I sin bok Boken om varför, Judea Pearl förespråkar för att lära ut orsak och verkan principer till maskiner för att förbättra deras intelligens. Prestationerna av djupinlärning är i huvudsak bara en typ av kurvanpassning, medan kausalitet skulle kunna användas för att avslöja interaktioner mellan världens system under olika begränsningar utan att testa hypoteser direkt. Detta kan ge svar som leder oss till AGI (artificiell generaliserad intelligens).
Denna lösning föreslår ett ramverk för kausal slutledning som använder Bayesianska nätverk för att representera orsaksberoende och dra orsaksslutsatser baserade på observerade satellitbilder och experimentella försöksdata i form av simulerade väder- och markförhållanden. De fallstudie är orsakssambandet mellan kvävebaserad gödseltillförsel och majsskördarna.
Satellitbilderna bearbetas med hjälp av specialbyggda Amazon SageMaker geospatiala funktioner och berikad med specialbyggda Amazon SageMaker-bearbetning operationer. Den kausala slutledningsmotorn är utplacerad med Amazon SageMaker Asynchronous Inference.
I det här inlägget visar vi hur man skapar denna kontrafaktiska analys med hjälp av Amazon SageMaker JumpStart lösningar.
Lösningsöversikt
Följande diagram visar arkitekturen för end-to-end-arbetsflödet.
Förutsättningar
Du behöver en AWS-konto att använda denna lösning.
För att köra den här JumpStart 1P-lösningen och ha infrastrukturen distribuerad till ditt AWS-konto måste du skapa en aktiv Amazon SageMaker Studio instans (se Ombord på Amazon SageMaker Domain). När din Studio-instans är klar följer du instruktionerna i SageMaker JumpStart för att lansera Crop Yield Counterfactuals-lösningen.
Observera att den här lösningen för närvarande endast är tillgänglig i USA:s västra region (Oregon).
Kausal slutledning
Kausalitet handlar om att förstå förändring, men hur man formaliserar detta i statistik och maskininlärning (ML) är inte en trivial övning.
I denna skördestudie kan kvävet som tillsätts som gödningsmedel och skörderesultaten förväxlas. På liknande sätt kan kvävet som tillsätts som gödningsmedel och kväveutlakningsresultaten också förväxlas, i den meningen att en gemensam orsak kan förklara deras samband. Association är dock inte orsakssamband. Om vi vet vilka observerade faktorer som förvirrar associationen, tar vi hänsyn till dem, men vad händer om det finns andra dolda variabler som är ansvariga för förvirring? Att minska mängden gödselmedel minskar inte nödvändigtvis kvarvarande kväve; på samma sätt kanske det inte drastiskt minskar avkastningen, medan jordmånen och klimatförhållandena kan vara de observerade faktorerna som förvirrar sambandet. Hur man hanterar confounding är det centrala problemet med kausal slutledning. En teknik som introducerades av RA Fisher kallas randomiserad kontrollerad studie syftar till att bryta eventuell förvirring.
Men i avsaknad av randomiserade kontrollstudier finns det ett behov av kausala slutsatser enbart från observationsdata. Det finns sätt att koppla de kausala frågorna till data i observationsstudier genom att skriva den kausala grafiska modellen om vad vi postulerar som hur saker händer. Detta innebär att man hävdar att motsvarande övergångar kommer att fånga motsvarande beroenden, samtidigt som man uppfyller det grafiska kriteriet för villkorlig ignorering (i vilken utsträckning vi kan behandla orsakssamband som samband baserat på orsaksantagandena). Efter att vi har postulerat strukturen kan vi använda de underförstådda invarianserna för att lära oss av observationsdata och plugga in orsaksfrågor och dra slutsatser om orsakspåståenden utan randomiserade kontrollstudier.
Denna lösning använder både data från simulerade randomiserade kontrollförsök (RCT) såväl som observationsdata från satellitbilder. En serie simuleringar utförda under tusentals fält och flera år i Illinois (USA) används för att studera majsens svar på ökande kvävehalter för en bred kombination av väder- och jordvariationer som ses i regionen. Den tar upp begränsningen av att använda försöksdata som är begränsade till antalet jordar och år som den kan utforska genom att använda grödesimuleringar av olika jordbruksscenarier och geografier. Databasen kalibrerades och validerades med hjälp av data från mer än 400 försök i regionen. Initial kvävekoncentration i marken sattes slumpmässigt inom ett rimligt intervall.
Dessutom är databasen utökad med observationer från satellitbilder, medan zonstatistik härleds från spektrala index för att representera rums-temporala förändringar i vegetationen, sett över geografier och fenologiska faser.
Kausal slutledning med Bayesianska nätverk
Strukturella orsaksmodeller (SCM) använder grafiska modeller för att representera orsaksberoende genom att införliva både datadrivna och mänskliga indata. En speciell typ av strukturkausalmodell som kallas Bayesian-nätverk föreslås för att modellera grödans fenologidynamik med hjälp av probabilistiska uttryck genom att representera variabler som noder och relationer mellan variabler som kanter. Noder är indikatorer på grödans tillväxt, jord- och väderförhållanden, och kanterna mellan dem representerar rums-temporala orsakssamband. Modernoderna är fältrelaterade parametrar (inklusive dag för sådd och areal planterad), och barnnoderna är skörd, kväveupptag och kväveläckage.
Mer information finns i databaskarakterisering och styra för att identifiera majs tillväxtstadier.
Några få steg krävs för att bygga en Bayesiansk nätverksmodell (med CausalNex) innan vi kan använda det för kontrafaktisk och interventionell analys. Strukturen för orsaksmodellen lär sig initialt från data, medan ämnesexpertis (betrodd litteratur eller empiriska övertygelser) används för att postulera ytterligare beroenden och oberoende mellan slumpmässiga variabler och interventionsvariabler, samt att hävda att strukturen är kausal.
Använda INGA TÅRAR, en kontinuerlig optimeringsalgoritm för strukturinlärning, lärs grafstrukturen som beskriver villkorliga beroenden mellan variabler från data, med en uppsättning begränsningar pålagda kanter, överordnade noder och underordnade noder som inte är tillåtna i kausalmodellen. Detta bevarar de tidsmässiga beroenden mellan variabler. Se följande kod:
"""
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,
)
Nästa steg kodar domänkunskap i modeller och fångar fenologisk dynamik, samtidigt som falska samband undviks. Multikollinearitetsanalys, variationsinflationsfaktoranalys och global funktionsviktighet med hjälp av SHAP analyser utförs för att extrahera insikter och begränsningar för vattenstressvariabler (expansion, fenologi och fotosyntes kring blomning), väder- och jordvariabler, spektrala index och kvävebaserade indikatorer:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Bayesiska nätverk i CausalNex stöder endast diskreta distributioner. Eventuella kontinuerliga funktioner, eller funktioner med ett stort antal kategorier, diskretiseras innan de passar det Bayesianska nätverket:
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,
)
Efter att strukturen har granskats kan den villkorade sannolikhetsfördelningen för varje variabel givet dess föräldrar läras från data, i ett steg som kallas sannolikhetsuppskattning:
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",
)
Slutligen används strukturen och sannolikheterna för att utföra observationsinferens i farten, efter en deterministisk Junction Tree-algoritm (JTA), och göra ingripanden med hjälp av göra kalkyl. SageMaker Asynkron inferens tillåter köa inkommande förfrågningar och behandlar dem asynkront. Det här alternativet är idealiskt för både observationsscenarier och kontrafaktiska slutledningsscenarier, där processen inte kan parallelliseras, vilket tar betydande tid att uppdatera sannolikheterna i hela nätverket, även om flera frågor kan köras parallellt. Se följande kod:
"""
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")
För ytterligare information, se slutledningsskrift.
Den kausala modellen anteckningsbok är en steg-för-steg-guide om hur du kör de föregående stegen.
Geospatial databehandling
Jordobservation jobb (EOJs) är sammankopplade för att skaffa och transformera satellitbilder, medan specialbyggda operationer och förutbildade modeller används för molnborttagning, mosaik, bandmatematiska operationer och omsampling. I det här avsnittet diskuterar vi mer detaljerat de geospatiala bearbetningsstegen.
Intresseområde
I följande figur är gröna polygoner de valda länen, det orange rutnätet är databaskartan (ett rutnät med 10 x 10 km celler där försök utförs i regionen), och rutnätet med gråskalekvadrater är 100 km x 100 km Sentinel-2 UTM kakelgaller.
Rumsliga filer används för att kartlägga den simulerade databasen med motsvarande satellitbilder, överliggande polygoner på 10 km x 10 km celler som delar delstaten Illinois (där försök genomförs i regionen), counties polygoner och 100 km x 100 km Sentinel- 2 UTM-plattor. För att optimera den geospatiala databehandlingspipen väljs först några få närliggande Sentinel-2-plattor. Därefter överlagras de aggregerade geometrierna för brickor och celler för att erhålla regionen av intresse (RoI). Länen och cell-ID:n som observeras fullt ut inom RoI väljs för att bilda polygongeometrin som skickas till EOJ:erna.
Tidsintervall
För denna övning är majsfenologicykeln uppdelad i tre stadier: de vegetativa stadierna v5 till R1 (uppkomst, bladkragar och tofsning), de reproduktiva stadierna R1 till R4 (silke, blåsa, mjölk och deg) och reproduktionsstadierna R5 (bucklig) och R6 (fysiologisk mognad). Konsekutiva satellitbesök förvärvas för varje fenologistadium inom ett tidsintervall på 2 veckor och ett fördefinierat intresseområde (utvalda län), vilket möjliggör rumslig och tidsmässig analys av satellitbilder. Följande figur illustrerar dessa mätvärden.
Molnborttagning
Molnborttagning för Sentinel-2-data använder en ML-baserad semantisk segmenteringsmodell för att identifiera moln i bilden, där grumliga pixlar ersätts av med värdet -9999 (nodata-värde):
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)
Efter att EOJ har skapats, returneras ARN och används för att utföra den efterföljande geomosaiska operationen.
För att få status för ett jobb kan du köra sg_client.get_earth_observation_job(Arn = response['Arn']).
Geomosaisk
Geomosaic EOJ används för att slå samman bilder från flera satellitbesök till en stor mosaik, genom att skriva över nodata eller transparenta pixlar (inklusive de molniga pixlarna) med pixlar från andra tidsstämplar:
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)
Efter att EOJ har skapats returneras ARN och används för att utföra den efterföljande omsamplingsoperationen.
omsampling
Omsampling används för att nedskala upplösningen för den geospatiala bilden för att matcha upplösningen för beskärningsmaskerna (10–30 m upplösningsomskalning):
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)
Efter att EOJ har skapats, returneras ARN och används för att utföra den efterföljande bandmatteoperationen.
Band matematik
Bandmatematiska operationer används för att transformera observationerna från flera spektralband till ett enda band. Den inkluderar följande spektrala index:
- EVI2 – Tvåbands förbättrat vegetationsindex
- DGVI – Generalized Difference Vegetation Index
- NDMI – Normaliserat differensfuktindex
- NDVI – Normaliserad differens vegetationsindex
- NDWI – Normaliserat vattenindex
Se följande kod:
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)
Zonstatistik
Spektralindexen berikas ytterligare med användning av Amazon SageMaker-bearbetning, där GDAL-baserad anpassad logik används för att göra följande:
- Slå samman spektrala index till en enda flerkanals mosaik
- Projicera om mosaiken till gröda masks projektion
- Applicera beskärningsmasken och projicera om mosaiken till cellpolygonernas CRC
- Beräkna zonstatistik för valda polygoner (10 km x 10 km celler)
Med parallelliserad datadistribution distribueras manifestfiler (för varje grödas fenologiska skede) över flera instanser med hjälp av ShardedByS3Key
S3 datadistributionstyp. För ytterligare information, se funktionsextraktionsskript.
Den geospatiala bearbetningen anteckningsbok är en steg-för-steg-guide om hur du kör de föregående stegen.
Följande figur visar RGB-kanaler för på varandra följande satellitbesök som representerar de vegetativa och reproduktiva stadierna av majsfenologicykeln, med (höger) och utan (vänster) grödemasker (CW 20, 26 och 33, 2018 Central Illinois).
I följande figur, spektrala index (NDVI, EVI2, NDMI) av på varandra följande satellitbesök representerar de vegetativa och reproduktiva stadierna av majsfenologicykeln (CW 20, 26 och 33, 2018 Central Illinois).
Städa upp
Om du inte längre vill använda den här lösningen kan du ta bort resurserna som den skapade. När lösningen har distribuerats i Studio väljer du Ta bort alla resurser för att automatiskt ta bort alla standardresurser som skapades när lösningen lanserades, inklusive S3-hinken.
Slutsats
Den här lösningen tillhandahåller en plan för användningsfall där kausal slutledning med Bayesianska nätverk är den föredragna metoden för att besvara orsaksfrågor från en kombination av data och mänskliga input. Arbetsflödet inkluderar en effektiv implementering av inferensmotorn, som köar inkommande frågor och interventioner och bearbetar dem asynkront. Den modulära aspekten möjliggör återanvändning av olika komponenter, inklusive geospatial bearbetning med specialbyggda operationer och förutbildade modeller, berikning av satellitbilder med specialbyggda GDAL-operationer och multimodal funktionsteknik (spektrala index och tabelldata).
Dessutom kan du använda den här lösningen som en mall för att bygga rutbaserade grödemodeller där kvävegödselhantering och miljöpolitisk analys genomförs.
Mer information finns i Lösningsmallar och följ styra att lansera Crop Yield Counterfactuals-lösningen i USA:s västra region (Oregon). Koden finns tillgänglig i GitHub repo.
Citations
German Mandrini, Sotirios V. Archontoulis, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Simulerad datauppsättning av majsrespons på kväve över tusentals fält och flera år i Illinois,
Data i korthet, volym 40, 2022, 107753, ISSN 2352-3409
Användbara resurser
Om författarna
Paul Barna är Senior Data Scientist med Machine Learning Prototyping Labs på AWS.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :är
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Om Oss
- prestationer
- Konto
- förvärva
- förvärvade
- tvärs
- aktiv
- lagt till
- Dessutom
- Annat
- adresser
- förespråkar
- Efter
- AGI
- Syftet
- algoritm
- Alla
- tillåter
- Även
- amason
- Amazon SageMaker
- Amazon SageMaker JumpStart
- bland
- mängd
- analys
- och
- svar
- var som helst
- Ansökan
- arkitektur
- ÄR
- OMRÅDE
- runt
- AS
- aspekt
- hävda
- Förening
- At
- automatiskt
- tillgänglig
- undvika
- AWS
- BAND
- baserat
- Bayesian
- BE
- innan
- mellan
- Blå
- boken
- Ha sönder
- bred
- SLUTRESULTAT
- Byggnad
- by
- kallas
- KAN
- kapacitet
- fånga
- fångar
- fall
- kategorier
- Orsak
- Celler
- centrala
- kedjad
- byta
- Förändringar
- kanaler
- barn
- Välja
- hävdar
- hävdar
- cloud
- koda
- kragar
- kombination
- Gemensam
- komponenter
- koncentration
- villkor
- genomfördes
- Kontakta
- i följd
- begränsningar
- kontinuerlig
- kontroll
- kontrolleras
- Motsvarande
- kunde
- skapa
- skapas
- gröda
- För närvarande
- kurva
- beställnings
- Specialbyggda
- cykel
- datum
- databehandling
- datavetare
- data driven
- Databas
- dag
- djup
- djupt lärande
- demonstrera
- utplacerade
- Härledd
- detalj
- detaljer
- Skillnaden
- direkt
- diskutera
- distribueras
- fördelning
- Distributioner
- dividerat
- domän
- drastiskt
- dra
- Dynamiken
- varje
- effekt
- uppkomst
- möjliggör
- möjliggör
- början till slut
- Motor
- Teknik
- förbättrad
- berikad
- miljömässigt
- Miljöpolicy
- väsentligen
- Motionera
- expansionen
- expert
- expertis
- Förklara
- utforska
- uttryck
- förlängning
- extrahera
- faktorer
- odling
- Leverans
- Funktioner
- få
- Fält
- Figur
- följer
- efter
- För
- formen
- Ramverk
- från
- fullständigt
- ytterligare
- generera
- geografier
- skaffa sig
- GitHub
- ges
- Välgörenhet
- diagram
- Gråskala
- Grön
- Rutnät
- Tillväxt
- styra
- hantera
- hända
- Har
- dold
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- humant
- idealisk
- identifiera
- identifiera
- Illinois
- bild
- bilder
- Inverkan
- genomförande
- underförstådd
- importera
- vikt
- ålagts
- imponerande
- in
- innefattar
- Inklusive
- Inkommande
- införlivande
- ökande
- indikatorer
- index
- informationen
- Infrastruktur
- inledande
- initialt
- insikter
- exempel
- instruktioner
- Intelligens
- interaktioner
- intresse
- ingripande
- introducerade
- IT
- DESS
- Jobb
- Vet
- kunskap
- Labs
- Large
- lansera
- lansera
- leda
- LÄRA SIG
- lärt
- inlärning
- begränsning
- Begränsad
- litteraturen
- längre
- Maskinen
- maskininlärning
- Maskiner
- gjord
- Framställning
- ledning
- karta
- Martin
- mask
- Masker
- Match
- matte
- Materia
- förfall
- Sammanfoga
- Metodik
- Metrics
- kanske
- Mjölk
- ML
- modell
- modeller
- modulära
- mer
- multipel
- namn
- Nasa
- Nära
- nödvändigtvis
- Behöver
- nät
- nätverk
- Nästa
- Nicolas
- nod
- Nodfördelning
- noder
- antal
- få
- of
- on
- drift
- Verksamhet
- optimering
- Optimera
- Alternativet
- Orange
- beställa
- Oregon
- Övriga
- Parallell
- parametrar
- föräldrar
- särskilt
- Godkänd
- Utföra
- Fotosyntes
- rörledning
- plato
- Platon Data Intelligence
- PlatonData
- kontakt
- policy
- Polygon
- möjlig
- Inlägg
- föredragen
- Principerna
- Innan
- Problem
- process
- Bearbetad
- processer
- bearbetning
- egenskaper
- egenskapen
- föreslagen
- föreslår
- prototyping
- ge
- ger
- rent
- frågor
- slumpmässig
- randomized
- område
- rates
- redo
- rimlig
- Red
- minska
- reducerande
- region
- relation
- Förhållanden
- avlägsnande
- ersättas
- representerar
- representerar
- förfrågningar
- Obligatorisk
- Upplösning
- Resurser
- respons
- ansvarig
- Granskad
- RGB
- ROI
- Körning
- rinnande
- sagemaker
- satellit
- scenarier
- Forskare
- §
- segmentering
- vald
- senior
- känsla
- Serier
- in
- flera
- Visar
- Liknande
- enda
- lösning
- Lösningar
- några
- rumsliga
- Spektral
- kvadrater
- Etapp
- stadier
- standard
- Ange
- Stater
- statistik
- status
- Steg
- Steg
- påkänning
- struktur
- studier
- studio
- Läsa på
- ämne
- senare
- stödja
- System
- tar
- taro
- Undervisning
- mall
- Testning
- den där
- Smakämnen
- Grafen
- Staten
- världen
- deras
- Dem
- vari
- Dessa
- saker
- tusentals
- tre
- Genom
- hela
- tid
- till
- tillsammans
- Tåg
- Förvandla
- omvandla
- transparent
- behandla
- rättegång
- försök
- betrodd
- UCLA
- avslöja
- under
- förståelse
- enhet
- United
- USA
- Uppdatering
- uppdatering
- us
- användning
- validerade
- värde
- olika
- Besök
- volym
- Vatten
- sätt
- Väder
- veckor
- VÄL
- väster
- Vad
- som
- medan
- kommer
- med
- inom
- utan
- världen
- skrivning
- X
- år
- Avkastning
- utbyten
- Om er
- Din
- zephyrnet