Determinarea valorii locuințelor este un exemplu clasic de utilizare a învățării automate (ML). O influență semnificativă a avut-o Harrison și Rubinfeld (1978), care au publicat o lucrare inovatoare și un set de date care au devenit cunoscute informal ca setul de date privind locuințele din Boston. Această lucrare fundamentală a propus o metodă de estimare a prețurilor locuințelor în funcție de numeroase dimensiuni, inclusiv calitatea aerului, care a fost principalul obiectiv al cercetării lor. Aproape 50 de ani mai târziu, estimarea prețurilor locuințelor a devenit un instrument de predare important pentru studenții și profesioniștii interesați să folosească datele și ML în luarea deciziilor în afaceri.
În această postare, discutăm despre utilizarea unui model open-source conceput special pentru sarcina de răspuns vizual la întrebări (VQA). Cu VQA, puteți pune o întrebare despre o fotografie folosind un limbaj natural și puteți primi un răspuns la întrebarea dvs., de asemenea, într-un limbaj simplu. Scopul nostru în această postare este să inspirăm și să demonstrăm ce este posibil folosind această tehnologie. Vă propunem utilizarea acestei capacități cu Amazon SageMaker platformă de servicii pentru a îmbunătăți acuratețea modelului de regresie într-un caz de utilizare ML și, în mod independent, pentru etichetarea automată a imaginilor vizuale.
Oferim o corespondență Video de pe YouTube care demonstrează ceea ce se discută aici. Redarea video va începe la jumătatea drumului pentru a evidenția cel mai important punct. Vă sugerăm să urmați această lectură cu videoclipul pentru a consolida și a obține o înțelegere mai bogată a conceptului.
Modele de fundație
Această soluție se concentrează pe utilizarea unui model de fundație publicat în depozitul de modele Hugging Face. Aici, folosim termenul model de fundație pentru a descrie o capacitate de inteligență artificială (AI) care a fost pre-antrenată pe un corp mare și divers de date. Modelele de fundație pot fi uneori gata de utilizare fără sarcina de a antrena un model de la zero. Unele modele de fundație pot fi ajustate, ceea ce înseamnă să le înveți modele suplimentare care sunt relevante pentru afacerea ta, dar care lipsesc din modelul original, publicat generalizat. O ajustare fină este uneori necesară pentru a oferi răspunsuri corecte, care sunt unice pentru cazul dvs. de utilizare sau pentru corpul dvs. de cunoștințe.
În Fata îmbrățișată depozit, există mai multe modele VQA din care să alegeți. Am selectat modelul cu cele mai multe descărcări la momentul scrierii acestui articol. Deși această postare demonstrează capacitatea de a utiliza un model dintr-un depozit de modele open-source, același concept s-ar aplica unui model pe care l-ați antrenat de la zero sau folosit de la un alt furnizor de încredere.
O abordare modernă a unui caz de utilizare clasic
Estimarea prețului casei a avut loc în mod tradițional prin intermediul datelor tabelare în care caracteristicile proprietății sunt utilizate pentru a informa prețul. Deși pot exista sute de caracteristici de luat în considerare, câteva exemple fundamentale sunt dimensiunea locuinței în spațiul finit, numărul de dormitoare și băi și locația reședinței.
Învățarea automată este capabilă să încorporeze diverse surse de intrare dincolo de datele tabelare, cum ar fi audio, imagini statice, video în mișcare și limbaj natural. În AI, termenul multimodal se referă la utilizarea unei varietăți de tipuri de media, cum ar fi imagini și date tabelare. În această postare, vă arătăm cum să folosiți datele multimodale pentru a găsi și a elibera valoarea ascunsă blocată în abundența de evacuare digitală produsă de lumea modernă de astăzi.
Având în vedere această idee, demonstrăm utilizarea modelelor de fundație pentru a extrage caracteristici latente din imaginile proprietății. Utilizând perspective găsite în imagini, care nu erau disponibile anterior în datele tabulare, putem îmbunătăți acuratețea modelului. Atât imaginile, cât și datele tabelare discutate în această postare au fost inițial disponibile și publicate pentru GitHub de Ahmed și Moustafa (2016).
O imagine este în valoare de o mie de cuvinte
Acum că înțelegem capacitățile VQA, să luăm în considerare următoarele două imagini ale bucătăriilor. Cum ați evalua valoarea casei din aceste imagini? Care sunt câteva întrebări pe care ți le-ai pune? Fiecare imagine poate atrage zeci de întrebări în mintea ta. Unele dintre aceste întrebări pot duce la răspunsuri semnificative care îmbunătățesc procesul de evaluare a casei.
Fotografii credite Francesca Tosolini (L) și Sidekix Media (R) pe Unsplash
Următorul tabel oferă exemple anecdotice de interacțiuni VQA, arătând întrebări alături de răspunsurile corespunzătoare. Răspunsurile pot veni sub formă de răspunsuri categorice, cu valoare continuă sau binare.
Exemplu de întrebare | Exemplu de răspuns din modelul fundației |
Din ce sunt făcute blaturile? | granit, țiglă, marmură, laminat etc. |
Este aceasta o bucătărie scumpă? | da nu |
Câte chiuvete separate sunt? | 0, 1, 2 |
Arhitectura de referinta
În această postare, folosim Amazon SageMaker Data Wrangler pentru a pune un set uniform de întrebări vizuale pentru mii de fotografii din setul de date. SageMaker Data Wrangler este conceput special pentru a simplifica procesul de pregătire a datelor și de inginerie a caracteristicilor. Prin furnizarea a peste 300 de transformări încorporate, SageMaker Data Wrangler ajută la reducerea timpului necesar pentru pregătirea datelor tabulare și imagini pentru ML de la săptămâni la minute. Aici, SageMaker Data Wrangler combină caracteristicile de date din setul tabel original cu caracteristici născute din fotografii din modelul de bază pentru antrenamentul modelului.
În continuare, construim un model de regresie folosind Amazon SageMaker Canvas. SageMaker Canvas poate construi un model, fără a scrie niciun cod și poate oferi rezultate preliminare în doar 2-15 minute. În secțiunea care urmează, oferim o arhitectură de referință utilizată pentru a face posibilă această îndrumare a soluției.
Multe modele populare de la Hugging Face și alți furnizori sunt implementate cu un singur clic Amazon SageMaker JumpStart. Există sute de mii de modele disponibile în aceste depozite. Pentru această postare, alegem un model care nu este disponibil în SageMaker JumpStart, care necesită o implementare de către client. După cum se arată în figura următoare, implementăm un model Hugging Face pentru inferență folosind un Amazon SageMaker Studio caiet. Notebook-ul este folosit pentru a implementa un punct final pentru inferențe în timp real. Notebook-ul folosește elemente care includ modelul binar Hugging Face, un pointer către o imagine de container și un script inference.py creat special, care se potrivește cu intrarea și ieșirea așteptată a modelului. Pe măsură ce citiți acest lucru, combinația de modele VQA disponibile se poate schimba. Important este să revizuiți modelele VQA disponibile, în momentul în care citiți acest lucru și să fiți pregătit să implementați modelul pe care îl alegeți, care va avea propriul contract de solicitare și răspuns API.
După ce modelul VQA este deservit de punctul final SageMaker, folosim SageMaker Data Wrangler pentru a orchestra conducta care în cele din urmă combină datele tabulare și caracteristicile extrase din imaginile digitale și remodelăm datele pentru antrenamentul modelului. Următoarea figură oferă o vedere a modului în care se rulează jobul de transformare a datelor la scară largă.
În figura următoare, folosim SageMaker Data Wrangler pentru a orchestra sarcinile de pregătire a datelor și SageMaker Canvas pentru antrenamentul modelului. În primul rând, folosește SageMaker Data Wrangler Serviciul de localizare Amazon pentru a converti codurile poștale disponibile în datele brute în caracteristici de latitudine și longitudine. În al doilea rând, SageMaker Data Wrangler este capabil să coordoneze trimiterea a mii de fotografii către un punct final găzduit de SageMaker pentru inferențe în timp real, punând un set uniform de întrebări pe scenă. Rezultă o gamă bogată de caracteristici care descriu caracteristicile observate în bucătării, băi, exteriorul casei și multe altele. După ce datele au fost pregătite de SageMaker Data Wrangler, un set de date de antrenament este disponibil în Serviciul Amazon de stocare simplă (Amazon S3). Folosind datele S3 ca intrare, SageMaker Canvas este capabil să antreneze un model, în doar 2-15 minute, fără a scrie niciun cod.
Transformarea datelor folosind SageMaker Data Wrangler
Următoarea captură de ecran arată un flux de lucru SageMaker Data Wrangler. Fluxul de lucru începe cu mii de fotografii ale caselor stocate în Amazon S3. Apoi, un detector de scenă determină scena, cum ar fi bucătărie sau baie. În cele din urmă, un set de întrebări specifice scenei sunt adresate imaginilor, rezultând un set de date mai bogat, tabelar, disponibil pentru antrenament.
Următorul este un exemplu de cod de transformare personalizat SageMaker Data Wrangler utilizat pentru a interacționa cu modelul de fundație și pentru a obține informații despre imaginile bucătăriilor. În captura de ecran precedentă, dacă ar fi să alegeți nodul de caracteristici ale bucătăriei, ar apărea următorul cod:
Ca o considerație de securitate, trebuie mai întâi să activați SageMaker Data Wrangler să apeleze punctul final SageMaker în timp real prin Gestionarea identității și accesului AWS (EU SUNT). În mod similar, orice resurse AWS pe care le invocați prin SageMaker Data Wrangler vor avea nevoie de permisiuni similare.
Structuri de date înainte și după SageMaker Data Wrangler
În această secțiune, discutăm structura datelor tabelare originale și a datelor îmbunătățite. Datele îmbunătățite conțin noi caracteristici de date referitoare la acest exemplu de caz de utilizare. În aplicația dvs., acordați-vă timp pentru a vă imagina setul divers de întrebări disponibile în imaginile dvs. pentru a vă ajuta la sarcina de clasificare sau regresie. Ideea este să vă imaginați cât mai multe întrebări posibil și apoi să le testați pentru a vă asigura că oferă valoare adăugată.
Structura datelor tabelare originale
După cum este descris în sursă GitHub repo, setul de date eșantion conține 535 de înregistrări tabelare, inclusiv patru imagini per proprietate. Următorul tabel ilustrează structura datelor tabelare originale.
Caracteristică | Comentariu |
Numărul de dormitoare | . |
Numar de bai | . |
Suprafață ( picioare pătrate ) | . |
ZIP Code | . |
Preț | Aceasta este variabila țintă care trebuie prevăzută. |
Structura datelor îmbunătățite
Următorul tabel ilustrează structura de date îmbunătățită, care conține câteva caracteristici noi derivate din imagini.
Caracteristică | Comentariu |
Numărul de dormitoare | . |
Numar de bai | . |
Suprafață ( picioare pătrate ) | . |
Latitudine | Calculat prin transmiterea codului poștal original în Amazon Location Service. Aceasta este valoarea centroidului pentru ZIP. |
Longitudine | Calculat prin transmiterea codului poștal original în Amazon Location Service. Aceasta este valoarea centroidului pentru ZIP. |
Dormitorul are tavan boltit? | 0 = nu; 1 = da |
Baia este scumpa? | 0 = nu; 1 = da |
Bucătăria este scumpă? | 0 = nu; 1 = da |
Preț | Aceasta este variabila țintă care trebuie prevăzută. |
Antrenament de model cu SageMaker Canvas
O lucrare de procesare SageMaker Data Wrangler pregătește complet și face disponibil întregul set de date de antrenament tabelar în Amazon S3. În continuare, SageMaker Canvas abordează faza de construire a modelului a ciclului de viață ML. Canvasul începe prin deschiderea setului de antrenament S3. A putea înțelege un model este adesea o cerință cheie a clienților. Fără a scrie cod și în câteva clicuri, SageMaker Canvas oferă feedback vizual bogat asupra performanței modelului. După cum se vede în captura de ecran din secțiunea următoare, SageMaker Canvas arată modul în care caracteristicile individuale informează modelul.
Model antrenat cu date tabelare originale și caracteristici derivate din imagini imobiliare
Putem vedea din următoarea captură de ecran că caracteristicile dezvoltate din imaginile proprietății au fost importante. Pe baza acestor rezultate, întrebarea „Este această bucătărie scumpă” din fotografie a fost mai semnificativă decât „numărul de dormitoare” din setul tabel original, cu valori de importanță a caracteristicilor de 7.08 și, respectiv, 5.498.
Următoarea captură de ecran oferă informații importante despre model. În primul rând, graficul rezidual arată majoritatea punctelor din setul grupate în jurul zonei umbrite violet. Aici, două valori aberante au fost adnotate manual în afara SageMaker Canvas pentru această ilustrație. Aceste valori aberante reprezintă decalaje semnificative între valoarea reală a locuinței și valoarea prezisă. În plus, R2 valoarea, care are un interval posibil de 0–100%, este afișată la 76%. Acest lucru indică faptul că modelul este imperfect și nu are suficiente puncte de informații pentru a ține cont pe deplin de toată varietatea pentru a estima pe deplin valorile casei.
Putem folosi valori aberante pentru a găsi și a propune semnale suplimentare pentru a construi un model mai cuprinzător. De exemplu, aceste proprietăți excepționale pot include o piscină sau pot fi situate pe loturi mari de teren. Setul de date nu a inclus aceste caracteristici; cu toate acestea, este posibil să puteți găsi aceste date și să antrenați un nou model cu „are piscină” inclus ca o caracteristică suplimentară. În mod ideal, la următoarea încercare, R2 valoarea ar crește, iar valorile MAE și RMSE ar scădea.
Model antrenat fără caracteristici derivate din imagini imobiliare
În cele din urmă, înainte de a trece la următoarea secțiune, să explorăm dacă caracteristicile din imagini au fost utile. Următoarea captură de ecran oferă un alt model antrenat SageMaker Canvas fără caracteristicile modelului VQA. Vedem că rata de eroare a modelului a crescut, de la un RMSE de 282K la un RMSE de 352K. Din aceasta, putem concluziona că trei întrebări simple din imagini au îmbunătățit acuratețea modelului cu aproximativ 20%. Nu este afișat, dar pentru a fi complet, R2 valoarea pentru următorul model sa deteriorat, de asemenea, scăzând la o valoare de 62% de la o valoare de 76% cu caracteristicile VQA furnizate. Acesta este un exemplu al modului în care SageMaker Canvas simplifică experimentarea și utilizarea rapidă a unei abordări bazate pe date, care oferă un model care să răspundă nevoilor dvs. de afaceri.
Privind înainte
Multe organizații devin din ce în ce mai interesate de modelele de fundație, mai ales că transformatoarele generale pre-antrenate (GPT) au devenit oficial un subiect de interes general în decembrie 2022. O mare parte a interesului pentru modelele de fundație se concentrează pe sarcinile de modele lingvistice mari (LLM). ; cu toate acestea, există și alte cazuri de utilizare diverse disponibile, cum ar fi viziunea computerizată și, mai restrâns, sarcina specializată VQA descrisă aici.
Această postare este un exemplu pentru a inspira utilizarea datelor multimodale pentru a rezolva cazurile de utilizare din industrie. Deși am demonstrat utilizarea și beneficiul VQA într-un model de regresie, acesta poate fi, de asemenea, utilizat pentru a eticheta și eticheta imagini pentru căutarea ulterioară sau rutarea fluxului de lucru de afaceri. Imaginați-vă că puteți căuta proprietăți listate pentru vânzare sau închiriere. Să presupunem că doriți să găsiți o proprietate cu podea cu gresie sau blaturi de marmură. Astăzi, s-ar putea să trebuiască să obțineți o listă lungă de proprietăți candidate și să vă filtrați după vedere pe măsură ce răsfoiți fiecare candidat. În schimb, imaginați-vă că puteți filtra înregistrările care conțin aceste caracteristici, chiar dacă o persoană nu le-a etichetat în mod explicit. În industria asigurărilor, imaginați-vă capacitatea de a estima daunele solicitate sau de a direcționa următoarele acțiuni într-un flux de lucru de afaceri din imagini. În platformele de social media, fotografiile ar putea fi etichetate automat pentru utilizare ulterioară.
Rezumat
Această postare a demonstrat cum să utilizați viziunea computerizată activată de un model de fundație pentru a îmbunătăți un caz de utilizare clasic ML folosind platforma SageMaker. Ca parte a soluției propuse, am localizat un model popular VQA disponibil într-un registru de model public și l-am implementat folosind un punct final SageMaker pentru inferență în timp real.
Apoi, am folosit SageMaker Data Wrangler pentru a orchestra un flux de lucru în care au fost puse întrebări uniforme imaginilor pentru a genera un set bogat de date tabulare. În cele din urmă, am folosit SageMaker Canvas pentru a antrena un model de regresie. Este important de reținut că setul de date eșantion a fost foarte simplu și, prin urmare, imperfect prin proiectare. Chiar și așa, SageMaker Canvas face ușor de înțeles acuratețea modelului și de a căuta semnale suplimentare pentru a îmbunătăți acuratețea unui model de bază.
Sperăm că această postare v-a încurajat să utilizați datele multimodale pe care organizația dvs. le poate deține. În plus, sperăm că postarea v-a inspirat să considerați formarea modelului ca un proces iterativ. Un model grozav poate fi realizat cu puțină răbdare. Modelele care sunt aproape perfecte pot fi prea bune pentru a fi adevărate, poate ca rezultat al scurgerii țintei sau al supraajustării. Un scenariu ideal ar începe cu un model care este bun, dar nu perfect. Folosind erori, pierderi și diagrame reziduale, puteți obține semnale de date suplimentare pentru a crește acuratețea din estimarea inițială de referință.
AWS oferă cel mai larg și mai profund set de servicii ML și infrastructură cloud de sprijin, punând ML în mâinile fiecărui dezvoltator, cercetător de date și practician expert. Dacă sunteți curios să aflați mai multe despre platforma SageMaker, inclusiv SageMaker Data Wrangler și SageMaker Canvas, vă rugăm să contactați echipa de cont AWS și să începeți o conversație. De asemenea, vă recomandăm să citiți mai multe despre SageMaker Data Wrangler transformări personalizate.
Referinte
Ahmed, EH și Moustafa, M. (2016). Estimarea prețului casei din caracteristici vizuale și textuale. IJCCI 2016-Proceedings of the 8th International Joint Conference on Computational Intelligence, 3, 62–68.
Harrison Jr, D. și Rubinfeld, DL (1978). Prețurile hedonice ale locuințelor și cererea de aer curat. Jurnal de economie și management de mediu, 5(1), 81-102.
Kim, W., Son, B. și Kim, I.. (2021). ViLT: Transformator de viziune și limbaj fără convoluție sau supraveghere regională. Proceedings of the 38th International Conference on Machine Learning, in Proceedings of Machine Learning Research. 139:5583-5594.
Despre autor
Charles Laughlin este arhitect principal de soluții AI/ML Specialist și lucrează în echipa de service Amazon SageMaker la AWS. El ajută la modelarea foii de parcurs pentru servicii și colaborează zilnic cu diverși clienți AWS pentru a ajuta la transformarea afacerilor lor folosind tehnologii AWS de ultimă oră și lider de gândire. Charles deține un MS în managementul lanțului de aprovizionare și un doctorat. în Data Science.
- 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. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :are
- :este
- :nu
- :Unde
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 ani
- 7
- 8
- 8
- a
- capacitate
- Capabil
- Despre Noi
- abundent
- acces
- Cont
- precizie
- realizat
- acțiuni
- Suplimentar
- În plus,
- adrese
- După
- Ahmed
- AI
- AI / ML
- AIR
- TOATE
- permite
- aproape
- pe langa
- de asemenea
- Cu toate ca
- Amazon
- Amazon SageMaker
- Amazon Web Services
- amp
- an
- și
- O alta
- răspunde
- răspunsuri
- Orice
- api
- apărea
- aplicație
- Aplică
- abordare
- arhitectură
- SUNT
- în jurul
- Mulțime
- artificial
- inteligență artificială
- Inteligența artificială (AI)
- AS
- cere
- solicitând
- evalua
- Bunuri
- At
- încercare
- audio
- Automata
- disponibil
- AWS
- bazat
- De bază
- BE
- a devenit
- deveni
- devenire
- fost
- înainte
- începe
- fiind
- beneficia
- între
- Dincolo de
- corp
- boston
- atât
- construi
- Clădire
- construit-in
- povară
- afaceri
- întreprinderi
- dar
- by
- apel
- CAN
- candidat
- pânză
- capacități
- capacitate
- capabil
- caz
- cazuri
- tavan
- centrat
- Centre
- lanţ
- Schimbare
- Caracteristici
- Charles
- Alege
- pretinde
- clasic
- clasificare
- curat
- Cloud
- infrastructura cloud
- clustering
- cod
- Coduri
- colaborează
- culoare
- combină
- cum
- Completă
- cuprinzător
- de calcul
- calculator
- Computer Vision
- concept
- încheia
- Conferință
- Lua în considerare
- considerare
- conţine
- Recipient
- conține
- continuu
- contract
- Conversație
- converti
- coordona
- corecta
- Corespunzător
- ar putea
- credit
- curios
- personalizat
- client
- clienţii care
- ultima generație
- zilnic
- de date
- Pregătirea datelor
- știința datelor
- om de știință de date
- set de date
- Structura datelor
- Pe bază de date
- decembrie
- Luarea deciziilor
- scădea
- cea mai adâncă
- livra
- Cerere
- demonstra
- demonstrat
- demonstrează
- implementa
- dislocate
- desfășurarea
- Derivat
- descrie
- descris
- Amenajări
- proiectat
- determină
- dezvoltat
- Dezvoltator
- digital
- Dimensiuni
- discuta
- discutat
- diferit
- do
- face
- Nu
- download-uri
- zeci
- scăparea
- e
- fiecare
- uşor
- Economie
- permite
- activat
- incurajata
- Punct final
- Inginerie
- sporită
- suficient de
- Întreg
- de mediu
- eroare
- Erori
- mai ales
- estima
- etc
- Chiar
- Fiecare
- exemplu
- exemple
- de aşteptat
- scump
- experiment
- expert
- explicit
- explora
- extrage
- Față
- Caracteristică
- DESCRIERE
- feedback-ul
- picioare
- puțini
- Figura
- filtru
- În cele din urmă
- Găsi
- First
- Podea
- Concentra
- urma
- următor
- urmează
- Pentru
- formă
- găsit
- Fundație
- patru
- din
- pe scară largă
- complet
- funcţie
- funcții
- fundamental
- Câştig
- lacune
- General
- genera
- obține
- scop
- bine
- grafic
- mare
- inovatoare
- îndrumare
- mâini
- Avea
- he
- ajutor
- util
- ajută
- aici
- Ascuns
- Evidențiați
- deține
- Acasă
- Case
- speranţă
- găzduit
- casă
- carcasă
- Cum
- Cum Pentru a
- Totuși
- http
- HTTPS
- sute
- i
- idee
- ideal
- ideal
- Identitate
- if
- ilustrează
- imagine
- imagini
- imagina
- import
- importanță
- important
- îmbunătăţi
- îmbunătățit
- in
- include
- inclus
- Inclusiv
- care încorporează
- Crește
- a crescut
- tot mai mult
- independent
- indică
- industrie
- influență
- Informa
- informații
- Infrastructură
- inițială
- intrare
- perspective
- inspira
- inspirat
- in schimb
- asigurare
- Inteligență
- interacţiona
- interacţiuni
- interes
- interesat
- Internațional
- în
- IT
- ESTE
- Loc de munca
- comun
- jpg
- JSON
- Cheie
- Kim
- cunoştinţe
- cunoscut
- Etichetă
- Țară
- limbă
- mare
- mai tarziu
- conduce
- Conducere
- AFLAȚI
- învăţare
- ciclu de viață
- Listă
- listat
- înregistrări
- mic
- LLM
- situat
- locaţie
- blocat
- Lung
- pierderi
- maşină
- masina de învățare
- făcut
- Mainstream
- face
- FACE
- administrare
- manual
- multe
- meciuri
- Mai..
- semnificativ
- mijloace
- Mass-media
- metodă
- La jumătatea drumului
- ar putea
- minte
- minute
- dispărut
- amesteca
- ML
- model
- Modele
- Modern
- mai mult
- cele mai multe
- mişcare
- în mişcare
- trebuie sa
- Natural
- Nevoie
- necesar
- Nou
- Funcții noi
- următor
- Nu.
- nod
- caiet
- număr
- numeroși
- obține
- a avut loc
- of
- promoții
- Oficial
- de multe ori
- on
- afară
- open-source
- de deschidere
- or
- comandă
- organizație
- organizații
- original
- iniţial
- Altele
- al nostru
- afară
- anormal
- producție
- exterior
- propriu
- Hârtie
- parte
- Care trece
- Răbdare
- modele
- pentru
- Perfect
- performanță
- poate
- permisiuni
- persoană
- fază
- Fotografii
- imagine
- poze
- conducte
- Simplu
- platformă
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- "vă rog"
- Punct
- puncte
- piscină
- Popular
- porţiune
- poseda
- posibil
- Post
- a prezis
- preliminar
- pregătire
- Pregăti
- pregătit
- Se pregătește
- în prealabil
- preţ
- Prețuri
- Principal
- Proceedings
- proces
- prelucrare
- Produs
- profesioniști
- proprietăţi
- proprietate
- propune
- propus
- furniza
- prevăzut
- furnizorul
- furnizori
- furnizează
- furnizarea
- public
- publicat
- Punând
- calitate
- întrebare
- Întrebări
- repede
- R
- gamă
- rată
- Crud
- ajunge
- Citeste
- Citind
- gata
- în timp real
- a primi
- înregistrări
- reduce
- referință
- se referă
- regiune
- registru
- consolida
- relativ
- Închiria
- depozit
- reprezenta
- solicita
- cerință
- Necesită
- cercetare
- remodelați
- Reședință
- Resurse
- respectiv
- răspuns
- răspunsuri
- rezultat
- rezultând
- REZULTATE
- reveni
- revizuiască
- Bogat
- mai bogat
- foaie de parcurs
- Traseul
- rutare
- Alerga
- Runtime
- s
- sagemaker
- sare
- acelaşi
- Exemplu de set de date
- scenariu
- scenă
- Ştiinţă
- Om de stiinta
- îra
- scenariu
- Caută
- Al doilea
- Secțiune
- securitate
- vedea
- Căuta
- văzut
- selectate
- trimitere
- servi
- servit
- serviciu
- Servicii
- set
- câteva
- Modela
- Arăta
- indicat
- Emisiuni
- Vedere
- semnalele
- semnificativ
- asemănător
- asemănător
- simplu
- simplifica
- întrucât
- singur
- Mărimea
- So
- Social
- social media
- platforme de socializare
- soluţie
- REZOLVAREA
- unele
- uneori
- fiu
- Sursă
- Surse
- Spaţiu
- specialist
- de specialitate
- specific
- pătrat
- Începe
- Încă
- depozitare
- stocate
- simplu
- structura
- structurile
- Elevi
- ulterior
- astfel de
- sugera
- supraveghere
- livra
- lanțului de aprovizionare
- managementul lanțului de aprovizionare
- De sprijin
- sigur
- tabel
- TAG
- Lua
- ia
- Ţintă
- Sarcină
- sarcini
- Predarea
- echipă
- Tehnologii
- Tehnologia
- durată
- test
- textual
- decât
- acea
- Sursa
- lor
- Lor
- apoi
- Acolo.
- prin urmare
- Acestea
- ei
- lucru
- acest
- aceste
- gândit
- conducerea gândirii
- mie
- mii
- trei
- Prin
- timp
- la
- astăzi
- azi
- de asemenea
- instrument
- subiect
- tradiţional
- Tren
- dresat
- Pregătire
- Transforma
- Transformare
- transformări
- transformator
- transformatoare
- adevărat
- de încredere
- Două
- tip
- Tipuri
- în cele din urmă
- înţelege
- înţelegere
- unic
- Unsplash
- utilizare
- carcasa de utilizare
- utilizat
- utilizări
- folosind
- Utilizand
- Evaluare
- valoare
- valoare adăugată
- Valori
- variabil
- varietate
- foarte
- Video
- Vizualizare
- vizibil
- viziune
- vizual
- W
- vrea
- a fost
- we
- web
- servicii web
- săptămâni
- BINE
- au fost
- Ce
- Ce este
- care
- OMS
- voi
- ferestre
- cu
- în
- fără
- lemn
- Apartamente
- flux de lucru
- fabrică
- lume
- valoare
- ar
- scris
- ani
- randamentele
- Tu
- Ta
- te
- youtube
- zephyrnet
- zero
- Zip