„Datele blocate în text, audio, social media și alte surse nestructurate pot fi un avantaj competitiv pentru firmele care își dau seama cum să le folosească”
Doar 18% dintre organizațiile din a Sondaj 2019 realizat de Deloitte a raportat că poate profita de datele nestructurate. Majoritatea datelor, între 80% și 90%, sunt date nestructurate. Aceasta este o resursă mare neexploatată care are potențialul de a oferi companiilor un avantaj competitiv dacă pot afla cum să o folosească. Poate fi dificil să găsiți informații din aceste date, mai ales dacă sunt necesare eforturi pentru a le clasifica, eticheta sau eticheta. Amazon Comprehend clasificarea personalizată poate fi utilă în această situație. Amazon Comprehend este un serviciu de procesare a limbajului natural (NLP) care utilizează învățarea automată pentru a descoperi informații și conexiuni valoroase în text.
Categorizarea sau clasificarea documentelor are avantaje semnificative în toate domeniile de afaceri –
- Căutare și regăsire îmbunătățite – Prin clasificarea documentelor în subiecte sau categorii relevante, utilizatorilor le este mult mai ușor să caute și să recupereze documentele de care au nevoie. Ei pot căuta în anumite categorii pentru a restrânge rezultatele.
- Management de cunoștințe – Categorizarea documentelor într-un mod sistematic ajută la organizarea bazei de cunoștințe a unei organizații. Face mai ușor să găsiți informații relevante și să vedeți conexiunile între conținutul asociat.
- Fluxuri de lucru simplificate – Sortarea automată a documentelor poate ajuta la eficientizarea multor procese de afaceri, cum ar fi procesarea facturilor, asistența pentru clienți sau conformitatea cu reglementările. Documentele pot fi direcționate automat către persoanele sau fluxurile de lucru potrivite.
- Economii de timp și costuri – Categorizarea manuală a documentelor este plictisitoare, consumatoare de timp și costisitoare. Tehnicile AI pot prelua această sarcină banală și pot clasifica mii de documente într-un timp scurt la un cost mult mai mic.
- Generarea de perspectivă – Analiza tendințelor în categoriile de documente poate oferi informații utile despre afaceri. De exemplu, o creștere a reclamațiilor clienților într-o categorie de produse ar putea semnifica unele probleme care trebuie abordate.
- Guvernarea și aplicarea politicilor – Configurarea regulilor de clasificare a documentelor ajută la asigurarea că documentele sunt clasificate corect în conformitate cu politicile și standardele de guvernanță ale unei organizații. Acest lucru permite o mai bună monitorizare și auditare.
- Experiențe personalizate – În contexte precum conținutul site-ului web, clasificarea documentelor permite ca conținutul personalizat să fie afișat utilizatorilor în funcție de interesele și preferințele acestora, determinate de comportamentul lor de navigare. Acest lucru poate crește implicarea utilizatorilor.
Complexitatea dezvoltării unui model de învățare automată de clasificare la comandă variază în funcție de o varietate de aspecte, cum ar fi calitatea datelor, algoritm, scalabilitate și cunoașterea domeniului, pentru a menționa câteva. Este esențial să începeți cu o definiție clară a problemei, date curate și relevante și să treceți treptat prin diferitele etape de dezvoltare a modelului. Cu toate acestea, companiile își pot crea propriile modele unice de învățare automată folosind clasificarea personalizată Amazon Comprehend pentru a clasifica automat documentele text în categorii sau etichete, pentru a îndeplini cerințele specifice ale afacerii și pentru a mapa la tehnologia de afaceri și categoriile de documente. Deoarece etichetarea sau clasificarea umană nu mai este necesară, acest lucru poate economisi afacerilor mult timp, bani și forță de muncă. Am simplificat acest proces prin automatizarea întregului canal de formare.
În prima parte a acestei postări de blog cu mai multe serii, veți învăța cum să creați un canal de instruire scalabil și să pregătiți datele de instruire pentru modelele Comprehend Custom Classification. Vom introduce o conductă de instruire personalizată a clasificatorului care poate fi implementată în contul dvs. AWS cu câteva clicuri. Utilizăm setul de date de știri BBC și vom pregăti un clasificator pentru a identifica clasa (de exemplu, politică, sport) căreia îi aparține un document. Conducta va permite organizației dvs. să răspundă rapid la schimbări și să antreneze noi modele fără a fi nevoie să pornească de la zero de fiecare dată. Puteți extinde și antrena mai multe modele în funcție de cererea dvs.
Cerințe preliminare
- Un cont AWS activ (Click aici pentru a crea un nou cont AWS)
- Acces la Amazon Comprehend, Amazon S3, Amazon Lambda, Amazon Step Function, Amazon SNS și Amazon CloudFormation
- Date de antrenament (semistructură sau text) pregătite în secțiunea următoare
- Cunoștințe de bază despre Python și Machine Learning în general
Pregătiți datele de antrenament
Această soluție poate prelua intrarea ca oricare format text (ex. CSV) sau format semistructurat (de ex. PDF).
Introducere text
Amazon Comprehend clasificarea personalizată acceptă două moduri: multi-clasă și multi-etichetă.
În modul cu mai multe clase, fiecărui document i se poate atribui o singură clasă. Datele de instruire ar trebui să fie pregătite ca fișier CSV cu două coloane, fiecare linie a fișierului conținând o singură clasă și textul unui document care demonstrează clasa.
Exemplu pentru Setul de date de știri BBC:
În modul cu mai multe etichete, fiecare document are cel puțin o clasă atribuită, dar poate avea mai multe. Datele de instruire ar trebui să fie sub forma unui fișier CSV cu două coloane, fiecare linie a fișierului care conține una sau mai multe clase și textul documentului de instruire. Mai mult de o clasă ar trebui să fie indicate prin utilizarea unui delimitator între fiecare clasă.
Niciun antet nu trebuie inclus în fișierul CSV pentru niciunul dintre modurile de antrenament.
Intrare semi-structurată
Începând cu 2023, Amazon Comprehend acum acceptă modele de instruire folosind documente semi-structurate. Datele de instruire pentru intrarea în semistructură sunt compuse dintr-un set de documente etichetate, care pot fi documente preidentificate dintr-un depozit de documente la care aveți deja acces. Următorul este un exemplu de date CSV de fișier de adnotări necesare pentru antrenament (Datele de probă):
Fișierul CSV de adnotări conține trei coloane: prima coloană conține eticheta documentului, a doua coloană este numele documentului (adică numele fișierului), iar ultima coloană este numărul paginii documentului pe care doriți să îl includeți în set de date de antrenament. În cele mai multe cazuri, dacă fișierul CSV cu adnotări se află în același folder cu toate celelalte documente, atunci trebuie doar să specificați numele documentului în a doua coloană. Cu toate acestea, dacă fișierul CSV se află într-o locație diferită, atunci va trebui să specificați calea către locație în a doua coloană, cum ar fi path/to/prefix/document1.pdf
.
Pentru detalii, cum să vă pregătiți datele de antrenament, vă rugăm să consultați aici.
Prezentare generală a soluțiilor
- Amazon Comprehend canalul de antrenament începe atunci când datele de antrenament (fișier .csv pentru introducerea textului și fișierul de adnotare .csv pentru intrarea în semistructură) sunt încărcate într-un serviciu Amazon Simple Storage dedicat (Amazon S3) găleată.
- An AWS Lambdas funcția este invocată de Amazon S3 declanșează astfel încât de fiecare dată când un obiect este încărcat în specificat Amazon S3 locație, funcția AWS Lambda preia numele compartimentului sursă și numele cheii obiectului încărcat și le transmite instruirii functie de pas flux de lucru.
- În funcția pasului de antrenament, după primirea numelui compartimentului de date de antrenament și a numelui cheii obiectului ca parametri de intrare, un flux de lucru de antrenament model personalizat pornește ca o serie de funcții lambdas, așa cum este descris:
StartComprehendTraining
: Această funcție AWS Lambda definește aComprehendClassifier
obiect în funcție de tipul fișierelor de intrare (adică text sau semistructurat) și apoi lansează un Amazon Comprehend sarcină de instruire personalizată prin apelare create_document_classifier Application Programming Interfact (API), care returnează un job de instruire Amazon Resource Names (ARN) . Ulterior, această funcție verifică starea jobului de instruire prin invocare descriere_clasificator_document API. În cele din urmă, returnează un ARN Job de antrenament și starea jobului, ca rezultat la următoarea etapă a fluxului de lucru de instruire.GetTrainingJobStatus
: Acest AWS Lambda verifică starea jobului de instruire la fiecare 15 minute, prin apel descriere_clasificator_document API, până când starea jobului de antrenament se schimbă în Finalizat sau Eșuat.GenerateMultiClass
orGenerateMultiLabel
: Dacă selectați da pentru raportul de performanță la lansarea stivei, unul dintre aceste două AWS Lambda va rula analiza conform rezultatelor modelului Amazon Comprehend, care generează analiza performanței pe clasă și o salvează în Amazon S3.GenerateMultiClass
: Acest AWS Lambda va fi apelat dacă este necesar MultiClass iar tu selectezi da pentru raportul de performanță.GenerateMultiLabel
: Acest AWS Lambda va fi apelat dacă este necesar MultiLabel iar tu selectezi da pentru raportul de performanță.
- Odată ce antrenamentul este realizat cu succes, soluția generează următoarele rezultate:
- Model de clasificare personalizat: un model ARN instruit va fi disponibil în contul dvs. pentru lucrările viitoare de inferență.
- Matricea confuziei [Opțiunel]: o matrice de confuzie (
confusion_matrix
.json) va fi disponibil în ieșirea definită de utilizator Amazon S3 cale, în funcție de selecția utilizatorului. - Serviciul de notificare simplă Amazon notificare [Opțiunel]: Un e-mail de notificare va fi trimis abonaților despre starea jobului de instruire, în funcție de selecția inițială a utilizatorului.
walkthrough
Lansarea soluției
Pentru a vă implementa conducta, parcurgeți următorii pași:
- Alege Lansați Stack Butonul:
- Alegeți Următorul
- Specificați detaliile conductei cu opțiunile potrivite cazului dvs. de utilizare:
Informații pentru fiecare detaliu al stivei:
- Nume stivă (obligatoriu) – numele pe care l-ați specificat pentru aceasta Formarea AWS Cloud grămadă. Numele trebuie să fie unic în regiunea în care îl creați.
- Q01ClassifierInputBucketName (obligatoriu) – Numele compartimentului Amazon S3 pentru a stoca datele de intrare. Ar trebui să fie un nume unic la nivel global, iar stiva AWS CloudFormation vă ajută să creați găleata în timp ce este lansată.
- Q02ClassifierOutputBucketName (obligatoriu) – Numele compartimentului Amazon S3 pentru a stoca rezultate de la Amazon Comprehend și conductă. Ar trebui să fie, de asemenea, un nume unic la nivel global.
- Q03InputFormat – O selecție drop-down, puteți alege a) Sport and Nutrition Awareness Day in Manasia Around XNUMX people from the rural commune Manasia have participated in a sports and healthy nutrition oriented activity in one of the community’s sports ready yards. This activity was meant to gather, mainly, middle-aged people from a Romanian rural community and teach them about the benefits that sports have on both their mental and physical health and on how sporting activities can be used to bring people from a community closer together. Three trainers were made available for this event, so that the participants would get the best possible experience physically and so that they could have the best access possible to correct information and good sports/nutrition practices. b) Sports Awareness Day in Poiana Țapului A group of young participants have taken part in sporting activities meant to teach them about sporting conduct, fairplay, and safe physical activities. The day culminated with a football match. (dacă datele dvs. de antrenament sunt fișiere csv) sau semistructură (dacă datele dvs. de antrenament sunt semi-structură [de exemplu, fișiere PDF]) pe baza formatului dvs. de introducere a datelor.
- Q04 Limbă – O selecție derulantă, alegând limba documentelor din lista acceptată. Vă rugăm să rețineți că, în prezent, numai limba engleză este acceptată dacă formatul dvs. de intrare este semistructură.
- Q05MultiClass – O selecție drop-down, selectați da dacă intrarea dvs. este modul MultiClass. În caz contrar, selectați Nu..
- Q06LabelDelimiter – Este necesar doar dacă răspunsul dvs. Q05MultiClass este Nu.. Acest delimitator este folosit în datele de antrenament pentru a separa fiecare clasă.
- Q07ValidationDataset – O selecție drop-down, la care schimbați răspunsul da dacă doriți să testați performanța clasificatorului antrenat cu propriile date de testare.
- Q08S3ValidationPath – Este necesar doar dacă răspunsul dvs. Q07ValidationDataset este da.
- Q09Raport de performanță – O selecție drop-down, selectați da dacă doriți să generați raportul de performanță la nivel de clasă după formarea modelului. Raportul va fi salvat în compartimentul de ieșire specificat de dvs. în Q02ClassifierOutputBucketName.
- Q10Notificare prin e-mail – O selecție drop-down. Selectați da dacă doriți să primiți o notificare după ce modelul este antrenat.
- Q11ID e-mail – Introduceți o adresă de e-mail validă pentru a primi notificarea raportului de performanță. Vă rugăm să rețineți că trebuie să confirmați abonamentul din e-mail după lansarea stivei AWS CloudFormation, înainte de a putea primi o notificare când antrenamentul este finalizat.
- În secțiunea Opțiuni de stivă Amazon Configure, adăugați etichete opționale, permisiuni și alte setări avansate.
- Alege Pagina Următoare →
- Examinați detaliile stivei și selectați Recunosc Formarea AWS Cloud ar putea crea AWS IAM resurse.
- Alege Trimite mesaj. Acest lucru inițiază implementarea conductei în contul dvs. AWS.
- După ce stiva este implementată cu succes, puteți începe să utilizați pipeline. Creeaza o
/training-data
folder sub locația Amazon S3 specificată pentru introducere. Notă: Amazon S3 aplică automat criptarea server-side (SSE-S3) pentru fiecare obiect nou, cu excepția cazului în care specificați o opțiune de criptare diferită. Vă rugăm să consultați Protecția datelor în Amazon S3 pentru mai multe detalii despre protecția și criptarea datelor în Amazon S3.
- Încărcați datele de antrenament în dosar. (Dacă datele de antrenament sunt semi-structură, atunci încărcați toate fișierele PDF înainte de a încărca informațiile de etichetă în format .csv).
Ai terminat! V-ați implementat cu succes conducta și puteți verifica starea conductei în funcția de pas implementat. (Veți avea un model instruit în panoul dvs. de clasificare personalizată Amazon Comprehend).
Daca alegi modelul si varianta acestuia in interior Amazon Comprehend Consolă, apoi puteți vedea acum mai multe detalii despre modelul pe care tocmai l-ați antrenat. Include modul pe care îl selectați, care corespunde opțiunii Q05MultiClass, numărul de etichete și numărul de documente instruite și de testare din datele dvs. de antrenament. De asemenea, puteți verifica performanța generală mai jos; totuși, dacă doriți să verificați performanța detaliată pentru fiecare clasă, vă rugăm să consultați Raportul de performanță generat de pipeline-ul implementat.
Cote de servicii
Contul dvs. AWS are cote implicite pentru Amazon Comprehend și AmazonTextract, dacă intrările sunt în format semistructură. Pentru a vizualiza cotele de servicii, vă rugăm să consultați aici pentru Amazon Comprehend și aici pentru AmazonTextract.
A curăța
Pentru a evita costurile curente, ștergeți resursele pe care le-ați creat ca parte a acestei soluții când ați terminat.
- Pe Amazon S3 console, ștergeți manual conținutul din compartimentele pe care le-ați creat pentru datele de intrare și de ieșire.
- Pe Formarea AWS Cloud consola, alege Stive în panoul de navigare.
- Selectați stiva principală și alegeți Șterge.
Acest lucru șterge automat stiva implementată.
- Esti antrenat Amazon Comprehend modelul de clasificare personalizat va rămâne în contul dvs. Dacă nu mai ai nevoie, în Amazon Comprehend console, ștergeți modelul creat.
Concluzie
În această postare, v-am arătat conceptul unui canal de instruire scalabil pentru Amazon Comprehend modele de clasificare personalizate și oferind o soluție automată pentru antrenarea eficientă a modelelor noi. The Formarea AWS Cloud șablonul furnizat vă permite să vă creați propriile modele de clasificare a textului fără efort, satisfăcând scalele cererii. Soluția adoptă caracteristica Euclid anunțată recent și acceptă intrări în format text sau semistructurat.
Acum, vă încurajăm, cititorii noștri, să testați aceste instrumente. Puteți găsi mai multe detalii despre pregătirea datelor de antrenament și înțelegeți valorile personalizate ale clasificatorului. Încercați-l și vedeți direct cum vă poate eficientiza procesul de formare a modelului și îmbunătăți eficiența. Vă rugăm să ne împărtășiți feedback-ul dvs.!
Despre Autori
Sandeep Singh este un senior Data Scientist cu AWS Professional Services. Este pasionat de a ajuta clienții să inoveze și să-și atingă obiectivele de afaceri prin dezvoltarea de soluții de ultimă generație bazate pe AI/ML. În prezent, el se concentrează pe IA generativă, LLM-uri, inginerie promptă și scalarea învățării automate în cadrul întreprinderilor. El aduce progrese recente ale inteligenței artificiale pentru a crea valoare pentru clienți.
Yanyan Zhang este Senior Data Scientist în echipa Energy Delivery cu AWS Professional Services. Este pasionată de a ajuta clienții să rezolve probleme reale cu cunoștințele AI/ML. Recent, accentul ei s-a concentrat pe explorarea potențialului AI generativ și LLM. În afara serviciului, îi place să călătorească, să se antreneze și să exploreze lucruri noi.
Wrick Talukdar este arhitect senior cu echipa Amazon Comprehend Service. El lucrează cu clienții AWS pentru a-i ajuta să adopte învățarea automată la scară largă. În afara serviciului, îi place să citească și să fotografieze.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. Automobile/VE-uri, carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- ChartPrime. Crește-ți jocul de tranzacționare cu ChartPrime. Accesați Aici.
- BlockOffsets. Modernizarea proprietății de compensare a mediului. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/build-a-classification-pipeline-with-amazon-comprehend-custom-classification-part-i/
- :are
- :este
- $UP
- 1
- 100
- 11
- 15%
- 2023
- 24
- 26%
- 7
- 9
- a
- Capabil
- Despre Noi
- acceptă
- acces
- Conform
- Cont
- Obține
- recunoaște
- peste
- activ
- adăuga
- adresa
- adresat
- adopta
- avansat
- progresele
- Avantaj
- După
- AI
- AI / ML
- Algoritmul
- TOATE
- permite
- deja
- de asemenea
- Amazon
- Amazon Comprehend
- Amazon Web Services
- an
- analiză
- analiza
- și
- a anunțat
- răspunde
- mai
- api
- aplicație
- se aplică
- SUNT
- AS
- aspecte
- alocate
- At
- audio
- audit
- Automata
- Automat
- în mod automat
- automatizarea
- disponibil
- evita
- departe
- AWS
- Formarea AWS Cloud
- AWS Lambdas
- Servicii profesionale AWS
- de bază
- bazat
- BBC
- BE
- fost
- înainte
- comportament
- fiind
- aparține
- de mai jos
- Beneficiile
- bespoke
- Mai bine
- între
- Mare
- Blog
- Aduce
- Navigare
- construi
- afaceri
- întreprinderi
- dar
- buton
- by
- denumit
- apel
- CAN
- caz
- cazuri
- categorii
- categorizând
- Categorii
- Schimbare
- Modificări
- taxe
- verifica
- Verificări
- Alege
- alegere
- clasă
- clase
- clasificare
- clasificate
- Clasifica
- clar
- clic
- colecta
- Coloană
- Coloane
- competitiv
- plângeri
- Completă
- Terminat
- complexitate
- conformitate
- înţelege
- Compus
- concept
- Confirma
- confuzie
- Conexiuni
- Consoleze
- conține
- conţinut
- conținut
- contexte
- corespunde
- A costat
- ar putea
- crea
- A crea valoare
- a creat
- Crearea
- În prezent
- personalizat
- client
- Relații Clienți
- clienţii care
- de date
- protejarea datelor
- om de știință de date
- dedicat
- Mod implicit
- definit
- defineste
- definiție
- livrare
- Deloitte
- Cerere
- demonstrează
- În funcție
- implementa
- dislocate
- desfășurarea
- descris
- detaliu
- detaliat
- detalii
- determinat
- în curs de dezvoltare
- Dezvoltare
- diferit
- dificil
- document
- documente
- Dolar
- domeniu
- domenii
- făcut
- Dont
- jos
- e
- fiecare
- mai ușor
- cu ușurință
- Margine
- eficiență
- eficient
- efort
- Eforturile
- oricare
- permite
- încuraja
- criptare
- energie
- angajament
- Inginerie
- Engleză
- spori
- asigura
- Intrați
- Companii
- esenţial
- Europa
- Fiecare
- exemplu
- scump
- Explorarea
- A eșuat
- Caracteristică
- feedback-ul
- puțini
- Figura
- Fișier
- Fişiere
- În cele din urmă
- Găsi
- firme
- First
- montaj
- Concentra
- concentrat
- următor
- Pentru
- format
- din
- funcţie
- funcții
- viitor
- genera
- generată
- generează
- generativ
- AI generativă
- Da
- La nivel global
- guvernare
- treptat
- Avea
- având în
- he
- ajutor
- ajutor
- ajută
- ei
- Cum
- Cum Pentru a
- Totuși
- HTML
- HTTPS
- uman
- i
- identifica
- if
- in
- include
- inclus
- include
- Crește
- indicată
- informații
- inițială
- Initiaza
- inova
- intrare
- intrări
- în interiorul
- perspective
- interese
- în
- introduce
- invocat
- probleme de
- IT
- ESTE
- Loc de munca
- jpg
- JSON
- doar
- Cheie
- cunoştinţe
- Etichetă
- etichete
- muncă
- limbă
- mare
- Nume
- a lansat
- lansare
- AFLAȚI
- învăţare
- cel mai puțin
- ca
- Linie
- Listă
- LLM
- situat
- locaţie
- blocat
- mai lung
- Lot
- iubeste
- LOWER
- maşină
- masina de învățare
- făcut
- Principal
- Majoritate
- FACE
- manual
- manual
- multe
- Hartă
- Matrice
- Mai..
- Mass-media
- Întâlni
- ar putea
- minute
- mod
- model
- Modele
- moduri de
- bani
- Monitorizarea
- mai mult
- cele mai multe
- Munte
- mult
- multiplu
- trebuie sa
- nume
- nume
- îngust
- Navigare
- necesar
- Nevoie
- necesar
- Nou
- ştiri
- următor
- nlp
- Nu.
- notificare
- acum
- număr
- obiect
- Obiectivele
- of
- on
- ONE
- în curs de desfășurare
- afară
- Opțiune
- Opţiuni
- or
- organizație
- organizații
- Altele
- in caz contrar
- al nostru
- afară
- producție
- exterior
- peste
- global
- propriu
- pagină
- pâine
- panou
- parametrii
- parte
- în special
- trece
- pasionat
- cale
- oameni
- pentru
- performanță
- permisiuni
- fotografie
- conducte
- Plato
- Informații despre date Platon
- PlatoData
- "vă rog"
- Politicile
- Politica
- politică
- posibil
- Post
- potenţial
- alimentat
- preferinţele
- Pregăti
- pregătit
- Problemă
- probleme
- proces
- procese
- prelucrare
- Produs
- profesional
- Programare
- protecţie
- furniza
- prevăzut
- furnizarea
- Piton
- calitate
- repede
- cititori
- Citind
- real
- a primi
- primire
- recent
- recent
- trimite
- regiune
- autoritățile de reglementare
- Respectarea reglementărilor
- legate de
- rămâne
- raportează
- Raportat
- depozit
- necesar
- Cerinţe
- resursă
- Resurse
- Răspunde
- REZULTATE
- Returnează
- dreapta
- norme
- Alerga
- acelaşi
- Economisiți
- salvate
- scalabilitate
- scalabil
- Scară
- cântare
- scalare
- Om de stiinta
- zgâria
- Caută
- Al doilea
- Secțiune
- vedea
- selecţie
- senior
- trimis
- distinct
- serie
- serviciu
- Servicii
- set
- instalare
- setări
- Distribuie
- ea
- Pantaloni scurți
- să
- a arătat
- indicat
- semnificativ
- semnifica
- simplu
- singur
- situație
- Social
- social media
- soluţie
- soluţii
- REZOLVAREA
- unele
- Sursă
- Surse
- specific
- specificată
- Sportul
- stivui
- Etapă
- Stadiile
- standarde
- Începe
- începe
- de ultimă oră
- Stare
- Pas
- paşi
- depozitare
- stoca
- simplifica
- abonați
- abonament
- Ulterior
- Reușit
- astfel de
- a sustine
- Suportat
- Sprijină
- Sondaj de opinie
- TAG
- adaptate
- Lua
- Sarcină
- echipă
- tech
- tehnici de
- Tehnologia
- șablon
- test
- a) Sport and Nutrition Awareness Day in Manasia Around XNUMX people from the rural commune Manasia have participated in a sports and healthy nutrition oriented activity in one of the community’s sports ready yards. This activity was meant to gather, mainly, middle-aged people from a Romanian rural community and teach them about the benefits that sports have on both their mental and physical health and on how sporting activities can be used to bring people from a community closer together. Three trainers were made available for this event, so that the participants would get the best possible experience physically and so that they could have the best access possible to correct information and good sports/nutrition practices. b) Sports Awareness Day in Poiana Țapului A group of young participants have taken part in sporting activities meant to teach them about sporting conduct, fairplay, and safe physical activities. The day culminated with a football match.
- Clasificarea textului
- decât
- acea
- Sursa
- lor
- Lor
- apoi
- Acestea
- ei
- lucruri
- acest
- mii
- trei
- Prin
- timp
- consumă timp
- la
- Unelte
- subiecte
- Tren
- dresat
- Pregătire
- Traveling
- Tendinţe
- declanşa
- încerca
- Două
- tip
- descoperi
- în
- înţelege
- unic
- neexploatat
- până la
- încărcat
- Se încarcă
- us
- utilizare
- carcasa de utilizare
- utilizat
- Utilizator
- utilizatorii
- utilizări
- folosind
- Valoros
- valoare
- varietate
- versiune
- Vizualizare
- vrea
- Cale..
- we
- web
- servicii web
- website
- cand
- care
- în timp ce
- întreg
- voi
- cu
- în
- fără
- Apartamente
- flux de lucru
- fluxuri de lucru
- de lucru
- lucrează
- fabrică
- Tu
- Ta
- zephyrnet
- Zip