteksjon og administrasjon)
- Valg av funksjon
- Funksjonsteknikk
- Dataforstørrelse
Forbedrer modellytelsen med Canvas
Vi begynner med den datasentriske tilnærmingen. Vi bruker modellforhåndsvisningsfunksjonaliteten for å utføre en innledende EDA. Dette gir oss en grunnlinje som vi kan bruke til å utføre dataforsterkning, generere en ny grunnlinje og til slutt få den beste modellen med en modellsentrisk tilnærming ved bruk av standard byggefunksjonalitet.
Vi bruker syntetisk datasett fra en mobiloperatør for telekommunikasjon. Dette eksempeldatasettet inneholder 5,000 poster, der hver post bruker 21 attributter for å beskrive kundeprofilen. Referere til Forutsi kundefragang med maskinlæring uten kode ved hjelp av Amazon SageMaker Canvas for en fullstendig beskrivelse.
Modellforhåndsvisning i en datasentrisk tilnærming
Som et første trinn åpner vi datasettet, velger kolonnen som skal forutsi som Churn?, og genererer en forhåndsvisningsmodell ved å velge Forhåndsvisningsmodell.
De Forhåndsvisningsmodell ruten vil vise fremdriften til forhåndsvisningsmodellen er klar.
Når modellen er klar, genererer SageMaker Canvas en funksjons viktighetsanalyse.
Til slutt, når den er fullført, vil ruten vise en liste over kolonner med dens innvirkning på modellen. Disse er nyttige for å forstå hvor relevante funksjonene er på våre spådommer. Kolonnepåvirkning er en prosentpoengsum som indikerer hvor mye vekt en kolonne har i å lage spådommer i forhold til de andre kolonnene. I det følgende eksempelet, for Nattsamtaler-kolonnen, vekter SageMaker Canvas prediksjonen som 4.04 % for kolonnen og 95.9 % for de andre kolonnene. Jo høyere verdi, jo høyere effekt.
Som vi kan se, har forhåndsvisningsmodellen en nøyaktighet på 95.6 %. La oss prøve å forbedre modellens ytelse ved å bruke en datasentrisk tilnærming. Vi utfører dataforberedelse og bruker funksjonsteknikker for å forbedre ytelsen.
Som vist i følgende skjermbilde, kan vi observere at kolonnene Telefon og Stat har mye mindre innvirkning på spådommen vår. Derfor vil vi bruke denne informasjonen som input for vår neste fase, dataforberedelse.
SageMaker Canvas gir ML-datatransformasjoner som du kan rense, transformere og forberede dataene dine for modellbygging med. Du kan bruke disse transformasjonene på datasettene dine uten noen kode, og de vil bli lagt til modelloppskriften, som er en oversikt over dataforberedelsen utført på dataene dine før du bygger modellen.
Vær oppmerksom på at alle datatransformasjoner du bruker, bare endrer inndataene når du bygger en modell og ikke endrer datasettet eller den opprinnelige datakilden.
Følgende transformasjoner er tilgjengelige i SageMaker Canvas slik at du kan forberede dataene dine for bygging:
- Datotime-utvinning
- Slipp kolonner
- Filtrer rader
- Funksjoner og operatører
- Administrer rader
- Gi nytt navn til kolonner
- Fjern rader
- Bytt ut verdier
- Sample tidsseriedata på nytt
La oss starte med å droppe kolonnene vi har funnet som har liten innvirkning på prediksjonen vår.
For eksempel, i dette datasettet, er telefonnummeret bare det samme som et kontonummer – det er ubrukelig eller til og med skadelig når det gjelder å forutsi andre kontoers sannsynlighet for churn. På samme måte påvirker ikke kundens tilstand modellen vår mye. La oss fjerne Telefon- og Status-kolonnene ved å fjerne valget av disse funksjonene under Kolonne navn.
La oss nå utføre litt ekstra datatransformasjon og funksjonsutvikling.
For eksempel la vi merke til i vår tidligere analyse at det belastede beløpet til kunder har en direkte innvirkning på churn. La oss derfor opprette en ny kolonne som beregner de totale kostnadene til kundene våre ved å kombinere Charge, Mins og Calls for Day, Eve, Night og Intl. For å gjøre det bruker vi de tilpassede formlene i SageMaker Canvas.
La oss starte med å velge Funksjoner, så legger vi til formeltekstboksen følgende tekst:
(Dagssamtaler*Dagsavgift*Dagmin.)+(Eveanrop*Eveavgift*Evemin.)+(Nattsamtaler*Nattavgift*Nattminutter)+(Internasjonale samtaler*Intl.avgift*Intl.min.)
Gi den nye kolonnen et navn (for eksempel Totale kostnader), og velg Legg til etter at forhåndsvisningen er generert. Modelloppskriften skal nå se ut som vist i følgende skjermbilde.
Når denne dataforberedelsen er fullført, trener vi en ny forhåndsvisningsmodell for å se om modellen har blitt bedre. Velge Forhåndsvisningsmodell igjen, og den nedre høyre ruten vil vise fremdriften.
Når treningen er fullført, vil den fortsette å beregne den anslåtte nøyaktigheten på nytt, og vil også lage en ny kolonneeffektanalyse.
Og til slutt, når hele prosessen er fullført, kan vi se den samme ruten vi så tidligere, men med den nye forhåndsvisningsmodellens nøyaktighet. Du kan merke modellnøyaktigheten økt med 0.4 % (fra 95.6 % til 96 %).
Tallene i de foregående bildene kan avvike fra dine fordi ML introduserer en viss stokastisitet i prosessen med å trene modeller, noe som kan føre til forskjellige resultater i forskjellige bygg.
Modellsentrisk tilnærming for å lage modellen
Canvas tilbyr to alternativer for å bygge modellene dine:
- Standard konstruksjon – Bygger den beste modellen fra en optimalisert prosess der hastighet byttes ut mot bedre nøyaktighet. Den bruker Auto-ML, som automatiserer ulike oppgaver i ML, inkludert modellvalg, prøving av ulike algoritmer som er relevante for ML-brukssaken, hyperparameterinnstilling og opprettelse av modellforklaringsrapporter.
- Rask bygging – Bygger en enkel modell på en brøkdel av tiden sammenlignet med en standardkonstruksjon, men nøyaktighet byttes ut med hastighet. Hurtigmodell er nyttig når du itererer for raskere å forstå effekten av dataendringer på modellens nøyaktighet.
La oss fortsette å bruke en standard byggemetode.
Standard konstruksjon
Som vi så før, bygger standardkonstruksjonen den beste modellen fra en optimalisert prosess for å maksimere nøyaktigheten.
Byggeprosessen for churn-modellen vår tar rundt 45 minutter. I løpet av denne tiden tester Canvas hundrevis av kandidatrørledninger, og velger den beste modellen. I det følgende skjermbildet kan vi se forventet byggetid og fremdrift.
Med standard byggeprosessen har ML-modellen vår forbedret modellnøyaktigheten til 96.903 %, som er en betydelig forbedring.
Utforsk avanserte beregninger
La oss utforske modellen ved å bruke Avanserte beregninger fanen. På Scoring kategorien, velg Avanserte beregninger.
Denne siden vil vise følgende forvirringsmatrise sammen med de avanserte beregningene: F1-score, nøyaktighet, presisjon, tilbakekalling, F1-score og AUC.
Generer spådommer
Nå som beregningene ser bra ut, kan vi utføre en interaktiv prediksjon på forutsi kategorien, enten i en batch eller enkelt (sanntids) prediksjon.
Vi har to alternativer:
- Bruk denne modellen til å kjøre batch- eller enkeltprediksjoner
- Send modellen til Amazon Sagemaker Studio å dele med dataforskere
Rydd opp
For å unngå å pådra seg fremtid øktavgifter, logg ut av SageMaker Canvas.
konklusjonen
SageMaker Canvas gir kraftige verktøy som lar deg bygge og vurdere nøyaktigheten til modeller, og forbedre ytelsen deres uten behov for koding eller spesialisert datavitenskap og ML-ekspertise. Som vi har sett i eksemplet gjennom opprettelsen av en kundefrafallsmodell, ved å kombinere disse verktøyene med både en datasentrisk og en modellsentrisk tilnærming ved bruk av avanserte beregninger, kan forretningsanalytikere lage og evaluere prediksjonsmodeller. Med et visuelt grensesnitt har du også mulighet til å generere nøyaktige ML-spådommer på egenhånd. Vi oppfordrer deg til å gå gjennom referansene og se hvor mange av disse konseptene som kan gjelde i andre typer ML-problemer.
Referanser
Om forfatterne
Marcos er en AWS Sr. Machine Learning Solutions Architect basert i Florida, USA. I den rollen er han ansvarlig for å veilede og assistere amerikanske oppstartsorganisasjoner i deres strategi mot skyen, og gi veiledning om hvordan de kan håndtere høyrisikoproblemer og optimalisere maskinlæringsarbeidsmengdene deres. Han har mer enn 25 års erfaring med teknologi, inkludert utvikling av skyløsninger, maskinlæring, programvareutvikling og datasenterinfrastruktur.
Indrajit er en AWS Enterprise Sr. Solutions Architect. I sin rolle hjelper han kunder med å oppnå sine forretningsresultater gjennom skyadopsjon. Han designer moderne applikasjonsarkitekturer basert på mikrotjenester, serverløse, APIer og hendelsesdrevne mønstre. Han jobber med kunder for å realisere deres dataanalyse- og maskinlæringsmål gjennom bruk av DataOps- og MLOps-praksis og -løsninger. Indrajit snakker regelmessig på AWS offentlige arrangementer som toppmøter og ASEAN-verksteder, har publisert flere AWS-blogginnlegg og utviklet kundevendte tekniske workshops med fokus på data og maskinlæring på AWS.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Bil / elbiler, Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- BlockOffsets. Modernisering av eierskap for miljøkompensasjon. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/is-your-model-good-a-deep-dive-into-amazon-sagemaker-canvas-advanced-metrics/
- : har
- :er
- :ikke
- :hvor
- 000
- 1
- 100
- 1239
- 25
- 420
- 7
- a
- evne
- Om oss
- overflod
- adgang
- Logg inn
- nøyaktighet
- nøyaktig
- nøyaktig
- Oppnå
- oppnådd
- oppnå
- tvers
- Aktiviteter
- faktiske
- faktisk
- legge til
- la til
- Ytterligere
- adresse
- tilstrekkelig
- Adopsjon
- avansert
- Etter
- en gang til
- mot
- algoritmer
- Alle
- tillater
- alene
- allerede
- også
- alltid
- Amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon Web Services
- beløp
- an
- analyse
- analytiker
- analytikere
- analytics
- og
- noen
- APIer
- Søknad
- søknader
- Påfør
- tilnærming
- tilnærminger
- ER
- AREA
- rundt
- anordnet
- AS
- Asean
- vurdere
- evaluering
- bistå
- At
- attributter
- automatiserer
- tilgjengelig
- unngå
- AWS
- Axis
- dårlig
- balanserer
- basert
- Baseline
- Grunnleggende
- BE
- fordi
- vært
- før du
- begynne
- atferd
- bak
- Bak scenen
- være
- BEST
- Bedre
- mellom
- Blogg
- Blogginnlegg
- både
- bygge
- Bygning
- bygger
- virksomhet
- men
- by
- beregne
- som heter
- Samtaler
- CAN
- kandidat
- lerret
- fangst
- hvilken
- saken
- saker
- kategorier
- sentrum
- Endringer
- karakteristisk
- kostnad
- ladet
- avgifter
- Velg
- velge
- klasse
- klasser
- klassifisering
- Klassifisere
- Rengjøring
- nærmere
- Cloud
- skyadopsjon
- kode
- Koding
- Kolonne
- kolonner
- skurtreskerne
- kombinere
- Kom
- vanligvis
- sammenligne
- sammenlignet
- fullføre
- helt
- omfattende
- konsepter
- tilstand
- forvirring
- Konsekvenser
- vurderer
- anser
- inneholdt
- inneholder
- fortsette
- bidra
- konvertering
- Corner
- korrigere
- Kostnad
- kostbar
- dekke
- skape
- opprettet
- Opprette
- skaperverket
- avgjørende
- skjøger
- skikk
- kunde
- kundeatferd
- Kunder
- dato
- dataanalyse
- Data Analytics
- Datasenter
- Dataklargjøring
- datavitenskap
- dataforsker
- datasett
- dag
- avtale
- avgjørelse
- avgjørelser
- dyp
- dypdykk
- definert
- beskrive
- beskrevet
- beskrivelse
- fortjener
- design
- ønsket
- oppdage
- Gjenkjenning
- utviklet
- Utvikling
- avvike
- forskjellig
- differensiere
- direkte
- diskutere
- diskutert
- sykdom
- skille
- distribueres
- distribusjon
- Divided
- do
- gjør
- ikke
- gjort
- slippe
- medikament
- to
- under
- hver enkelt
- Tidligere
- enten
- empowered
- muliggjøre
- aktivert
- muliggjør
- Omfatter
- oppmuntre
- Ingeniørarbeid
- styrke
- Enterprise
- like
- Tilsvarende
- spesielt
- avgjørende
- evaluere
- evaluere
- evaluering
- eve
- Selv
- jevnt
- hendelser
- Hver
- eksempel
- utvekslet
- eksisterende
- forventet
- erfaring
- ekspertise
- eksperter
- Forklar
- forklarer
- Utforskende dataanalyse
- utforske
- f1
- legge til rette
- Faktisk
- falsk
- Trekk
- Egenskaper
- Noen få
- slutt~~POS=TRUNC
- Endelig
- Finn
- Først
- florida
- Fokus
- fokuserte
- følge
- etter
- Til
- format
- formel
- funnet
- brøkdel
- svindel
- svindeloppdagelse
- uredelig
- fra
- fullt
- funksjonalitet
- framtid
- få
- general
- generere
- generert
- genererer
- genererer
- få
- Gi
- Go
- Mål
- god
- Ground
- Vekst
- veiledning
- Håndtering
- Ha
- he
- tungt
- hjelpe
- hjelper
- Høy
- høy risiko
- høyere
- hans
- historisk
- Hvordan
- Hvordan
- Men
- HTML
- HTTPS
- Hundrevis
- Innstilling av hyperparameter
- Tanken
- identifiserer
- identifisere
- identifisering
- if
- bilde
- bilder
- Påvirkning
- iverksette
- betydning
- viktig
- forbedre
- forbedret
- forbedring
- bedre
- in
- I andre
- inkludere
- inkluderer
- Inkludert
- feil
- økt
- indikerer
- indikerer
- påvirket
- informasjon
- informative
- Infrastruktur
- innledende
- inngang
- innsiktsfull
- innsikt
- f.eks
- samhandler
- interaktiv
- Interface
- inn
- Introduserer
- Introduksjon
- saker
- IT
- DET ER
- jpg
- bare
- nøkkel
- Vet
- kunnskap
- kjent
- Etiketten
- etiketter
- føre
- ledende
- læring
- Permisjon
- venstre
- mindre
- i likhet med
- sannsynligheten
- linje
- Liste
- lite
- logg
- Se
- tap
- Lav
- lavere
- maskin
- maskinlæring
- Flertall
- gjøre
- Making
- fikk til
- ledelse
- måte
- mange
- matematiske
- Matrix
- Maksimer
- Kan..
- bety
- meningsfylt
- midler
- måle
- målinger
- mekanismer
- medisinsk
- Møt
- metoder
- metrisk
- Metrics
- microservices
- kunne
- minutter
- villedende
- mangler
- ML
- MLOps
- Mobil
- mobiltelefon
- modell
- modeller
- Moderne
- modifisere
- mer
- mest
- mye
- flere
- navn
- Trenger
- nødvendig
- negativ
- negativer
- Ny
- Nye funksjoner
- neste
- natt
- Legge merke til..
- nå
- Antall
- tall
- observere
- få
- of
- Tilbud
- on
- ONE
- seg
- bare
- åpen
- drift
- Optimalisere
- optimalisert
- alternativer
- or
- organisasjoner
- original
- Annen
- andre
- vår
- ut
- Utfallet
- utfall
- enn
- egen
- side
- brød
- del
- spesielt
- mønstre
- prosent
- perfekt
- Utfør
- ytelse
- utført
- fase
- telefon
- plato
- Platon Data Intelligence
- PlatonData
- Spille
- spiller
- i tillegg til
- del
- positurer
- positiv
- mulig
- Post
- innlegg
- makt
- kraftig
- praksis
- Precision
- forutsi
- spådd
- forutsi
- prediksjon
- Spådommer
- spår
- forberedelse
- Forbered
- tilstedeværelse
- Forhåndsvisning
- forrige
- sannsynligvis
- Problem
- problemer
- prosess
- Profil
- fortjeneste
- Progress
- Andelen
- gi
- gir
- gi
- offentlig
- publisert
- Kjøp
- kvalitet
- Rask
- raskt
- Sats
- Raw
- klar
- sanntids
- realisere
- grunner
- .
- rekord
- poster
- referanser
- referert
- reflektere
- Gjenspeiler
- Uansett
- regelmessig
- forhold
- relativt
- relevant
- forblir
- fjerne
- fjerne
- Rapporter
- representasjon
- representerer
- ansvarlig
- resulterende
- Resultater
- inntekter
- omsetningsvekst
- ikke sant
- Risiko
- robust
- Rolle
- Kjør
- sagemaker
- samme
- Eksempel på datasett
- så
- skalering
- Scener
- Vitenskap
- Forsker
- forskere
- Resultat
- Seksjon
- se
- sett
- Sees
- velge
- utvalg
- sentiment
- Serien
- server~~POS=TRUNC
- tjeneste
- Tjenester
- sett
- innstilling
- innstillinger
- flere
- Del
- bør
- Vis
- vist
- Viser
- signifikant
- betydelig
- på samme måte
- Enkelt
- ganske enkelt
- enkelt
- mindre
- So
- Software
- programvareutvikling
- løsning
- Solutions
- LØSE
- noen
- noe
- kilde
- Snakker
- spesialisert
- spesifikk
- fart
- splittet
- Standard
- Begynn
- oppstart
- Tilstand
- statistikk
- Trinn
- Strategi
- slik
- egnet
- Summits
- tar
- ta
- oppgaver
- Teknisk
- teknikker
- Teknologi
- telekommunikasjon
- fortelle
- test
- tester
- enn
- Det
- De
- Området
- Grunnleggende
- deres
- Dem
- deretter
- Der.
- derfor
- Disse
- de
- ting
- tror
- denne
- De
- terskel
- Gjennom
- tid
- Tidsserier
- til
- verktøy
- topp
- Totalt
- mot
- tp
- TPR
- Tog
- trent
- Kurs
- Transaksjoner
- Transform
- Transformation
- transformasjoner
- transformere
- transforme
- sant
- Sannhet
- prøve
- to
- typer
- etter
- forstå
- forståelse
- til
- us
- bruke
- bruk sak
- brukt
- bruker
- ved hjelp av
- vanligvis
- Verdifull
- verdi
- Verdier
- ulike
- veldig
- var
- we
- web
- webtjenester
- vekt
- VI VIL
- var
- Hva
- når
- hvilken
- mens
- hele
- hvorfor
- vil
- med
- uten
- virker
- Verksteder
- ville
- skriving
- Feil
- X
- år
- Du
- Din
- zephyrnet