Ten post powstał we współpracy z Bradem Duncanem, Rachel Johnson i Richardem Alcockiem z MathWorks.
MATLAB to popularne narzędzie programistyczne do szerokiego zakresu zastosowań, takich jak przetwarzanie danych, obliczenia równoległe, automatyzacja, symulacja, uczenie maszynowe i sztuczna inteligencja. Jest szeroko stosowany w wielu gałęziach przemysłu, takich jak motoryzacja, lotnictwo, komunikacja i produkcja. W ostatnich latach firma MathWorks wprowadziła wiele produktów do chmury, zwłaszcza na Amazon Web Services (AWS). Aby uzyskać więcej informacji na temat produktów chmurowych MathWorks, zobacz MATLAB i Simulink w chmurze or wyślij e-mail do Mathworks.
W tym poście przedstawiamy możliwości uczenia maszynowego MATLAB-a Amazon Sage Maker, co ma kilka istotnych zalet:
- Zasoby obliczeniowe: Korzystanie z wysokowydajnego środowiska obliczeniowego oferowanego przez SageMaker może przyspieszyć szkolenie w zakresie uczenia maszynowego.
- Współpraca: MATLAB i SageMaker razem zapewniają solidną platformę, której zespoły mogą używać do efektywnej współpracy przy budowaniu, testowaniu i wdrażaniu modeli uczenia maszynowego.
- Wdrożenie i dostępność: Modele można wdrażać jako punkty końcowe SageMaker działające w czasie rzeczywistym, dzięki czemu są łatwo dostępne dla innych aplikacji w celu przetwarzania danych przesyłanych strumieniowo na żywo.
Pokażemy Ci, jak wytrenować model uczenia maszynowego MATLAB w ramach zadania szkoleniowego SageMaker, a następnie wdrożyć model jako punkt końcowy SageMaker w czasie rzeczywistym, aby mógł przetwarzać dane przesyłane strumieniowo na żywo.
Aby to zrobić, użyjemy przykładu konserwacji predykcyjnej, w którym klasyfikujemy usterki działającej pompy przesyłającej strumieniowo dane z czujników na żywo. Mamy dostęp do dużego repozytorium oznaczonych danych wygenerowanych z pliku Simulink symulacja obejmująca trzy możliwe typy usterek w różnych możliwych kombinacjach (na przykład jeden stan prawidłowy i siedem stanów uszkodzonych). Ponieważ mamy model systemu, a błędy w działaniu występują rzadko, możemy wykorzystać symulowane dane do szkolenia naszego algorytmu. Model można dostroić tak, aby odpowiadał danym operacyjnym naszej prawdziwej pompy, korzystając z technik estymacji parametrów w MATLAB-ie i Simulink.
Naszym celem jest zademonstrowanie połączonej mocy MATLAB-a i Amazon SageMaker na przykładzie klasyfikacji błędów.
Zaczynamy od szkolenia modelu klasyfikatora na naszym komputerze stacjonarnym za pomocą MATLAB-a. Najpierw wyodrębniamy funkcje z podzbioru pełnego zbioru danych za pomocą metody Projektant funkcji diagnostycznych app, a następnie uruchom lokalnie szkolenie modelu przy użyciu modelu drzewa decyzyjnego MATLAB-a. Kiedy już będziemy zadowoleni z ustawień parametrów, możemy wygenerować funkcję MATLAB i wysłać zadanie wraz ze zbiorem danych do SageMaker. Dzięki temu możemy skalować proces uczenia, aby uwzględnić znacznie większe zbiory danych. Po przeszkoleniu naszego modelu wdrażamy go jako aktywny punkt końcowy, który można zintegrować z aplikacją lub pulpitem nawigacyjnym, takim jak aplikacja internetowa MATLAB.
Ten przykład podsumowuje każdy krok, zapewniając praktyczne zrozumienie, jak wykorzystać MATLAB i Amazon SageMaker do zadań uczenia maszynowego. Pełny kod i opis przykładu jest dostępny w this składnica.
Wymagania wstępne
- Środowisko robocze MATLAB 2023a lub nowszy z kompilatorem MATLAB i zestawem narzędzi Statistics and Machine Learning Toolbox w systemie Linux. Tutaj jest Szybka porada jak uruchomić MATLAB na AWS.
- Docker skonfigurowany w pliku Amazon Elastic Compute Cloud (Amazon EC2) instancja, w której działa MATLAB. Albo Ubuntu or Linux.
- Instalacja Interfejs wiersza poleceń AWS (AWS CLI), Konfiguracja AWS-a, Python3.
- AWS CLI powinien być już zainstalowany, jeśli postępowałeś zgodnie z instrukcją instalacji krok 1.
- Skonfiguruj konfigurację AWS do interakcji z zasobami AWS.
- Sprawdź instalację Pythona3, uruchamiając
python -V
orpython --version
polecenie na terminalu. Zainstaluj Pythona, jeśli to konieczne.
- Skopiuj to repozytorium do folderu na komputerze z systemem Linux, uruchamiając:
- Sprawdź uprawnienia do folderu repo. Jeśli nie ma uprawnień do zapisu, uruchom następującą komendę powłoki:
- Zbuduj kontener szkoleniowy MATLAB i wepchnij go do Rejestr elastycznych kontenerów Amazon (Amazon ECR).
- Przejdź do folderu
docker
- Utwórz repozytorium Amazon ECR za pomocą interfejsu CLI AWS (zamień REGION na preferowany region AWS)
- Uruchom następujące polecenie okna dokowanego:
- Przejdź do folderu
- Otwórz MATLAB i otwórz skrypt na żywo o nazwie
PumpFaultClassificationMATLABSageMaker.mlx
w folderzeexamples/PumpFaultClassification
. Ustaw ten folder jako bieżący folder roboczy w MATLAB-ie.
Część 1: Przygotowanie danych i ekstrakcja cech
Pierwszym krokiem w każdym projekcie uczenia maszynowego jest przygotowanie danych. MATLAB zapewnia szeroką gamę narzędzi do importowania, czyszczenia i wydobywania funkcji z danych.:
Połączenia SensorData.mat
zbiór danych zawiera 240 rekordów. Każdy rekord ma dwa harmonogramy: flow
i pressure
. Kolumna docelowa to faultcode
, który jest binarną reprezentacją trzech możliwych kombinacji usterek w pompie. W przypadku tych tabel szeregów czasowych każda tabela zawiera 1,201 wierszy, które odzwierciedlają pomiar przepływu i ciśnienia pompy w ciągu 1.2 sekundy z przyrostem co 0.001 sekundy.
Następnie aplikacja Diagnostic Feature Designer umożliwia wyodrębnianie, wizualizację i klasyfikację różnych funkcji z danych. Tutaj używasz Funkcje automatyczne, który szybko wyodrębnia ze zbioru danych szeroki zestaw funkcji w dziedzinie czasu i częstotliwości i klasyfikuje najlepszych kandydatów do uczenia modeli. Następnie możesz wyeksportować funkcję MATLAB, która ponownie obliczy 15 najwyżej ocenionych funkcji na podstawie nowych danych wejściowych. Nazwijmy tę funkcję extractFeaturesTraining
. Tę funkcję można skonfigurować tak, aby pobierała dane w jednej partii lub jako dane przesyłane strumieniowo.
Ta funkcja tworzy tabelę funkcji z powiązanymi kodami błędów, jak pokazano na poniższym rysunku:
Część 2: Organizowanie danych dla SageMaker
Następnie musisz uporządkować dane w sposób, który SageMaker będzie mógł wykorzystać do szkolenia w zakresie uczenia maszynowego. Zwykle wiąże się to z podzieleniem danych na zbiory szkoleniowe i walidacyjne oraz oddzieleniem danych predykcyjnych od odpowiedzi docelowej.
Na tym etapie mogą być wymagane inne, bardziej złożone operacje czyszczenia i filtrowania danych. W tym przykładzie dane są już czyste. Potencjalnie, jeśli przetwarzanie danych jest bardzo złożone i czasochłonne, zadania przetwarzania SageMaker mogą zostać wykorzystane do uruchomienia tych zadań niezależnie od szkolenia SageMaker, dzięki czemu można je podzielić na dwa etapy.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
Część 3: Trenuj i testuj model uczenia maszynowego w MATLAB-ie
Przed przejściem do SageMaker warto zbudować i przetestować model uczenia maszynowego lokalnie w MATLAB-ie. Pozwala to na szybką iterację i debugowanie modelu. Lokalnie można skonfigurować i wytrenować prosty klasyfikator drzewa decyzyjnego.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
Zakończenie zadania szkoleniowego powinno zająć mniej niż minutę i wygenerować wykresy wskazujące postęp szkolenia. Po zakończeniu szkolenia tworzony jest model uczenia maszynowego MATLAB. The Uczeń klasyfikacji aplikacji można używać do wypróbowywania wielu typów modeli klasyfikacyjnych i dostrajania ich w celu uzyskania najlepszej wydajności, a następnie wygenerowania potrzebnego kodu, który zastąpi powyższy kod szkolenia modelu.
Po sprawdzeniu metryk dokładności dla lokalnie trenowanego modelu możemy przenieść szkolenie do Amazon SageMaker.
Część 4: Trenuj model w Amazon SageMaker
Gdy model będzie satysfakcjonujący, możesz go trenować na dużą skalę za pomocą programu SageMaker. Aby rozpocząć wywoływanie zestawów SDK SageMaker, musisz zainicjować sesję SageMaker.
session = sagemaker.Session();
Określ wykonanie SageMaker Rola IAM których będą używać zadania szkoleniowe i hosting punktów końcowych.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
W MATLAB-ie zapisz dane szkoleniowe jako plik .csv w formacie Usługa Amazon Simple Storage (Amazon S3) wiadro.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Utwórz estymator SageMaker
Następnie musisz utworzyć estymator SageMaker i przekazać do niego wszystkie niezbędne parametry, takie jak szkoleniowy obraz okna dokowanego, funkcja treningowa, zmienne środowiskowe, rozmiar instancji szkoleniowej i tak dalej. URI obrazu szkoleniowego powinien być identyfikatorem URI Amazon ECR utworzonym na etapie wymagań wstępnych w formacie ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. Funkcja uczenia powinna być dostępna na dole aktywnego skryptu MATLAB-a.
Prześlij ofertę szkoleniową SageMaker
Wywołanie metody dopasowania z estymatora powoduje przesłanie zadania szkoleniowego do SageMaker.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
Możesz także sprawdzić status zadania szkoleniowego z konsoli SageMaker:
Po zakończeniu zadań szkoleniowych wybranie łącza do zadania przeniesie Cię do strony z opisem zadania, na której możesz zobaczyć model MATLAB-a zapisany w dedykowanym segmencie S3:
Część 5: Wdróż model jako punkt końcowy SageMaker działający w czasie rzeczywistym
Po przeszkoleniu możesz wdrożyć model jako punkt końcowy SageMaker działający w czasie rzeczywistym, którego możesz używać do prognozowania w czasie rzeczywistym. Aby to zrobić, wywołaj metodę wdrażania z estymatora. W tym miejscu możesz ustawić żądany rozmiar instancji dla hostingu w zależności od obciążenia.
W tle ten krok tworzy obraz okna dokowanego wnioskowania i wypycha go do repozytorium Amazon ECR. Użytkownik nie musi nic robić, aby zbudować kontener wnioskowania. Obraz zawiera wszystkie informacje niezbędne do obsługi żądania wnioskowania, takie jak lokalizacja modelu, informacje uwierzytelniające MATLAB i algorytmy. Następnie Amazon SageMaker tworzy konfigurację punktu końcowego SageMaker i ostatecznie wdraża punkt końcowy czasu rzeczywistego. Punkt końcowy można monitorować w konsoli SageMaker i można go zakończyć w dowolnym momencie, jeśli nie jest już używany.
Część 6: Przetestuj punkt końcowy
Teraz, gdy punkt końcowy jest już uruchomiony, możesz go przetestować, przekazując mu kilka rekordów do przewidzenia. Użyj poniższego kodu, aby wybrać 10 rekordów z danych szkoleniowych i wysłać je do punktu końcowego w celu prognozy. Wynik przewidywania jest odsyłany z punktu końcowego i pokazywany na poniższej ilustracji.
Część 7: Integracja dashboardu
Punkt końcowy SageMaker może być wywoływany przez wiele natywnych usług AWS. Można go również używać jako standardowego interfejsu API REST, jeśli zostanie wdrożony razem z plikiem AWS Lambda funkcję i bramkę API, którą można zintegrować z dowolną aplikacją internetową. W tym konkretnym przypadku możesz użyć pozyskiwania strumieniowego za pomocą sklepu z funkcjami Amazon SageMaker i usługi Amazon Managed Streaming dla Apache Kafka, MSK, aby podejmować decyzje oparte na uczeniu maszynowym w czasie zbliżonym do rzeczywistego. Inną możliwą integracją jest użycie kombinacji Amazonka Kinesis, SageMaker i Apache Flink, aby zbudować zarządzaną, niezawodną, skalowalną i wysoce dostępną aplikację, która umożliwia wnioskowanie w czasie rzeczywistym na temat strumienia danych.
Po wdrożeniu algorytmów w punkcie końcowym SageMaker możesz chcieć je zwizualizować za pomocą pulpitu nawigacyjnego wyświetlającego prognozy przesyłania strumieniowego w czasie rzeczywistym. W poniższej niestandardowej aplikacji internetowej MATLAB można zobaczyć dane dotyczące ciśnienia i przepływu według pompy oraz prognozy usterek na żywo z wdrożonego modelu.
Na tym panelu znajduje się model pozostałego okresu użytkowania (RUL), umożliwiający przewidywanie czasu do awarii dla każdej danej pompy. Aby dowiedzieć się, jak trenować algorytmy RUL, zobacz Zestaw narzędzi do konserwacji predykcyjnej.
Sprzątać
Po uruchomieniu tego rozwiązania pamiętaj o wyczyszczeniu wszelkich niepotrzebnych zasobów AWS, aby uniknąć nieoczekiwanych kosztów. Możesz wyczyścić te zasoby za pomocą narzędzia SageMaker SDK dla Pythona lub konsolę zarządzającą AWS dla określonych usług tutaj używanych (SageMaker, Amazon ECR i Amazon S3). Usuwając te zasoby, zapobiegasz dalszym opłatom za zasoby, których już nie używasz.
Wnioski
Pokazaliśmy, jak można przenieść MATLAB do SageMaker na potrzeby konserwacji predykcyjnej pomp z uwzględnieniem całego cyklu życia uczenia maszynowego. SageMaker zapewnia w pełni zarządzane środowisko do uruchamiania obciążeń uczenia maszynowego i wdrażania modeli z dużym wyborem instancji obliczeniowych obsługujących różne potrzeby.
Odpowiedzialność: Kod użyty w tym poście jest własnością firmy MathWorks i jest przez nią utrzymywany. Zapoznaj się z warunkami licencji w repozytorium GitHub. W przypadku jakichkolwiek problemów z kodem lub żądaniami funkcji otwórz zgłoszenie GitHub w repozytorium
Referencje
O autorach
Brada Duncana jest menedżerem produktu ds. możliwości uczenia maszynowego w zestawie narzędzi Statistics and Machine Learning Toolbox w firmie MathWorks. Współpracuje z klientami nad zastosowaniem sztucznej inteligencji w nowych obszarach inżynierii, takich jak włączanie czujników wirtualnych do opracowanych systemów, budowanie wyjaśnialnych modeli uczenia maszynowego i standaryzacja przepływów pracy AI przy użyciu MATLAB i Simulink. Przed dołączeniem do MathWorks kierował zespołami zajmującymi się symulacją 3D i optymalizacją aerodynamiki pojazdów, doświadczeniem użytkownika w symulacjach 3D oraz zarządzaniem produktami w zakresie oprogramowania symulacyjnego. Brad jest także gościnnym wykładowcą na Uniwersytecie Tufts w dziedzinie aerodynamiki pojazdów.
Richarda Alcocka jest starszym menedżerem ds. rozwoju ds. integracji platform chmurowych w firmie MathWorks. Na tym stanowisku odgrywa kluczową rolę w płynnej integracji produktów MathWorks z platformami chmurowymi i kontenerowymi. Tworzy rozwiązania, które umożliwiają inżynierom i naukowcom wykorzystanie pełnego potencjału MATLAB-a i Simulink w środowiskach chmurowych. Wcześniej zajmował stanowisko inżyniera oprogramowania w MathWorks, opracowując rozwiązania wspierające równoległe i rozproszone przepływy pracy.
Rachel Johnson jest menedżerem produktu ds. konserwacji predykcyjnej w MathWorks i jest odpowiedzialny za ogólną strategię produktu i marketing. Wcześniej była inżynierem aplikacji bezpośrednio wspierającym przemysł lotniczy w projektach konserwacji predykcyjnej. Przed pracą w MathWorks Rachel była inżynierem zajmującym się symulacją aerodynamiki i napędu dla Marynarki Wojennej Stanów Zjednoczonych. Przez kilka lat uczyła matematyki, fizyki i inżynierii.
Unikaj Mao jest starszym architektem rozwiązań dla partnerów AI/ML w zespole Emerging Technologies w Amazon Web Services. Pasjonuje go współpraca z klientami i partnerami korporacyjnymi przy projektowaniu, wdrażaniu i skalowaniu aplikacji AI/ML w celu czerpania z ich wartości biznesowych. Poza pracą lubi łowić ryby, podróżować i grać w ping-ponga.
Ramesh Jatia jest architektem rozwiązań w zespole niezależnych dostawców oprogramowania (ISV) w Amazon Web Services. Pasjonuje go współpraca z klientami niezależnych dostawców oprogramowania przy projektowaniu, wdrażaniu i skalowaniu ich aplikacji w chmurze w celu czerpania z nich wartości biznesowych. Kontynuuje także studia MBA w zakresie uczenia maszynowego i analityki biznesowej w Babson College w Bostonie. Poza pracą lubi biegać, grać w tenisa i gotować.
- 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/machine-learning-with-matlab-and-amazon-sagemaker/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- O nas
- powyżej
- dostęp
- dostępny
- pomieścić
- Konto
- precyzja
- Korzyść
- Lotnictwo
- Po
- AI
- AI / ML
- algorytm
- Algorytmy
- Wszystkie kategorie
- pozwala
- wzdłuż
- już
- również
- Amazonka
- Amazon EC2
- Amazon Sage Maker
- Amazon Web Services
- an
- analityka
- i
- Inne
- każdy
- Apache
- osobno
- api
- Aplikacja
- aplikacja pozwala
- Zastosowanie
- aplikacje
- Aplikuj
- SĄ
- POWIERZCHNIA
- obszary
- sztuczny
- sztuczna inteligencja
- AS
- powiązany
- At
- Uwierzytelnianie
- samochód
- Automatyzacja
- motoryzacyjny
- dostępny
- uniknąć
- AWS
- Konsola zarządzania AWS
- babson
- z powrotem
- BE
- bo
- zanim
- rozpocząć
- Korzyści
- BEST
- boston
- Dolny
- ćwiek
- przynieść
- szeroki
- przyniósł
- budować
- Budowanie
- Buduje
- biznes
- by
- wezwanie
- nazywa
- powołanie
- CAN
- kandydatów
- możliwości
- zdolny
- walizka
- Opłaty
- ZOBACZ
- kontrola
- klasyfikacja
- Klasyfikuj
- kleń
- Sprzątanie
- Chmura
- Platforma chmurowa
- kod
- Kody
- współpracować
- współpraca
- Studentki
- Kolumna
- COM
- połączenie
- kombinacje
- połączony
- przyjście
- Komunikacja
- kompleks
- obliczać
- computing
- systemu
- skonfigurowany
- Konsola
- czasochłonne
- Pojemnik
- zawiera
- Koszty:
- Stwórz
- stworzony
- tworzy
- Aktualny
- zwyczaj
- Klientów
- tablica rozdzielcza
- dane
- Przygotowywanie danych
- analiza danych
- zbiory danych
- decyzja
- Decyzje
- dedykowane
- wykazać
- wykazać
- W zależności
- rozwijać
- wdrażane
- wdrażanie
- wdraża się
- czerpać
- opis
- Wnętrze
- projektant
- życzenia
- stacjonarny
- detale
- rozwijanie
- oprogramowania
- diagnostyczny
- bezpośrednio
- wyświetlacze
- dystrybuowane
- przetwarzanie rozproszone
- do
- Doker
- robi
- domena
- Duncan
- każdy
- faktycznie
- bądź
- wschodzących
- nowe technologie
- umożliwiać
- zakończenia
- Punkt końcowy
- inżynier
- zaprojektowane
- Inżynieria
- Inżynierowie
- Enterprise
- Cały
- Środowisko
- środowiska
- szczególnie
- przykład
- egzekucja
- doświadczenie
- eksport
- wyciąg
- Wyciągi
- Brak
- błędy
- wadliwy
- Cecha
- Korzyści
- kilka
- Postać
- filet
- filtracja
- W końcu
- koniec
- i terminów, a
- Wędkarstwo
- dopasować
- pływ
- następnie
- następujący
- następujący sposób
- W razie zamówieenia projektu
- format
- Częstotliwość
- od
- pełny
- w pełni
- funkcjonować
- dalej
- Bramka
- Generować
- wygenerowane
- generuje
- GitHub
- Dający
- dobry
- wykresy
- wspaniały
- Gość
- poprowadzi
- uprząż
- Have
- he
- Zdrowie
- zdrowy
- ciężko
- tutaj
- wysoka wydajność
- wysoko
- Hosting
- W jaki sposób
- How To
- HTML
- HTTPS
- pomysł
- if
- obraz
- importowanie
- in
- obejmuje
- włączenie
- przyrost
- niezależny
- wskazać
- przemysłowa
- przemysł
- Informacja
- zainicjować
- wkład
- zainstalować
- instalacja
- zainstalowany
- przykład
- instrumentalny
- zintegrowany
- Integracja
- integracja
- integracje
- Inteligencja
- interakcji
- Interfejs
- najnowszych
- problem
- problemy
- isv
- IT
- Praca
- Oferty pracy
- Johnson
- jpg
- duży
- większe
- później
- firmy
- UCZYĆ SIĘ
- nauka
- Doprowadziło
- mniej
- Dźwignia
- Licencja
- życie
- wifecycwe
- LINK
- linux
- relacja na żywo
- lokalnie
- lokalizacja
- Zaloguj Się
- dłużej
- maszyna
- uczenie maszynowe
- konserwacja
- robić
- Dokonywanie
- zarządzane
- i konserwacjami
- kierownik
- produkcja
- wiele
- Marketing
- Mecz
- matematyka
- pomiary
- metoda
- Metryka
- może
- chwila
- ML
- model
- modele
- monitor
- monitorowane
- jeszcze
- ruch
- przeniesienie
- dużo
- O imieniu
- rodzimy
- Blisko
- niezbędny
- Potrzebować
- potrzebne
- wymagania
- Nowości
- Nie
- nic
- cel
- of
- oferowany
- Oferty
- on
- pewnego razu
- ONE
- koncepcja
- działanie
- operacyjny
- operacje
- optymalizacja
- or
- Inne
- ludzkiej,
- wydajność
- zewnętrzne
- ogólny
- własność
- strona
- Parallel
- parametr
- parametry
- szczególny
- partnerem
- wzmacniacz
- przechodzić
- namiętny
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- pozwolenie
- Fizyka
- Platforma
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- gra
- Proszę
- Popularny
- możliwy
- Post
- potencjał
- potencjalnie
- power
- Praktyczny
- przewidzieć
- przepowiednia
- Przewidywania
- Urządzenie prognozujące
- Korzystny
- przygotowanie
- Przygotować
- nacisk
- zapobiec
- poprzednio
- Wcześniejszy
- wygląda tak
- przetwarzanie
- produkować
- Wytworzony
- produkuje
- Produkt
- zarządzanie produktem
- product manager
- Produkty
- Programowanie
- Postęp
- projekt
- projektowanie
- napęd
- zapewniać
- pod warunkiem,
- zapewnia
- że
- pompa
- Naciskać
- wypycha
- Python
- pytanie
- szybko
- zasięg
- rankingu
- w rankingu
- szeregi
- RZADKO SPOTYKANY
- łatwo
- real
- w czasie rzeczywistym
- niedawny
- rekord
- dokumentacja
- odnosić się
- region
- rejestr
- rzetelny
- pozostały
- obsługi produkcji rolnej, która zastąpiła
- składnica
- reprezentacja
- zażądać
- wywołań
- wymagany
- Zasoby
- odpowiedź
- odpowiedzialny
- REST
- dalsze
- Richard
- krzepki
- Rola
- run
- bieganie
- sagemaker
- zadowolony
- zadowolony z
- Zapisz
- zapisywane
- skalowalny
- Skala
- Sceny
- Naukowcy
- scenariusz
- SDKS
- płynnie
- sekund
- widzieć
- wybierając
- wybór
- wysłać
- senior
- czujniki
- wysłany
- Serie
- służyć
- usługa
- Usługi
- służąc
- Sesja
- zestaw
- Zestawy
- w panelu ustawień
- siedem
- kilka
- ona
- Powłoka
- powinien
- pokazać
- pokazane
- znaczący
- Prosty
- symulacja
- Rozmiar
- So
- Tworzenie
- Inżynieria oprogramowania
- rozwiązanie
- Rozwiązania
- kilka
- specyficzny
- prędkość
- spędził
- STAGE
- standard
- normalizująca
- początek
- Zjednoczone
- statystyka
- Rynek
- Ewolucja krok po kroku
- Cel
- przechowywanie
- sklep
- Strategia
- strumień
- Streaming
- taki
- streszczać
- wsparcie
- Wspierający
- pewnie
- system
- systemy
- stół
- TAG
- Brać
- trwa
- cel
- zadania
- Nauczanie
- zespół
- Zespoły
- Techniki
- Technologies
- terminal
- REGULAMIN
- test
- Testowanie
- niż
- że
- Połączenia
- Strefa
- ich
- Im
- następnie
- Te
- one
- to
- tych
- trzy
- czas
- Szereg czasowy
- do
- razem
- narzędzie
- Toolbox
- narzędzia
- Top
- Pociąg
- Trening
- Podróżowanie
- drzewo
- próbować
- melodia
- tuned
- drugiej
- typy
- zazwyczaj
- zrozumienie
- Nieoczekiwany
- uniwersytet
- us
- posługiwać się
- przypadek użycia
- używany
- Użytkownik
- Doświadczenie użytkownika
- za pomocą
- uprawomocnienie
- Wartości
- różnorodność
- różnorodny
- pojazd
- sprzedawca
- początku.
- Wirtualny
- wyobrażać sobie
- chcieć
- była
- Droga..
- we
- sieć
- Aplikacje internetowe
- usługi internetowe
- który
- szeroki
- Szeroki zasięg
- będzie
- w
- Praca
- przepływów pracy
- pracujący
- działa
- napisać
- napisany
- lat
- You
- Twój
- zefirnet