Przygotowanie danych to krytyczny krok w każdym projekcie opartym na danych, a posiadanie odpowiednich narzędzi może znacznie zwiększyć wydajność operacyjną. Pogromca danych Amazon SageMaker skraca czas agregacji i przygotowania danych tabelarycznych i obrazowych do uczenia maszynowego (ML) z tygodni do minut. Dzięki SageMaker Data Wrangler możesz uprościć proces przygotowania danych i inżynierii funkcji oraz ukończyć każdy etap przepływu pracy przygotowania danych, w tym selekcję danych, czyszczenie, eksplorację i wizualizację z jednego interfejsu wizualnego.
W tym poście przyjrzymy się najnowszym funkcjom SageMaker Data Wrangler, które zostały specjalnie zaprojektowane w celu poprawy doświadczenia operacyjnego. Zagłębiamy się w wsparcie Prosta usługa przechowywania (Amazonka S3) manifestować pliki, artefakty wnioskowania w interaktywnym przepływie danych oraz bezproblemową integrację z JSON (notacja obiektów JavaScript) format wnioskowania, podkreślając, w jaki sposób te ulepszenia sprawiają, że przygotowywanie danych jest łatwiejsze i bardziej wydajne.
Przedstawiamy nowe funkcje
W tej sekcji omawiamy nowe funkcje SageMaker Data Wrangler w celu optymalnego przygotowania danych.
Obsługa pliku manifestu S3 z autopilotem SageMaker dla wnioskowania ML
SageMaker Data Wrangler umożliwia ujednolicone przygotowanie danych i szkolenie modeli doświadczenie z Autopilot Amazon SageMaker w zaledwie kilka kliknięć. Możesz użyć SageMaker Autopilot do automatycznego uczenia, dostrajania i wdrażania modeli na danych, które zostały przekształcone w przepływie danych.
To środowisko jest teraz jeszcze bardziej uproszczone dzięki obsłudze pliku manifestu S3. Plik manifestu S3 to plik tekstowy zawierający listę obiektów (plików) przechowywanych w zasobniku S3. Jeśli wyeksportowany zestaw danych w SageMaker Data Wrangler jest dość duży i podzielony na wieloczęściowe pliki danych w Amazon S3, teraz SageMaker Data Wrangler automatycznie utworzy plik manifestu w S3 reprezentujący wszystkie te pliki danych. Ten wygenerowany plik manifestu może być teraz używany z interfejsem użytkownika SageMaker Autopilot w SageMaker Data Wrangler do zbierania wszystkich podzielonych na partycje danych do szkolenia.
Przed uruchomieniem tej funkcji, korzystając z modeli SageMaker Autopilot trenowanych na przygotowanych danych z SageMaker Data Wrangler, można było wybrać tylko jeden plik danych, który może nie reprezentować całego zbioru danych, zwłaszcza jeśli zbiór danych jest bardzo duży. Dzięki temu nowemu środowisku pliku manifestu nie jesteś ograniczony do podzestawu swojego zestawu danych. Możesz zbudować model ML z SageMaker Autopilot reprezentujący wszystkie twoje dane za pomocą pliku manifestu i użyć go do wnioskowania ML i wdrożenia produkcyjnego. Ta funkcja zwiększa wydajność operacyjną, upraszczając szkolenie modeli ML za pomocą SageMaker Autopilot i usprawniając przepływy pracy związane z przetwarzaniem danych.
Dodano obsługę przepływu wnioskowania w generowanych artefaktach
Klienci chcą korzystać z przekształceń danych, które zastosowali do danych szkoleniowych modelu, takich jak jednokrotne kodowanie, PCA i imputowane braki danych, i zastosować te przekształcenia danych do wnioskowania w czasie rzeczywistym lub wnioskowania wsadowego w produkcji. Aby to zrobić, musisz mieć artefakt wnioskowania SageMaker Data Wrangler, który jest używany przez model SageMaker.
Wcześniej artefakty wnioskowania mogły być generowane tylko z interfejsu użytkownika podczas eksportowania do szkolenia SageMaker Autopilot lub eksportowania notatnika potoku wnioskowania. Nie zapewniało to elastyczności, jeśli chciałeś przenieść swoje przepływy SageMaker Data Wrangler poza Studio Amazon SageMaker środowisko. Teraz możesz wygenerować artefakt wnioskowania dla dowolnego kompatybilnego pliku przepływu poprzez zadanie przetwarzania SageMaker Data Wrangler. Umożliwia to programistyczne, kompleksowe MLOps z przepływami SageMaker Data Wrangler dla person MLOps od początku do kodu, a także intuicyjną, bezkodową ścieżkę do uzyskania artefaktu wnioskowania poprzez utworzenie zadania z interfejsu użytkownika.
Usprawnienie przygotowania danych
JSON stał się powszechnie przyjętym formatem wymiany danych w nowoczesnych ekosystemach danych. Integracja SageMaker Data Wrangler z formatem JSON umożliwia bezproblemową obsługę danych JSON w celu ich transformacji i czyszczenia. Zapewniając natywną obsługę JSON, SageMaker Data Wrangler upraszcza proces pracy z danymi ustrukturyzowanymi i częściowo ustrukturyzowanymi, umożliwiając wydobycie cennych spostrzeżeń i efektywne przygotowanie danych. SageMaker Data Wrangler obsługuje teraz format JSON zarówno dla wsadowego, jak i w czasie rzeczywistym wdrażania punktów końcowych wnioskowania.
Omówienie rozwiązania
W naszym przypadku użycia używamy próbki Zbiór danych opinii klientów Amazon aby pokazać, jak SageMaker Data Wrangler może uprościć działania operacyjne w celu zbudowania nowego modelu ML za pomocą SageMaker Autopilot. Zbiór danych recenzji klientów Amazon zawiera recenzje produktów i metadane z Amazon, w tym 142.8 miliona recenzji z okresu od maja 1996 r. do lipca 2014 r.
Na wysokim poziomie używamy SageMaker Data Wrangler do zarządzania tym dużym zbiorem danych i wykonywania następujących czynności:
- Opracuj model ML w SageMaker Autopilot, używając całego zestawu danych, a nie tylko próbki.
- Zbuduj potok wnioskowania w czasie rzeczywistym z artefaktem wnioskowania wygenerowanym przez SageMaker Data Wrangler i użyj formatowania JSON dla danych wejściowych i wyjściowych.
Obsługa pliku manifestu S3 z autopilotem SageMaker
Podczas tworzenia eksperymentu SageMaker Autopilot za pomocą SageMaker Data Wrangler można było wcześniej określić tylko jeden plik CSV lub Parquet. Teraz możesz także użyć pliku manifestu S3, co pozwala na wykorzystanie dużych ilości danych do eksperymentów SageMaker Autopilot. SageMaker Data Wrangler automatycznie podzieli pliki danych wejściowych na kilka mniejszych plików i wygeneruje manifest, którego można użyć w eksperymencie SageMaker Autopilot, aby pobrać wszystkie dane z sesji interaktywnej, a nie tylko małą próbkę.
Wykonaj następujące kroki:
- Zaimportuj dane opinii klientów Amazon z pliku CSV do SageMaker Data Wrangler. Pamiętaj, aby wyłączyć próbkowanie podczas importowania danych.
- Określ przekształcenia normalizujące dane. W tym przykładzie usuń symbole i zamień wszystko na małe litery, korzystając z wbudowanych transformacji SageMaker Data Wrangler.
- Dodaj Trenuj model rozpocząć trening.
Aby wytrenować model za pomocą SageMaker Autopilot, SageMaker automatycznie eksportuje dane do zasobnika S3. W przypadku dużych zestawów danych, takich jak ten, automatycznie podzieli plik na mniejsze pliki i wygeneruje manifest zawierający lokalizację mniejszych plików.
- Najpierw wybierz dane wejściowe.
Wcześniej SageMaker Data Wrangler nie miał opcji generowania pliku manifestu do użycia z SageMaker Autopilot. Dzisiaj, wraz z wydaniem obsługi pliku manifestu, SageMaker Data Wrangler automatycznie wyeksportuje plik manifestu do Amazon S3, wstępnie wypełni lokalizację S3 szkolenia SageMaker Autopilot lokalizacją S3 pliku manifestu i przełączy opcję pliku manifestu na Tak. Do wygenerowania lub użycia pliku manifestu nie jest wymagana żadna praca.
- Skonfiguruj eksperyment, wybierając cel przewidywany przez model.
- Następnie wybierz metodę treningu. W tym przypadku wybieramy Samochody i pozwól SageMaker Autopilot wybrać najlepszą metodę szkolenia w oparciu o rozmiar zestawu danych.
- Określ ustawienia wdrożenia.
- Na koniec przejrzyj konfigurację zadania i prześlij eksperyment SageMaker Autopilot do szkolenia. Kiedy SageMaker Autopilot zakończy eksperyment, możesz zobaczyć wyniki treningu i zbadać najlepszy model.
Dzięki obsłudze plików manifestów możesz użyć całego zestawu danych do eksperymentu SageMaker Autopilot, a nie tylko podzbioru danych.
Aby uzyskać więcej informacji na temat używania SageMaker Autopilot z SageMaker Data Wrangler, patrz Ujednolicone przygotowywanie danych i trenowanie modeli za pomocą Amazon SageMaker Data Wrangler i Amazon SageMaker Autopilot.
Generuj artefakty wnioskowania z zadań SageMaker Processing
Teraz przyjrzyjmy się, jak możemy generować artefakty wnioskowania zarówno za pomocą interfejsu użytkownika SageMaker Data Wrangler, jak i notatników SageMaker Data Wrangler.
Interfejs użytkownika SageMaker Data Wrangler
W naszym przypadku chcemy przetwarzać nasze dane za pośrednictwem interfejsu użytkownika, a następnie wykorzystywać uzyskane dane do trenowania i wdrażania modelu za pośrednictwem konsoli SageMaker. Wykonaj następujące kroki:
- Otwórz przepływ danych utworzony w poprzedniej sekcji.
- Wybierz znak plus obok ostatniej transformacji, wybierz Dodaj miejsce docelowei wybierz Amazon S3. Tam będą przechowywane przetwarzane dane.
- Dodaj Utwórz pracę.
- Wybierz Generuj artefakty wnioskowania w sekcji Parametry wnioskowania, aby wygenerować artefakt wnioskowania.
- W polu Nazwa artefaktu wnioskowania wprowadź nazwę artefaktu wnioskowania (z rozszerzeniem pliku .tar.gz).
- W przypadku węzła wyjściowego wnioskowania wprowadź węzeł docelowy odpowiadający przekształceniom zastosowanym do danych uczących.
- Dodaj Skonfiguruj zadanie.
- Pod Konfiguracja pracy, wprowadź ścieżkę dla Lokalizacja pliku przepływu S3. Folder o nazwie
data_wrangler_flows
zostanie utworzony w tej lokalizacji, a artefakt wnioskowania zostanie przesłany do tego folderu. Aby zmienić lokalizację przesyłania, ustaw inną lokalizację S3. - Pozostaw wartości domyślne dla wszystkich innych opcji i wybierz Stwórz aby utworzyć zadanie przetwarzania.
Zadanie przetwarzania utworzy pliktarball (.tar.gz)
zawierający zmodyfikowany plik przepływu danych z nowo dodaną sekcją wnioskowania, która umożliwia wykorzystanie go do wnioskowania. Potrzebujesz jednolitego identyfikatora zasobów (URI) S3 artefaktu wnioskowania, aby dostarczyć artefakt do modelu SageMaker podczas wdrażania rozwiązania wnioskowania. URI będzie w formularzu{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Jeśli wcześniej nie zanotowałeś tych wartości, możesz wybrać łącze do zadania przetwarzania, aby znaleźć odpowiednie szczegóły. W naszym przykładzie identyfikator URI to
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- Skopiuj wartość Przetwarzanie obrazu; potrzebujemy tego identyfikatora URI również podczas tworzenia naszego modelu.
- Możemy teraz użyć tego identyfikatora URI do utworzenia modelu SageMaker w konsoli SageMaker, który możemy później wdrożyć w punkcie końcowym lub w zadaniu transformacji wsadowej.
- Pod Ustawienia modelu¸ wprowadź nazwę modelu i określ swoją rolę IAM.
- W razie zamówieenia projektu Opcje wprowadzania kontenerów, Wybierz Podaj artefakty modelu i lokalizację obrazu wnioskowania.
- W razie zamówieenia projektu Lokalizacja obrazu kodu wnioskowania, wprowadź identyfikator URI obrazu przetwarzania.
- W razie zamówieenia projektu Lokalizacja artefaktów modelu, wprowadź identyfikator URI artefaktu wnioskowania.
- Dodatkowo, jeśli Twoje dane mają kolumnę docelową, która będzie przewidywana przez wytrenowany model ML, podaj nazwę tej kolumny w Zmienne środowiskoweZ
INFERENCE_TARGET_COLUMN_NAME
as Klawisz a nazwa kolumny jako wartość. - Zakończ tworzenie modelu, wybierając Utwórz model.
Mamy teraz model, który możemy wdrożyć w zadaniu transformacji punktu końcowego lub wsadowego.
Notebooki SageMaker Data Wrangler
W przypadku podejścia opartego na kodzie w celu wygenerowania artefaktu wnioskowania z zadania przetwarzania możemy znaleźć przykładowy kod, wybierając Eksportować do w menu węzłów i wybierając jedną z nich Amazon S3, Rurociągi SageMakerlub Potok wnioskowania SageMaker. Wybieramy Potok wnioskowania SageMaker w tym przykładzie.
W tym zeszycie znajduje się rozdział pt Utwórz procesor (jest to identyczne w notebooku SageMaker Pipelines, ale w notebooku Amazon S3 równoważny kod będzie pod Konfiguracje zadań Sekcja). Na dole tej sekcji znajduje się konfiguracja naszego artefaktu wnioskowania o nazwie inference_params
. Zawiera te same informacje, które widzieliśmy w interfejsie użytkownika, a mianowicie nazwę artefaktu wnioskowania i węzeł wyjściowy wnioskowania. Te wartości zostaną wstępnie wypełnione, ale można je modyfikować. Istnieje dodatkowo parametr tzw use_inference_params
, który należy ustawić True
aby użyć tej konfiguracji w zadaniu przetwarzania.
Dalej znajduje się sekcja zatytułowana Zdefiniuj kroki potoku, Gdzie inference_params
konfiguracja jest dołączana do listy argumentów zadania i przekazywana do definicji kroku przetwarzania SageMaker Data Wrangler. W notebooku Amazon S3 job_arguments
jest zdefiniowany bezpośrednio po Konfiguracje zadań
Dzięki tym prostym konfiguracjom zadanie przetwarzania utworzone przez ten notatnik wygeneruje artefakt wnioskowania w tej samej lokalizacji S3, co nasz plik przepływu (zdefiniowany wcześniej w naszym notatniku). Możemy programowo określić tę lokalizację S3 i użyć tego artefaktu do stworzenia modelu SageMaker za pomocą SageMaker SDK dla Pythona, co jest zademonstrowane w notatniku SageMaker Inference Pipeline.
To samo podejście można zastosować do dowolnego kodu Pythona, który tworzy zadanie przetwarzania SageMaker Data Wrangler.
Obsługa formatu plików JSON dla danych wejściowych i wyjściowych podczas wnioskowania
Witryny i aplikacje dość często używają JSON jako żądania/odpowiedzi dla interfejsów API, dzięki czemu informacje są łatwe do przeanalizowania przez różne języki programowania.
Wcześniej, mając wytrenowany model, można było z nim wchodzić w interakcje tylko za pośrednictwem pliku CSV jako formatu wejściowego w potoku wnioskowania SageMaker Data Wrangler. Obecnie możesz używać JSON jako formatu wejściowego i wyjściowego, zapewniając większą elastyczność podczas interakcji z kontenerami wnioskowania SageMaker Data Wrangler.
Aby rozpocząć korzystanie z formatu JSON na potrzeby danych wejściowych i wyjściowych w notatniku potoku wnioskowania, wykonaj następujące czynności:
- Zdefiniuj ładunek.
Dla każdego ładunku model oczekuje wystąpienia klucza o nazwie. Wartość jest listą obiektów, z których każdy jest własnym punktem danych. Obiekty wymagają klucza zwanego cechami, a wartościami powinny być cechy pojedynczego punktu danych, które mają zostać przesłane do modelu. W jednym żądaniu można przesłać wiele punktów danych o łącznym rozmiarze do 6 MB na żądanie.
Zobacz następujący kod:
- Określ
ContentType
asapplication/json
. - Dostarczaj dane do modelu i odbieraj wnioskowanie w formacie JSON.
See Wspólne formaty danych do wnioskowania dla przykładowych wejściowych i wyjściowych przykładów JSON.
Sprzątać
Po zakończeniu korzystania z SageMaker Data Wrangler zalecamy zamknięcie instancji, na której działa, aby uniknąć dodatkowych opłat. Aby uzyskać instrukcje dotyczące zamykania aplikacji SageMaker Data Wrangler i powiązanej z nią instancji, patrz Wyłącz poskramiacza danych.
Wnioski
Nowe funkcje SageMaker Data Wrangler, w tym obsługa plików manifestów S3, możliwości wnioskowania i integracja formatu JSON, zmieniają doświadczenia operacyjne związane z przygotowywaniem danych. Te ulepszenia usprawniają import danych, automatyzują transformacje danych i upraszczają pracę z danymi JSON. Dzięki tym funkcjom możesz zwiększyć wydajność operacyjną, zmniejszyć wysiłek ręczny i łatwo wydobywać cenne spostrzeżenia ze swoich danych. Wykorzystaj moc nowych funkcji SageMaker Data Wrangler i odblokuj pełny potencjał przepływów pracy związanych z przygotowywaniem danych.
Aby rozpocząć pracę z SageMaker Data Wrangler, zapoznaj się z najnowszymi informacjami na temat Strona produktu SageMaker Data Wrangler.
O autorach
Dabra monachijska jest głównym architektem rozwiązań w Amazon Web Services (AWS). Jego obecne obszary zainteresowania to AI/ML i obserwowalność. Ma duże doświadczenie w projektowaniu i budowaniu skalowalnych systemów rozproszonych. Lubi pomagać klientom wprowadzać innowacje i przekształcać ich biznes w AWS. LinkedIn: /mdabra
Patryk Lin jest inżynierem oprogramowania w firmie Amazon SageMaker Data Wrangler. Zależy mu na tym, aby Amazon SageMaker Data Wrangler stał się narzędziem numer jeden do przygotowywania danych dla produkcyjnych przepływów pracy ML. Poza pracą można go spotkać czytającego, słuchającego muzyki, rozmawiającego z przyjaciółmi i służącego w jego kościele.
- 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. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- działania
- w dodatku
- Dodatkowy
- do tego
- przyjęty
- Po
- AI / ML
- Wszystkie kategorie
- Pozwalać
- pozwala
- również
- Amazonka
- Amazon Sage Maker
- Autopilot Amazon SageMaker
- Pogromca danych Amazon SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- kwoty
- an
- i
- każdy
- Pszczoła
- Aplikacja
- aplikacje
- stosowany
- Aplikuj
- podejście
- SĄ
- obszary
- argumenty
- AS
- powiązany
- At
- zautomatyzować
- automatycznie
- uniknąć
- AWS
- tło
- na podstawie
- BE
- stają się
- jest
- BEST
- Duży
- obie
- Dolny
- przerwa
- budować
- Budowanie
- wbudowany
- biznes
- ale
- by
- nazywa
- CAN
- możliwości
- walizka
- zmiana
- Opłaty
- ZOBACZ
- Dodaj
- Wybierając
- kościół
- Sprzątanie
- kod
- Kolumna
- zobowiązany
- wspólny
- zgodny
- kompletny
- Ukończył
- systemu
- Konsola
- spożywane
- Pojemniki
- zawiera
- rozmowy
- Odpowiedni
- mógłby
- Stwórz
- stworzony
- tworzy
- Tworzenie
- krytyczny
- Aktualny
- klient
- Klientów
- dane
- Wymiana danych
- punkty danych
- Przygotowywanie danych
- analiza danych
- sterowane danymi
- zbiory danych
- dzień
- zdecydować
- Domyślnie
- zdefiniowane
- definicja
- sięgać
- wykazać
- rozwijać
- wdrażanie
- Wdrożenie
- zaprojektowany
- projektowanie
- miejsce przeznaczenia
- detale
- Ustalać
- oprogramowania
- różne
- dyskutować
- dystrybuowane
- systemy rozproszone
- do
- na dół
- podczas
- każdy
- Wcześniej
- łatwość
- łatwiej
- łatwo
- Ekosystemy
- efektywność
- wydajny
- skutecznie
- wysiłek
- bądź
- objąć
- Umożliwia
- umożliwiając
- koniec końców
- Punkt końcowy
- inżynier
- Inżynieria
- wzmacniać
- ulepszenia
- Poprawia
- Wchodzę
- Cały
- Środowisko
- Równoważny
- szczególnie
- EVER
- Każdy
- codziennie
- wszystko
- przykład
- przykłady
- wymiana
- oczekując
- doświadczenie
- eksperyment
- eksperymenty
- eksploracja
- odkryj
- eksport
- eksport
- rozbudowa
- wyciąg
- Cecha
- Korzyści
- kilka
- filet
- Akta
- Znajdź
- Elastyczność
- pływ
- Przepływy
- Skupiać
- obserwuj
- następujący
- W razie zamówieenia projektu
- Nasz formularz
- format
- przyjaciele
- od
- pełny
- dalej
- Generować
- wygenerowane
- otrzymać
- bardzo
- miał
- uchwyt
- Have
- mający
- he
- pomoc
- Wysoki
- podświetlanie
- go
- jego
- W jaki sposób
- How To
- HTML
- HTTPS
- i
- identiques
- identyfikator
- if
- obraz
- natychmiast
- importować
- importowanie
- podnieść
- in
- obejmuje
- Włącznie z
- Informacja
- wprowadzać innowacje
- wkład
- spostrzeżenia
- przykład
- instrukcje
- integracja
- zamierzony
- interakcji
- interakcji
- interaktywne
- Interfejs
- najnowszych
- intuicyjny
- IT
- JEGO
- JAVASCRIPT
- Praca
- jpg
- json
- lipiec
- właśnie
- Klawisz
- Języki
- duży
- Nazwisko
- później
- firmy
- uruchomić
- nauka
- niech
- poziom
- lubić
- Ograniczony
- LINK
- Lista
- Słuchanie
- wykazy
- lokalizacja
- Popatrz
- maszyna
- uczenie maszynowe
- robić
- Dokonywanie
- zarządzanie
- podręcznik
- Może..
- Menu
- Metadane
- metoda
- może
- milion
- minut
- brakujący
- ML
- MLOps
- model
- modele
- Nowoczesne technologie
- zmodyfikowano
- jeszcze
- bardziej wydajny
- wielokrotność
- Muzyka
- musi
- Nazwa
- O imieniu
- mianowicie
- rodzimy
- niezbędny
- Potrzebować
- wymagania
- Nowości
- Nowe funkcje
- nowo
- Następny
- Nie
- węzeł
- notatnik
- już dziś
- numer
- przedmiot
- obiekty
- of
- on
- ONE
- tylko
- operacyjny
- Optymalny
- Optymalizacja
- Option
- Opcje
- or
- Inne
- ludzkiej,
- na zewnątrz
- wydajność
- zewnętrzne
- własny
- parametr
- parametry
- minęło
- ścieżka
- dla
- wykonać
- wybierać
- rurociąg
- plato
- Analiza danych Platona
- PlatoDane
- plus
- punkt
- zwrotnica
- Post
- potencjał
- power
- przewidzieć
- Przewiduje
- przygotowanie
- Przygotować
- przygotowany
- bardzo
- poprzednio
- Główny
- wygląda tak
- Obrobiony
- przetwarzanie
- Produkt
- Recenzje produktu
- Produkcja
- programowy
- Programowanie
- języki programowania
- projekt
- zapewniać
- że
- Python
- Czytający
- w czasie rzeczywistym
- otrzymać
- polecić
- zmniejszyć
- zmniejsza
- zwolnić
- usunąć
- reprezentować
- reprezentowanie
- zażądać
- wymagać
- Zasób
- wynikły
- Efekt
- przeglądu
- Recenzje
- prawo
- Rola
- działa
- s
- sagemaker
- Wnioskowanie SageMakera
- Rurociągi SageMaker
- taki sam
- zobaczył
- skalowalny
- bezszwowy
- płynnie
- Sekcja
- widzieć
- wybierając
- wybór
- Usługi
- służąc
- Sesja
- zestaw
- w panelu ustawień
- kilka
- powinien
- pokazać
- zamknąć
- znak
- Prosty
- uproszczony
- upraszczać
- upraszczanie
- pojedynczy
- Rozmiar
- mały
- mniejszy
- So
- Tworzenie
- rozwoju oprogramowania
- rozwiązanie
- Rozwiązania
- napięcie
- swoiście
- dzielić
- początek
- rozpoczęty
- Ewolucja krok po kroku
- Cel
- przechowywanie
- przechowywany
- opływowy
- usprawnienie
- silny
- zbudowany
- Zatwierdź
- składane
- taki
- wsparcie
- podpory
- pewnie
- systemy
- Brać
- trwa
- cel
- że
- Połączenia
- Informacje
- ich
- następnie
- Tam.
- Te
- to
- tych
- Przez
- czas
- pod tytulem
- do
- już dziś
- także
- narzędzie
- narzędzia
- Kwota produktów:
- Pociąg
- przeszkolony
- Trening
- Przekształcać
- Transformacja
- przemiany
- przekształcony
- transformacje
- Dwa razy
- ui
- dla
- odblokować
- przesłanych
- posługiwać się
- przypadek użycia
- używany
- za pomocą
- Cenny
- wartość
- Wartości
- początku.
- przez
- Zobacz i wysłuchaj
- wyobrażanie sobie
- chcieć
- poszukiwany
- we
- sieć
- usługi internetowe
- strony internetowe
- tygodni
- DOBRZE
- jeśli chodzi o komunikację i motywację
- który
- szeroko
- będzie
- w
- Praca
- workflow
- przepływów pracy
- pracujący
- You
- Twój
- zefirnet