У каждой организации есть собственный набор стандартов и методов, обеспечивающих безопасность и управление средой AWS. Создатель мудреца Амазонки — это полностью управляемая служба для подготовки данных, создания, обучения и развертывания моделей машинного обучения (МО) для любого варианта использования с полностью управляемой инфраструктурой, инструментами и рабочими процессами. SageMaker предоставляет набор шаблонов для организаций, которые хотят быстро приступить к работе с рабочими процессами машинного обучения и конвейерами непрерывной интеграции и непрерывной доставки (CI/CD) DevOps.
У большинства корпоративных клиентов уже есть хорошо зарекомендовавшая себя практика MLOps со стандартизированной средой — например, стандартизированный репозиторий, инфраструктура и средства безопасности — и они хотят расширить свой процесс MLOps с помощью инструментов AutoML без кода и с минимальным кодом. также. У них также есть много процессов, которые необходимо соблюдать, прежде чем продвигать модель в производство. Они ищут быстрый и простой способ перейти от начальной фазы к воспроизводимой, надежной и, в конечном итоге, масштабируемой операционной фазе, как показано на следующей диаграмме. Для получения дополнительной информации см. Дорожная карта основания MLOps для предприятий с Amazon SageMaker.
Несмотря на то, что в этих компаниях есть надежные команды по обработке данных и MLOps, которые помогают им создавать надежные и масштабируемые конвейеры, они хотят, чтобы их пользователи инструментов AutoML с низким кодом создавали артефакты кода и моделей таким образом, чтобы их можно было интегрировать в их стандартизированные методы, придерживаясь их структуры репозитория кода и с соответствующими проверками, тестами, шагами и утверждениями.
Они ищут механизм для инструментов с низким кодом для создания всего исходного кода для каждого шага задач AutoML (предварительная обработка, обучение и постобработка) в стандартизированной структуре репозитория, которая может предоставить их экспертам по данным возможность просмотра , проверить и изменить рабочий процесс в соответствии со своими потребностями, а затем создать собственный шаблон конвейера, который можно интегрировать в стандартизированную среду (где они определили свой репозиторий кода, инструменты для создания кода и процессы).
В этом посте показано, как добиться повторяемости процесса с помощью таких инструментов с низким кодом, как Amazon SageMaker Автопилот таким образом, чтобы его можно было легко интегрировать в вашу среду, поэтому вам не нужно самостоятельно организовывать этот сквозной рабочий процесс. Мы демонстрируем, как использовать CI/CD код инструментов с малым кодом/без кода, чтобы интегрировать его в вашу среду MLOps, придерживаясь при этом лучших практик MLOps.
Обзор решения
Чтобы продемонстрировать организованный рабочий процесс, мы используем общедоступный Набор данных переписи населения UCI 1994 года о доходах чтобы предсказать, имеет ли человек годовой доход более 50,000 50,000 долларов в год. Это проблема бинарной классификации; варианты переменной целевого дохода: более 50,000 XNUMX долларов или менее XNUMX XNUMX долларов.
В следующей таблице приведены основные компоненты набора данных.
Характеристики набора данных | Многофакторный | Количество экземпляров | 48842 | Площадь | Соцсети |
Характеристики атрибута: | Категориальный, Целочисленный | Количество атрибутов: | 14 | Дата пожертвования | 1996-05-01 |
Связанные задачи: | классификация | Отсутствующие значения? | Да | Количество веб-посещений | 2749715 |
В следующей таблице приведены сведения об атрибутах.
Имя столбца | Описание |
Возраст | Непрерывный |
Рабочий класс | Частный, Self-emp-not-inc, Self-emp-inc, Federal-gov, Local-gov, State-gov, без оплаты, никогда не работал |
фнлвгт | (CIJ) |
образование | Бакалавры, Some-college, 11th, HS-grad, Prof-school, Assoc-acdm, Assoc-voc, 9th, 7-8th, 12th, Masters, 1-4th, 10th, Doctorate, 5th-6th, Preschool. |
образование | (CIJ) |
семейное положение | Женат-гражданская супруга, Разведен, Никогда не состоял в браке, Раздельно, Вдовец, Женат-супруг-отсутствует, Женат-AF-супруга. |
оккупация | ех-сопровождение, Ремесло-ремонт, Прочее-обслуживание, Продажи, Исполнитель-менеджер, Проф-специальность, Обработчики-уборщики, Машино-осмотр, Адм-канцелярия, Фермерство-рыболовство, Транспорт-переезд, Приват-хаус-сервис, Охранная служба, Вооруженные Силы |
отношения | Жена, Собственный ребенок, Муж, Не член семьи, Другой родственник, Неженатый. |
раса | Белый, азиатско-тихоокеанский островитянин, американо-индейско-эскимосский, другой, черный |
секс | Женщина мужчина |
прирост капитала | Непрерывный |
убыток капитала | Непрерывный |
часов в неделю | Непрерывный |
родная страна | США, Камбоджа, Англия, Пуэрто-Рико, Канада, Германия, отдаленные районы США (Гуам-USVI-и т. д.), Индия, Япония, Греция, Юг, Китай, Куба, Иран, Гондурас, Филиппины, Италия, Польша, Ямайка , Вьетнам, Мексика, Португалия, Ирландия, Франция, Доминиканская Республика, Лаос, Эквадор, Тайвань, Гаити, Колумбия, Венгрия, Гватемала, Никарагуа, Шотландия, Таиланд, Югославия, Сальвадор, Тринадад и Тобаго, Перу, Гонконг, Голландия-Нидерланды . |
класс | Класс дохода: <= 50 50 или >= XNUMX XNUMX |
В этом посте мы покажем, как использовать Amazon SageMaker Projects — инструмент, который помогает организациям настраивать и стандартизировать среды для MLOps с помощью инструментов AutoML с малым объемом кода, таких как Autopilot и Обработчик данных Amazon SageMaker.
Автопилот избавляет от тяжелой работы по созданию моделей машинного обучения. Вы просто предоставляете табличный набор данных и выбираете целевой столбец для прогнозирования, а Autopilot автоматически исследует различные решения, чтобы найти лучшую модель. Затем вы можете напрямую развернуть модель в рабочей среде одним щелчком мыши или повторить рекомендуемые решения для дальнейшего улучшения качества модели.
Data Wrangler предоставляет комплексное решение для импорта, подготовки, преобразования, придания характеристик и анализа данных. Вы можете интегрировать процесс подготовки данных Data Wrangler в свои рабочие процессы машинного обучения, чтобы упростить и оптимизировать предварительную обработку данных и разработку функций с минимальным кодированием или вообще без него. Вы также можете добавить свои собственные скрипты и преобразования Python для настройки рабочих процессов. Мы используем Data Wrangler для предварительной обработки набора данных перед отправкой данных в автопилот.
SageMaker Projects помогает организациям настраивать и стандартизировать среды для автоматизации различных этапов жизненного цикла машинного обучения. Хотя блокноты полезны для построения моделей и экспериментов, команде специалистов по обработке данных и инженеров по машинному обучению, совместно использующих код, нужен более масштабируемый способ обеспечения согласованности кода и строгого контроля версий.
Чтобы помочь вам начать работу с общими парадигмами построения и развертывания моделей, SageMaker Projects предлагает набор собственных шаблонов (1P шаблоны). Шаблоны 1P обычно ориентированы на создание ресурсов для построения и обучения моделей. Шаблоны включают проекты, в которых используются собственные сервисы AWS для CI/CD, такие как Сборка кода AWS и Кодовый конвейер AWS. SageMaker Projects может поддерживать предложения пользовательских шаблонов, когда организации используют AWS CloudFormation для запуска стека Terraform и создания ресурсов, необходимых для рабочего процесса машинного обучения.
Организации могут захотеть расширить шаблоны 1P для поддержки вариантов использования, выходящих за рамки простого обучения и развертывания моделей. Пользовательские шаблоны проектов — это способ создать стандартный рабочий процесс для проектов машинного обучения. Вы можете создать несколько шаблонов и использовать Управление идентификацией и доступом AWS (IAM) для управления доступом к этим шаблонам на Студия Amazon SageMaker, гарантируя, что каждый из ваших пользователей получает доступ к проектам, предназначенным для их вариантов использования.
Чтобы узнать больше о проектах SageMaker и создании пользовательских шаблонов проектов в соответствии с рекомендациями, см. Создание собственных шаблонов проектов SageMaker - передовой опыт.
Эти пользовательские шаблоны создаются как Каталог сервисов AWS продукты и предоставляются в виде шаблонов организации в пользовательском интерфейсе Studio. Здесь специалисты по обработке и анализу данных могут выбрать шаблон, а также загрузить и предварительно настроить рабочий процесс машинного обучения. Проекты предоставляются с использованием продуктов каталога сервисов AWS. Шаблоны проектов используются организациями для подготовки проектов для каждой из своих команд.
В этом посте мы покажем, как создать собственный шаблон проекта, чтобы обеспечить сквозной рабочий процесс MLOps с использованием проектов SageMaker, каталога сервисов AWS и Конвейеры Amazon SageMaker интеграция Data Wrangler и Autopilot с людьми в цикле, чтобы облегчить этапы обучения и развертывания модели. Люди в цикле — это разные персонажи, участвующие в практике MLOps, совместно работающие над успешным рабочим процессом сборки и развертывания машинного обучения.
На следующей диаграмме показан сквозной рабочий процесс автоматизации с малым кодом или без кода.
Рабочий процесс включает в себя следующие шаги:
- Команда Ops или Platform запускает шаблон CloudFormation, чтобы настроить предварительные условия, необходимые для подготовки пользовательского шаблона SageMaker.
- Когда шаблон доступен в SageMaker, ведущий специалист по обработке и анализу данных использует шаблон для создания проекта SageMaker.
- Создание проекта SageMaker запустит продукт AWS Service Catalog, который добавит два начальных кода в AWS CodeCommit репозитории:
- Исходный код для конвейера построения модели включает конвейер, который предварительно обрабатывает Набор данных машинного обучения UCI для взрослых используя Data Wrangler, автоматически создает модель ML с полной видимостью с помощью Autopilot, оценивает производительность модели с помощью шага обработки и регистрирует модель в реестре моделей на основе производительности модели.
- Исходный код для развертывания модели включает шаг CodeBuild для поиска последней модели, которая была утверждена в реестре моделей, и создания файлов конфигурации для развертывания шаблонов CloudFormation как части конвейеров CI/CD с использованием CodePipeline. Шаблон CloudFormation развертывает модель в промежуточной и рабочей средах.
- Первая фиксация начального кода запускает конвейер CI/CD с использованием CodePipeline, который запускает конвейер SageMaker, представляющий собой серию взаимосвязанных шагов, закодированных с использованием направленного ациклического графа (DAG). В этом случае задействованы следующие шаги: обработка данных используя поток Data Wrangler, обучение модели с помощью автопилота, создание модели, оценивая модель, и если оценка пройдена, регистрация модели.
Дополнительные сведения о создании конвейеров SageMaker с помощью Autopilot см. Запускайте эксперименты Amazon SageMaker Autopilot непосредственно из Amazon SageMaker Pipelines, чтобы легко автоматизировать рабочие процессы MLOps..
- После регистрации модели утверждающий может либо одобрить, либо отклонить модель в Studio.
- Когда модель утверждается, запускается конвейер развертывания CodePipeline, интегрированный со вторым начальным кодом.
- Этот конвейер создает бессерверную масштабируемую конечную точку SageMaker для промежуточной среды.
- В конвейере развертывания есть этап автоматизированного тестирования, который будет протестирован на промежуточной конечной точке.
- Результаты теста сохраняются в Простой сервис хранения Amazon (Амазон С3). Конвейер остановится для лица, утверждающего производственное развертывание, которое может просмотреть все артефакты перед утверждением.
- После утверждения модель развертывается в рабочей среде в виде масштабируемой бессерверной конечной точки. Производственные приложения теперь могут использовать конечную точку для логического вывода.
Этапы развертывания состоят из следующего:
- Создайте собственный шаблон проекта SageMaker для Autopilot и других ресурсов с помощью AWS CloudFormation. Это одноразовая задача настройки.
- Создайте проект SageMaker, используя пользовательский шаблон.
В следующих разделах мы рассмотрим каждый из этих шагов более подробно и изучим страницу сведений о проекте.
Предпосылки
Это пошаговое руководство включает следующие предварительные условия:
Создание ресурсов решения с помощью AWS CloudFormation
Вы можете скачать и запустить Шаблон CloudFormation через консоль AWS CloudFormation, Интерфейс командной строки AWS (AWS CLI), SDK или просто выбрав Стек запуска:
Шаблон CloudFormation также доступен в Репозиторий кода AWS Samples на GitHub. Репозиторий содержит следующее:
- A Шаблон CloudFormation настроить пользовательский шаблон проекта SageMaker для автопилота
- Исходный код с кодом ML для настройки конвейеров SageMaker для автоматизации обработки данных и этапов обучения.
- A папка проекта для шаблона CloudFormation, используемого каталогом сервисов AWS, сопоставленного с пользовательским шаблоном проекта SageMaker, который будет создан
Шаблон CloudFormation принимает на вход несколько параметров.
Ниже приведены параметры информации о продукте каталога сервисов AWS:
- наименование товара – Имя продукта каталога сервисов AWS, с которым будет связан пользовательский шаблон MLOps проекта SageMaker.
- Описание товара: – Описание продукта каталога сервисов AWS.
- Менеджер продукта – Владелец продукта «Каталог услуг»
- Дистрибьютор продукта – Дистрибьютор продукта «Каталог услуг»
Ниже приведены параметры информации о поддержке продукта каталога сервисов AWS:
- Описание поддержки продукта – Описание поддержки для этого продукта
- Электронная почта поддержки продукта – Адрес электронной почты команды, поддерживающей продукт AWS Service Catalog.
- URL-адрес поддержки продукта – URL-адрес поддержки для продукта AWS Service Catalog.
Ниже приведены параметры конфигурации репозитория исходного кода:
- URL-адрес заархивированной версии вашего репозитория GitHub – Используйте значения по умолчанию, если вы не разветвляете репозиторий AWS Samples.
- Имя и ветка вашего репозитория GitHub - Они должны соответствовать корневой папке zip. Используйте значения по умолчанию, если вы не разветвляете репозиторий AWS Samples.
- StudioUserExecutionRole – Укажите ARN роли IAM выполнения пользователя Studio.
После запуска стека CloudFormation из этого шаблона вы можете отслеживать его состояние в консоли AWS CloudFormation.
Когда стек будет завершен, скопируйте значение CodeStagingBucketName
ключ на Выходы вкладку стека CloudFormation и сохраните ее в текстовом редакторе для последующего использования.
Создайте проект SageMaker, используя новый пользовательский шаблон.
Чтобы создать проект SageMaker, выполните следующие шаги:
- Войдите в Студию. Для получения дополнительной информации см. Подключение к домену Amazon SageMaker.
- На боковой панели Studio выберите значок дома.
- Выберите Развертывания в меню, затем выберите Проекты.
- Выберите Создать проект.
- Выберите Шаблоны организации для просмотра нового пользовательского шаблона MLOps.
- Выберите Выберите шаблон проекта.
- Что касается Детали проекта, введите имя и описание вашего проекта.
- Что касается MLOpsS3Bucket, введите имя корзины S3, которую вы сохранили ранее.
- Выберите Создать проект.
Появится сообщение о том, что SageMaker предоставляет и настраивает ресурсы.
Когда проект будет завершен, вы получите сообщение об успешном завершении, и теперь ваш проект появится в списке Проекты .
Изучите детали проекта
На странице сведений о проекте вы можете просматривать различные вкладки, связанные с проектом. Давайте подробно рассмотрим каждую из этих вкладок.
Хранилища
На этой вкладке перечислены репозитории кода, связанные с этим проектом. Ты можешь выбрать клонировать репозиторий под Локальный путь для клонирования двух репозиториев начального кода, созданных в CodeCommit проектом SageMaker. Этот вариант предоставляет вам доступ Git к репозиториям кода из самого проекта SageMaker.
Когда клон репозитория будет завершен, локальный путь появится в Локальный путь столбец. Вы можете выбрать путь для открытия локальной папки, содержащей код репозитория в Studio.
Папка будет доступна в панели навигации. Вы можете использовать значок браузера файлов, чтобы скрыть или показать список папок. Вы можете внести изменения в код здесь или выбрать значок Git, чтобы подготовить, зафиксировать и отправить изменение.
Трубопроводы
На этой вкладке перечислены конвейеры SageMaker ML, определяющие этапы подготовки данных, обучения моделей и развертывания моделей. Сведения о конвейерах SageMaker ML см. Создание конвейеров SageMaker и управление ими.
Вы можете выбрать конвейер, который работает в данный момент, чтобы увидеть его последний статус. В следующем примере шаг DataProcessing выполняется с использованием потока данных Data Wrangler.
Вы можете получить доступ к потоку данных из локального пути репозитория кода, который мы клонировали ранее. Выберите значок браузера файлов, чтобы показать путь, который указан в pipelines
папка репозитория сборки модели.
В pipelines
папку, откройте папку автопилота.
В autopilot
папку, откройте preprocess.flow
.
Чтобы открыть поток Data Wrangler, потребуется некоторое время.
В этом примере между источником и получателем выполняются три преобразования данных. Вы можете выбрать каждое преобразование, чтобы увидеть более подробную информацию.
Инструкции по включению или удалению преобразований в Data Wrangler см. Преобразовать данные.
Для получения дополнительной информации обратитесь к Унифицированная подготовка данных и обучение модели с помощью Amazon SageMaker Data Wrangler и Amazon SageMaker Autopilot — часть 1.
Когда вы закончите просмотр, выберите значок питания и остановите ресурсы Data Wrangler в разделе Запуск приложений и Сеансы ядра.
Эксперименты
На этой вкладке перечислены эксперименты Autopilot, связанные с проектом. Дополнительные сведения об автопилоте см. Автоматизируйте разработку моделей с помощью Amazon SageMaker Autopilot.
Модельные группы
На этой вкладке перечислены группы версий модели, созданные в ходе выполнения конвейера в проекте. Когда запуск конвейера будет завершен, здесь будет доступна модель, созданная на последнем этапе конвейера.
Вы можете выбрать группу моделей, чтобы получить доступ к последней версии модели.
Статус версии модели в следующем примере: В ожидании. Вы можете выбрать версию модели и выбрать Обновить состояние для обновления статуса.
Выберите утвержденный , а затем выбрать Обновить состояние утвердить модель.
После утверждения статуса модели начнется конвейер развертывания модели CI/CD в CodePipeline.
Вы можете открыть развернутый конвейер, чтобы увидеть различные этапы репозитория.
Как показано на предыдущем снимке экрана, этот конвейер состоит из четырех этапов:
- Источник – На этом этапе CodePipeline проверяет код репозитория CodeCommit в корзину S3.
- строить – На этом этапе шаблоны CloudFormation подготавливаются для развертывания кода модели.
- Развертывание – Этот этап состоит из трех подэтапов:
- Развертывание ресурсов – На первом подэтапе развертывается стек CloudFormation для создания бессерверная конечная точка SageMaker в постановочной среде.
- Тестовая постановка – На втором подэтапе автоматизированное тестирование выполняется с помощью CodeBuild на конечной точке, чтобы проверить, происходит ли вывод так, как ожидалось. Результаты теста будут доступны в корзине S3 с названием
sagemaker-project-<project ID of the SageMaker project>
.
Вы можете получить идентификатор проекта SageMaker на Настройки вкладку проекта SageMaker. В корзине S3 выберите папку с названием проекта (например, sagemaker-MLOp-AutoP
) и внутри него откройте папку TestArtifa/. Выберите объектный файл в этой папке, чтобы увидеть результаты теста.
Вы можете получить доступ к сценарию тестирования по локальному пути репозитория кода, который мы клонировали ранее. Выберите значок файлового браузера, чтобы просмотреть путь. Обратите внимание, что это будет репозиторий развертывания. В этом репо откройте тестовую папку и выберите test.py
Файл кода Python.
Вы можете внести изменения в этот тестовый код в соответствии с вашим вариантом использования.
- Утвердить развертывание – На третьем подэтапе проводится дополнительный процесс утверждения перед последним этапом развертывания в продакшене. Ты можешь выбрать Обзор и подтвердите его, чтобы продолжить.
- ДеплойПрод – На этом этапе развертывается стек CloudFormation для создания бессерверной конечной точки SageMaker для производственной среды.
Endpoints
На этой вкладке перечислены конечные точки SageMaker, на которых размещены развернутые модели для логического вывода. Когда все этапы конвейера развертывания моделей завершены, модели развертываются на конечных точках SageMaker и становятся доступными в рамках проекта SageMaker.
Настройки
Это последняя вкладка на странице проекта, в которой перечислены настройки проекта. Сюда входят название и описание проекта, информация о шаблоне проекта и SourceModelPackageGroupName
и метаданные о проекте.
Убирать
Чтобы избежать дополнительных затрат на инфраструктуру, связанных с примером в этом посте, обязательно удалите стеки CloudFormation. Кроме того, убедитесь, что вы удалили конечные точки SageMaker, все работающие записные книжки и корзины S3, созданные во время установки.
Заключение
В этом посте описан простой в использовании конвейер машинного обучения для автоматизации и стандартизации обучения и развертывания моделей машинного обучения с использованием проектов SageMaker, Data Wrangler, Autopilot, Pipelines и Studio. Это решение может помочь вам выполнять задачи AutoML (предварительная обработка, обучение и постобработка) в стандартизированной структуре репозитория, которая может предоставить вашим опытным специалистам по данным возможность просматривать, проверять и изменять рабочий процесс в соответствии с их потребностями, а затем создавать собственный конвейер. шаблон, который можно интегрировать в проект SageMaker.
Вы можете изменить конвейеры с помощью шагов предварительной обработки и конвейера для своего варианта использования и развернуть наш сквозной рабочий процесс. Дайте нам знать в комментариях, как пользовательский шаблон работал для вашего соответствующего варианта использования.
Об авторах
Вишал Наик является старшим архитектором решений в Amazon Web Services (AWS). Он строитель, которому нравится помогать клиентам решать их бизнес-задачи и решать сложные задачи с помощью решений AWS и лучших практик. Его основная сфера деятельности включает машинное обучение, DevOps и контейнеры. В свободное время Вишал любит снимать короткометражные фильмы о путешествиях во времени и альтернативных темах вселенной.
Шихар Кватра является специалистом по разработке решений AI/ML в Amazon Web Services, работающим с ведущим глобальным системным интегратором. Он получил звание одного из самых молодых индийских мастеров-изобретателей с более чем 500 патентами в областях AI/ML и IoT. Шихар помогает в проектировании, создании и обслуживании экономичных, масштабируемых облачных сред для организации и поддерживает партнера GSI в создании стратегических отраслевых решений на AWS. Шикар любит играть на гитаре, сочинять музыку и практиковать осознанность в свободное время.
Яниша Ананд является старшим менеджером по продукту в команде SageMaker Low/No Code ML, в которую входят SageMaker Canvas и SageMaker Autopilot. Она любит кофе, ведет активный образ жизни и проводит время со своей семьей.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- ЭВМ Финанс. Единый интерфейс для децентрализованных финансов. Доступ здесь.
- Квантум Медиа Групп. ИК/PR усиление. Доступ здесь.
- ПлатонАйСтрим. Анализ данных Web3. Расширение знаний. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/bring-sagemaker-autopilot-into-your-mlops-processes-using-a-custom-sagemaker-project/
- :имеет
- :является
- :нет
- :куда
- $UP
- 000
- 1
- 10
- 100
- 10
- 12
- 17
- 1994
- 214
- 220
- 30
- 500
- 7
- 9
- 9
- a
- О нас
- доступ
- доступной
- доступа
- выполнять
- активный
- ациклический
- Добавить
- дополнительный
- адрес
- Добавляет
- Для взрослых
- AI / ML
- пособие
- выровненный
- Все
- уже
- причислены
- Несмотря на то, что
- Amazon
- Создатель мудреца Амазонки
- Amazon SageMaker Автопилот
- Обработчик данных Amazon SageMaker
- Конвейеры Amazon SageMaker
- Amazon Web Services
- Веб-службы Amazon (AWS)
- an
- анализировать
- и
- годовой
- любой
- появляется
- Приложения
- подхода
- соответствующий
- утверждение
- Сертификаты
- утвердить
- утвержденный
- МЫ
- ПЛОЩАДЬ
- AS
- связанный
- At
- Атрибуты
- автоматизировать
- Автоматизированный
- автоматически
- Автоматизация
- автоматизация
- AutoML
- доступен
- избежать
- AWS
- AWS CloudFormation
- основанный
- BE
- было
- до
- ЛУЧШЕЕ
- лучшие практики
- между
- Beyond
- Филиал
- приносить
- браузер
- строить
- строитель
- Строительство
- бизнес
- by
- Камбоджа
- CAN
- Может получить
- Канада
- холст
- случаев
- случаев
- каталог
- Перепись
- проблемы
- изменение
- изменения
- характеристика
- проверка
- Проверки
- Китай
- Выберите
- Выбирая
- класс
- классификация
- нажмите на
- облако
- код
- Коды
- Кодирование
- Кофе
- COLUMBIA
- Column
- Комментарии
- совершать
- Общий
- Компании
- полный
- комплекс
- компоненты
- Конфигурация
- состоит
- Консоли
- потреблять
- Контейнеры
- содержит
- (CIJ)
- контроль
- Основные
- Расходы
- Создайте
- создали
- создает
- Создающий
- создание
- Куба
- В настоящее время
- изготовленный на заказ
- Клиенты
- настроить
- DAG
- данным
- Подготовка данных
- обработка данных
- наука о данных
- преданный
- глубоко
- по умолчанию
- определенный
- поставка
- демонстрировать
- развертывание
- развернуть
- развертывание
- развертывание
- развертывает
- описано
- описание
- назначение
- подробность
- подробнее
- Развитие
- различный
- непосредственно
- доменов
- сделанный
- Dont
- скачать
- в течение
- каждый
- Ранее
- заработанный
- легко
- легко
- Простой в использовании
- Эквадор
- редактор
- или
- ликвидирует
- впритык
- Конечная точка
- Проект и
- Инженеры
- Англия
- обеспечивать
- обеспечение
- Enter
- Предприятие
- предприятий
- Окружающая среда
- средах
- оценки
- оценка
- со временем
- пример
- выполнение
- ожидаемый
- Эксперименты
- эксперту
- Больше
- продлить
- содействовал
- семья
- Особенность
- Файл
- Файлы
- пленки
- Найдите
- Во-первых,
- поток
- Фокус
- после
- Что касается
- форма
- Год основания
- 4
- Франция
- от
- полный
- полностью
- далее
- в общем
- порождать
- Germany
- получить
- идти
- GitHub
- Глобальный
- управление
- выпускник
- график
- большой
- Греции
- группы
- Группы
- Гватемала
- Случай
- Есть
- he
- тяжелый
- тяжелая атлетика
- помощь
- полезный
- помощь
- помогает
- ее
- здесь
- Спрятать
- его
- Главная
- ГОНДУРАС
- Hong
- кашель
- Как
- How To
- HTML
- HTTP
- HTTPS
- Людей
- Венгрия
- ICON
- ID
- Личность
- if
- иллюстрирует
- Импортировать
- улучшать
- in
- включают
- включает в себя
- доход
- Индия
- Индийская кухня
- промышленность
- информация
- Инфраструктура
- начальный
- вход
- инструкции
- интегрировать
- интегрированный
- Интегрируя
- интеграции.
- взаимосвязано
- в
- Изобретатели
- вовлеченный
- КАТО
- включая Иран
- Ирландия
- IT
- Италии
- ЕГО
- саму трезвость
- Ямайка
- Япония
- JPG
- всего
- только один
- Основные
- Знать
- Фамилия
- новее
- последний
- запуск
- запускает
- вести
- ведущий
- УЧИТЬСЯ
- изучение
- позволять
- Жизненный цикл
- Подтяжка лица
- такое как
- линия
- Список
- Включенный в список
- Списки
- мало
- локальным
- искать
- серия
- любит
- машина
- обучение с помощью машины
- поддерживать
- Сохранение
- Большинство
- сделать
- Создание
- управлять
- управляемого
- менеджер
- способ
- мастер
- Совпадение
- Май..
- механизм
- Меню
- сообщение
- Метаданные
- Мексика
- Внимательность
- ML
- млн операций в секунду
- модель
- Модели
- изменять
- момент
- монитор
- БОЛЕЕ
- Музыка
- имя
- Навигация
- Необходимость
- необходимый
- потребности
- Новые
- нет
- сейчас
- объект
- of
- Предложения
- Предложения
- on
- ONE
- открытый
- операционный
- Опция
- Опции
- or
- организовал
- заказ
- организация
- организации
- Другое
- наши
- изложенные
- за
- собственный
- владелец
- страница
- хлеб
- параметры
- часть
- партнер
- Прошло
- Патенты
- путь
- Выполнять
- производительность
- выполнены
- человек
- Перу
- фаза
- Филиппины
- трубопровод
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- Польша
- сборах
- Португалия
- После
- мощностью
- практика
- практиками
- предсказывать
- подготовка
- Подготовить
- (например,
- предпосылки
- Проблема
- процесс
- Процессы
- обработка
- производит
- Продукт
- Информация о продукте
- Менеджер по продукции
- Производство
- Продукция
- Проект
- Детали проекта
- проектов
- Содействие
- обеспечивать
- приводит
- обеспечение
- публично
- Push
- Питон
- САЙТ
- быстро
- Получать
- Управление по борьбе с наркотиками (DEA)
- зарегистрированный
- регистры
- реестра
- складская
- удаление
- повторяемый
- хранилище
- обязательный
- Полезные ресурсы
- те
- Итоги
- обзоре
- обзор
- Дорожная карта
- надежный
- Роли
- корень
- Run
- Бег
- sagemaker
- Конвейеры SageMaker
- главная
- Сохранить
- масштабируемые
- Наука
- Ученые
- скрипты
- SDK
- легко
- Во-вторых
- разделах
- безопасность
- посмотреть
- семя
- старший
- Серии
- Serverless
- обслуживание
- Услуги
- набор
- настройки
- установка
- несколько
- разделение
- она
- Короткое
- должен
- показывать
- демонстрации
- показанный
- просто
- упростить
- просто
- So
- Решение
- Решения
- РЕШАТЬ
- Источник
- исходный код
- Южная
- специалист
- Расходы
- стек
- Стеки
- Этап
- этапы
- инсценировка
- стандарт
- стандартов
- Начало
- и политические лидеры
- начинается
- Статус:
- Шаг
- Шаги
- Stop
- диск
- хранить
- Стратегический
- упорядочить
- Строгий
- Структура
- студия
- успех
- успешный
- такие
- поддержка
- поддержки
- Поддержка
- система
- ТАБЛИЦЫ
- Тайвань
- взять
- принимает
- цель
- Сложность задачи
- задачи
- команда
- команды
- шаблон
- шаблоны
- Terraform
- тестXNUMX
- проверенный
- Тестирование
- тестов
- Таиланд
- чем
- который
- Ассоциация
- Источник
- их
- Их
- тогда
- Там.
- Эти
- они
- В третьих
- этой
- те
- три
- время
- путешествие во времени
- Название
- в
- Тобаго
- инструментом
- инструменты
- Train
- Обучение
- Transform
- трансформация
- преобразований
- путешествовать
- срабатывает
- два
- ui
- под
- Вселенная
- Обновление ПО
- URL
- us
- использование
- прецедент
- используемый
- Информация о пользователе
- пользователей
- использования
- через
- VALIDATE
- ценностное
- Наши ценности
- различный
- версия
- с помощью
- Вьетнам
- Вид
- Вишал
- видимость
- прохождение
- хотеть
- Путь..
- we
- Web
- веб-сервисы
- ЧТО Ж
- были
- когда
- , которые
- в то время как
- КТО
- будете
- в
- работавший
- рабочий
- Рабочие процессы
- работает
- YAML
- год
- Ты
- Самый молодой
- ВАШЕ
- зефирнет
- ZIP