Этот гостевой пост написан в соавторстве с Лидией Лихуэй Чжан, специалистом по развитию бизнеса, и Манси Шахом, инженером-программистом/специалистом по данным, в Planet Labs. анализ, который вдохновил этот пост Первоначально был написан Дженнифер Райбер Кайл.
Геопространственные возможности Amazon SageMaker в сочетании с ПланетаСпутниковые данные США можно использовать для сегментации сельскохозяйственных культур, и этот анализ имеет множество применений и потенциальных преимуществ в области сельского хозяйства и устойчивого развития. В конце 2023 года Планета объявил о партнерстве с AWS, чтобы сделать свои геопространственные данные доступными через Создатель мудреца Амазонки.
Сегментация кадрирования — это процесс разделения спутникового изображения на области пикселей или сегменты, имеющие схожие характеристики кадрирования. В этом посте мы покажем, как использовать модель машинного обучения (ML) сегментации для определения областей кадрирования и необрезки на изображении.
Определение регионов выращивания сельскохозяйственных культур является ключевым шагом на пути к получению знаний в области сельского хозяйства, а сочетание обширных геопространственных данных и машинного обучения может привести к пониманию, которое будет определять решения и действия. Например:
- Принятие решений в сельском хозяйстве на основе данных – Получив лучшее пространственное представление о культурах, фермеры и другие заинтересованные стороны в сельском хозяйстве могут оптимизировать использование ресурсов: от воды до удобрений и других химикатов в течение сезона. Это закладывает основу для сокращения отходов, совершенствования методов устойчивого ведения сельского хозяйства, где это возможно, и повышения производительности при минимизации воздействия на окружающую среду.
- Выявление стрессов и тенденций, связанных с климатом – Поскольку изменение климата продолжает влиять на глобальную температуру и характер осадков, сегментацию культур можно использовать для выявления областей, уязвимых к стрессу, связанному с климатом, для стратегий адаптации к климату. Например, архивы спутниковых снимков можно использовать для отслеживания изменений в регионе выращивания сельскохозяйственных культур с течением времени. Это могут быть физические изменения в размерах и распределении пахотных земель. Это также могут быть изменения влажности почвы, температуры почвы и биомассы, полученные на основе различных спектральных индексов спутниковых данных для более глубокого анализа здоровья сельскохозяйственных культур.
- Оценка и уменьшение ущерба – Наконец, сегментацию посевов можно использовать для быстрого и точного определения областей, пострадавших от урожаев в случае стихийного бедствия, что может помочь расставить приоритеты в усилиях по оказанию помощи. Например, после наводнения спутниковые изображения с высокой частотой кадров можно использовать для выявления участков, где посевы были затоплены или уничтожены, что позволит организациям по оказанию помощи быстрее оказать помощь пострадавшим фермерам.
В этом анализе мы используем модель K-ближайших соседей (KNN) для сегментации сельскохозяйственных культур и сравниваем эти результаты с наземными изображениями сельскохозяйственного региона. Наши результаты показывают, что классификация модели KNN более точно отражает состояние текущего поля в 2017 году, чем данные наземной классификации за 2015 год. Эти результаты являются свидетельством силы геопространственных изображений Planet с высокой частотой кадров. Сельскохозяйственные поля меняются часто, иногда несколько раз за сезон, и наличие высокочастотных спутниковых изображений для наблюдения и анализа этих земель может обеспечить огромную ценность для нашего понимания сельскохозяйственных земель и быстро меняющейся окружающей среды.
Партнерство Planet и AWS в области геопространственного машинного обучения
Геопространственные возможности SageMaker предоставьте специалистам по данным и инженерам машинного обучения возможность создавать, обучать и развертывать модели с использованием геопространственных данных. Геопространственные возможности SageMaker позволяют эффективно преобразовывать или обогащать крупномасштабные наборы геопространственных данных, ускорять построение моделей с помощью предварительно обученных моделей машинного обучения, а также исследовать прогнозы моделей и геопространственные данные на интерактивной карте с помощью 3D-ускоренной графики и встроенных инструментов визуализации. Благодаря геопространственным возможностям SageMaker вы можете обрабатывать большие наборы данных спутниковых изображений и других геопространственных данных для создания точных моделей машинного обучения для различных приложений, включая сегментацию сельскохозяйственных культур, которую мы обсуждаем в этом посте.
Планета Лабс PBC — ведущая компания по съемке Земли, которая использует свой большой парк спутников для ежедневного получения изображений поверхности Земли. Таким образом, данные планеты являются ценным ресурсом для геопространственного машинного обучения. Спутниковые снимки высокого разрешения можно использовать для определения различных характеристик сельскохозяйственных культур и их состояния с течением времени в любой точке Земли.
Партнерство между Planet и SageMaker позволяет клиентам легко получать доступ к высокочастотным спутниковым данным Planet и анализировать их с помощью мощных инструментов машинного обучения AWS. Ученые, работающие с данными, могут приносить свои собственные данные или удобно находить данные Planet и подписываться на них, не переключая среду.
Сегментация урожая в блокноте Amazon SageMaker Studio с геопространственным изображением
В этом примере рабочего процесса геопространственного машинного обучения мы рассмотрим, как перенести данные Planet вместе с источником наземных данных в SageMaker, а также как обучать, делать выводы и развертывать модель сегментации урожая с помощью классификатора KNN. Наконец, мы оцениваем точность наших результатов и сравниваем их с нашей основной классификацией.
Используемый классификатор KNN был обучен в Блокнот Amazon SageMaker Studio с геопространственными данными image и предоставляет гибкое и расширяемое ядро блокнота для работы с геопространственными данными.
Ассоциация Студия Amazon SageMaker Блокнот с геопространственным изображением поставляется с предустановленными широко используемыми геопространственными библиотеками, такими как GDAL, Fiona, GeoPandas, Shapely и Rasterio, которые позволяют визуализировать и обрабатывать геопространственные данные непосредственно в среде блокнота Python. Общие библиотеки машинного обучения, такие как OpenCV или scikit-learn, также используются для сегментации урожая с использованием классификации KNN и также устанавливаются в геопространственное ядро.
Выбор данных
Сельскохозяйственное поле, которое мы приближаем, расположено в обычно солнечном округе Сакраменто в Калифорнии.
Почему Сакраменто? Выбор области и времени для решения этого типа задач в первую очередь определяется наличием наземных данных, а такие данные о типах культур и границах получить нелегко. Набор данных обследования землепользования DWR округа Сакраменто, 2015 г. представляет собой общедоступный набор данных, охватывающий округ Сакраменто за этот год и обеспечивающий границы, скорректированные вручную.
Основные спутниковые снимки, которые мы используем, — это 4-канальный снимок планеты. Продукт PSScene, который содержит синий, зеленый, красный и ближний ИК-диапазоны и радиометрически корректируется с учетом яркости датчика. Коэффициенты для коррекции коэффициента отражения на датчике предоставляются в метаданных сцены, что еще больше улучшает согласованность между изображениями, снятыми в разное время.
Спутники Planet’s Dove, которые сделали это изображение, были запущены 14 февраля 2017 года (выпуск новостей), поэтому они не фотографировали округ Сакраменто еще в 2015 году. Однако с момента запуска они делали ежедневные снимки местности. В этом примере мы соглашаемся на несовершенный двухлетний разрыв между наземными данными и спутниковыми изображениями. Однако изображения Landsat 2 с более низким разрешением можно было бы использовать в качестве моста между 8 и 2015 годами.
Доступ к данным планеты
Чтобы помочь пользователям быстрее получать точные и полезные данные, Planet также разработала комплект разработки программного обеспечения Planet (SDK) для Python. Это мощный инструмент для специалистов по данным и разработчиков, которые хотят работать со спутниковыми изображениями и другими геопространственными данными. С помощью этого SDK вы можете искать и получать доступ к обширной коллекции спутниковых изображений Planet в высоком разрешении, а также к данным из других источников, таких как OpenStreetMap. SDK предоставляет клиент Python для API-интерфейсов Planet, а также решение для интерфейса командной строки (CLI) без кода, упрощающее включение спутниковых изображений и геопространственных данных в рабочие процессы Python. В этом примере клиент Python используется для идентификации и загрузки изображений, необходимых для анализа.
Вы можете установить клиент Planet Python в блокнот SageMaker Studio с геопространственным изображением с помощью простой команды:
Вы можете использовать клиент для запроса соответствующих спутниковых изображений и получения списка доступных результатов на основе интересующей области, временного диапазона и других критериев поиска. В следующем примере мы начинаем с вопроса, сколько Сцены PlanetScope (Ежедневные изображения планеты) охватывают ту же область интереса (AOI), которую мы определили ранее с помощью наземных данных в Сакраменто, учитывая определенный временной диапазон между 1 июня и 1 октября 2017 года; а также определенный желаемый максимальный диапазон облачности в 10%:
Возвращенные результаты показывают количество совпадающих сцен, пересекающихся с нашей областью интересов. Он также содержит метаданные каждой сцены, идентификатор ее изображения и ссылку на изображение предварительного просмотра.
После выбора конкретной сцены с указанием идентификатора сцены, типа элемента и комплектов продуктов (справочная документация), вы можете использовать следующий код для загрузки изображения и его метаданных:
Этот код загружает соответствующее спутниковое изображение на Эластичная файловая система Amazon Том (Amazon EFS) для SageMaker Studio.
Модельное обучение
После загрузки данных с помощью клиента Planet Python можно обучить модель сегментации. В этом примере комбинация методов классификации KNN и сегментации изображений используется для определения области обрезки и создания объектов геойсона с географической привязкой.
Данные Planet загружаются и предварительно обрабатываются с использованием встроенных геопространственных библиотек и инструментов SageMaker, чтобы подготовить их к обучению классификатора KNN. Исходными данными для обучения является набор данных исследования землепользования DWR округа Сакраменто за 2015 год, а для тестирования модели используются данные Planet за 2017 год.
Преобразование наземных объектов в контуры
Для обучения классификатора KNN класс каждого пикселя может быть либо crop
or non-crop
необходимо идентифицировать. Класс определяется тем, связан ли пиксель с объектом обрезки в достоверных данных или нет. Чтобы сделать это определение, основные данные сначала преобразуются в контуры OpenCV, которые затем используются для разделения crop
от non-crop
пикселей. Значения пикселей и их классификация затем используются для обучения классификатора KNN.
Чтобы преобразовать основные объекты в контуры, эти объекты сначала необходимо спроецировать в систему координат изображения. Затем объекты преобразуются в пространство изображения и, наконец, преобразуются в контуры. Чтобы обеспечить точность контуров, они визуализируются наложенными на входное изображение, как показано в следующем примере.
Для обучения классификатора KNN пиксели обрезки и необрезки разделяются с использованием контуров объектов обрезки в качестве маски.
Входные данные классификатора KNN состоят из двух наборов данных: X, двумерный массив, который предоставляет признаки для классификации; и y, массив 2d, который предоставляет классы (пример). Здесь из наборов данных без обрезки и обрезки создается один классифицированный канал, где значения полосы указывают класс пикселя. Значения полосы и базовой полосы пикселей изображения затем преобразуются во входные параметры X и y для функции подгонки классификатора.
Обучите классификатор на кадрированных и необрезанных пикселях
Классификация KNN выполняется с помощью scikit-learn KNeighboursClassifier. Количество соседей, параметр, сильно влияющий на производительность оценщика, настраивается с помощью перекрестной проверки в перекрестной проверке KNN. Затем классификатор обучается с использованием подготовленных наборов данных и настроенного количества параметров соседей. См. следующий код:
Чтобы оценить производительность классификатора на входных данных, класс пикселя прогнозируется с использованием значений полосы пикселей. Производительность классификатора в основном основана на точности обучающих данных и четком разделении классов пикселей на основе входных данных (значений полос пикселей). Параметры классификатора, такие как количество соседей и функция взвешивания по расстоянию, можно настроить для компенсации любых неточностей в последней. См. следующий код:
Оценка прогнозов модели
Обученный классификатор KNN используется для прогнозирования областей урожая в тестовых данных. Эти тестовые данные состоят из регионов, которые не подвергались воздействию модели во время обучения. Другими словами, модель не имеет знаний о местности до ее анализа, и поэтому эти данные можно использовать для объективной оценки эффективности модели. Мы начнем с визуального осмотра нескольких областей, начиная с области, которая сравнительно более шумна.
Визуальный осмотр показывает, что предсказанные классы в основном соответствуют основным истинным классам. Есть несколько областей отклонений, которые мы проверим дальше.
В ходе дальнейшего расследования мы обнаружили, что некоторая часть шума в этой области возникла из-за того, что наземным данным не хватало деталей, которые присутствуют в классифицированном изображении (вверху справа по сравнению с верхним левым и нижним левым). Особенно интересный вывод заключается в том, что классификатор идентифицирует деревья вдоль реки как non-crop
, тогда как наземные данные ошибочно идентифицируют их как crop
. Эта разница между этими двумя сегментациями может быть связана с тем, что деревья затеняют территорию над посевами.
После этого мы проверяем еще одну область, которая была классифицирована по-разному в двух методах. Эти выделенные регионы ранее были отмечены как регионы без сельскохозяйственных культур в наземных данных в 2015 году (вверху справа), но в 2017 году они были изменены и четко показаны как пахотные земли в сценах Planetscope (вверху слева и внизу слева). Они также были классифицированы в основном как пахотные земли с помощью классификатора (внизу справа).
Опять же, мы видим, что классификатор KNN дает более детальный результат, чем класс основной истины, а также успешно фиксирует изменения, происходящие на пахотных землях. Этот пример также говорит о ценности ежедневно обновляемых спутниковых данных, поскольку мир часто меняется гораздо быстрее, чем годовые отчеты, и такой комбинированный метод с машинным обучением может помочь нам улавливать изменения по мере их возникновения. Возможность отслеживать и обнаруживать такие изменения с помощью спутниковых данных, особенно в развивающихся сельскохозяйственных областях, дает фермерам полезную информацию для оптимизации своей работы, а также всем заинтересованным сторонам сельского хозяйства в цепочке создания стоимости, чтобы лучше чувствовать сезон.
Оценка модели
Визуальное сравнение изображений предсказанных классов с основными истинностными классами может быть субъективным и не может быть обобщено для оценки точности результатов классификации. Для получения количественной оценки мы получаем метрики классификации с помощью scikit-learn'а. classification_report
функция:
Классификация пикселей используется для создания маски сегментации областей обрезки, что обеспечивает точность и запоминаемость важных показателей, а показатель F1 является хорошим общим показателем точности прогнозирования. Наши результаты дают нам показатели как для посевных, так и для непосевных регионов в наборе обучающих и тестовых данных. Однако для простоты давайте более подробно рассмотрим эти показатели в контексте регионов обрезки в тестовом наборе данных.
Точность — это мера того, насколько точны положительные прогнозы нашей модели. В этом случае точность 0.94 для регионов посевов указывает на то, что наша модель очень успешно правильно определяет области, которые действительно являются областями посевов, где ложные срабатывания (фактические регионы без посевов, неправильно идентифицированные как регионы посевов) сведены к минимуму. Напомним, с другой стороны, измеряет полноту положительных прогнозов. Другими словами, отзыв измеряет долю фактических положительных результатов, которые были идентифицированы правильно. В нашем случае значение полноты 0.73 для областей обрезки означает, что 73% всех истинных пикселей областей обрезки идентифицируются правильно, что сводит к минимуму количество ложноотрицательных результатов.
В идеале предпочтительны высокие значения как точности, так и полноты, хотя это может во многом зависеть от применения конкретного случая. Например, если бы мы изучали эти результаты для фермеров, желающих определить посевные регионы для сельского хозяйства, мы бы хотели отдать предпочтение более высокой точности, чем точности, чтобы свести к минимуму количество ложноотрицательных результатов (области, идентифицированные как несельскохозяйственные регионы, которые на самом деле являются посевными областями), чтобы максимально эффективно использовать землю. Показатель F1 служит показателем общей точности, сочетающим в себе точность и полноту и измеряющим баланс между двумя показателями. Высокий показатель F1, такой как наш для регионов сельскохозяйственных культур (0.82), указывает на хороший баланс между точностью и полнотой, а также высокую общую точность классификации. Хотя показатель F1 падает между обучающим и тестовым наборами данных, это ожидаемо, поскольку классификатор обучался на наборе данных поезда. Общий средневзвешенный балл F1, равный 0.77, является многообещающим и достаточно адекватным, чтобы опробовать схемы сегментации на классифицированных данных.
Создайте маску сегментации из классификатора
Создание маски сегментации с использованием прогнозов классификатора KNN в наборе тестовых данных включает очистку прогнозируемых выходных данных, чтобы избежать небольших сегментов, вызванных шумом изображения. Чтобы удалить спекл-шум, мы используем OpenCV фильтр медианного размытия. Этот фильтр сохраняет границы дорог между культурами лучше, чем морфологическая открытая операция.
Чтобы применить двоичную сегментацию к выходным данным с шумоподавлением, нам сначала нужно преобразовать классифицированные растровые данные в векторные объекты с помощью OpenCV. найтиКонтуры функции.
Наконец, фактические сегментированные области обрезки можно вычислить, используя сегментированные контуры обрезки.
Сегментированные регионы посевов, полученные с помощью классификатора KNN, позволяют точно идентифицировать регионы посевов в наборе тестовых данных. Эти сегментированные регионы можно использовать для различных целей, таких как определение границ поля, мониторинг урожая, оценка урожайности и распределение ресурсов. Достигнутый показатель F1, равный 0.77, является хорошим и свидетельствует о том, что классификатор KNN является эффективным инструментом для сегментации сельскохозяйственных культур на изображениях дистанционного зондирования. Эти результаты могут быть использованы для дальнейшего совершенствования и совершенствования методов сегментации сельскохозяйственных культур, что потенциально приведет к повышению точности и эффективности анализа сельскохозяйственных культур.
Заключение
В этом посте показано, как можно использовать комбинацию планеты высокая частота кадров, спутниковые снимки высокого разрешения и Геопространственные возможности SageMaker провести анализ сегментации сельскохозяйственных культур и получить ценную информацию, которая может повысить эффективность сельского хозяйства, экологическую устойчивость и продовольственную безопасность. Точное определение регионов выращивания сельскохозяйственных культур позволяет проводить дальнейший анализ роста и продуктивности сельскохозяйственных культур, мониторинг изменений в землепользовании и выявление потенциальных рисков продовольственной безопасности.
Более того, сочетание данных Planet и SageMaker предлагает широкий спектр вариантов использования, помимо сегментации сельскохозяйственных культур. Полученная информация может позволить принимать решения на основе данных по управлению сельскохозяйственными культурами, распределению ресурсов и планированию политики только в сельском хозяйстве. Благодаря различным моделям данных и машинного обучения объединенное предложение может также распространиться на другие отрасли и варианты использования для цифровой трансформации, трансформации устойчивого развития и безопасности.
Чтобы начать использовать геопространственные возможности SageMaker, см. Начало работы с геопространственными возможностями Amazon SageMaker.
Чтобы узнать больше о характеристиках изображений Planet и справочных материалах для разработчиков, посетите Планета Разработчиков Центр. Документацию по Planet SDK для Python см. Планета SDK для Python. Для получения дополнительной информации о Planet, включая существующие продукты обработки данных и предстоящие выпуски продуктов, посетите https://www.planet.com/.
Прогнозные заявления Planet Labs PBC
За исключением исторической информации, содержащейся в настоящем документе, вопросы, изложенные в этом сообщении в блоге, являются прогнозными заявлениями по смыслу положений о «безопасной гавани» Закона о реформе судебных разбирательств по частным ценным бумагам 1995 года, включая, помимо прочего, Planet Labs. Способность PBC использовать рыночные возможности и реализовывать любые потенциальные выгоды от текущих или будущих усовершенствований продуктов, новых продуктов или стратегического партнерства и сотрудничества с клиентами. Заявления прогнозного характера основаны на убеждениях руководства Planet Labs PBC, а также на предположениях и информации, доступной им в настоящее время. Поскольку такие заявления основаны на ожиданиях относительно будущих событий и результатов и не являются констатацией фактов, фактические результаты могут существенно отличаться от прогнозируемых. Факторы, которые могут привести к существенному отличию фактических результатов от текущих ожиданий, включают, помимо прочего, факторы риска и другие раскрытия информации о Planet Labs PBC и ее бизнесе, включенные в периодические отчеты Planet Labs PBC, заявления о доверенности и другие материалы, раскрывающие информацию, подаваемые вовремя. ко времени с Комиссией по ценным бумагам и биржам (SEC), которые доступны онлайн по адресу www.sec.govи на веб-сайте Planet Labs PBC www.planet.com. Все прогнозные заявления отражают убеждения и предположения Planet Labs PBC только на дату таких заявлений. Planet Labs PBC не берет на себя никаких обязательств по обновлению прогнозных заявлений с целью отражения будущих событий или обстоятельств.
Об авторах
Лидия Лихуэй Чжан является специалистом по развитию бизнеса в Planet Labs PBC, где она помогает соединить космос для улучшения Земли в различных секторах и множестве вариантов использования. Ранее она работала специалистом по данным в McKinsey ACRE, решении, ориентированном на сельское хозяйство. Она имеет степень магистра наук по программе технологической политики Массачусетского технологического института, специализирующейся на космической политике. Геопространственные данные и их более широкое влияние на бизнес и устойчивое развитие были основным направлением ее карьеры.
Манси-шах — инженер-программист, специалист по данным и музыкант, чья работа исследует пространство, в котором сталкиваются художественная строгость и техническое любопытство. Она считает, что данные (как и искусство!) имитируют жизнь, и ее интересуют глубоко человеческие истории, стоящие за цифрами и заметками.
Сюн Чжоу — старший научный сотрудник AWS. Он возглавляет научную группу по геопространственным возможностям Amazon SageMaker. Его текущая область исследований включает компьютерное зрение и эффективное обучение моделей. В свободное время он любит бегать, играть в баскетбол и проводить время с семьей.
Янош Вошиц — старший архитектор решений в AWS, специализирующийся на геопространственном искусственном интеллекте и машинном обучении. Имея более чем 15-летний опыт работы, он поддерживает клиентов по всему миру в использовании искусственного интеллекта и машинного обучения для создания инновационных решений, основанных на геопространственных данных. Его опыт охватывает машинное обучение, разработку данных и масштабируемые распределенные системы, а также обширный опыт разработки программного обеспечения и отраслевой опыт в таких сложных областях, как автономное вождение.
Шитал Дхакал — старший менеджер программы в команде геопространственного машинного обучения SageMaker, расположенной в районе залива Сан-Франциско. Он имеет опыт работы в области дистанционного зондирования и географических информационных систем (ГИС). Он увлечен пониманием болевых точек клиентов и созданием геопространственных продуктов для их решения. В свободное время он любит пешие прогулки, путешествия и игру в теннис.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :имеет
- :является
- :нет
- :куда
- $UP
- 1
- 10
- 100
- 14
- 15 лет
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- способность
- в состоянии
- О нас
- ускорять
- доступ
- точность
- точный
- точно
- достигнутый
- приобретенный
- акр
- через
- Действие (Act):
- действия
- фактического соединения
- на самом деле
- адаптация
- Отрегулированный
- влиять на
- затрагивающий
- После
- сельскохозяйственное
- сельское хозяйство
- AI
- AI / ML
- Все
- распределение
- позволять
- Позволяющий
- в одиночестве
- вдоль
- причислены
- Несмотря на то, что
- Amazon
- Создатель мудреца Амазонки
- Геопространственные данные Amazon SageMaker
- Студия Amazon SageMaker
- Amazon Web Services
- an
- анализ
- анализировать
- и
- годовой
- Другой
- любой
- откуда угодно
- API
- Применение
- Приложения
- прикладной
- Применить
- архивам
- МЫ
- ПЛОЩАДЬ
- области
- массив
- художественный
- AS
- спрашивающий
- оценить
- Оценка
- оценки;
- активы
- помощь
- связанный
- предположения
- At
- дополненная
- автономный
- свободных мест
- доступен
- в среднем
- избежать
- Ждите
- AWS
- назад
- фон
- Баланс
- ГРУППА
- группы
- бар
- основанный
- основа
- Баскетбол
- залив
- BE
- , так как:
- было
- начало
- за
- не являетесь
- убеждений
- считает,
- Преимущества
- Лучшая
- улучшение
- между
- Beyond
- Блог
- Синии
- пятно
- изоферменты печени
- Дно
- Границы
- граница
- МОСТ
- приносить
- шире
- строить
- Строительство
- встроенный
- пучки
- бизнес
- развитие бизнеса
- но
- by
- CA
- Калифорния
- CAN
- возможности
- капитализировать
- захватить
- перехватывает
- Карьера
- случаев
- тематическое исследование
- случаев
- Вызывать
- вызванный
- определенный
- цепь
- изменение
- менялась
- изменения
- характеристика
- обстоятельства
- класс
- классов
- классификация
- классифицированный
- Уборка
- Очистить
- явно
- CLF
- клиент
- климат
- Изменение климата
- ближе
- облако
- код
- сотрудничество
- лыжных шлемов
- сталкиваться
- COM
- сочетание
- сочетании
- комбинируя
- как
- выходит
- комиссии
- Общий
- обычно
- Компания
- сравнительно
- сравнить
- сравненный
- сравнение
- комплекс
- компьютер
- Компьютерное зрение
- Проводить
- Свяжитесь
- последовательный
- состоит
- содержащегося
- содержит
- контекст
- продолжается
- конвертировать
- переделанный
- координировать
- Основные
- исправленный
- соответствующий
- может
- округ
- чехол для варгана
- охват
- покрытие
- Создайте
- создали
- Создающий
- создание
- Критерии
- урожай
- культур
- любопытство
- Текущий
- В настоящее время
- клиент
- Клиенты
- ежедневно
- данным
- ученый данных
- управляемых данными
- Наборы данных
- Время
- решения
- более глубокий
- определять
- определенный
- убивают
- зависимый
- развертывание
- Производный
- желанный
- уничтожили
- подробность
- обнаружение
- определение
- определены
- развитый
- Застройщик
- застройщиков
- Развитие
- отклонение
- отличаться
- разница
- различный
- Интернет
- цифровое преобразование
- непосредственно
- катастрофа
- раскрытие
- обнаружить
- открытый
- обсуждать
- расстояние
- распределенный
- распределенные системы
- распределение
- документации
- доменов
- голубь
- скачать
- загрузок
- управлять
- вождение
- Капли
- два
- в течение
- каждый
- Ранее
- земля
- легко
- легко
- Эффективный
- затрат
- эффективный
- эффективно
- усилия
- или
- расширение прав и возможностей
- включить
- позволяет
- инженер
- Проект и
- Инженеры
- улучшения
- достаточно
- обогащать
- обеспечивать
- Окружающая среда
- окружающий
- Экологическая устойчивость
- средах
- особенно
- оценивать
- События
- События
- , поскольку большинство сенаторов
- развивается
- Изучение
- пример
- обмена
- существующий
- Расширьте
- ожидания
- ожидаемый
- опыт
- опыта
- Больше
- исследует
- подвергаться
- f1
- факт
- факторы
- ложный
- семья
- фермеров
- сельское хозяйство
- быстрее
- Особенность
- Особенности
- февраль
- удобрение
- несколько
- поле
- Поля
- Файл
- подано
- фильтр
- в заключение
- Найдите
- обнаружение
- Фиона
- Во-первых,
- соответствовать
- ФЛОТ
- гибкого
- наводнение
- Фокус
- фокусировка
- после
- питание
- Что касается
- вперед
- дальновидный
- Год основания
- Франциско
- от
- функция
- далее
- будущее
- получение
- разрыв
- географический
- Геопространственное машинное обучение
- получить
- Дайте
- данный
- Глобальный
- ГЛОБАЛЬНО
- хорошо
- графика
- значительно
- Зелёная
- земля
- Рост
- Рост
- GUEST
- Guest Post
- рука
- происходить
- Случай
- Есть
- имеющий
- he
- Медицина
- помощь
- полезный
- помогает
- ее
- здесь
- здесь
- High
- Высокая частота
- высокое разрешение
- высший
- Выделенные
- его
- исторический
- имеет
- Как
- How To
- Однако
- HTML
- HTTP
- HTTPS
- человек
- i
- ID
- Идентификация
- идентифицированный
- идентифицирует
- определения
- идентифицирующий
- if
- изображение
- изображений
- огромный
- Влияние
- важную
- улучшать
- улучшается
- улучшение
- in
- В других
- включают
- включены
- включает в себя
- В том числе
- включать
- неверно
- расширились
- повышение
- действительно
- индекс
- указывать
- указывает
- промышленности
- промышленность
- информация
- инновационный
- вход
- затраты
- размышления
- вдохновленный
- устанавливать
- установлен
- интерактивный
- интерес
- заинтересованный
- интересный
- Интерфейс
- в
- ходе расследования,
- IT
- ЕГО
- Дженнифер
- JPG
- июнь
- Сохранить
- Комплект (SDK)
- знания
- залив
- Labs
- Земля
- большой
- крупномасштабный
- в значительной степени
- Поздно
- запуск
- запустили
- вести
- ведущий
- Лиды
- УЧИТЬСЯ
- изучение
- оставил
- Используя
- библиотеки
- ЖИЗНЬЮ
- такое как
- Ограниченный
- линия
- Список
- Судебный процесс
- расположенный
- посмотреть
- искать
- машина
- обучение с помощью машины
- Макрос
- сделанный
- в основном
- сделать
- Создание
- управлять
- управление
- менеджер
- многих
- карта
- с пометкой
- рынок
- маска
- мастер
- согласование
- материально
- материалы
- Вопросы
- максимальный
- Май..
- McKinsey
- смысл
- означает
- проводить измерение
- меры
- измерение
- Метаданные
- метод
- методы
- метрический
- Метрика
- минимизация
- MIT
- смягчающим
- ML
- модель
- Модели
- монитор
- Мониторинг
- БОЛЕЕ
- самых
- в основном
- много
- с разными
- Музыкант
- должен
- мириады
- натуральный
- Необходимость
- необходимый
- потребности
- негативах
- соседи
- Новые
- новые продукты
- нет
- Шум
- ноутбук
- Заметки
- номер
- номера
- многочисленный
- объективно
- обязательство
- наблюдать
- получать
- октябрь
- of
- предлагающий
- Предложения
- .
- on
- онлайн
- только
- открытый
- OpenCV
- операция
- Возможность
- Оптимизировать
- or
- заказ
- заказы
- организации
- первоначально
- Другое
- наши
- наш
- контуры
- выходной
- за
- общий
- собственный
- боль
- параметр
- параметры
- особый
- особенно
- Партнерство
- партнерства
- страстный
- паттеранами
- Выполнять
- производительность
- выполнены
- периодический
- физический
- выбирать
- Pixel
- планета
- планирование
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- пунктов
- политика
- положительный
- возможное
- После
- потенциал
- потенциально
- мощностью
- мощный
- практиками
- необходимость
- Точность
- предсказывать
- предсказанный
- прогнозирования
- Predictions
- привилегированный
- Подготовить
- подготовленный
- представить
- разрабатывает
- предварительный просмотр
- предварительно
- в первую очередь
- первичный
- Предварительный
- Расставляйте приоритеты
- частная
- Проблема
- процесс
- Обработанный
- обработка
- Произведенный
- Продукт
- производительность
- Продукция
- глубоко
- FitPartner™
- прогнозируемых
- многообещающий
- доля
- обеспечивать
- при условии
- приводит
- полномочие
- публично
- импульс
- целей
- Питон
- количественный
- САЙТ
- быстро
- ассортимент
- реализовать
- Red
- снижение
- совершенствовать
- отражать
- Реформа
- область
- районы
- публикации
- соответствующие
- помощь
- удаленные
- удаление
- Reporting
- Отчеты
- представитель
- запросить
- исследованиям
- ресурс
- Полезные ресурсы
- результат
- Итоги
- возвращают
- показывать
- Показывает
- Богатые
- правую
- Снижение
- факторы риска
- рисках,
- Rivers - Реки
- Дорога
- Run
- Бег
- Сакраменто
- sagemaker
- то же
- Сан -
- Сан-Франциско
- спутник
- Спутники
- масштабируемые
- сцена
- Сцены
- схемы
- Наука
- Ученый
- Ученые
- scikit учиться
- Гол
- SDK
- Поиск
- Время года
- SEC / КОМИССИЯ ПО ЦЕННЫМ БУМАГАМ И БИРЖАМ
- Сектора юридического права
- Ценные бумаги
- Комиссия по ценным бумагам и биржам
- безопасность
- риски безопасности
- посмотреть
- сегментация
- сегментами
- выбранный
- выбор
- старший
- отдельный
- служит
- Услуги
- набор
- Наборы
- урегулировать
- несколько
- она
- показывать
- показанный
- аналогичный
- просто
- с
- одинарной
- Размер
- небольшой
- Software
- разработка программного обеспечения
- комплект для разработки программного обеспечения
- Инженер-программист
- разработка программного обеспечения
- почва
- Решение
- Решения
- РЕШАТЬ
- некоторые
- Источник
- Источники
- Space
- пространства
- пролеты
- пространственный
- Говорит
- специалист
- специализация
- Спецификация
- спецификации
- Спектральный
- Расходы
- заинтересованные стороны
- заинтересованных сторон
- Начало
- и политические лидеры
- Область
- отчетность
- Статус:
- Шаг
- Истории
- Стратегический
- Стратегическое партнерство
- стратегий
- стресс
- сильный
- студия
- Кабинет
- подписаться
- успешный
- Успешно
- такие
- поддержка
- Поддержка
- Поверхность
- Опрос
- Стабильность
- комфортного
- система
- системы
- взять
- приняты
- с
- команда
- Технический
- снижения вреда
- Технологии
- тестXNUMX
- воли
- Тестирование
- чем
- который
- Ассоциация
- Местоположение
- Государство
- мир
- их
- Их
- тогда
- Там.
- следовательно
- Эти
- они
- вещи
- этой
- те
- Через
- время
- раз
- в
- инструментом
- инструменты
- топ
- к
- трек
- Train
- специалистов
- Обучение
- Transform
- трансформация
- преобразован
- Путешествие
- Деревья
- Тенденции
- правда
- Правда
- стараться
- два
- напишите
- лежащий в основе
- понимание
- берет на себя обязательство
- отпирающий
- до
- Предстоящие
- Обновление ПО
- us
- использование
- используемый
- пользователей
- использования
- через
- обычно
- использовать
- ценный
- ценностное
- Наши ценности
- различный
- Огромная
- очень
- с помощью
- видение
- Войти
- визуализация
- визуально
- объем
- Уязвимый
- ждать
- хотеть
- законопроект
- Снизить отходы
- Вода
- we
- Web
- веб-сервисы
- Вебсайт
- ЧТО Ж
- были
- в то время как
- будь то
- который
- в то время как
- КТО
- чья
- широкий
- Широкий диапазон
- в
- без
- слова
- Работа
- рабочий
- Рабочие процессы
- работает
- Мир
- бы
- письменный
- X
- год
- лет
- Уступать
- Ты
- зефирнет
- зум