V svoji knjigi Knjiga Zakaj, Judea Pearl se zavzema za poučevanje načel vzroka in posledice za stroje, da bi povečali njihovo inteligenco. Dosežki globokega učenja so v bistvu le vrsta prilagajanja krivulje, medtem ko bi lahko vzročnost uporabili za odkrivanje interakcij med sistemi sveta pod različnimi omejitvami brez neposrednega testiranja hipotez. To bi lahko zagotovilo odgovore, ki nas vodijo do AGI (umetna posplošena inteligenca).
Ta rešitev predlaga okvir vzročnega sklepanja z uporabo Bayesovih mrež za predstavitev vzročnih odvisnosti in ustvarjanje vzročnih zaključkov na podlagi opazovanih satelitskih posnetkov in podatkov eksperimentalnih poskusov v obliki simuliranih vremenskih in talnih razmer. The diplomsko delo je vzročna povezava med uporabo gnojil na osnovi dušika in donosom koruze.
Satelitski posnetki so obdelani z uporabo namensko izdelanih Geoprostorske zmogljivosti Amazon SageMaker in obogaten z izdelanimi po meri Obdelava Amazon SageMaker operacije. Mehanizem vzročnega sklepanja se uporablja z Asinhrono sklepanje Amazon SageMaker.
V tej objavi prikazujemo, kako ustvariti to hipotetično analizo z uporabo Amazon SageMaker JumpStart rešitve.
Pregled rešitev
Naslednji diagram prikazuje arhitekturo za potek dela od konca do konca.
Predpogoji
Potrebujete AWS račun za uporabo te rešitve.
Če želite zagnati to rešitev JumpStart 1P in imeti infrastrukturo nameščeno v vašem računu AWS, morate ustvariti aktivno Amazon SageMaker Studio primer (glej Vkrcajte se na domeno Amazon SageMaker). Ko je vaš primerek Studio pripravljen, sledite navodilom v SageMaker JumpStart za zagon rešitve Crop Yield Counterfactuals.
Upoštevajte, da je ta rešitev trenutno na voljo samo v zahodni regiji ZDA (Oregon).
Vzročno sklepanje
Pri vzročnosti gre predvsem za razumevanje sprememb, toda kako to formalizirati v statistiki in strojnem učenju (ML), ni nepomembna naloga.
V tej študiji donosa pridelka so lahko dušik, dodan kot gnojilo, in rezultati pridelka zamešani. Podobno bi lahko bili tudi dušik, dodan kot gnojilo, in izidi izpiranja dušika zamešani, v smislu, da lahko skupni vzrok pojasni njihovo povezavo. Vendar povezava ni vzročna zveza. Če vemo, kateri opazovani dejavniki zmedejo povezavo, jih upoštevamo, kaj pa, če obstajajo druge skrite spremenljivke, odgovorne za zmedo? Zmanjšanje količine gnojila ne bo nujno zmanjšalo preostalega dušika; podobno morda ne bo drastično zmanjšalo donosa, medtem ko so lahko prst in podnebne razmere opaženi dejavniki, ki zmedejo povezavo. Kako ravnati z zmedo, je osrednji problem vzročnega sklepanja. Tehnika, ki jo je uvedel RA Fisher, imenovana naključno kontrolirano preskušanje želi odpraviti morebitno zmedo.
Ker pa ni randomiziranih kontrolnih preskušanj, obstaja potreba po vzročnem sklepanju zgolj na podlagi opazovalnih podatkov. Obstajajo načini za povezovanje vzročnih vprašanj s podatki v opazovalnih študijah s pisanjem vzročnega grafičnega modela o tem, kar predpostavljamo, da se stvari dogajajo. To vključuje trditev, da bodo ustrezni prehodi zajeli ustrezne odvisnosti, medtem ko bodo izpolnjeni grafični kriteriji za pogojno sprenevedanje (v kolikšni meri lahko obravnavamo vzročno zvezo kot povezavo na podlagi vzročnih predpostavk). Ko postuliramo strukturo, lahko uporabimo implicitne invariance za učenje iz opazovalnih podatkov in vstavljanje vzročnih vprašanj ter sklepanje o vzročnih trditvah brez randomiziranih kontrolnih preskušanj.
Ta rešitev uporablja tako podatke iz simuliranih randomiziranih kontrolnih poskusov (RCT) kot tudi opazovalne podatke iz satelitskih posnetkov. Serija simulacij, izvedenih na tisočih poljih in več letih v Illinoisu (Združene države), se uporablja za preučevanje odziva koruze na naraščajoče stopnje dušika za široko kombinacijo vremenskih in talnih sprememb v regiji. Obravnava omejitev uporabe poskusnih podatkov, omejenih na število tal in let, ki jih lahko raziskuje z uporabo simulacij pridelka različnih scenarijev kmetovanja in geografskih območij. Baza podatkov je bila umerjena in validirana z uporabo podatkov iz več kot 400 poskusov v regiji. Začetna koncentracija dušika v tleh je bila naključno nastavljena v razumnem območju.
Poleg tega je zbirka podatkov izboljšana z opazovanji iz satelitskih posnetkov, medtem ko statistika območij izhaja iz spektralnih indeksov, da bi predstavili prostorsko-časovne spremembe v vegetaciji, vidne po geografskih in fenoloških fazah.
Vzročno sklepanje z Bayesovimi mrežami
Strukturni vzročni modeli (SCM) uporabljajo grafične modele za predstavitev vzročnih odvisnosti z vključitvijo tako podatkovno vodenih kot človeških vnosov. Predlagana je posebna vrsta vzročnega modela strukture, imenovanega Bayesova omrežja, za modeliranje dinamike fenologije pridelka z uporabo verjetnostnih izrazov s predstavljanjem spremenljivk kot vozlišč in odnosov med spremenljivkami kot robov. Vozlišča so indikatorji rasti posevkov, tal in vremenskih razmer, robovi med njimi pa predstavljajo prostorsko-časovne vzročne odnose. Nadrejena vozlišča so parametri, povezani s poljem (vključno z dnevom setve in zasajeno površino), podrejena vozlišča pa so meritve donosa, vnosa dušika in izpiranja dušika.
Za več informacij glejte stran karakterizacija baze podatkov in vodi za prepoznavanje faz rasti koruze.
Za izdelavo modela Bayesovih omrežij je potrebnih nekaj korakov (z CausalNex), preden ga lahko uporabimo za hipotetično in intervencijsko analizo. Struktura vzročnega modela se najprej nauči iz podatkov, medtem ko se strokovno znanje o predmetu (zaupanja vredna literatura ali empirična prepričanja) uporablja za predpostavko dodatnih odvisnosti in neodvisnosti med naključnimi spremenljivkami in intervencijskimi spremenljivkami ter za trditev, da je struktura vzročna.
Uporaba BREZ SOLZ, algoritem za stalno optimizacijo za učenje strukture, se struktura grafa, ki opisuje pogojne odvisnosti med spremenljivkami, nauči iz podatkov, z nizom omejitev, naloženih na robove, nadrejena vozlišča in podrejena vozlišča, ki niso dovoljena v vzročnem modelu. S tem se ohranijo časovne odvisnosti med spremenljivkami. Oglejte si naslednjo kodo:
"""
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,
)
Naslednji korak kodira znanje o domeni v modelih in zajema fenološko dinamiko, pri čemer se izogiba lažnim odnosom. Analiza multikolinearnosti, analiza faktorja inflacije variacije in uporaba pomembnosti globalnih značilnosti OBLIKA analize se izvajajo za pridobivanje vpogledov in omejitev spremenljivk vodnega stresa (širjenje, fenologija in fotosinteza okoli cvetenja), vremenskih in talnih spremenljivk, spektralnih indeksov in indikatorjev na osnovi dušika:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Bayesova omrežja v CausalNex podpirajo samo diskretne distribucije. Vse neprekinjene funkcije ali značilnosti z velikim številom kategorij so diskretizirane pred prilagajanjem Bayesovemu omrežju:
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,
)
Ko je struktura pregledana, se lahko pogojna verjetnostna porazdelitev vsake spremenljivke glede na njene starše nauči iz podatkov v koraku, imenovanem ocena verjetnosti:
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",
)
Končno se struktura in verjetnosti uporabijo za izvajanje opazovalnega sklepanja sproti, po determinističnem Algoritem spojnega drevesa (JTA), ter izvajanje intervencij z uporabo do-račun. Asinhroni sklep SageMaker omogoča postavljanje dohodnih zahtev v čakalno vrsto in jih obdeluje asinhrono. Ta možnost je idealna za scenarije opazovanja in hipotetičnega sklepanja, kjer postopka ni mogoče vzporediti, kar vzame precej časa za posodobitev verjetnosti v celotnem omrežju, čeprav je mogoče vzporedno izvajati več poizvedb. Oglejte si naslednjo kodo:
"""
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")
Za dodatne podrobnosti glejte sklepni skript.
Vzročni model prenosnik je vodnik po korakih za izvajanje prejšnjih korakov.
Geoprostorska obdelava podatkov
Dela na področju opazovanja Zemlje (EOJ) so verižno povezani za pridobivanje in preoblikovanje satelitskih posnetkov, medtem ko se namensko izdelane operacije in vnaprej usposobljeni modeli uporabljajo za odstranjevanje oblakov, mozaikiranje, pasovne matematične operacije in ponovno vzorčenje. V tem razdelku podrobneje obravnavamo korake geoprostorske obdelave.
Področje zanimanja
Na naslednji sliki so zeleni mnogokotniki izbrana okrožja, oranžna mreža je zemljevid baze podatkov (mreža celic 10 x 10 km, kjer se izvajajo poskusi v regiji), mreža sivinskih kvadratov pa je 100 km x 100 km. Mreža ploščic Sentinel-2 UTM.
Prostorske datoteke se uporabljajo za preslikavo simulirane baze podatkov z ustreznimi satelitskimi posnetki, ki prekrivajo poligone s celicami 10 km x 10 km, ki delijo zvezno državo Illinois (kjer se izvajajo poskusi v regiji), poligone okrožij in 100 km x 100 km Sentinel- 2 ploščici UTM. Za optimizacijo cevovoda za obdelavo geoprostorskih podatkov je najprej izbranih nekaj bližnjih ploščic Sentinel-2. Nato se združene geometrije ploščic in celic prekrijejo, da se pridobi območje zanimanja (RoI). Okrožja in ID-ji celic, ki so v celoti upoštevani v RoI, so izbrani za oblikovanje poligonske geometrije, posredovane na EOJ.
Časovno obdobje
Za to vajo je fenološki cikel koruze razdeljen na tri stopnje: vegetativne stopnje v5 do R1 (vznik, listni ovratniki in nabiranje resic), reprodukcijske stopnje R1 do R4 (svilenje, mehurčki, mleko in testo) in reprodukcijske stopnje. R5 (zobčan) in R6 (fiziološka zrelost). Zaporedni satelitski obiski so pridobljeni za vsako fenološko stopnjo v časovnem razponu 2 tednov in vnaprej določenem interesnem območju (izbranih okrožjih), kar omogoča prostorsko in časovno analizo satelitskih posnetkov. Naslednja slika prikazuje te meritve.
Odstranitev oblaka
Odstranjevanje oblakov za podatke Sentinel-2 uporablja semantični model segmentacije, ki temelji na ML, za prepoznavanje oblakov na sliki, kjer so motne slikovne pike nadomeščene z vrednostjo -9999 (vrednost brez podatkov):
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)
Ko je EOJ ustvarjen, se ARN vrne in uporabi za izvedbo naslednje operacije geomozaika.
Če želite pridobiti status zaposlitve, lahko kandidirate sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomozaik
Geomozaični EOJ se uporablja za združevanje slik iz več satelitskih obiskov v velik mozaik s prepisovanjem vozličkov ali prosojnih slikovnih pik (vključno z oblačnimi slikovnimi pikami) s slikovnimi pikami iz drugih časovnih žigov:
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)
Ko je EOJ ustvarjen, se ARN vrne in uporabi za izvedbo nadaljnjega ponovnega vzorčenja.
Preoblikovanje
Ponovno vzorčenje se uporablja za zmanjšanje ločljivosti geoprostorske slike, da se ujema z ločljivostjo obrezovalnih mask (povečanje velikosti ločljivosti 10–30 m):
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)
Ko je EOJ ustvarjen, se ARN vrne in uporabi za izvedbo naslednje matematične operacije pasu.
Pasovna matematika
Operacije pasovne matematike se uporabljajo za pretvorbo opazovanj iz več spektralnih pasov v en sam pas. Vključuje naslednje spektralne indekse:
- EVI2 – Dvopasovni izboljšani indeks vegetacije
- GDVI – Splošni vegetacijski indeks razlike
- NDMI – Normalizirani diferenčni indeks vlage
- NDVI – Normalizirani vegetacijski indeks razlike
- NDWI – Normalizirani diferenčni vodni indeks
Glej naslednjo kodo:
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)
Območna statistika
Spektralni indeksi so dodatno obogateni z uporabo Obdelava Amazon SageMaker, kjer se logika po meri, ki temelji na GDAL, uporablja za naslednje:
- Združite spektralni indeksi v en sam večkanalni mozaik
- Ponovno projicirajte mozaik na crop maskaprojekcija
- Uporabite obrezovalno masko in znova projicirajte mozaik na CRC poligonov celic
- Izračunaj consko statistiko za izbrane poligone (10 km x 10 km celice)
Pri vzporedni distribuciji podatkov se datoteke manifestov (za vsako fenološko fazo pridelka) porazdelijo na več primerkov z uporabo ShardedByS3Key
Vrsta distribucije podatkov S3. Za dodatne podrobnosti glejte skript za ekstrakcijo funkcij.
Geoprostorska obdelava prenosnik je vodnik po korakih za izvajanje prejšnjih korakov.
Naslednja slika prikazuje kanale RGB zaporednih satelitskih obiskov, ki predstavljajo vegetativno in reproduktivno fazo fenološkega cikla koruze, z (desno) in brez (levo) mask pridelka (CW 20, 26 in 33, 2018 Central Illinois).
Na naslednji sliki so spektralni indeksi (NDVI, EVI2, NDMI) zaporednih satelitskih obiskov predstavljajo vegetativno in reproduktivno fazo fenološkega cikla koruze (CW 20, 26 in 33, 2018 Central Illinois).
Čiščenje
Če te rešitve ne želite več uporabljati, lahko izbrišete vire, ki jih je ustvarila. Ko je rešitev uvedena v Studio, izberite Izbriši vse vire za samodejno brisanje vseh standardnih virov, ki so bili ustvarjeni ob zagonu rešitve, vključno z vedro S3.
zaključek
Ta rešitev zagotavlja načrt za primere uporabe, kjer je vzročno sklepanje z Bayesovimi omrežji prednostna metodologija za odgovarjanje na vzročna vprašanja iz kombinacije podatkov in človeških vnosov. Delovni tok vključuje učinkovito implementacijo mehanizma sklepanja, ki postavlja v čakalno vrsto dohodne poizvedbe in posege ter jih asinhrono obdeluje. Modularni vidik omogoča ponovno uporabo različnih komponent, vključno z geoprostorsko obdelavo z namenskimi operacijami in vnaprej usposobljenimi modeli, obogatitvijo satelitskih posnetkov s po meri izdelanimi operacijami GDAL in multimodalnim inženiringom funkcij (spektralni indeksi in tabelarični podatki).
Poleg tega lahko to rešitev uporabite kot predlogo za izdelavo mrežnih modelov posevkov, kjer se izvajata analiza upravljanja z dušikovimi gnojili in okoljske politike.
Za več informacij glejte Predloge rešitev in sledite navodilom vodi za lansiranje rešitve Crop Yield Counterfactuals v zahodni regiji ZDA (Oregon). Koda je na voljo v GitHub repo.
Citati
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Simuliran nabor podatkov o odzivu koruze na dušik na tisočih poljih in več letih v Illinoisu,
Podatki na kratko, letnik 40, 2022, 107753, ISSN 2352-3409
Koristni viri
O avtorjih
Paul Barna je višji podatkovni znanstvenik v laboratorijih za strojno učenje prototipov pri AWS.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- : je
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- O meni
- dosežki
- Račun
- pridobiti
- pridobljenih
- čez
- aktivna
- dodano
- Poleg tega
- Dodatne
- naslovi
- Zagovorniki
- po
- AGI
- Cilje
- algoritem
- vsi
- omogoča
- Čeprav
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- med
- znesek
- Analiza
- in
- odgovori
- kjerkoli
- uporaba
- Arhitektura
- SE
- OBMOČJE
- okoli
- AS
- vidik
- Uveljavitev
- Združenje
- At
- samodejno
- Na voljo
- izogibanje
- AWS
- bend
- temeljijo
- Bajezijski
- BE
- pred
- med
- Modra
- Knjiga
- Break
- široka
- izgradnjo
- Building
- by
- se imenuje
- CAN
- Zmogljivosti
- zajemanje
- ujame
- primeri
- kategorije
- Vzrok
- Celice
- Osrednji
- verige
- spremenite
- Spremembe
- kanali
- otrok
- Izberite
- trdijo,
- terjatve
- Cloud
- Koda
- Pokrovčki
- kombinacija
- Skupno
- deli
- koncentracija
- Pogoji
- poteka
- Connect
- zaporedna
- omejitve
- neprekinjeno
- nadzor
- nadzorom
- Ustrezno
- bi
- ustvarjajo
- ustvaril
- pridelek
- Trenutno
- krivulja
- po meri
- Custom zgrajena
- cikel
- datum
- obdelava podatkov
- podatkovni znanstvenik
- Podatkov usmerjenih
- Baze podatkov
- dan
- globoko
- globoko učenje
- izkazati
- razporejeni
- Izpeljano
- Podatki
- Podrobnosti
- Razlika
- neposredno
- razpravlja
- porazdeljena
- distribucija
- Distribucije
- deljeno
- domena
- drastično
- pripravi
- dinamika
- vsak
- učinek
- pojav
- omogoča
- omogočanje
- konec koncev
- Motor
- Inženiring
- okrepljeno
- obogatena
- okolja
- Okoljska politika
- v bistvu
- Vaja
- Širitev
- strokovnjak
- strokovno znanje
- Pojasnite
- raziskuje
- izrazi
- razširitev
- ekstrakt
- dejavniki
- kmetovanje
- Feature
- Lastnosti
- Nekaj
- Področja
- Slika
- sledi
- po
- za
- obrazec
- Okvirni
- iz
- v celoti
- nadalje
- ustvarjajo
- geografije
- dobili
- GitHub
- dana
- Globalno
- graf
- Sivine
- Zelen
- Mreža
- Rast
- vodi
- ročaj
- se zgodi
- Imajo
- skrita
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- človeškega
- idealen
- identificirati
- identifikacijo
- Illinois
- slika
- slike
- vpliv
- Izvajanje
- implicirano
- uvoz
- Pomembnost
- naložena
- vsiljiv
- in
- vključuje
- Vključno
- Dohodni
- vključujoč
- narašča
- kazalniki
- indeksi
- Podatki
- Infrastruktura
- začetna
- na začetku
- vpogledi
- primer
- Navodila
- Intelligence
- interakcije
- obresti
- intervencije
- Uvedeno
- IT
- ITS
- Job
- Vedite
- znanje
- Labs
- velika
- kosilo
- začetek
- vodi
- UČITE
- naučili
- učenje
- Omejitev
- Limited
- literatura
- več
- stroj
- strojno učenje
- Stroji
- je
- Izdelava
- upravljanje
- map
- Martin
- Maska
- Maske
- Stave
- math
- Matter
- zapadlosti
- Spoji
- Metodologija
- Meritve
- morda
- Mleko
- ML
- Model
- modeli
- Modularna
- več
- več
- Ime
- Nasa
- Blizu
- nujno
- Nimate
- mreža
- omrežij
- Naslednja
- Nicolas
- Vozel
- Porazdelitev vozlišča
- vozlišča
- Številka
- pridobi
- of
- on
- Delovanje
- operacije
- optimizacija
- Optimizirajte
- Možnost
- Oranžna
- Da
- Oregon
- Ostalo
- vzporedno
- parametri
- Starši
- zlasti
- opravil
- Izvedite
- Fotosinteza
- plinovod
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Vtič
- politika
- poligon
- mogoče
- Prispevek
- prednostno
- Načela
- Predhodna
- problem
- Postopek
- Predelano
- Procesi
- obravnavati
- Lastnosti
- nepremičnine
- predlagano
- predlaga
- prototipov
- zagotavljajo
- zagotavlja
- izključno
- vprašanja
- naključno
- Naključno
- območje
- Cene
- pripravljen
- razumno
- Rdeča
- zmanjša
- zmanjšanje
- okolica
- Razmerje
- Razmerja
- odstranitev
- nadomesti
- predstavljajo
- predstavlja
- zahteva
- obvezna
- Resolucija
- viri
- Odgovor
- odgovorna
- Pregledal
- RGB
- ROI
- Run
- tek
- sagemaker
- satelit
- scenariji
- Znanstvenik
- Oddelek
- segmentacija
- izbran
- višji
- Občutek
- Serija
- nastavite
- več
- Razstave
- podobno
- sam
- Rešitev
- rešitve
- nekaj
- prostorsko
- Spektralno
- kvadratov
- Stage
- postopka
- standardna
- Država
- Države
- Statistika
- Status
- Korak
- Koraki
- stres
- Struktura
- Študije
- studio
- študija
- predmet
- kasneje
- podpora
- sistemi
- ob
- Taro
- poučevanje
- Predloga
- Testiranje
- da
- O
- Graf
- Država
- svet
- njihove
- Njih
- s tem
- te
- stvari
- tisoče
- 3
- skozi
- vsej
- čas
- do
- skupaj
- Vlak
- Transform
- preoblikovanje
- pregleden
- zdravljenje
- sojenje
- poskusi
- zaupa
- UCLA
- odkrijte
- pod
- razumevanje
- Enota
- Velika
- Združene države Amerike
- Nadgradnja
- posodabljanje
- us
- uporaba
- potrjeno
- vrednost
- različnih
- Obiskov
- Obseg
- Voda
- načini
- Vreme
- Weeks
- Dobro
- West
- Kaj
- ki
- medtem
- bo
- z
- v
- brez
- svet
- pisanje
- X
- let
- donos
- donosov
- Vi
- Vaša rutina za
- zefirnet