În cartea sa Cartea De ceJudea Pearl pledează pentru predarea principiilor cauzei și efectului mașinilor pentru a le îmbunătăți inteligența. Realizările învățării profunde sunt în esență doar un tip de potrivire a curbei, în timp ce cauzalitatea ar putea fi folosită pentru a descoperi interacțiunile dintre sistemele lumii sub diferite constrângeri fără a testa ipotezele în mod direct. Acest lucru ar putea oferi răspunsuri care ne conduc la AGI (inteligență artificială generalizată).
Această soluție propune un cadru de inferență cauzală folosind rețele bayesiene pentru a reprezenta dependențele cauzale și a trage concluzii cauzale pe baza imaginilor din satelit observate și a datelor experimentale experimentale sub formă de condiții meteorologice și de sol simulate. The studiu de caz este relația cauzală dintre aplicarea de îngrășăminte pe bază de azot și producția de porumb.
Imaginile din satelit sunt procesate folosind produse special create Capacitățile geospațiale Amazon SageMaker și îmbogățit cu personalizat Procesare Amazon SageMaker operațiuni. Motorul de inferență cauzală este implementat cu Inferență asincronă Amazon SageMaker.
În această postare, demonstrăm cum să creați această analiză contrafactuală folosind Amazon SageMaker JumpStart soluții.
Prezentare generală a soluțiilor
Următoarea diagramă prezintă arhitectura pentru fluxul de lucru de la capăt la capăt.
Cerințe preliminare
Ai nevoie de unul Cont AWS pentru a folosi această soluție.
Pentru a rula această soluție JumpStart 1P și pentru a avea infrastructura implementată în contul dvs. AWS, trebuie să creați o Amazon SageMaker Studio exemplu (vezi Integrat la domeniul Amazon SageMaker). Când instanța dvs. Studio este gata, urmați instrucțiunile din SageMaker JumpStart pentru a lansa soluția Crop Yield Counterfactuals.
Rețineți că această soluție este disponibilă în prezent numai în regiunea de vest a SUA (Oregon).
Inferență cauzală
Cauzalitatea se referă la înțelegerea schimbării, dar cum să formalizezi acest lucru în statistici și învățarea automată (ML) nu este un exercițiu trivial.
În acest studiu al randamentului culturilor, azotul adăugat ca îngrășământ și rezultatele randamentului ar putea fi confundate. În mod similar, azotul adăugat ca îngrășământ și rezultatele leșierii azotului ar putea fi de asemenea confundate, în sensul că o cauză comună poate explica asocierea lor. Cu toate acestea, asocierea nu este cauzalitate. Dacă știm ce factori observați confundă asocierea, îi luăm în considerare, dar ce se întâmplă dacă există și alte variabile ascunse responsabile de confuzie? Reducerea cantității de îngrășământ nu va reduce neapărat azotul rezidual; în mod similar, s-ar putea să nu diminueze drastic randamentul, în timp ce condițiile de sol și climatice ar putea fi factorii observați care confundă asocierea. Cum să gestionăm confuzia este problema centrală a inferenței cauzale. O tehnică introdusă de RA Fisher numită studiu randomizat controlat urmărește să spargă posibilele confuzii.
Cu toate acestea, în absența unor studii de control randomizate, este nevoie de inferență cauzală exclusiv din datele observaționale. Există modalități de a conecta întrebările cauzale cu datele din studiile observaționale prin scrierea modelului grafic cauzal pe ceea ce postulăm ca cum se întâmplă lucrurile. Aceasta implică pretenția că traversările corespunzătoare vor capta dependențele corespunzătoare, în timp ce satisface criteriul grafic pentru ignorabilitatea condiționată (în ce măsură putem trata cauzalitatea ca asociere bazată pe ipotezele cauzale). După ce am postulat structura, putem folosi invarianțele implicite pentru a învăța din datele observaționale și pentru a introduce întrebări cauzale, deducând afirmații cauzale fără studii de control randomizate.
Această soluție folosește atât date din studiile control randomizate simulate (RCT), cât și date observaționale din imagini din satelit. O serie de simulări efectuate pe mii de câmpuri și mai mulți ani în Illinois (Statele Unite) sunt utilizate pentru a studia răspunsul porumbului la creșterea ratelor de azot pentru o combinație largă de variații ale vremii și ale solului observate în regiune. Acesta abordează limitarea utilizării datelor de testare limitate în numărul de soluri și ani pe care îi poate explora prin utilizarea simulărilor de culturi ale diferitelor scenarii agricole și geografii. Baza de date a fost calibrată și validată folosind date din peste 400 de studii din regiune. Concentrația inițială de azot în sol a fost stabilită aleatoriu într-un interval rezonabil.
În plus, baza de date este îmbunătățită cu observații din imagini din satelit, în timp ce statisticile zonale sunt derivate din indici spectrale pentru a reprezenta schimbările spațio-temporale ale vegetației, observate în diferite geografii și faze fenologice.
Inferență cauzală cu rețele bayesiene
Modelele cauzale structurale (SCM) folosesc modele grafice pentru a reprezenta dependențele cauzale prin încorporarea atât a intrărilor bazate pe date, cât și a celor umane. Un anumit tip de model cauzal de structură numit rețele bayesiene este propus pentru a modela dinamica fenologiei culturilor folosind expresii probabilistice prin reprezentarea variabilelor ca noduri și a relațiilor dintre variabile ca margini. Nodurile sunt indicatori ai creșterii culturilor, a solului și a condițiilor meteorologice, iar marginile dintre ele reprezintă relații cauzale spațio-temporale. Nodurile părinte sunt parametri legați de câmp (inclusiv ziua de însămânțare și suprafața plantată), iar nodurile secundare sunt valorile randamentului, absorbției de azot și leșierii azotului.
Pentru mai multe informații, consultați secțiunea caracterizarea bazei de date si ghida pentru identificarea stadiilor de creștere a porumbului.
Sunt necesari câțiva pași pentru a construi un model de rețele Bayesian (cu CausalNex) înainte de a-l putea folosi pentru analize contrafactuale și intervenționale. Structura modelului cauzal este inițial învățată din date, în timp ce expertiza în materie (literatură de încredere sau credințe empirice) este utilizată pentru a postula dependențe și independențe suplimentare între variabilele aleatoare și variabilele de intervenție, precum și pentru a afirma că structura este cauzală.
Utilizarea FARA LACRIMI, un algoritm de optimizare continuă pentru învățarea structurii, structura graficului care descrie dependențele condiționate dintre variabile este învățată din date, cu un set de constrângeri impuse marginilor, nodurilor părinte și nodurilor copil care nu sunt permise în modelul cauzal. Aceasta păstrează dependențele temporale dintre variabile. Vezi următorul cod:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
Următorul pas codifică cunoștințele de domeniu în modele și surprinde dinamica fenologiei, evitând în același timp relațiile false. Analiza multicoliniarității, analiza factorilor de variație a inflației și utilizarea importanței caracteristicilor globale SHAP analizele sunt efectuate pentru a extrage perspective și constrângeri asupra variabilelor stresului hidric (expansiune, fenologie și fotosinteză în jurul înfloririi), variabilelor vremii și ale solului, indicilor spectrale și indicatorii pe bază de azot:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Rețelele bayesiene din CausalNex acceptă numai distribuții discrete. Orice caracteristici continue sau caracteristici cu un număr mare de categorii sunt discretizate înainte de a se potrivi în rețeaua Bayesiană:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
După revizuirea structurii, distribuția condițională de probabilitate a fiecărei variabile având în vedere părinții ei poate fi învățată din date, într-un pas numit estimarea probabilității:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
În cele din urmă, structura și probabilitățile sunt utilizate pentru a efectua inferențe observaționale din mers, urmând un determinist. Algoritmul arborelui de joncțiune (JTA) și efectuarea de intervenții folosind face-calcul. Inferență asincronă SageMaker permite plasarea în coadă a cererilor primite și le procesează asincron. Această opțiune este ideală atât pentru scenarii de observație, cât și pentru inferențe contrafactuale, în care procesul nu poate fi paralelizat, luând astfel un timp semnificativ pentru a actualiza probabilitățile în întreaga rețea, deși mai multe interogări pot fi rulate în paralel. Vezi următorul cod:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Pentru mai multe detalii, consultați script de inferență.
Modelul cauzal caiet este un ghid pas cu pas despre rularea pașilor anteriori.
Prelucrarea datelor geospațiale
Locuri de muncă pentru observarea Pământului (EOJ) sunt înlănțuite pentru a achiziționa și transforma imagini din satelit, în timp ce operațiunile special concepute și modelele pre-antrenate sunt utilizate pentru eliminarea norilor, mozaic, operațiuni de matematică a benzilor și reeșantionare. În această secțiune, discutăm mai detaliat etapele procesării geospațiale.
Aria de interes
În figura următoare, poligoane verzi sunt județele selectate, grila portocalie este harta bazei de date (o grilă de celule de 10 x 10 km unde se desfășoară încercări în regiune), iar grila de pătrate în tonuri de gri este de 100 km x 100 km. Grilă de plăci Sentinel-2 UTM.
Fișierele spațiale sunt utilizate pentru a mapa baza de date simulată cu imaginile din satelit corespunzătoare, suprapunând poligoane de celule de 10 km x 10 km care împart statul Illinois (unde se desfășoară încercările în regiune), poligoane de județe și 100 km x 100 km Sentinel- 2 plăci UTM. Pentru a optimiza conducta de procesare a datelor geospațiale, sunt selectate mai întâi câteva plăci Sentinel-2 din apropiere. În continuare, geometriile agregate ale plăcilor și celulelor sunt suprapuse pentru a obține regiunea de interes (RoI). Județele și ID-urile celulelor care sunt pe deplin observate în RoI sunt selectate pentru a forma geometria poligonului transmisă în EOJ.
Interval de timp
Pentru acest exercițiu, ciclul fenologiei porumbului este împărțit în trei etape: stadiile vegetative v5 până la R1 (răsărire, gulerele frunzelor și ciucuri), etapele de reproducere R1 până la R4 (mătase, blister, lapte și aluat) și stadiile reproductive. R5 (dentat) și R6 (maturitate fiziologică). Vizite consecutive prin satelit sunt achiziționate pentru fiecare etapă fenologică într-un interval de timp de 2 săptămâni și o zonă de interes predefinită (județe selectate), permițând analiza spațială și temporală a imaginilor satelitare. Figura următoare ilustrează aceste valori.
Îndepărtarea norilor
Eliminarea cloudului pentru datele Sentinel-2 utilizează un model de segmentare semantică bazat pe ML pentru a identifica norii din imagine, unde pixelii tulburi sunt înlocuiți cu valoarea -9999 (valoare nodata):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
După ce EOJ este creat, ARN-ul este returnat și utilizat pentru a efectua operația ulterioară de geomozaic.
Pentru a obține starea unui job, puteți rula sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomozaic
EOJ geomozaic este folosit pentru a îmbina imaginile de la mai multe vizite prin satelit într-un mozaic mare, prin suprascrierea nodatelor sau a pixelilor transparenți (inclusiv a pixelilor tulburi) cu pixeli de la alte marcaje temporale:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
După ce EOJ este creat, ARN-ul este returnat și utilizat pentru a efectua operația de reeșantionare ulterioară.
reeşantionare
Reeșantionarea este utilizată pentru a reduce rezoluția imaginii geospațiale pentru a se potrivi cu rezoluția măștilor de decupare (redimensionare a rezoluției de 10–30 m):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
După ce EOJ este creat, ARN-ul este returnat și utilizat pentru a efectua operația ulterioară de matematică a benzii.
Matematică de bandă
Operațiile matematice ale benzilor sunt utilizate pentru transformarea observațiilor din mai multe benzi spectrale într-o singură bandă. Include următorii indici spectrali:
- EVI2 – Index de vegetație îmbunătățit pe două benzi
- DGVI – Diferența generalizată a indicelui de vegetație
- NDMI – Indicele de umiditate a diferențelor normalizate
- NDVI – Indicele de vegetație a diferențelor normalizate
- NDWI – Indicele de apă de diferență normalizat
Consultați următorul cod:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Statistici zonale
Indicii spectrale sunt îmbogățiți în continuare folosind Procesare Amazon SageMaker, unde logica personalizată bazată pe GDAL este utilizată pentru a face următoarele:
- Mergeți indici spectrale într-un singur mozaic multicanal
- Reproiectează mozaicul la masca de culturăproiecția lui
- Aplicați masca de decupare și reproiectați mozaicul la CRC-ul poligoanelor de celule
- Calculați statistici zonale pentru poligoane selectate (celule de 10 km x 10 km)
Cu distribuția paralelă a datelor, fișierele manifest (pentru fiecare etapă fenologică a culturii) sunt distribuite în mai multe instanțe folosind ShardedByS3Key
Tipul de distribuție a datelor S3. Pentru mai multe detalii, consultați script de extragere a caracteristicilor.
Prelucrarea geospațială caiet este un ghid pas cu pas despre rularea pașilor anteriori.
Următoarea figură prezintă canalele RGB ale vizitelor consecutive prin satelit, reprezentând etapele vegetative și reproductive ale ciclului fenologiei porumbului, cu (dreapta) și fără (stânga) măști de cultură (CW 20, 26 și 33, 2018 Central Illinois).
În figura următoare, indicii spectrale (NDVI, EVI2, NDMI) de vizite consecutive prin satelit reprezintă etapele vegetative și reproductive ale ciclului fenologiei porumbului (CW 20, 26 și 33, 2018 Central Illinois).
A curăța
Dacă nu mai doriți să utilizați această soluție, puteți șterge resursele pe care le-a creat. După ce soluția este implementată în Studio, alegeți Ștergeți toate resursele pentru a șterge automat toate resursele standard care au fost create la lansarea soluției, inclusiv bucket-ul S3.
Concluzie
Această soluție oferă un model pentru cazurile de utilizare în care inferența cauzală cu rețelele bayesiene este metodologia preferată pentru a răspunde întrebărilor cauzale dintr-o combinație de date și intrări umane. Fluxul de lucru include o implementare eficientă a motorului de inferență, care pune în coadă interogările și intervențiile primite și le procesează asincron. Aspectul modular permite reutilizarea diferitelor componente, inclusiv procesarea geospațială cu operațiuni special concepute și modele pre-antrenate, îmbogățirea imaginilor satelitare cu operațiuni GDAL personalizate și inginerie de caracteristici multimodale (indici spectrale și date tabulare).
În plus, puteți utiliza această soluție ca șablon pentru construirea de modele de culturi cu grilă în care sunt efectuate managementul îngrășămintelor cu azot și analiza politicii de mediu.
Pentru mai multe informații, consultați Șabloane de soluții și urmați ghida pentru a lansa soluția Crop Yield Counterfactuals în Regiunea Vest SUA (Oregon). Codul este disponibil în GitHub repo.
Citatele
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Set de date simulate privind răspunsul porumbului la azot pe mii de câmpuri și mai mulți ani în Illinois,
Date pe scurt, volumul 40, 2022, 107753, ISSN 2352-3409
Resurse utile
Despre Autori
Paul Barna este cercetător senior de date cu laboratoarele de prototipare de învățare automată de la AWS.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :este
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Despre Noi
- realizări
- Cont
- dobândi
- dobândite
- peste
- activ
- adăugat
- plus
- Suplimentar
- adrese
- avocaţi
- După
- AGI
- isi propune
- Algoritmul
- TOATE
- permite
- Cu toate ca
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- printre
- sumă
- analiză
- și
- răspunsuri
- oriunde
- aplicație
- arhitectură
- SUNT
- ZONĂ
- în jurul
- AS
- aspect
- afirmarea
- Asociație
- At
- în mod automat
- disponibil
- evitarea
- AWS
- GRUP
- bazat
- Bayesian
- BE
- înainte
- între
- Albastru
- carte
- Pauză
- larg
- construi
- Clădire
- by
- denumit
- CAN
- capacități
- captura
- capturi
- cazuri
- categorii
- Provoca
- Celule
- central
- legat
- Schimbare
- Modificări
- canale
- copil
- Alege
- revendicare
- creanțe
- Cloud
- cod
- gulere
- combinaţie
- Comun
- componente
- concentrare
- Condiții
- efectuat
- Conectați
- consecutiv
- constrângeri
- continuu
- Control
- controlată
- Corespunzător
- ar putea
- crea
- a creat
- cultură
- În prezent
- curba
- personalizat
- Personalizat-a construit
- ciclu
- de date
- de prelucrare a datelor
- om de știință de date
- Pe bază de date
- Baza de date
- zi
- adânc
- învățare profundă
- demonstra
- dislocate
- Derivat
- detaliu
- detalii
- diferenţă
- direct
- discuta
- distribuite
- distribuire
- distribuții
- împărțit
- domeniu
- drastic
- a desena
- dinamică
- fiecare
- efect
- apariție
- permite
- permițând
- un capăt la altul
- Motor
- Inginerie
- sporită
- îmbogățit
- de mediu
- Politica de mediu
- În esență,
- Exercita
- expansiune
- expert
- expertiză
- Explica
- explora
- expresii
- extensie
- extrage
- factori
- agricultură
- Caracteristică
- DESCRIERE
- puțini
- Domenii
- Figura
- urma
- următor
- Pentru
- formă
- Cadru
- din
- complet
- mai mult
- genera
- geografii
- obține
- GitHub
- dat
- Caritate
- grafic
- Alb-negru
- Verde
- Grilă
- Creștere
- ghida
- manipula
- întâmpla
- Avea
- Ascuns
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- uman
- ideal
- identifica
- identificarea
- Illinois
- imagine
- imagini
- Impactul
- implementarea
- implicite
- import
- importanță
- impusă
- impozant
- in
- include
- Inclusiv
- Intrare
- care încorporează
- crescând
- Indicatorii
- Indici
- informații
- Infrastructură
- inițială
- inițial
- perspective
- instanță
- instrucțiuni
- Inteligență
- interacţiuni
- interes
- intervenţie
- introdus
- IT
- ESTE
- Loc de munca
- Cunoaște
- cunoştinţe
- Labs
- mare
- lansa
- lansare
- conduce
- AFLAȚI
- învățat
- învăţare
- limitare
- Limitat
- literatură
- mai lung
- maşină
- masina de învățare
- Masini
- făcut
- Efectuarea
- administrare
- Hartă
- Martin
- masca
- Măști
- Meci
- matematica
- materie
- scadență
- Îmbina
- Metodologie
- Metrici
- ar putea
- Lapte
- ML
- model
- Modele
- modular
- mai mult
- multiplu
- nume
- NASA
- În apropiere
- în mod necesar
- Nevoie
- reţea
- rețele
- următor
- Nicolas
- nod
- Distribuția nodurilor
- noduri
- număr
- obține
- of
- on
- operaţie
- Operațiuni
- optimizare
- Optimizați
- Opțiune
- Portocaliu
- comandă
- Oregon
- Altele
- Paralel
- parametrii
- părinţi
- special
- Trecut
- Efectua
- Fotosinteză
- conducte
- Plato
- Informații despre date Platon
- PlatoData
- ștecher
- Politica
- Poligon
- posibil
- Post
- preferat
- Principiile
- anterior
- Problemă
- proces
- Procesat
- procese
- prelucrare
- proprietăţi
- proprietate
- propus
- propune
- prototipuri
- furniza
- furnizează
- pur
- Întrebări
- aleator
- randomized
- gamă
- tarife
- gata
- rezonabil
- Roșu
- reduce
- reducerea
- regiune
- relaţie
- Relaţii
- îndepărtare
- înlocuiește
- reprezenta
- reprezentând
- cereri de
- necesar
- Rezoluţie
- Resurse
- răspuns
- responsabil
- revizuite
- RGB
- ROI
- Alerga
- funcţionare
- sagemaker
- satelit
- scenarii
- Om de stiinta
- Secțiune
- segmentarea
- selectate
- senior
- sens
- serie
- set
- câteva
- Emisiuni
- asemănător
- singur
- soluţie
- soluţii
- unele
- spațial
- Spectral
- pătrate
- Etapă
- Stadiile
- standard
- Stat
- Statele
- statistică
- Stare
- Pas
- paşi
- stres
- structura
- studiu
- studio
- Studiu
- subiect
- ulterior
- a sustine
- sisteme
- luare
- Taro
- Predarea
- șablon
- Testarea
- acea
- Graficul
- Statul
- lumea
- lor
- Lor
- astfel
- Acestea
- lucruri
- mii
- trei
- Prin
- de-a lungul
- timp
- la
- împreună
- Tren
- Transforma
- transformare
- transparent
- trata
- proces
- studii
- de încredere
- UCLAs
- descoperi
- în
- înţelegere
- unitate
- Unit
- Statele Unite
- Actualizează
- actualizarea
- us
- utilizare
- validate
- valoare
- diverse
- Vizite
- volum
- Apă
- modalități de
- Vreme
- săptămâni
- BINE
- Vest
- Ce
- care
- în timp ce
- voi
- cu
- în
- fără
- lume
- scris
- X
- ani
- Randament
- randamentele
- Tu
- Ta
- zephyrnet