Определение стоимости жилья — классический пример использования машинного обучения (МО). Значительное влияние оказали Харрисон и Рубинфельд (1978), опубликовавшие новаторскую статью и набор данных, которые неофициально стали известны как Бостонский набор данных по жилищному строительству. В этой плодотворной работе был предложен метод оценки цен на жилье в зависимости от множества параметров, включая качество воздуха, которое было основным направлением их исследований. Почти 50 лет спустя оценка цен на жилье стала важным инструментом обучения для студентов и специалистов, заинтересованных в использовании данных и машинного обучения при принятии бизнес-решений.
В этом посте мы обсуждаем использование модели с открытым исходным кодом, специально разработанной для задачи визуального ответа на вопрос (VQA). С помощью VQA вы можете задать вопрос о фотографии на естественном языке и получить ответ на свой вопрос — также на простом языке. Наша цель в этом посте — вдохновить и продемонстрировать возможности использования этой технологии. Мы предлагаем использовать эту возможность с Создатель мудреца Амазонки платформа сервисов для повышения точности регрессионной модели в случае использования машинного обучения и независимо для автоматической маркировки визуальных изображений.
Мы предоставляем соответствующее YouTube видео это демонстрирует то, что здесь обсуждается. Воспроизведение видео начнется в середине, чтобы выделить наиболее важный момент. Мы предлагаем вам просмотреть это чтение с помощью видео, чтобы закрепить и лучше понять концепцию.
Модели фундамента
В основе этого решения лежит использование базовой модели, опубликованной в репозитории моделей Hugging Face. Здесь мы используем термин модель фундамента для описания возможностей искусственного интеллекта (ИИ), которые были предварительно обучены на большом и разнообразном массиве данных. Базовые модели иногда могут быть готовы к использованию без необходимости обучения модели с нуля. Некоторые базовые модели можно доработать, что означает обучение дополнительным шаблонам, которые имеют отношение к вашему бизнесу, но отсутствуют в исходной обобщенной опубликованной модели. Иногда необходима точная настройка для предоставления правильных ответов, уникальных для вашего варианта использования или совокупности знаний.
В Обнимая лицо репозитории, на выбор предлагается несколько моделей VQA. Мы выбрали модель с наибольшим количеством загрузок на момент написания статьи. Хотя этот пост демонстрирует возможность использовать модель из репозитория моделей с открытым исходным кодом, та же концепция применима к модели, которую вы обучили с нуля или использовали у другого доверенного поставщика.
Современный подход к классическому варианту использования
Оценка стоимости дома традиционно осуществлялась с помощью табличных данных, в которых для определения цены использовались характеристики недвижимости. Хотя могут быть сотни особенностей, которые следует учитывать, некоторыми фундаментальными примерами являются размер дома в готовом помещении, количество спален и ванных комнат, а также расположение места жительства.
Машинное обучение способно включать в себя разнообразные источники входных данных, помимо табличных данных, такие как аудио, неподвижные изображения, движущееся видео и естественный язык. В ИИ термин мультимодальные относится к использованию различных типов мультимедиа, таких как изображения и табличные данные. В этом посте мы покажем, как использовать мультимодальные данные для поиска и освобождения скрытой ценности, запертой в обильных цифровых выхлопах, производимых сегодняшним современным миром.
Помня об этой идее, мы демонстрируем использование моделей фундамента для извлечения скрытых особенностей из изображений объекта недвижимости. Используя информацию, содержащуюся в изображениях, ранее не доступную в табличных данных, мы можем повысить точность модели. И изображения, и табличные данные, обсуждаемые в этом посте, изначально были доступны и опубликованы на GitHub Ахмеда и Мустафы (2016).
Одна картинка стоит тысячи слов
Теперь, когда мы понимаем возможности VQA, давайте рассмотрим два следующих изображения кухонь. Как бы вы оценили стоимость дома по этим изображениям? Какие вопросы вы бы себе задали? Каждая картинка может вызвать у вас десятки вопросов. Некоторые из этих вопросов могут привести к содержательным ответам, которые улучшат процесс оценки дома.
Фотографии предоставлены Франческой Тосолини (слева) и Sidekix Media (справа) на Unsplash.
В следующей таблице представлены анекдотические примеры взаимодействия VQA, показаны вопросы рядом с соответствующими ответами. Ответы могут быть в форме категориальных, непрерывных или бинарных ответов.
Пример вопроса | Пример ответа из базовой модели |
Из чего сделаны столешницы? | гранит, плитка, мрамор, ламинат и т. д. |
Это дорогая кухня? | да нет |
Сколько здесь отдельных раковин? | 0, 1, 2 |
Эталонная архитектура
В этом посте мы используем Обработчик данных Amazon SageMaker задать единый набор визуальных вопросов для тысяч фотографий в наборе данных. SageMaker Data Wrangler специально создан для упрощения процесса подготовки данных и проектирования функций. Предоставляя более 300 встроенных преобразований, SageMaker Data Wrangler помогает сократить время, необходимое для подготовки табличных данных и данных изображений для машинного обучения, с недель до минут. Здесь SageMaker Data Wrangler объединяет функции данных из исходного табличного набора с функциями, созданными на фотографиях, из базовой модели для обучения модели.
Далее мы строим регрессионную модель с использованием Холст Amazon SageMaker. SageMaker Canvas позволяет построить модель без написания кода и предоставить предварительные результаты всего за 2–15 минут. В следующем разделе мы представляем эталонную архитектуру, используемую для реализации этого руководства по решению.
Многие популярные модели Hugging Face и других поставщиков можно развернуть одним щелчком мыши с помощью Amazon SageMaker JumpStart. В этих репозиториях доступны сотни тысяч моделей. Для этой статьи мы выбираем модель, недоступную в SageMaker JumpStart, которая требует развертывания клиентом. Как показано на следующем рисунке, мы развертываем модель Hugging Face для вывода, используя Студия Amazon SageMaker блокнот. Записная книжка используется для развертывания конечной точки для вывода в реальном времени. В блокноте используются ресурсы, включающие двоичную модель Hugging Face, указатель на изображение контейнера и специальный скрипт inference.py, который соответствует ожидаемым входным и выходным данным модели. Пока вы читаете это, набор доступных моделей VQA может измениться. Важно просмотреть доступные модели VQA на момент чтения этой статьи и быть готовым к развертыванию выбранной вами модели, которая будет иметь собственный контракт API-запросов и ответов.
После того как модель VQA обслуживается конечной точкой SageMaker, мы используем SageMaker Data Wrangler для организации конвейера, который в конечном итоге объединяет табличные данные и функции, извлеченные из цифровых изображений, и изменяет форму данных для обучения модели. На следующем рисунке показано, как выполняется задание полномасштабного преобразования данных.
На следующем рисунке мы используем SageMaker Data Wrangler для координации задач по подготовке данных и SageMaker Canvas для обучения модели. Во-первых, SageMaker Data Wrangler использует Служба определения местоположения Амазон для преобразования почтовых индексов, доступных в необработанных данных, в функции широты и долготы. Во-вторых, SageMaker Data Wrangler может координировать отправку тысяч фотографий на конечную точку, размещенную на сервере SageMaker, для получения выводов в реальном времени, задавая единый набор вопросов для каждой сцены. В результате получается богатый набор функций, описывающих характеристики, наблюдаемые на кухнях, ванных комнатах, экстерьерах домов и т. д. После подготовки данных с помощью SageMaker Data Wrangler набор обучающих данных доступен в Простой сервис хранения Amazon (Амазонка S3). Используя данные S3 в качестве входных данных, SageMaker Canvas может обучить модель всего за 2–15 минут без написания какого-либо кода.
Преобразование данных с помощью SageMaker Data Wrangler
На следующем снимке экрана показан рабочий процесс SageMaker Data Wrangler. Рабочий процесс начинается с тысяч фотографий домов, хранящихся в Amazon S3. Затем детектор сцены определяет сцену, например кухню или ванную комнату. Наконец, к изображениям задается ряд вопросов, специфичных для сцены, в результате чего получается более богатый табличный набор данных, доступный для обучения.
Ниже приведен пример пользовательского кода преобразования SageMaker Data Wrangler, используемого для взаимодействия с моделью фундамента и получения информации о изображениях кухонь. Если на предыдущем снимке экрана выбрать узел «Функции кухни», появится следующий код:
В целях безопасности сначала необходимо разрешить SageMaker Data Wrangler вызывать вашу конечную точку SageMaker в режиме реального времени через Управление идентификацией и доступом AWS (Я). Аналогично, любые ресурсы AWS, которые вы вызываете через SageMaker Data Wrangler, потребуют аналогичных разрешений.
Структуры данных до и после SageMaker Data Wrangler
В этом разделе мы обсудим структуру исходных табличных данных и расширенных данных. Расширенные данные содержат новые функции данных относительно этого примера использования. В своем приложении найдите время, чтобы представить себе разнообразный набор вопросов, доступных на ваших изображениях, которые помогут вам в решении задачи классификации или регрессии. Идея состоит в том, чтобы придумать как можно больше вопросов, а затем проверить их, чтобы убедиться, что они действительно приносят пользу.
Структура исходных табличных данных
Как описано в источнике Репо GitHub, образец набора данных содержит 535 табличных записей, включая четыре изображения на каждое свойство. Следующая таблица иллюстрирует структуру исходных табличных данных.
Особенность | КОММЕНТАРИЙ |
Кол-во спален | . |
Количество санузлов | . |
Площадь (квадратных футов) | . |
Почтовый индекс | . |
Цена | Это целевая переменная, которую нужно спрогнозировать. |
Структура расширенных данных
В следующей таблице показана расширенная структура данных, которая содержит несколько новых функций, полученных на основе изображений.
Особенность | КОММЕНТАРИЙ |
Кол-во спален | . |
Количество санузлов | . |
Площадь (квадратных футов) | . |
Широта | Рассчитывается путем передачи исходного почтового индекса в службу местоположения Amazon. Это значение центроида для ZIP. |
Долгота | Рассчитывается путем передачи исходного почтового индекса в службу местоположения Amazon. Это значение центроида для ZIP. |
Есть ли в спальне сводчатый потолок? | 0 = нет; 1 = да |
Ванная дорогая? | 0 = нет; 1 = да |
Кухня дорогая? | 0 = нет; 1 = да |
Цена | Это целевая переменная, которую нужно спрогнозировать. |
Обучение модели с помощью SageMaker Canvas
Задание обработки данных SageMaker Data Wrangler полностью подготавливает и делает весь набор табличных обучающих данных доступным в Amazon S3. Далее SageMaker Canvas обращается к этапу построения модели жизненного цикла машинного обучения. Canvas начинается с открытия обучающего набора S3. Способность понять модель часто является ключевым требованием клиента. SageMaker Canvas предоставляет богатую визуальную информацию о производительности модели без написания кода и за несколько щелчков мышью. Как видно на снимке экрана в следующем разделе, SageMaker Canvas показывает, как отдельные функции влияют на модель.
Модель, обученная с использованием исходных табличных данных и функций, полученных из изображений недвижимости.
На следующем снимке экрана видно, что функции, разработанные на основе изображений объекта, были важны. Судя по этим результатам, вопрос «Дорогая ли эта кухня» с фотографии оказался более значимым, чем вопрос «Количество спален» в исходном табличном наборе со значениями важности признака 7.08 и 5.498 соответственно.
На следующем снимке экрана представлена важная информация о модели. Во-первых, остаточный график показывает, что большинство точек набора сгруппированы вокруг зоны, заштрихованной фиолетовым цветом. Здесь для этой иллюстрации два выброса были вручную аннотированы за пределами SageMaker Canvas. Эти выбросы представляют собой значительный разрыв между истинной стоимостью дома и прогнозируемой стоимостью. Кроме того, Р2 значение, которое имеет возможный диапазон от 0 до 100 %, отображается как 76 %. Это указывает на то, что модель несовершенна и не имеет достаточного количества информационных точек для полного учета всего разнообразия и полной оценки стоимости дома.
Мы можем использовать выбросы, чтобы найти и предложить дополнительные сигналы для построения более полной модели. Например, эти выдающиеся объекты недвижимости могут включать в себя бассейн или располагаться на больших участках земли. Набор данных не включал эти функции; однако вы можете найти эти данные и обучить новую модель с включенным в качестве дополнительной функции «бассейном». В идеале при следующей попытке R2 значение увеличится, а значения MAE и RMSE уменьшатся.
Модель, обученная без признаков, полученных из изображений недвижимости.
Наконец, прежде чем перейти к следующему разделу, давайте выясним, были ли полезны функции изображений. На следующем снимке экрана показана еще одна обученная модель SageMaker Canvas без функций модели VQA. Мы видим, что частота ошибок модели увеличилась с RMSE 282 352 до RMSE 20 XNUMX. Отсюда можно сделать вывод, что три простых вопроса по изображениям повысили точность модели примерно на XNUMX%. Не показано, но для полноты картины R2 Значение для следующей модели также ухудшилось, упав до значения 62% со значения 76% при наличии функций VQA. Это пример того, как SageMaker Canvas упрощает быстрое экспериментирование и использование подхода, основанного на данных, который создает модель, отвечающую потребностям вашего бизнеса.
Забегая вперед
Многие организации проявляют все больший интерес к базовым моделям, особенно после того, как в декабре 2022 года общие предварительно обученные преобразователи (GPT) официально стали основной темой интереса. Большая часть интереса к базовым моделям сосредоточена на задачах больших языковых моделей (LLM). ; однако существуют и другие разнообразные варианты использования, такие как компьютерное зрение и, в более узком смысле, описанная здесь специализированная задача VQA.
Этот пост является примером, вдохновляющим на использование мультимодальных данных для решения отраслевых сценариев использования. Хотя мы продемонстрировали использование и преимущества VQA в регрессионной модели, его также можно использовать для маркировки и маркировки изображений для последующего поиска или маршрутизации бизнес-процессов. Представьте себе, что вы можете искать недвижимость, выставленную на продажу или в аренду. Предположим, вы хотите найти недвижимость с плиточным полом или мраморной столешницей. Сегодня вам, возможно, придется получить длинный список свойств-кандидатов и фильтровать себя по виду при просмотре каждого кандидата. Вместо этого представьте, что вы можете фильтровать списки, содержащие эти функции, даже если человек не отметил их явно. Представьте себе возможность в страховой отрасли оценивать ущерб по претензиям или планировать следующие действия в бизнес-процессе на основе изображений. В социальных сетях фотографии могут автоматически помечаться для последующего использования.
Обзор
В этом посте показано, как использовать компьютерное зрение на основе базовой модели для улучшения классического варианта использования машинного обучения с использованием платформы SageMaker. В рамках предложенного решения мы нашли популярную модель VQA, доступную в общедоступном реестре моделей, и развернули ее с помощью конечной точки SageMaker для вывода в реальном времени.
Затем мы использовали SageMaker Data Wrangler для организации рабочего процесса, в котором к изображениям задавались однородные вопросы для создания богатого набора табличных данных. Наконец, мы использовали SageMaker Canvas для обучения модели регрессии. Важно отметить, что образец набора данных был очень простым и, следовательно, несовершенным по своей конструкции. Несмотря на это, SageMaker Canvas позволяет легко понять точность модели и найти дополнительные сигналы для повышения точности базовой модели.
Мы надеемся, что этот пост побудил вас использовать мультимодальные данные, которыми может обладать ваша организация. Кроме того, мы надеемся, что этот пост вдохновил вас рассматривать обучение модели как итеративный процесс. Приложив немного терпения, можно создать отличную модель. Модели, близкие к совершенству, могут быть слишком хороши, чтобы быть правдой, возможно, в результате утечки целевых данных или переобучения. Идеальный сценарий начинался бы с хорошей, но не идеальной модели. Используя графики ошибок, потерь и остатков, вы можете получить дополнительные сигналы данных, чтобы повысить точность первоначальной базовой оценки.
AWS предлагает самый широкий и глубокий набор сервисов ML и поддерживающую облачную инфраструктуру, предоставляя ML в руки каждого разработчика, специалиста по обработке данных и эксперта-практика. Если вам интересно узнать больше о платформе SageMaker, включая SageMaker Data Wrangler и SageMaker Canvas, обратитесь к команде своего аккаунта AWS и начните разговор. Также подумайте о том, чтобы узнать больше о SageMaker Data Wrangler. пользовательские преобразования.
Рекомендации
Ахмед Э.Х. и Мустафа М. (2016). Оценка стоимости дома по визуальным и текстовым признакам. IJCCI 2016 – Материалы 8-й Международной совместной конференции по вычислительному интеллекту, 3, 62–68.
Харрисон-младший, Д., и Рубинфельд, Д.Л. (1978). Гедонистические цены на жилье и спрос на чистый воздух. Журнал экономики и менеджмента окружающей среды, 5(1), 81-102.
Ким В., Сон Б. и Ким И. (2021). ViLT: преобразователь зрения и языка без свертки или контроля региона. Материалы 38-й Международной конференции по машинному обучению в материалах исследований машинного обучения. 139:5583-5594.
Об авторе
Чарльз Лафлин является главным специалистом по архитектуре решений AI/ML и работает в сервисной команде Amazon SageMaker в AWS. Он помогает формировать дорожную карту обслуживания и ежедневно сотрудничает с различными клиентами AWS, чтобы помочь преобразовать их бизнес с помощью передовых технологий AWS и передового опыта. Чарльз имеет степень магистра в области управления цепочками поставок и степень доктора философии. в науке о данных.
- 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/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :имеет
- :является
- :нет
- :куда
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 лет
- 7
- 8
- 8
- a
- способность
- в состоянии
- О нас
- обильный
- доступ
- Учетная запись
- точность
- достигнутый
- действия
- дополнительный
- Дополнительно
- адреса
- После
- Ахмед
- AI
- AI / ML
- AIR
- Все
- позволять
- почти
- рядом
- причислены
- Несмотря на то, что
- Amazon
- Создатель мудреца Амазонки
- Amazon Web Services
- amp
- an
- и
- Другой
- ответ
- ответы
- любой
- API
- появиться
- Применение
- Применить
- подхода
- архитектура
- МЫ
- около
- массив
- искусственный
- искусственный интеллект
- Искусственный интеллект (AI)
- AS
- спросить
- спрашивающий
- оценить
- Активы
- At
- попытка
- аудио
- Автоматизированный
- доступен
- AWS
- основанный
- Базовая линия
- BE
- стали
- становиться
- становление
- было
- до
- начинать
- не являетесь
- польза
- между
- Beyond
- тело
- Бостон
- изоферменты печени
- строить
- Строительство
- встроенный
- бремя
- бизнес
- бизнес
- но
- by
- призывают
- CAN
- кандидат
- холст
- возможности
- возможности
- способный
- случаев
- случаев
- потолок
- центр
- Центры
- цепь
- изменение
- характеристика
- Чарльз
- Выберите
- утверждать
- классический
- классификация
- чистым
- облако
- облачная инфраструктура
- кластеризации
- код
- Коды
- сотрудничает
- цвет
- комбинаты
- как
- полный
- комплексный
- вычислительный
- компьютер
- Компьютерное зрение
- сама концепция
- вывод
- Конференция
- Рассматривать
- рассмотрение
- содержать
- Container
- содержит
- (CIJ)
- контракт
- Разговор
- конвертировать
- координировать
- исправить
- соответствующий
- может
- кредит
- любопытный
- изготовленный на заказ
- клиент
- Клиенты
- передовой
- ежедневно
- данным
- Подготовка данных
- наука о данных
- ученый данных
- набор данных
- Структура данных
- управляемых данными
- Декабрь
- Принятие решений
- снижение
- глубоком
- доставить
- Спрос
- демонстрировать
- убивают
- демонстрирует
- развертывание
- развернуть
- развертывание
- Производный
- описывать
- описано
- Проект
- предназначенный
- определяет
- развитый
- Застройщик
- Интернет
- размеры
- обсуждать
- обсуждается
- Разное
- do
- приносит
- не
- загрузок
- множество
- Опустившись
- e
- каждый
- легко
- Экономика
- включить
- включен
- поощрять
- Конечная точка
- Проект и
- расширение
- достаточно
- Весь
- окружающий
- ошибка
- ошибки
- особенно
- оценка
- и т.д
- Даже
- Каждая
- пример
- Примеры
- ожидаемый
- дорогим
- эксперимент
- эксперту
- эксплицитно
- Больше
- извлечение
- Face
- Особенность
- Особенности
- Обратная связь
- Футов
- несколько
- фигура
- фильтр
- в заключение
- Найдите
- Во-первых,
- Этаж
- Фокус
- следовать
- после
- следующим образом
- Что касается
- форма
- найденный
- Год основания
- 4
- от
- полномасштабный
- полностью
- функция
- Функции
- фундаментальный
- Gain
- пробелы
- Общие
- порождать
- получить
- цель
- хорошо
- график
- большой
- новаторским
- руководство
- Руки
- Есть
- he
- помощь
- полезный
- помогает
- здесь
- Скрытый
- Выделите
- имеет
- Главная
- Дома
- надежды
- состоялся
- Вилла / Бунгало
- жилье
- Как
- How To
- Однако
- HTTP
- HTTPS
- Сотни
- i
- идея
- идеальный
- Идеально
- Личность
- if
- иллюстрирует
- изображение
- изображений
- картина
- Импортировать
- значение
- важную
- улучшать
- улучшенный
- in
- включают
- включены
- В том числе
- включения
- Увеличение
- расширились
- все больше и больше
- самостоятельно
- указывает
- промышленность
- повлиять
- наделяют информацией
- информация
- Инфраструктура
- начальный
- вход
- размышления
- внушать
- вдохновленный
- вместо
- страхование
- Интеллекта
- взаимодействовать
- взаимодействие
- интерес
- заинтересованный
- Мультиязычность
- в
- IT
- ЕГО
- работа
- совместная
- JPG
- JSON
- Основные
- Ким
- знания
- известный
- этикетка
- Земля
- язык
- большой
- новее
- вести
- Наша команда
- УЧИТЬСЯ
- изучение
- Жизненный цикл
- Список
- Включенный в список
- Объявления
- мало
- LLM
- расположенный
- расположение
- запертый
- Длинное
- потери
- машина
- обучение с помощью машины
- сделанный
- Mainstream
- сделать
- ДЕЛАЕТ
- управление
- вручную
- многих
- спички
- Май..
- значимым
- означает
- Медиа
- метод
- Мидвэй
- может быть
- против
- Минут
- отсутствующий
- смешивать
- ML
- модель
- Модели
- Модерн
- БОЛЕЕ
- самых
- движение
- перемещение
- должен
- натуральный
- Необходимость
- необходимый
- Новые
- Новые функции
- следующий
- нет
- узел
- ноутбук
- номер
- многочисленный
- получать
- произошло
- of
- Предложения
- Официально
- .
- on
- только
- с открытым исходным кодом
- открытие
- or
- заказ
- организация
- организации
- оригинал
- первоначально
- Другое
- наши
- внешний
- останец
- выходной
- внешнюю
- собственный
- бумага & картон
- часть
- Прохождение
- Терпение
- паттеранами
- для
- ИДЕАЛЬНОЕ
- производительность
- возможно
- Разрешения
- человек
- фаза
- Фото
- Фото
- картина
- Картинки
- трубопровод
- одноцветный
- Платформа
- Платформы
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- пожалуйста
- Точка
- пунктов
- бассейн
- Популярное
- часть
- обладать
- возможное
- После
- предсказанный
- предварительный
- подготовка
- Подготовить
- подготовленный
- Готовит
- предварительно
- цена
- Цены
- Основной
- Производство
- процесс
- обработка
- Произведенный
- профессионалы
- свойства
- собственность
- предлагает
- предложило
- обеспечивать
- при условии
- Недвижимости
- поставщики
- приводит
- обеспечение
- что такое варган?
- опубликованный
- Полагая
- вопрос
- Вопросы
- быстро
- R
- ассортимент
- Обменный курс
- Сырье
- достигать
- Читать
- Reading
- готовый
- реального времени
- Получать
- учет
- уменьшить
- ссылка
- понимается
- область
- реестра
- усиливает
- относительный
- соответствующие
- Аренда
- хранилище
- представлять
- запросить
- требование
- требуется
- исследованиям
- перекроить
- Проживание
- Полезные ресурсы
- соответственно
- ответ
- ответы
- результат
- в результате
- Итоги
- возвращают
- обзоре
- Богатые
- богаче
- Дорожная карта
- дорога
- маршрутизация
- Run
- время выполнения
- s
- sagemaker
- sale
- то же
- Пример набора данных
- сценарий
- сцена
- Наука
- Ученый
- Скотт
- скрипт
- Поиск
- Во-вторых
- Раздел
- безопасность
- посмотреть
- Искать
- видел
- выбранный
- отправка
- служить
- служил
- обслуживание
- Услуги
- набор
- несколько
- Форма
- показывать
- показанный
- Шоу
- достопримечательность
- сигналы
- значительный
- аналогичный
- Аналогичным образом
- просто
- упростить
- с
- одинарной
- Размер
- So
- Соцсети
- социальные сети
- социальные медиа-платформы
- Решение
- РЕШАТЬ
- некоторые
- иногда
- его
- Источник
- Источники
- Space
- специалист
- специализированный
- конкретно
- площадь
- Начало
- По-прежнему
- диск
- хранить
- простой
- Структура
- структур
- Студенты
- последующее
- такие
- предлагать
- надзор
- поставка
- цепочками поставок
- система управления цепями поставок
- поддержки
- Убедитесь
- ТАБЛИЦЫ
- TAG
- взять
- принимает
- цель
- Сложность задачи
- задачи
- Обучение
- команда
- технологии
- Технологии
- срок
- тестXNUMX
- текстовый
- чем
- который
- Ассоциация
- Источник
- их
- Их
- тогда
- Там.
- следовательно
- Эти
- они
- задача
- этой
- те
- мысль
- продуманное лидерство
- тысяча
- тысячи
- три
- Через
- время
- в
- сегодня
- Сегодняшних
- слишком
- инструментом
- тема
- Традиционно
- Train
- специалистов
- Обучение
- Transform
- трансформация
- преобразований
- трансформатор
- трансформеры
- правда
- надежных
- два
- напишите
- Типы
- В конечном счете
- понимать
- понимание
- созданного
- Unsplash
- использование
- прецедент
- используемый
- использования
- через
- Использующий
- Оценка
- ценностное
- добавленная стоимость
- Наши ценности
- переменная
- разнообразие
- очень
- Видео
- Вид
- видимый
- видение
- визуальный
- W
- хотеть
- законопроект
- we
- Web
- веб-сервисы
- Недели
- ЧТО Ж
- были
- Что
- Что такое
- который
- КТО
- будете
- окна
- в
- без
- дерево
- Работа
- рабочий
- работает
- Мир
- стоимость
- бы
- письмо
- лет
- доходность
- Ты
- ВАШЕ
- себя
- YouTube
- зефирнет
- нуль
- ZIP