Amazon SageMaker Data Wrangler je en sam vizualni vmesnik, ki skrajša čas, potreben za pripravo podatkov in izvajanje inženiringa funkcij, s tednov na minute z možnostjo izbire in čiščenja podatkov, ustvarjanja funkcij in avtomatizacije priprave podatkov v delovnih tokovih strojnega učenja (ML) brez pisanja kode.
SageMaker Data Wrangler podpira Snowflake, priljubljen vir podatkov za uporabnike, ki želijo izvajati ML. Začeli smo neposredno povezavo Snowflake iz SageMaker Data Wrangler, da bi izboljšali uporabniško izkušnjo. Pred uvedbo te funkcije so morali skrbniki nastaviti začetno integracijo shranjevanja za povezavo s Snowflake za ustvarjanje funkcij za ML v Data Wrangler. To vključuje zagotavljanje Preprosta storitev shranjevanja Amazon (Amazon S3) vedra, AWS upravljanje identitete in dostopa (IAM) dovoljenja za dostop, integracija shranjevanja Snowflake za posamezne uporabnike in stalni mehanizem za upravljanje ali čiščenje kopij podatkov v Amazon S3. Ta proces ni prilagodljiv za stranke s strogim nadzorom dostopa do podatkov in velikim številom uporabnikov.
V tej objavi prikazujemo, kako neposredna povezava Snowflake v SageMaker Data Wrangler poenostavlja skrbniško izkušnjo in potovanje podatkovnega znanstvenika ML od podatkov do poslovnih vpogledov.
Pregled rešitev
V tej rešitvi uporabljamo SageMaker Data Wrangler za pospešitev priprave podatkov za ML in Amazonski SageMaker avtopilot za samodejno gradnjo, usposabljanje in natančno prilagajanje modelov ML na podlagi vaših podatkov. Obe storitvi sta zasnovani posebej za povečanje produktivnosti in skrajšanje časa za pridobitev vrednosti za izvajalce strojnega pisanja. Prav tako prikazujemo poenostavljen dostop do podatkov iz SageMaker Data Wrangler v Snowflake z neposredno povezavo za poizvedovanje in ustvarjanje funkcij za ML.
Glejte spodnji diagram za pregled procesa ML z nizko kodo s Snowflake, SageMaker Data Wrangler in SageMaker Autopilot.
Potek dela vključuje naslednje korake:
- Pomaknite se do SageMaker Data Wrangler za pripravo podatkov in naloge inženiringa funkcij.
- Nastavite povezavo Snowflake s programom SageMaker Data Wrangler.
- Raziščite svoje tabele Snowflake v SageMaker Data Wrangler, ustvarite nabor podatkov ML in izvedite inženiring funkcij.
- Usposobite in preizkusite modele z uporabo SageMaker Data Wrangler in SageMaker Autopilot.
- Naložite najboljši model v končno točko sklepanja v realnem času za napovedi.
- Uporabite prenosni računalnik Python, da prikličete zagnano končno točko sklepanja v realnem času.
Predpogoji
Za to delovno mesto skrbnik potrebuje naslednje predpogoje:
Podatkovni znanstveniki bi morali imeti naslednje predpogoje
Nazadnje morate pripraviti svoje podatke za Snowflake
- Uporabljamo podatke o transakcijah s kreditno kartico Kaggle za izgradnjo modelov ML za odkrivanje goljufivih transakcij s kreditnimi karticami, tako da se strankam ne zaračuna izdelkov, ki jih niso kupili. Nabor podatkov vključuje transakcije s kreditnimi karticami septembra 2013, ki so jih opravili evropski imetniki kartic.
- Moral bi uporabiti Odjemalec SnowSQL in ga namestite v vaš lokalni računalnik, tako da ga lahko uporabite za nalaganje nabora podatkov v tabelo Snowflake.
Naslednji koraki prikazujejo, kako pripraviti in naložiti nabor podatkov v bazo podatkov Snowflake. To je enkratna nastavitev.
Tabela snežink in priprava podatkov
Izvedite naslednje korake za to enkratno nastavitev:
- Najprej kot skrbnik ustvarite virtualno skladišče Snowflake, uporabnika in vlogo ter podelite dostop drugim uporabnikom, kot so podatkovni znanstveniki, da ustvarijo zbirko podatkov in predstavijo podatke za svoje primere uporabe ML:
- Kot podatkovni znanstvenik ustvarimo zbirko podatkov in uvozimo transakcije s kreditnimi karticami v zbirko podatkov Snowflake za dostop do podatkov iz SageMaker Data Wrangler. Za ponazoritev ustvarimo zbirko podatkov Snowflake z imenom
SF_FIN_TRANSACTION
: - Prenesite datoteko CSV nabora podatkov na svoj lokalni računalnik in ustvarite stopnjo za nalaganje podatkov v tabelo zbirke podatkov. Posodobite pot datoteke, da kaže na lokacijo prenesenega nabora podatkov, preden zaženete ukaz PUT za uvoz podatkov v ustvarjeno stopnjo:
- Ustvari tabelo z imenom
credit_card_transactions
: - Uvozite podatke v ustvarjeno tabelo iz odra:
Nastavite povezavo SageMaker Data Wrangler in Snowflake
Ko pripravimo nabor podatkov za uporabo s programom SageMaker Data Wrangler, ustvarimo novo povezavo Snowflake v programu SageMaker Data Wrangler za povezavo z sf_fin_transaction
zbirko podatkov v Snowflake in poizvedite credit_card_transaction
miza:
- Izberite Snowflake na SageMaker Data Wrangler povezava stran.
- Vnesite ime za identifikacijo vaše povezave.
- Izberite način preverjanja pristnosti za povezavo z zbirko podatkov Snowflake:
- Če uporabljate osnovno preverjanje pristnosti, navedite uporabniško ime in geslo, ki ju deli vaš skrbnik Snowflake. Za to objavo uporabljamo osnovno preverjanje pristnosti za povezavo s Snowflake z uporabniškimi poverilnicami, ki smo jih ustvarili v prejšnjem koraku.
- Če uporabljate OAuth, navedite svoje poverilnice ponudnika identitete.
SageMaker Data Wrangler privzeto poizveduje po vaših podatkih neposredno iz Snowflake, ne da bi ustvaril kopije podatkov v vedrih S3. Nova izboljšava uporabnosti SageMaker Data Wrangler uporablja Apache Spark za integracijo s Snowflake za pripravo in brezhibno ustvarjanje nabora podatkov za vaše potovanje ML.
Doslej smo ustvarili zbirko podatkov o Snowflake, uvozili datoteko CSV v tabelo Snowflake, ustvarili poverilnice za Snowflake in ustvarili konektor na SageMaker Data Wrangler za povezavo s Snowflake. Če želite potrditi konfigurirano povezavo Snowflake, zaženite naslednjo poizvedbo v ustvarjeni tabeli Snowflake:
Upoštevajte, da možnost integracije pomnilnika, ki je bila prej zahtevana, zdaj ni obvezna v naprednih nastavitvah.
Raziščite podatke Snowflake
Ko potrdite rezultate poizvedbe, izberite uvoz da shranite rezultate poizvedbe kot nabor podatkov. Ta izvlečen nabor podatkov uporabljamo za raziskovalno analizo podatkov in inženiring funkcij.
Izberete lahko vzorčenje podatkov iz Snowflake v uporabniškem vmesniku SageMaker Data Wrangler. Druga možnost je prenos celotnih podatkov za vaše primere uporabe za usposabljanje modela ML z obdelavo opravil SageMaker Data Wrangler.
Izvedite raziskovalno analizo podatkov v SageMaker Data Wrangler
Podatke v Data Wranglerju je treba načrtovati, preden jih je mogoče usposobiti. V tem razdelku prikazujemo, kako izvesti inženiring funkcij na podatkih iz Snowflake z uporabo vgrajenih zmogljivosti SageMaker Data Wrangler.
Najprej uporabimo Data Quality and Insights Report
funkcijo znotraj SageMaker Data Wrangler za ustvarjanje poročil za samodejno preverjanje kakovosti podatkov in odkrivanje nepravilnosti v podatkih iz Snowflake.
Poročilo lahko uporabite kot pomoč pri čiščenju in obdelavi vaših podatkov. Daje vam informacije, kot je število manjkajočih vrednosti in število izstopajočih vrednosti. Če imate težave s svojimi podatki, kot je ciljno uhajanje ali neravnovesje, vas lahko poročilo o vpogledih opozori na te težave. Če želite razumeti podrobnosti poročila, glejte Pospešite pripravo podatkov s kakovostjo podatkov in vpogledi v Amazon SageMaker Data Wrangler.
Ko preverite ujemanje vrste podatkov, ki ga uporablja SageMaker Data Wrangler, dokončajte naslednje korake:
- Izberite znak plus poleg Vrste podatkov In izberite Dodaj analizo.
- za Vrsta analize, izberite Poročilo o kakovosti podatkov in vpogledih.
- Izberite ustvarjanje.
- Oglejte si podrobnosti o kakovosti podatkov in poročilu o vpogledih, da preverite opozorila z visoko prioriteto.
Lahko se odločite za razrešitev sporočenih opozoril, preden nadaljujete s potovanjem ML.
Ciljni stolpec Class
ki ga je treba predvideti, je razvrščen kot niz. Najprej uporabimo transformacijo, da odstranimo zastarele prazne znake.
- Izberite Dodaj korak In izberite Oblikuj niz.
- Na seznamu transformacij izberite Sleči levo in desno.
- Vnesite znake, ki jih želite odstraniti, in izberite Dodaj.
Nato pretvorimo ciljni stolpec Class
iz podatkovnega tipa niz v Boolean, ker je transakcija zakonita ali goljufiva.
- Izberite Dodaj korak.
- Izberite Razčleni stolpec kot vrsto.
- Za stolpec izberite
Class
. - za od, izberite String.
- za Da, izberite Boolean.
- Izberite Dodaj.
Po transformaciji ciljnega stolpca zmanjšamo število stolpcev funkcij, ker je v izvirnem naboru podatkov več kot 30 funkcij. Za zmanjšanje dimenzij na podlagi pomembnosti lastnosti uporabljamo analizo glavnih komponent (PCA). Če želite izvedeti več o PCA in zmanjšanju dimenzij, glejte Algoritem za analizo glavnih komponent (PCA)..
- Izberite Dodaj korak.
- Izberite Zmanjšanje dimenzij.
- za Transform, izberite Analiza glavnih komponent.
- za Vnosni stolpci, izberite vse stolpce razen ciljnega stolpca
Class
. - Izberite znak plus poleg Pretok podatkov In izberite Dodajte analizo.
- za Vrsta analize, izberite Hitri model.
- za Ime analize, vnesite ime.
- za label, izberite
Class
. - Izberite Run.
Na podlagi rezultatov PCA se lahko odločite, katere funkcije boste uporabili za izdelavo modela. Na naslednjem posnetku zaslona graf prikazuje funkcije (ali dimenzije), razvrščene glede na najvišjo do najnižjo pomembnost za predvidevanje ciljnega razreda, ki v tem naboru podatkov določa, ali je transakcija goljufiva ali veljavna.
Na podlagi te analize se lahko odločite za zmanjšanje števila funkcij, vendar za to objavo pustimo privzete vrednosti, kot so.
S tem je naš proces inženiringa funkcij zaključen, čeprav se lahko odločite za zagon hitrega modela in znova ustvarite poročilo o kakovosti podatkov in vpogledih, da boste razumeli podatke, preden izvedete nadaljnje optimizacije.
Izvozite podatke in usposobite model
V naslednjem koraku uporabimo SageMaker Autopilot za samodejno izdelavo, usposabljanje in uravnavanje najboljših modelov ML na podlagi vaših podatkov. S SageMaker Autopilot še vedno ohranjate popoln nadzor in vidljivost svojih podatkov in modela.
Zdaj, ko smo zaključili z raziskovanjem in inženiringom funkcij, urimo model na naboru podatkov in izvozimo podatke za usposabljanje modela ML z uporabo SageMaker Autopilot.
- o usposabljanje izberite jeziček Izvoz in vlak.
Med čakanjem na dokončanje izvoza lahko spremljamo napredek.
Konfigurirajmo SageMaker Autopilot za izvajanje samodejnega usposabljanja tako, da določimo cilj, ki ga želimo predvideti, in vrsto težave. Ker v tem primeru usposabljamo nabor podatkov za napovedovanje, ali je transakcija goljufiva ali veljavna, uporabljamo binarno klasifikacijo.
- Vnesite ime za svoj poskus, zagotovite podatke o lokaciji S3 in izberite Naprej: cilj in funkcije.
- za ciljna, izberite
Class
kot stolpec napovedati. - Izberite Naprej: Metoda usposabljanja.
Dovolimo avtopilotu SageMaker, da se odloči za metodo usposabljanja na podlagi nabora podatkov.
- za Metoda in algoritmi usposabljanjatako, da izberete Auto.
Če želite izvedeti več o načinih usposabljanja, ki jih podpira SageMaker Autopilot, glejte Načini in algoritem usposabljanja Podpreti.
- Izberite Naprej: uvajanje in napredne nastavitve.
- za Možnost uvajanja, izberite Samodejno uvedite najboljši model s transformacijami iz Data Wranglerja, ki po končanem poskusu naloži najboljši model za sklepanje.
- Vnesite ime za svojo končno točko.
- za Izberite vrsto težave strojnega učenja, izberite Binarna klasifikacija.
- za Meritev ugovora, izberite F1.
- Izberite Naprej: Pregled in ustvarjanje.
- Izberite Ustvari poskus.
S tem se zažene opravilo avtopilota SageMaker, ki ustvari niz učnih opravil, ki uporabljajo kombinacije hiperparametrov za optimizacijo ciljne metrike.
Počakajte, da SageMaker Autopilot konča izdelavo modelov in oceno najboljšega modela ML.
Zaženite končno točko sklepanja v realnem času, da preizkusite najboljši model
SageMaker Autopilot izvaja poskuse, da bi določil najboljši model, ki lahko transakcije s kreditnimi karticami razvrsti kot zakonite ali goljufive.
Ko SageMaker Autopilot zaključi poskus, si lahko ogledamo rezultate usposabljanja z metriko vrednotenja in raziščemo najboljši model na strani z opisom delovnega mesta SageMaker Autopilot.
- Izberite najboljši model in izberite Razmesti model.
Za testiranje najboljšega modela, ustvarjenega s SageMaker Autopilot, uporabljamo končno točko sklepanja v realnem času.
- Izberite Naredite napovedi v realnem času.
Ko je končna točka na voljo, lahko prenesemo koristni tovor in dobimo rezultate sklepanja.
Zaženimo prenosni računalnik Python za uporabo končne točke sklepanja.
- Na konzoli SageMaker Studio izberite ikono mape v navigacijskem podoknu in izberite Ustvari zvezek.
- Uporabite naslednjo kodo Python, da prikličete razporejeno končno točko sklepanja v realnem času:
Izhod prikazuje rezultat kot false
, kar pomeni, da podatki o vzorčnih funkcijah niso goljufivi.
Čiščenje
Če želite zagotoviti, da vam po dokončanju te vadnice ne bodo zaračunani stroški, zaustavite aplikacijo SageMaker Data Wrangler in zaustavite primerek prenosnega računalnika uporablja za izvajanje sklepanja. Moral bi tudi izbrišite končno točko sklepanja ste ustvarili s SageMaker Autopilot, da preprečite dodatne stroške.
zaključek
V tej objavi smo pokazali, kako svoje podatke prenesti neposredno iz Snowflake brez ustvarjanja kakršnih koli vmesnih kopij v procesu. Celoten nabor podatkov lahko vzorčite ali naložite v SageMaker Data Wrangler neposredno iz Snowflake. Nato lahko raziščete podatke, jih očistite in izvedete inženiring z uporabo vizualnega vmesnika SageMaker Data Wrangler.
Poudarili smo tudi, kako lahko preprosto usposobite in prilagodite model s SageMaker Autopilot neposredno iz uporabniškega vmesnika SageMaker Data Wrangler. Z integracijo SageMaker Data Wrangler in SageMaker Autopilot lahko hitro zgradimo model po končanem inženiringu funkcij, ne da bi pisali kodo. Nato smo se sklicevali na najboljši model SageMaker Autopilot za izvajanje sklepanja z uporabo končne točke v realnem času.
Preizkusite novo neposredno integracijo Snowflake s SageMaker Data Wrangler še danes, da preprosto zgradite modele ML s svojimi podatki s SageMakerjem.
O avtorjih
Hariharan Suresh je višji arhitekt rešitev pri AWS. Navdušen je nad bazami podatkov, strojnim učenjem in oblikovanjem inovativnih rešitev. Preden se je pridružil AWS, je bil Hariharan produktni arhitekt, specialist za osnovno bančništvo in razvijalec ter je več kot 11 let sodeloval z organizacijami BFSI. Poleg tehnike se ukvarja z jadralnim padalstvom in kolesarjenjem.
Aparajithan Vaidyanathan je glavni arhitekt za podjetniške rešitve pri AWS. Podpira poslovne stranke pri selitvi in posodobitvi njihovih delovnih obremenitev v oblaku AWS. Je arhitekt v oblaku s 23+ leti izkušenj z načrtovanjem in razvojem poslovnih, obsežnih in porazdeljenih programskih sistemov. Specializiran je za strojno učenje in podatkovno analitiko s poudarkom na domeni podatkovnega in funkcijskega inženiringa. Je ambiciozen maratonec in njegovi hobiji vključujejo pohodništvo, kolesarjenje in preživljanje časa z ženo in dvema fantoma.
Tim Song je inženir za razvoj programske opreme pri AWS SageMaker, z več kot 10-letnimi izkušnjami kot razvijalec programske opreme, svetovalec in tehnični vodja je dokazal sposobnost zagotavljanja razširljivih in zanesljivih izdelkov ter reševanja kompleksnih problemov. V prostem času uživa v naravi, teku na prostem, pohodništvu itd.
Bosco Albuquerque je starejši arhitekt partnerskih rešitev pri AWS in ima več kot 20 let izkušenj pri delu z bazami podatkov in analitičnimi izdelki prodajalcev poslovnih baz podatkov in ponudnikov oblakov. Pomagal je velikim tehnološkim podjetjem pri oblikovanju rešitev za analizo podatkov in je vodil inženirske ekipe pri oblikovanju in implementaciji platform za analizo podatkov in podatkovnih izdelkov.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :ima
- : je
- :ne
- $GOR
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 let
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- sposobnost
- O meni
- pospeši
- dostop
- Račun
- Dodatne
- administratorji
- napredno
- po
- spet
- AI / ML
- vsi
- omogočajo
- Prav tako
- Čeprav
- Amazon
- Amazon SageMaker
- Amazon SageMaker Data Wrangler
- Amazon Web Services
- znesek
- an
- Analiza
- analitika
- in
- Še ena
- kaj
- Apache
- API
- uporabna
- Uporabi
- SE
- AS
- ambiciozni
- At
- pozornosti
- Preverjanje pristnosti
- avtomatizirati
- Avtomatizirano
- samodejno
- Na voljo
- AWS
- Bančništvo
- temeljijo
- Osnovni
- BE
- ker
- pred
- spodaj
- BEST
- BFSI
- telo
- tako
- prinašajo
- izgradnjo
- Building
- vgrajeno
- poslovni
- vendar
- by
- CAN
- Zmogljivosti
- zajemanje
- kartice
- primeru
- primeri
- znaki
- zaračuna
- Stroški
- preveriti
- Izberite
- razred
- Razvrstitev
- razvrščeni
- Razvrsti
- stranke
- Cloud
- Koda
- Stolpec
- Stolpci
- kombinacije
- Podjetja
- dokončanje
- Končana
- Zaključi
- dokončanje
- kompleksna
- komponenta
- konfigurirano
- Connect
- povezava
- Konzole
- svetovalec
- naprej
- nadzor
- pretvorbo
- Core
- Osnovno bančništvo
- ustvarjajo
- ustvaril
- ustvari
- Ustvarjanje
- Mandatno
- kredit
- kreditne kartice
- stranka
- Izkušnje s strankami
- Stranke, ki so
- datum
- dostop do podatkov
- Analiza podatkov
- Podatkovna analiza
- Priprava podatkov
- podatkovni znanstvenik
- Baze podatkov
- baze podatkov
- odloča
- privzeto
- privzeto
- poda
- izkazati
- Dokazano
- razporedi
- razporejeni
- uvajanje
- opis
- Oblikovanje
- zasnovan
- oblikovanje
- Podrobnosti
- Ugotovite,
- Razvojni
- razvoju
- Razvoj
- dimenzije
- neposredna
- neposredno
- porazdeljena
- domena
- dont
- navzdol
- prenesi
- enostavno
- bodisi
- Končna točka
- inženir
- Inženiring
- Vnesite
- Podjetje
- itd
- Evropski
- Ocena
- Razen
- obstaja
- izkušnje
- poskus
- Poskusi
- raziskovanje
- Raziskovalne analize podatkov
- raziskuje
- izvoz
- daleč
- Feature
- Lastnosti
- Featuring
- file
- finančna
- konča
- prva
- Plavaj
- Osredotočite
- po
- za
- format
- goljufiva
- iz
- polno
- nadalje
- ustvarjajo
- dobili
- daje
- odobri
- graf
- Imajo
- he
- pomoč
- pomagal
- najvišja
- Poudarjeno
- njegov
- Kako
- Kako
- HTML
- http
- HTTPS
- ICON
- identificirati
- identiteta
- if
- neravnovesje
- Izvajanje
- izvajanja
- uvoz
- Pomembnost
- uvoz
- uvoz
- izboljšanje
- in
- vključujejo
- vključuje
- Povečajte
- individualna
- Podatki
- začetna
- inovativne
- vpogledi
- namestitev
- integrirati
- integracija
- vmesnik
- notranji
- v
- Vprašanja
- IT
- Izdelkov
- Job
- Delovna mesta
- pridružil
- Potovanje
- jpg
- json
- velika
- obsežne
- kosilo
- začela
- Vodja
- učenje
- pustite
- Led
- levo
- legitimno
- Naj
- Knjižnica
- LIMIT
- Seznam
- obremenitev
- obremenitve
- lokalna
- kraj aktivnosti
- najnižja
- stroj
- strojno učenje
- je
- vzdrževati
- Znamka
- upravljanje
- Maraton
- ujemanje
- Maj ..
- Mehanizem
- Metoda
- meritev
- Meritve
- selitev
- Minute
- manjka
- ML
- Model
- modeli
- posodobiti
- načini
- monitor
- več
- Ime
- Imenovan
- Narava
- ostalo
- potrebe
- Novo
- Naslednja
- prenosnik
- zdaj
- Številka
- oauth
- predmet
- Cilj
- of
- on
- v teku
- Optimizirajte
- Možnost
- or
- Da
- organizacije
- izvirno
- OS
- Ostalo
- naši
- ven
- izhod
- zunaj
- več
- pregled
- Stran
- podokno
- partner
- mimo
- strastno
- Geslo
- pot
- Izvedite
- izvajati
- Dovoljenja
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- plus
- Točka
- Popular
- Prispevek
- napovedati
- napovedano
- Napovedi
- Priprava
- Pripravimo
- predpogoji
- preprečiti
- prejšnja
- , ravnateljica
- Tiskanje
- Predhodna
- problem
- Težave
- Postopek
- obravnavati
- Izdelek
- produktivnost
- Izdelki
- Napredek
- zagotavljajo
- Ponudnik
- ponudniki
- javnega
- nakup
- namene
- dal
- Python
- kakovost
- poizvedbe
- Hitri
- hitro
- v realnem času
- zmanjša
- zmanjšuje
- Zmanjšanje
- zanesljiv
- odstrani
- zamenjajte
- poročilo
- Prijavljeno
- Poročila
- zahteva
- obvezna
- Odgovor
- povzroči
- Rezultati
- pregleda
- jahanje
- vloga
- Run
- runner
- tek
- s
- sagemaker
- Shrani
- razširljive
- Znanstvenik
- Znanstveniki
- brez težav
- Oddelek
- pošljite
- višji
- september
- Storitve
- nastavite
- nastavitve
- nastavitev
- deli
- shouldnt
- Prikaži
- Razstave
- podpisati
- Enostavno
- poenostavljeno
- sam
- So
- Software
- Razvoj programske opreme
- Rešitev
- rešitve
- SOLVE
- pesem
- vir
- Spark
- specialist
- specializirano
- posebej
- hitrost
- Poraba
- Stage
- začne
- Korak
- Koraki
- Še vedno
- shranjevanje
- trgovina
- Stroga
- String
- studio
- predloži
- uspešno
- Uspešno
- taka
- podpora
- Podprti
- Podpira
- sistemi
- miza
- ciljna
- Naloge
- Skupine
- tech
- Tehnologija
- tehnoloških podjetij
- Test
- da
- O
- Graf
- njihove
- POTEM
- Tukaj.
- jih
- ta
- tisti,
- skozi
- čas
- do
- danes
- Vlak
- usposobljeni
- usposabljanje
- transakcija
- Transakcije
- Preoblikovanje
- transformacije
- Res
- Navodila
- dva
- tip
- ui
- razumeli
- Nadgradnja
- us
- uporabnost
- uporaba
- Rabljeni
- uporabnik
- Uporabniški vmesnik
- Uporabniki
- uporablja
- uporabo
- v1
- POTRDI
- vrednost
- Vrednote
- prodajalci
- preverjanje
- Poglej
- Virtual
- vidljivost
- Počakaj
- želeli
- je
- we
- web
- spletne storitve
- Weeks
- so bili
- ali
- ki
- medtem
- WHO
- žena
- z
- v
- brez
- delo
- delal
- potek dela
- delovnih tokov
- deluje
- pisanje
- let
- Vi
- Vaša rutina za
- zefirnet