В своей книге Книга почему, Judea Pearl выступает за обучение машин принципам причин и следствий, чтобы повысить их интеллект. Достижения глубокого обучения — это, по сути, просто тип подбора кривой, тогда как причинно-следственная связь может использоваться для выявления взаимодействий между системами мира при различных ограничениях без прямой проверки гипотез. Это может дать ответы, которые приведут нас к ОИИ (искусственному обобщенному интеллекту).
Это решение предлагает структуру причинно-следственного вывода с использованием байесовских сетей для представления причинно-следственных зависимостей и получения причинно-следственных выводов на основе наблюдаемых спутниковых изображений и данных экспериментальных испытаний в форме смоделированных погодных и почвенных условий. тематическое исследование причинно-следственная связь между внесением азотных удобрений и урожайностью кукурузы.
Спутниковые снимки обрабатываются с помощью специально созданных Геопространственные возможности Amazon SageMaker и обогащенный заказными Обработка Amazon SageMaker операции. Механизм причинно-следственного вывода развернут с Асинхронный логический вывод Amazon SageMaker.
В этом посте мы покажем, как создать этот контрфактический анализ, используя Amazon SageMaker JumpStart решений.
Обзор решения
На следующей диаграмме показана архитектура сквозного рабочего процесса.
Предпосылки
Вам нужно Аккаунт AWS использовать это решение.
Чтобы запустить это решение JumpStart 1P и развернуть инфраструктуру в своей учетной записи AWS, необходимо создать активную учетную запись. Студия Amazon SageMaker экземпляр (см. Подключение к домену Amazon SageMaker). Когда ваш экземпляр Studio будет готов, следуйте инструкциям в SageMaker JumpStart для запуска решения Crop Yield Counterfactuals.
Обратите внимание, что это решение в настоящее время доступно только в регионе Запад США (Орегон).
Причинный вывод
Причинность связана с пониманием изменений, но формализовать это в статистике и машинном обучении (ML) — нетривиальное упражнение.
В этом исследовании урожайности азот, добавляемый в качестве удобрения, и результаты урожайности могут быть перепутаны. Точно так же азот, добавленный в качестве удобрения, и результаты выщелачивания азота также могут быть смешаны в том смысле, что их связь может быть объяснена общей причиной. Однако ассоциация не является причинно-следственной связью. Если мы знаем, какие наблюдаемые факторы искажают связь, мы учитываем их, но что, если есть другие скрытые переменные, ответственные за смешение? Уменьшение количества удобрений не обязательно приведет к уменьшению остаточного азота; точно так же это не может резко снизить урожай, тогда как почвенные и климатические условия могут быть наблюдаемыми факторами, которые мешают ассоциации. Как справляться со смешением — центральная проблема каузального вывода. Техника, предложенная Р.А. Фишером, называется рандомизированное контролируемое исследование направлен на то, чтобы сломать возможное смешение.
Однако в отсутствие рандомизированных контролируемых исследований необходимо делать вывод о причинно-следственной связи исключительно на основе данных наблюдений. Есть способы связать причинно-следственные вопросы с данными в обсервационных исследованиях, написав причинно-следственную графическую модель того, что мы постулируем как происходящее. Это включает в себя заявление о том, что соответствующие обходы захватят соответствующие зависимости, при этом удовлетворяя графическому критерию условной игнорируемости (в какой степени мы можем рассматривать причинность как ассоциацию, основанную на причинных предположениях). После того, как мы постулировали структуру, мы можем использовать подразумеваемые инвариантности, чтобы извлечь уроки из данных наблюдений и включить вопросы о причинности, выводя утверждения о причинности без рандомизированных контрольных испытаний.
В этом решении используются как данные смоделированных рандомизированных контрольных испытаний (РКИ), так и данные наблюдений со спутниковых изображений. Серия симуляций, проведенных на тысячах полей в течение нескольких лет в Иллинойсе (США), используется для изучения реакции кукурузы на увеличение нормы азота при широком сочетании погодных и почвенных изменений, наблюдаемых в регионе. Он устраняет ограничение использования пробных данных, ограниченное количеством почв и лет, которые он может исследовать, используя моделирование сельскохозяйственных культур в различных сценариях земледелия и географических регионах. База данных была откалибрована и подтверждена с использованием данных более 400 испытаний в регионе. Начальная концентрация азота в почве задавалась случайным образом из разумного диапазона.
Кроме того, база данных дополнена наблюдениями со спутниковых изображений, тогда как зональная статистика выводится из спектральных индексов, чтобы представить пространственно-временные изменения в растительности, наблюдаемые в разных географических регионах и фенологических фазах.
Причинный вывод с байесовскими сетями
Структурные причинно-следственные модели (SCM) используют графические модели для представления причинно-следственных зависимостей путем включения как данных, так и человеческого ввода. Предлагается особый тип причинно-следственной модели структуры, называемый байесовскими сетями, для моделирования динамики фенологии сельскохозяйственных культур с использованием вероятностных выражений путем представления переменных в виде узлов и отношений между переменными в виде ребер. Узлы являются индикаторами роста сельскохозяйственных культур, почвы и погодных условий, а ребра между ними представляют собой пространственно-временные причинно-следственные связи. Родительские узлы — это параметры, связанные с полем (включая день посева и засеянную площадь), а дочерние узлы — показатели урожайности, поглощения азота и выщелачивания азота.
Для получения более подробной информации, обратитесь к характеристика базы данных и инструкция для определения стадий роста кукурузы.
Для построения модели байесовских сетей требуется несколько шагов (с Причинно-следственная связь), прежде чем мы сможем использовать его для контрфактического и интервенционного анализа. Структура причинно-следственной модели первоначально изучается из данных, тогда как предметная экспертиза (доверенная литература или эмпирические убеждения) используется для постулирования дополнительных зависимостей и независимых величин между случайными переменными и переменными вмешательства, а также для утверждения, что структура является причинно-следственной.
. НЕТ СЛЕЗ, алгоритм непрерывной оптимизации для обучения структуры, структура графа, описывающая условные зависимости между переменными, изучается из данных с набором ограничений, наложенных на ребра, родительские узлы и дочерние узлы, которые не разрешены в причинно-следственной модели. Это сохраняет временные зависимости между переменными. См. следующий код:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
На следующем этапе знания предметной области кодируются в модели и фиксируются в фенологической динамике, избегая при этом ложных взаимосвязей. Анализ мультиколлинеарности, анализ фактора инфляции вариации и важность глобальных признаков с использованием ШАП анализ проводится для извлечения информации и ограничений на переменные водного стресса (экспансия, фенология и фотосинтез вокруг цветения), погодные и почвенные переменные, спектральные индексы и индикаторы на основе азота:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Байесовские сети в CausalNex поддерживают только дискретные распределения. Любые непрерывные функции или функции с большим количеством категорий дискретизируются перед подбором байесовской сети:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
После того, как структура просмотрена, условное распределение вероятностей каждой переменной с учетом ее родителей может быть изучено из данных на шаге, называемом оценка правдоподобия:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Наконец, структура и вероятности используются для выполнения наблюдательного вывода «на лету», следуя детерминированному алгоритму. Алгоритм дерева соединений (JTA) и осуществление вмешательств с использованием делать-исчисление. Асинхронный вывод SageMaker позволяет ставить в очередь входящие запросы и обрабатывать их асинхронно. Этот вариант идеально подходит как для сценариев наблюдения, так и для сценариев логического вывода, когда процесс нельзя распараллелить, в результате чего требуется значительное время для обновления вероятностей по всей сети, хотя несколько запросов могут выполняться параллельно. См. следующий код:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Для получения дополнительной информации см. сценарий вывода.
Причинная модель ноутбук представляет собой пошаговое руководство по выполнению предыдущих шагов.
Обработка геопространственных данных
Работа по наблюдению за Землей (EOJ) объединены в цепочку для получения и преобразования спутниковых изображений, тогда как специально созданные операции и предварительно обученные модели используются для удаления облаков, создания мозаики, математических операций с полосами и повторной выборки. В этом разделе мы более подробно обсудим этапы геопространственной обработки.
Область интересов
На следующем рисунке зеленые многоугольники — это выбранные округа, оранжевая сетка — карта базы данных (сетка из ячеек 10 х 10 км, в которых проводятся испытания в регионе), а сетка полутоновых квадратов — 100 км х 100 км. Тайловая сетка Sentinel-2 UTM.
Пространственные файлы используются для картирования смоделированной базы данных с соответствующими спутниковыми изображениями, накладывая полигоны ячеек 10 км x 10 км, которые делят штат Иллинойс (где в регионе проводятся испытания), полигоны округов и полигоны 100 км x 100 км Sentinel. 2 плитки UTM. Для оптимизации конвейера обработки геопространственных данных сначала выбираются несколько соседних плиток Sentinel-2. Затем совокупная геометрия плиток и ячеек накладывается друг на друга, чтобы получить область интереса (RoI). Округа и идентификаторы ячеек, которые полностью наблюдаются в области интереса, выбираются для формирования геометрии многоугольника, передаваемой в EOJ.
Временной диапазон
В этом упражнении фенологический цикл кукурузы делится на три стадии: вегетативные стадии с v5 по R1 (всходы, листовая шейка и образование кистей), репродуктивные стадии с R1 по R4 (шелушение, образование пузырей, молоко и тесто) и репродуктивные стадии. R5 (вмятина) и R6 (физиологическая зрелость). Последовательные спутниковые визиты получаются для каждого этапа фенологии в пределах временного диапазона 2 недель и заранее определенной области интереса (выбранные округа), что позволяет проводить пространственный и временной анализ спутниковых изображений. На следующем рисунке показаны эти показатели.
Удаление облака
Удаление облаков для данных Sentinel-2 использует модель семантической сегментации на основе машинного обучения для идентификации облаков на изображении, где облачные пиксели заменяются значением -9999 (значение без данных):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
После создания EOJ возвращается ARN и используется для выполнения последующей операции геомозаики.
Чтобы получить статус задания, вы можете запустить sg_client.get_earth_observation_job(Arn = response['Arn']).
геомозаика
Геомозаика EOJ используется для объединения изображений от нескольких посещений спутников в большую мозаику путем перезаписи пустых или прозрачных пикселей (включая облачные пиксели) пикселями из других временных меток:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
После создания EOJ возвращается ARN и используется для выполнения последующей операции повторной выборки.
Resampling
Передискретизация используется для уменьшения разрешения геопространственного изображения, чтобы оно соответствовало разрешению масок обрезки (масштабирование разрешения 10–30 м):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
После создания EOJ возвращается ARN и используется для выполнения последующей математической операции с диапазоном.
Группа математики
Математические операции с полосами используются для преобразования наблюдений из нескольких спектральных полос в одну полосу. В него входят следующие спектральные индексы:
- ЭВИ2 – Двухполосный расширенный индекс растительности
- ГДВИ - Обобщенный индекс различий растительности
- НДМИ – Нормализованный разностный индекс влажности
- NDVI - Нормализованный разностный индекс растительности
- НДВИ – Нормализованный разностный индекс воды
Смотрите следующий код:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Зональная статистика
Спектральные индексы дополнительно обогащаются с использованием Обработка Amazon SageMaker, где пользовательская логика на основе GDAL используется для следующих действий:
- Объединить спектральные индексы в единую многоканальную мозаику
- Перепроецируйте мозаику на маска обрезкипроекция
- Примените маску обрезки и перепроецируйте мозаику на CRC полигонов ячеек.
- Рассчитать зональную статистику для выбранных полигонов (ячейки 10 км x 10 км)
При параллельном распределении данных файлы манифеста (для каждой фенологической стадии культуры) распределяются по нескольким экземплярам с помощью ShardedByS3Key
Тип распределения данных S3. Для получения дополнительной информации см. скрипт извлечения признаков.
Геопространственная обработка ноутбук представляет собой пошаговое руководство по выполнению предыдущих шагов.
На следующем рисунке показаны каналы RGB последовательных посещений спутников, представляющих вегетативную и репродуктивную стадии фенологического цикла кукурузы, с (справа) и без (слева) масок культур (CW 20, 26 и 33, 2018 г., Центральный Иллинойс).
На следующем рисунке спектральные индексы (NDVI, ЭВИ2, НДМИ) последовательных спутниковых посещений представляют вегетативную и репродуктивную стадии фенологического цикла кукурузы (CW 20, 26 и 33, 2018 г., Центральный Иллинойс).
Убирать
Если вы больше не хотите использовать это решение, вы можете удалить созданные им ресурсы. После развертывания решения в Studio выберите Удалить все ресурсы для автоматического удаления всех стандартных ресурсов, созданных при запуске решения, в том числе корзины S3.
Заключение
Это решение представляет собой план для случаев использования, когда причинно-следственный вывод с помощью байесовских сетей является предпочтительной методологией для ответа на причинно-следственные вопросы на основе комбинации данных и человеческого ввода. Рабочий процесс включает в себя эффективную реализацию механизма логического вывода, который ставит в очередь входящие запросы и вмешательства и обрабатывает их асинхронно. Модульный аспект позволяет повторно использовать различные компоненты, включая геопространственную обработку с помощью специально созданных операций и предварительно обученных моделей, обогащение спутниковых изображений пользовательскими операциями GDAL и разработку мультимодальных признаков (спектральные индексы и табличные данные).
Кроме того, это решение можно использовать в качестве шаблона для построения моделей сельскохозяйственных культур с координатной сеткой, в которых проводится управление азотными удобрениями и анализ экологической политики.
Для получения дополнительной информации обратитесь к Шаблоны решений и следуйте инструкция для запуска решения Crop Yield Counterfactuals в регионе Запад США (Орегон). Код доступен в Репо GitHub.
Цитаты
Герман Мандрини, Сотириос В. Архонтулис, Кэмерон М. Питтелкоу, Таро Миено, Николас Ф. Мартин,
Смоделированный набор данных о реакции кукурузы на азот по тысячам полей за несколько лет в Иллинойсе,
Краткие данные, том 40, 2022 г., 107753, ISSN 2352-3409
Полезные ресурсы
Об авторах
Пол Барна является старшим специалистом по данным в лаборатории прототипирования машинного обучения в AWS.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :является
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- О нас
- достижения
- Учетная запись
- приобретать
- приобретенный
- через
- активный
- добавленный
- дополнение
- дополнительный
- адреса
- адвокаты
- После
- AGI
- Цель
- алгоритм
- Все
- позволяет
- Несмотря на то, что
- Amazon
- Создатель мудреца Амазонки
- Amazon SageMaker JumpStart
- среди
- количество
- анализ
- и
- ответы
- откуда угодно
- Применение
- архитектура
- МЫ
- ПЛОЩАДЬ
- около
- AS
- внешний вид
- Утверждая
- Объединение
- At
- автоматически
- доступен
- избегающий
- AWS
- ГРУППА
- основанный
- байесовский
- BE
- до
- между
- Синии
- книга
- Ломать
- широкий
- строить
- Строительство
- by
- под названием
- CAN
- возможности
- захватить
- перехватывает
- случаев
- категории
- Вызывать
- Клетки
- центральный
- прикованный
- изменение
- изменения
- каналы
- ребенок
- Выберите
- заявив,
- требования
- облако
- код
- Ошейники
- сочетание
- Общий
- компоненты
- концентрации
- Условия
- проводятся
- Свяжитесь
- последовательный
- ограничения
- (CIJ)
- контроль
- контроль
- соответствующий
- может
- Создайте
- создали
- урожай
- В настоящее время
- кривая
- изготовленный на заказ
- Изготовленный на заказ
- цикл
- данным
- обработка данных
- ученый данных
- управляемых данными
- База данных
- день
- глубоко
- глубокое обучение
- демонстрировать
- развернуть
- Производный
- подробность
- подробнее
- разница
- непосредственно
- обсуждать
- распределенный
- распределение
- распределения
- Разделенный
- домен
- кардинально
- рисовать
- динамика
- каждый
- эффект
- появление
- позволяет
- позволяет
- впритык
- Двигатель
- Проект и
- расширение
- обогащенный
- окружающий
- Экологическая политика
- по существу
- Упражнение
- расширение
- эксперту
- опыта
- Объяснять
- Больше
- выражения
- расширение
- извлечение
- факторы
- сельское хозяйство
- Особенность
- Особенности
- несколько
- Поля
- фигура
- следовать
- после
- Что касается
- форма
- Рамки
- от
- полностью
- далее
- порождать
- географии
- получить
- GitHub
- данный
- Глобальный
- график
- Оттенки серого
- Зелёная
- сетка
- Рост
- инструкция
- обрабатывать
- происходить
- Есть
- Скрытый
- Как
- How To
- Однако
- HTML
- HTTP
- HTTPS
- человек
- идеальный
- определения
- идентифицирующий
- Иллинойс
- изображение
- изображений
- Влияние
- реализация
- подразумеваемый
- Импортировать
- значение
- наложенный
- внушительный
- in
- включает в себя
- В том числе
- Входящий
- включения
- повышение
- индикаторы
- Индексы
- информация
- Инфраструктура
- начальный
- первоначально
- размышления
- пример
- инструкции
- Интеллекта
- взаимодействие
- интерес
- вмешательство
- выпустили
- IT
- ЕГО
- работа
- Знать
- знания
- Labs
- большой
- запуск
- запуск
- вести
- УЧИТЬСЯ
- узнали
- изучение
- ограничение
- Ограниченный
- литература
- дольше
- машина
- обучение с помощью машины
- Продукция
- сделанный
- Создание
- управление
- карта
- Мартин
- маска
- Маски
- Совпадение
- математике
- Вопрос
- зрелость
- идти
- Методология
- Метрика
- может быть
- Молоко
- ML
- модель
- Модели
- модульный
- БОЛЕЕ
- с разными
- имя
- НАСА
- Возле
- обязательно
- Необходимость
- сеть
- сетей
- следующий
- никола
- узел
- Распределение узлов
- узлы
- номер
- получать
- of
- on
- операция
- Операционный отдел
- оптимизация
- Оптимизировать
- Опция
- Апельсин
- заказ
- Орегон
- Другое
- Параллельные
- параметры
- родители
- особый
- Прошло
- Выполнять
- фотосинтез
- трубопровод
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- штекер
- политика
- Polygon
- возможное
- После
- привилегированный
- Принципы
- Предварительный
- Проблема
- процесс
- Обработанный
- Процессы
- обработка
- свойства
- собственность
- предложило
- предлагает
- макетирования
- обеспечивать
- приводит
- чисто
- Вопросы
- случайный
- Рандомизированное
- ассортимент
- Стоимость
- готовый
- разумный
- Red
- уменьшить
- снижение
- область
- отношения
- Отношения
- удаление
- заменить
- представлять
- представляющий
- Запросы
- обязательный
- Постановления
- Полезные ресурсы
- ответ
- ответственный
- отзывы
- RGB
- ROI
- Run
- Бег
- sagemaker
- спутник
- Сценарии
- Ученый
- Раздел
- сегментация
- выбранный
- старший
- смысл
- Серии
- набор
- несколько
- Шоу
- Аналогичным образом
- одинарной
- Решение
- Решения
- некоторые
- пространственный
- Спектральный
- квадраты
- Этап
- этапы
- стандарт
- Область
- Области
- статистика
- Статус:
- Шаг
- Шаги
- стресс
- Структура
- исследования
- студия
- Кабинет
- предмет
- последующее
- поддержка
- системы
- с
- таро
- Обучение
- шаблон
- Тестирование
- который
- Ассоциация
- График
- Государство
- мир
- их
- Их
- тем самым
- Эти
- вещи
- тысячи
- три
- Через
- по всему
- время
- в
- вместе
- Train
- Transform
- превращение
- прозрачный
- лечить
- суд
- испытания
- надежных
- Лос-Анджелесе
- открывай
- под
- понимание
- Ед. изм
- Объединенный
- США
- Обновление ПО
- обновление
- us
- использование
- подтверждено
- ценностное
- различный
- Посещения
- объем
- Вода
- способы
- Погода
- Недели
- ЧТО Ж
- запад
- Что
- который
- в то время как
- будете
- в
- без
- Мир
- письмо
- X
- лет
- Уступать
- доходность
- Ты
- ВАШЕ
- зефирнет