W świecie podejmowania decyzji w oparciu o dane, prognozowanie szeregów czasowych ma kluczowe znaczenie, jeśli chodzi o umożliwienie przedsiębiorstwom wykorzystywania wzorców danych historycznych do przewidywania przyszłych wyników. Niezależnie od tego, czy zajmujesz się zarządzaniem ryzykiem aktywów, handlem, prognozowaniem pogody, prognozowaniem zapotrzebowania na energię, monitorowaniem parametrów życiowych czy analizą ruchu, umiejętność dokładnego prognozowania ma kluczowe znaczenie dla sukcesu.
W tych zastosowaniach dane szeregów czasowych mogą mieć ciężkoogoniasty dystrybucje, gdzie Ogony reprezentują wartości ekstremalne. Dokładne prognozowanie w tych regionach jest ważne przy określaniu prawdopodobieństwa wystąpienia zdarzenia ekstremalnego i konieczności podniesienia alarmu. Jednakże te wartości odstające znacząco wpływają na oszacowanie rozkładu podstawowego, co utrudnia solidne prognozowanie. Instytucje finansowe opierają się na solidnych modelach, aby przewidzieć wartości odstające, takie jak załamanie rynku. W sektorach energii, pogody i opieki zdrowotnej dokładne prognozy dotyczące rzadkich, ale mających duży wpływ zdarzeń, takich jak klęski żywiołowe i pandemie, umożliwiają skuteczne planowanie i alokację zasobów. Zaniedbanie zachowania ogona może prowadzić do strat, straconych okazji i zagrożenia bezpieczeństwa. Nadanie priorytetu dokładności na końcu pomaga w tworzeniu wiarygodnych i praktycznych prognoz. W tym poście szkolimy solidny model prognozowania szeregów czasowych, który jest w stanie uchwycić takie ekstremalne zdarzenia Amazon Sage Maker.
Aby skutecznie trenować ten model, tworzymy infrastrukturę MLOps w celu usprawnienia procesu opracowywania modelu poprzez automatyzację wstępnego przetwarzania danych, inżynierii funkcji, dostrajania hiperparametrów i wyboru modelu. Ta automatyzacja ogranicza błędy ludzkie, poprawia powtarzalność i przyspiesza cykl opracowywania modelu. Dzięki planowi szkoleń firmy mogą skutecznie włączać nowe dane i dostosowywać swoje modele do zmieniających się warunków, co pomaga zapewnić niezawodność i aktualność prognoz.
Po przeszkoleniu modelu prognozowania szeregów czasowych wdrożenie go w punkcie końcowym zapewnia możliwości przewidywania w czasie rzeczywistym. Dzięki temu możesz podejmować świadome i responsywne decyzje w oparciu o najnowsze dane. Co więcej, wdrożenie modelu w punkcie końcowym umożliwia skalowalność, ponieważ wielu użytkowników i aplikacji może jednocześnie uzyskać dostęp do modelu i z niego korzystać. Wykonując te kroki, firmy będą mogły wykorzystać moc solidnych prognoz szeregów czasowych do podejmowania świadomych decyzji i utrzymywania się na czele w szybko zmieniającym się środowisku.
Przegląd rozwiązania
To rozwiązanie prezentuje uczenie modelu prognozowania szeregów czasowych, zaprojektowanego specjalnie do obsługi wartości odstających i zmienności danych przy użyciu metody Tymczasowa sieć splotowa (TCN) z rozkładem typu Spliced Binned Pareto (SBP).. Więcej informacji na temat multimodalnej wersji tego rozwiązania można znaleźć w artykule Nauka stojąca za nowym wskaźnikiem podań w NFL Next Gen Stats. Aby lepiej zilustrować skuteczność rozkładu SBP, porównujemy go z tym samym modelem TCN, ale zamiast tego stosujemy rozkład Gaussa.
Proces ten znacząco zyskuje na Funkcje MLOps SageMaker, które usprawniają przepływ pracy w obszarze analityki danych, wykorzystując potężną infrastrukturę chmurową AWS. W naszym rozwiązaniu używamy Automatyczne strojenie modeli Amazon SageMaker do wyszukiwania hiperparametrów, Eksperymenty Amazon SageMaker do zarządzania eksperymentami, Rejestr modelu Amazon SageMaker zarządzać wersjami modeli oraz Rurociągi Amazon SageMaker aby zaaranżować proces. Następnie wdrażamy nasz model w punkcie końcowym SageMaker, aby uzyskać prognozy w czasie rzeczywistym.
Poniższy diagram ilustruje architekturę potoku szkoleniowego.
Poniższy diagram ilustruje potok wnioskowania.
Pełny kod znajdziesz w pliku GitHub repo. Aby zaimplementować rozwiązanie, uruchom komórki SBP_main.ipynb
.
Kliknij tutaj, aby otworzyć konsolę AWS i postępuj zgodnie z instrukcjami.
Potok SageMaker
SageMaker Pipelines oferuje przyjazny dla użytkownika SDK Pythona do tworzenia zintegrowanych przepływów pracy związanych z uczeniem maszynowym (ML). Te przepływy pracy, reprezentowane jako ukierunkowane grafy acykliczne (DAG), składają się z kroków o różnych typach i zależnościach. Dzięki SageMaker Pipelines możesz usprawnić kompleksowy proces uczenia i oceny modeli, zwiększając wydajność i powtarzalność przepływów pracy ML.
Potok szkoleniowy rozpoczyna się od wygenerowania syntetycznego zestawu danych, który jest podzielony na zestawy szkoleniowe, walidacyjne i testowe. Zbiór uczący służy do uczenia dwóch modeli TCN, z których jeden wykorzystuje Spliced Dystrybucja Binned-Pareto a drugi wykorzystujący rozkład Gaussa. Obydwa modele przechodzą dostrajanie hiperparametrów przy użyciu zestawu walidacyjnego w celu optymalizacji każdego modelu. Następnie przeprowadzana jest ocena zbioru testowego w celu określenia modelu z najniższym błędem średniokwadratowym (RMSE). Model z metryką o najlepszej dokładności jest przesyłany do rejestru modeli.
Poniższy diagram ilustruje kroki potoku.
Omówmy kroki bardziej szczegółowo.
Generowanie danych
Pierwszym krokiem w naszym procesie jest generowanie syntetycznego zbioru danych, który charakteryzuje się sinusoidalnym kształtem fali i asymetrycznym szumem grubym. Dane utworzono przy użyciu szeregu parametrów, takich jak stopnie swobody, mnożnik szumu i parametr skali. Elementy te wpływają odpowiednio na kształt rozkładu danych, modulują losową zmienność naszych danych i dopasowują rozproszenie naszego rozkładu danych.
To zadanie przetwarzania danych jest realizowane za pomocą pliku Procesor PyTorch, który uruchamia kod PyTorch (generuj_dane.py) w kontenerze zarządzanym przez SageMaker. Dane i inne artefakty istotne dla debugowania znajdują się w ustawieniach domyślnych Usługa Amazon Simple Storage Wiadro (Amazon S3) powiązane z kontem SageMaker. Dzienniki dla każdego etapu potoku można znaleźć w Amazon Cloud Watch.
Poniższy rysunek przedstawia przykład danych wygenerowanych przez potok.
Dane wejściowe można zastąpić szeroką gamą danych szeregów czasowych, takich jak rozkład symetryczny, asymetryczny, z lekkim ogonem, z ciężkim ogonem lub rozkład multimodalny. Solidność modelu pozwala na jego zastosowanie do szerokiego zakresu problemów szeregów czasowych, pod warunkiem, że dostępne są wystarczające obserwacje.
Szkolenie modelowe
Po wygenerowaniu danych szkolimy dwie sieci TCN: jedną przy użyciu rozkładu SBP, a drugą przy użyciu rozkładu Gaussa. Rozkład SBP wykorzystuje dyskretny rozkład przedziałowy jako podstawę predykcyjną, w którym oś rzeczywista jest podzielona na dyskretne przedziały, a model przewiduje prawdopodobieństwo, że obserwacja znajdzie się w każdym przedziale. Metodologia ta umożliwia wychwycenie asymetrii i wielu modów, ponieważ prawdopodobieństwo każdego przedziału jest niezależne. Przykład podziału binarnego pokazano na poniższym rysunku.
Predykcyjny rozkład przedziałowy po lewej stronie jest odporny na zdarzenia ekstremalne, ponieważ logarytm wiarygodności nie zależy od odległości między przewidywaną średnią a obserwowanym punktem, różniąc się od rozkładów parametrycznych, takich jak Gaussa lub t-Studenta. Dlatego też ekstremalne zdarzenie reprezentowane przez czerwoną kropkę nie będzie zakłócać wyuczonej średniej rozkładu. Prawdopodobieństwo wystąpienia ekstremalnego zdarzenia będzie jednak zerowe. Aby uchwycić zdarzenia ekstremalne, tworzymy rozkład SBP, definiując dolny koniec na 5. kwantylu i górny koniec na 95. kwantylu, zastępując oba ogony ważonymi uogólnionymi rozkładami Pareto (GPD), które mogą określić ilościowo prawdopodobieństwo zdarzenia. Sieć TCN wygeneruje parametry podstawy dystrybucji podzielonej i ogonów GPD.
Wyszukiwanie hiperparametrów
Aby uzyskać optymalną wydajność, używamy automatyczne dostrajanie modelu znaleźć najlepszą wersję modelu strojenie hiperparametrów. Ten krok jest zintegrowany z SageMaker Pipelines i umożliwia równoległe wykonywanie wielu zadań szkoleniowych, przy użyciu różnych metod i predefiniowanych zakresów hiperparametrów. Efektem jest wybór najlepszego modelu w oparciu o określoną metrykę modelu, jaką jest RMSE. W naszym przygotowaniu specjalnie dostrajamy szybkość uczenia się i liczbę epok szkoleniowych, aby zoptymalizować wydajność naszego modelu. Dzięki możliwości dostrajania hiperparametrów w SageMaker zwiększamy prawdopodobieństwo, że nasz model osiągnie optymalną dokładność i uogólnienie dla danego zadania.
Ze względu na syntetyczny charakter naszych danych długość kontekstu i czas realizacji zachowujemy jako parametry statyczne. Długość kontekstu odnosi się do liczby historycznych kroków czasowych wprowadzonych do modelu, a czas realizacji reprezentuje liczbę kroków czasowych w horyzoncie naszej prognozy. W przypadku przykładowego kodu dostrajamy jedynie szybkość uczenia się i liczbę epok, aby zaoszczędzić czas i koszty.
Parametry specyficzne dla SBP są utrzymywane na stałym poziomie w oparciu o szeroko zakrojone testy przeprowadzone przez autorów na oryginalnym artykule w różnych zestawach danych:
- Liczba pojemników (100) – Parametr ten określa liczbę pojemników wykorzystanych do modelowania podstawy rozkładu. Utrzymuje się go na poziomie 100, co okazało się najskuteczniejsze w wielu branżach.
- Ogon percentylowy (0.05) – Oznacza to wielkość ogona uogólnionego rozkładu Pareto. Podobnie jak poprzedni parametr, ten został szczegółowo przetestowany i uznany za najbardziej efektywny.
Eksperymenty
Proces hiperparametryczny jest zintegrowany z Eksperymenty SageMakera, które pomaga organizować, analizować i porównywać iteracyjne eksperymenty ML, dostarczając wglądu i ułatwiając śledzenie najskuteczniejszych modeli. Uczenie maszynowe to proces iteracyjny obejmujący liczne eksperymenty obejmujące zmiany danych, wybór algorytmów i dostrajanie hiperparametrów. Eksperymenty te służą stopniowemu udoskonalaniu dokładności modelu. Jednak duża liczba przebiegów szkoleniowych i iteracji modelu może utrudniać identyfikację modeli o najlepszej wydajności i dokonywanie znaczących porównań między bieżącymi i przeszłymi eksperymentami. SageMaker Experiments rozwiązuje ten problem, automatycznie śledząc nasze zadania dostrajania hiperparametrów i umożliwiając nam uzyskanie dalszych szczegółów i wglądu w proces dostrajania, jak pokazano na poniższym zrzucie ekranu.
Ocena modelu
Modele przechodzą szkolenie i dostrajanie hiperparametrów, a następnie są oceniane za pomocą narzędzia ocena.py scenariusz. W tym kroku wykorzystuje się zestaw testowy, inny niż etap dostrajania hiperparametrów, aby ocenić dokładność modelu w świecie rzeczywistym. RMSE służy do oceny dokładności przewidywań.
Do porównania rozkładów używamy wykresu prawdopodobieństwa (PP), który ocenia dopasowanie rozkładów rzeczywistych i przewidywanych. Bliskość punktów do przekątnej wskazuje na idealne dopasowanie. Nasze porównania rozkładów przewidywanych przez SBP i Gaussa z rozkładem rzeczywistym pokazują, że przewidywania SBP są bardziej zgodne z rzeczywistymi danymi.
Jak możemy zaobserwować, SBP ma niższy RMSE u podstawy, dolnego ogona i górnego ogona. Rozkład SBP poprawił dokładność rozkładu Gaussa o 61% w przypadku podstawy, 56% w dolnym ogonie i 30% w górnym ogonie. Ogólnie dystrybucja SBP daje znacznie lepsze wyniki.
Wybór modelu
Krok warunku w SageMaker Pipelines wykorzystujemy do analizowania raportów z oceny modelu, wybierając model z najniższym RMSE w celu zwiększenia dokładności dystrybucji. Wybrany model jest konwertowany na obiekt modelu SageMaker, przygotowując go do wdrożenia. Wiąże się to z utworzeniem pakietu modelowego z kluczowymi parametrami i zapakowaniem go w plik Model Krok.
Rejestr modeli
Wybrany model zostanie następnie przesłany do Rejestr modeli SageMaker, która odgrywa kluczową rolę w zarządzaniu modelami gotowymi do produkcji. Przechowuje modele, organizuje wersje modeli, przechwytuje niezbędne metadane i artefakty, takie jak obrazy kontenerów, a także reguluje stan zatwierdzenia każdego modelu. Korzystając z rejestru, możemy efektywnie wdrażać modele w dostępnych środowiskach SageMaker i ustanawiać podstawy dla potoków ciągłej integracji i ciągłego wdrażania (CI/CD).
Wnioskowanie
Po zakończeniu naszego potoku szkoleniowego nasz model jest następnie wdrażany przy użyciu Usługi hostingowe SageMaker, co umożliwia utworzenie punktu końcowego wnioskowania na potrzeby prognoz w czasie rzeczywistym. Ten punkt końcowy umożliwia bezproblemową integrację z aplikacjami i systemami, zapewniając dostęp na żądanie do możliwości predykcyjnych modelu za pośrednictwem bezpiecznego interfejsu HTTPS. Prognozy w czasie rzeczywistym można wykorzystać w scenariuszach takich jak prognoza cen akcji i zapotrzebowania na energię. Nasz punkt końcowy zapewnia jednoetapową prognozę dla dostarczonych danych szeregów czasowych, przedstawionych jako percentyle i mediana, jak pokazano na poniższym rysunku i tabeli.
1st percentyl | 5th percentyl | Mediana | 95th percentyl | 99th percentyl |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
Sprzątać
Po uruchomieniu tego rozwiązania pamiętaj o wyczyszczeniu wszelkich niepotrzebnych zasobów AWS, aby uniknąć nieoczekiwanych kosztów. Możesz wyczyścić te zasoby, korzystając z pakietu SageMaker Python SDK, który można znaleźć na końcu notatnika. Usuwając te zasoby, zapobiegasz dalszym opłatom za zasoby, których już nie używasz.
Wnioski
Posiadanie dokładnej prognozy może mieć duży wpływ na przyszłe planowanie firmy, a także może zapewnić rozwiązania różnych problemów w różnych branżach. Nasze badanie solidnego prognozowania szeregów czasowych za pomocą MLOps w SageMaker zademonstrowało metodę uzyskiwania dokładnej prognozy i wydajności usprawnionego potoku szkolenia.
Nasz model, zasilany przez Temporal Convolutional Network z rozkładem Pareto typu Spliced Binned, wykazał dokładność i zdolność adaptacji do wartości odstających, poprawiając RMSE o 61% na podstawie, 56% na dolnym ogonie i 30% na górnym ogonie w tym samym TCN z rozkładem Gaussa. Liczby te sprawiają, że jest to niezawodne rozwiązanie spełniające potrzeby prognozowania w świecie rzeczywistym.
Potok demonstruje wartość automatyzacji funkcji MLOps. Może to zmniejszyć wysiłek człowieka wykonywany ręcznie, zapewnić powtarzalność i przyspieszyć wdrażanie modelu. Umożliwiają to funkcje SageMaker, takie jak SageMaker Pipelines, automatyczne dostrajanie modelu, eksperymenty SageMaker, rejestr modeli SageMaker i punkty końcowe.
Nasze rozwiązanie wykorzystuje miniaturowy TCN, optymalizując zaledwie kilka hiperparametrów przy ograniczonej liczbie warstw, które w zupełności wystarczą do efektywnego podkreślenia wydajności modelu. W przypadku bardziej złożonych przypadków użycia rozważ użycie PyTorch lub innych bibliotek opartych na PyTorch w celu zbudowania bardziej dostosowanej sieci TCN, która będzie odpowiadać Twoim konkretnym potrzebom. Poza tym warto byłoby poznać inne Funkcje SageMakera aby jeszcze bardziej ulepszyć funkcjonalność rurociągu. Aby w pełni zautomatyzować proces wdrażania, możesz użyć Zestaw programistyczny AWS Cloud (AWS CDK) lub Tworzenie chmury AWS.
Więcej informacji na temat prognozowania szeregów czasowych w AWS można znaleźć w poniższych artykułach:
Zachęcamy do pozostawienia komentarza z wszelkimi przemyśleniami lub pytaniami!
O autorach
Nicka Biso jest inżynierem uczenia maszynowego w AWS Professional Services. Rozwiązuje złożone wyzwania organizacyjne i techniczne wykorzystując analitykę danych i inżynierię. Ponadto buduje i wdraża modele AI/ML w chmurze AWS. Jego pasja przekłada się na skłonność do podróży i różnorodnych doświadczeń kulturalnych.
Alstona Chana jest inżynierem ds. rozwoju oprogramowania w Amazon Ads. Tworzy potoki uczenia maszynowego i systemy rekomendacji dla rekomendacji produktów na stronie szczegółów. Poza pracą interesuje się tworzeniem gier i wspinaczką skałkową.
Marii Masod specjalizuje się w budowie potoków danych i wizualizacji danych na platformie AWS Commerce Platform. Ma wiedzę z zakresu uczenia maszynowego, obejmującego przetwarzanie języka naturalnego, widzenie komputerowe i analizę szeregów czasowych. W głębi serca entuzjastka zrównoważonego rozwoju, Maria lubi zajmować się ogrodem i bawić się z psem w czasie wolnym.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 100
- 5
- 7
- a
- zdolność
- O nas
- przyśpieszyć
- przyspiesza
- dostęp
- dostępny
- realizowane
- Konto
- precyzja
- dokładny
- dokładnie
- Osiąga
- w poprzek
- rzeczywisty
- acykliczny
- przystosować
- dodatek
- do tego
- Adresy
- Reklamy
- przed
- przed
- AI / ML
- alarm
- algorytm
- wyrównać
- Wyrównuje
- przydział
- Pozwalać
- pozwala
- wzdłuż
- również
- Amazonka
- Amazon Sage Maker
- Amazon Web Services
- an
- analiza
- w czasie rzeczywistym sprawiają,
- i
- przewidywać
- każdy
- odpowiedni
- aplikacje
- zatwierdzenie
- architektura
- SĄ
- AS
- oszacować
- ocenia
- kapitał
- powiązany
- At
- Autorzy
- zautomatyzować
- automatycznie
- automatycznie
- automatyzacja
- Automatyzacja
- dostępny
- uniknąć
- AWS
- Usługi profesjonalne AWS
- Oś
- baza
- na podstawie
- BE
- bo
- być
- zachowanie
- za
- korzystny
- Korzyści
- BEST
- Ulepsz Swój
- pomiędzy
- stronniczość
- BIN
- obie
- szeroki
- Budowanie
- Buduje
- biznes
- ale
- przycisk
- by
- CAN
- możliwości
- zdolność
- zdolny
- zdobyć
- przechwytuje
- Przechwytywanie
- Etui
- Komórki
- wyzwania
- wyzwanie
- wymiana pieniędzy
- charakteryzuje
- Opłaty
- wybory
- kliknij
- Wspinaczka
- dokładnie
- Chmura
- infrastruktura chmurowa
- kod
- komentarz
- Handel
- porównać
- porównanie
- kompletny
- ukończenia
- kompleks
- Zagrożone
- komputer
- Wizja komputerowa
- warunek
- Warunki
- przeprowadzone
- Rozważać
- Konsola
- stały
- skonstruować
- Pojemnik
- kontekst
- ciągły
- przeliczone
- Koszty:
- Koszty:
- pokrycie
- Stwórz
- stworzony
- Tworzenie
- tworzenie
- krytyczny
- istotny
- kulturalny
- Aktualny
- dostosowane
- cykl
- dane
- analiza danych
- nauka danych
- sterowane danymi
- zbiory danych
- Data
- Podejmowanie decyzji
- Decyzje
- Domyślnie
- definiowanie
- Kreowanie
- Prognozowanie popytu
- wykazać
- demonstruje
- oznacza
- Zależności
- zależny
- rozwijać
- wdrażane
- wdrażanie
- Wdrożenie
- wdraża się
- zaprojektowany
- detal
- detale
- Ustalać
- określa
- określaniu
- oprogramowania
- różne
- różni się
- skierowany
- Klęski
- dyskutować
- dystans
- odrębny
- 分配
- Dystrybucje
- inny
- podzielony
- Pies
- DOT
- przestojów
- podczas
- każdy
- Efektywne
- faktycznie
- skuteczność
- efektywność
- wydajny
- skutecznie
- wysiłek
- Elementy
- zatrudniający
- zatrudnia
- upoważnia
- umożliwiać
- Umożliwia
- umożliwiając
- obejmujący
- zakończenia
- koniec końców
- Punkt końcowy
- energia
- inżynier
- Inżynieria
- wzmacniać
- wzmocnienie
- zapewnić
- entuzjasta
- Środowisko
- środowiska
- epoki
- błąd
- niezbędny
- zapewniają
- oceniane
- oceny
- ewaluację
- wydarzenie
- wydarzenia
- ewoluuje
- przykład
- Doświadczenia
- eksperymenty
- ekspertyza
- eksploracja
- odkryj
- rozciąga się
- rozległy
- skrajny
- ułatwienie
- Falling
- Cecha
- Korzyści
- kilka
- Postać
- Postacie
- budżetowy
- Instytucje finansowe
- Znajdź
- i terminów, a
- dopasować
- obserwuj
- następujący
- W razie zamówieenia projektu
- Prognoza
- Prognozy
- Nasz formularz
- znaleziono
- Fundacja
- Darmowy
- Wolność
- od
- w pełni
- Funkcjonalność
- dalej
- Ponadto
- przyszłość
- Wzrost
- gra
- produkcja gier
- wskaźnik
- Gen
- wygenerowane
- generuje
- generujący
- generacja
- dany
- Go
- rządzi
- GPD
- Dotacje
- wykresy
- uchwyt
- uprząż
- Wykorzystywanie
- Have
- he
- opieki zdrowotnej
- Serce
- pomaga
- jej
- tutaj
- podświetlanie
- wysoko
- jego
- historyczny
- horyzont
- Hosting
- W jaki sposób
- Jednak
- HTML
- HTTPS
- człowiek
- Dostrajanie hiperparametrów
- zidentyfikować
- ilustruje
- zdjęcia
- Rezultat
- wdrożenia
- ważny
- ulepszony
- poprawia
- poprawy
- in
- włączać
- Zwiększać
- niezależny
- wskazuje
- przemysłowa
- wpływ
- Informacja
- poinformowany
- Infrastruktura
- wkład
- wgląd
- spostrzeżenia
- zamiast
- instytucje
- zintegrowany
- integracja
- Interfejs
- najnowszych
- z udziałem
- IT
- iteracje
- JEGO
- Praca
- Oferty pracy
- jpg
- właśnie
- konserwacja
- trzymane
- Klawisz
- język
- duży
- nioski
- prowadzić
- dowiedziałem
- nauka
- Pozostawiać
- lewo
- Długość
- biblioteki
- lubić
- prawdopodobieństwo
- Prawdopodobnie
- Ograniczony
- usytuowany
- dłużej
- straty
- niższy
- najniższy
- maszyna
- uczenie maszynowe
- robić
- Dokonywanie
- zarządzanie
- zarządzane
- i konserwacjami
- zarządzający
- podręcznik
- maria
- rynek
- krach na rynku
- oznaczać
- wymowny
- Metadane
- metoda
- Metodologia
- metody
- metryczny
- nieodebranych
- ML
- MLOps
- model
- modele
- Tryby
- monitorowanie
- jeszcze
- większość
- wielokrotność
- Naturalny
- Przetwarzanie języka naturalnego
- Natura
- wymagania
- zaniedbanie
- sieć
- Nowości
- Następny
- następny gen
- NFL
- Nie
- Hałas
- notatnik
- numer
- liczny
- przedmiot
- obserwować
- uzyskać
- of
- Oferty
- on
- Na żądanie
- ONE
- tylko
- koncepcja
- Szanse
- Optymalny
- Optymalizacja
- optymalizacji
- or
- organizacyjny
- organizuje
- oryginalny
- Inne
- ludzkiej,
- wyniki
- wydajność
- zewnętrzne
- koniec
- ogólny
- pakiet
- opakowania
- strona
- Pandemie
- Papier
- Parallel
- parametr
- parametry
- Pareto
- Przechodzący
- pasja
- Przeszłość
- wzory
- doskonały
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- rurociąg
- planowanie
- Platforma
- plato
- Analiza danych Platona
- PlatoDane
- gra
- odgrywa
- punkt
- zwrotnica
- możliwy
- Post
- power
- powered
- mocny
- przewidzieć
- Przewiduje
- przepowiednia
- Przewidywania
- Prognozy
- przedstawione
- zapobiec
- poprzedni
- Cena
- ustalanie priorytetów
- problemy
- wygląda tak
- przetwarzanie
- Produkt
- Produkcja
- profesjonalny
- Sprawdzony
- zapewniać
- pod warunkiem,
- zapewnia
- że
- Python
- płomień
- podnieść
- przypadkowy
- zasięg
- szybko
- Kurs
- gotowy
- Przygotowuję
- real
- Prawdziwy świat
- w czasie rzeczywistym
- niedawny
- Rekomendacja
- zalecenia
- Czerwony
- zmniejszyć
- zmniejsza
- odnosić się
- odnosi
- oczyścić
- regiony
- rejestr
- rzetelny
- polegać
- pozostawać
- obsługi produkcji rolnej, która zastąpiła
- Raporty
- reprezentować
- reprezentowane
- reprezentuje
- Zasób
- Zasoby
- odpowiednio
- czuły
- dalsze
- Efekt
- Ryzyko
- Zarządzanie ryzykiem
- krzepki
- krzepkość
- skała
- Rola
- korzeń
- run
- działa
- Bezpieczeństwo
- sagemaker
- Rurociągi SageMaker
- taki sam
- Zapisz
- Skalowalność
- Skala
- scenariusze
- nauka
- scenariusz
- Sdk
- bezszwowy
- Szukaj
- Sektory
- bezpieczne
- wybrany
- wybór
- Serie
- służyć
- Usługi
- zestaw
- Zestawy
- Shape
- ona
- pokazać
- pokazane
- znak
- znacznie
- Prosty
- jednocześnie
- Rozmiar
- Tworzenie
- rozwoju oprogramowania
- rozwiązanie
- Rozwiązania
- Rozwiązuje
- specjalizuje się
- specyficzny
- swoiście
- określony
- dzielić
- rozpiętość
- Do kwadratu
- STAGE
- Rynek
- pobyt
- Ewolucja krok po kroku
- Cel
- stany magazynowe
- przechowywanie
- sklep
- opływowy
- usprawniony
- Następnie
- sukces
- taki
- wystarczający
- pewnie
- Zrównoważony rozwój
- syntetyczny
- systemy
- stół
- Zadanie
- Techniczny
- test
- przetestowany
- Testowanie
- że
- Połączenia
- świat
- ich
- następnie
- w związku z tym
- Te
- to
- Przez
- czas
- Szereg czasowy
- do
- Śledzenie
- Handel
- ruch drogowy
- Pociąg
- przeszkolony
- Trening
- podróżować
- drugiej
- typy
- przejść
- Nieoczekiwany
- niepotrzebny
- przesłanych
- us
- posługiwać się
- używany
- łatwy w obsłudze
- Użytkownicy
- za pomocą
- wykorzystać
- wykorzystuje
- Wykorzystując
- uprawomocnienie
- wartość
- Wartości
- różnorodność
- różnorodny
- wersja
- Wersje
- przez
- wizja
- istotny
- vs
- była
- we
- Pogoda
- sieć
- usługi internetowe
- czy
- który
- szeroki
- będzie
- w
- w ciągu
- Praca
- workflow
- przepływów pracy
- pracujący
- świat
- by
- You
- Twój
- zefirnet
- zero