Det här inlägget presenterar och jämför alternativ och rekommenderade metoder för hur man hanterar Python-paket och virtuella miljöer i Amazon SageMaker Studio anteckningsböcker. En offentlighet GitHub repo ger praktiska exempel för var och en av de presenterade tillvägagångssätten.
Amazon SageMaker Studio är en webbaserad, integrerad utvecklingsmiljö (IDE) för maskininlärning (ML) som låter dig bygga, träna, felsöka, distribuera och övervaka dina ML-modeller. Studio tillhandahåller alla verktyg du behöver för att ta dina modeller från dataförberedelse till experiment till produktion samtidigt som du ökar din produktivitet.
Studioanteckningsböcker är samarbetsbara Jupyter-anteckningsböcker som du kan starta snabbt eftersom du inte behöver ställa in beräkningsinstanser och fillagring i förväg. När du öppnar en anteckningsbok i Studio uppmanas du att ställa in din miljö genom att välja en SageMaker-bild, en kärna, en instanstyp och, valfritt, ett livscykelkonfigurationsskript som körs vid bildstart.
För mer information om Studio notebook-koncept och andra aspekter av arkitekturen, se Dyk djupt in i Amazon SageMaker Studio Notebooks arkitektur.
Studio-anteckningsböcker är designade för att stödja dig i alla faser av din ML-utveckling, till exempel idéskapande, experimenterande och operationalisering av ett ML-arbetsflöde. Studion levereras med förbyggd bilder som inkluderar det senaste Amazon SageMaker Python SDK och, beroende på bildtyp, andra specifika paket och resurser, såsom Spark-, MXNet- eller PyTorch-ramverksbibliotek, och deras nödvändiga beroenden. Varje bild kan vara värd för en eller flera kärnor, som kan vara olika virtuella miljöer för utveckling.
För att säkerställa den bästa passformen för din utvecklingsprocess och dina utvecklingsfaser, tillgång till specifika eller senaste ML-ramverk, eller för att uppfylla dataåtkomst- och styrningskrav, kan du anpassa de förbyggda notebook-miljöerna eller skapa nya miljöer med dina egna bilder och kärnor.
Det här inlägget överväger följande metoder för att anpassa Studio-miljöer genom att hantera paket och skapa Python-virtuella miljöer i Studio-anteckningsböcker:
- Använd en anpassad Studio KernelGateway-appbild
- Använd Studio-anteckningsbokens livscykelkonfigurationer
- Använd Studion Amazon Elastic File System (Amazon EFS) volym för att bevara Conda-miljöer
- Använda
pip install
Studio KernelGateway-appar och kärnor för bärbara datorer
En av de viktigaste skillnaderna i Studio bärbara datorer arkitektur jämfört med SageMaker notebook-instanser är att Studio notebook-kärnor körs i en Docker-behållare, kallad a SageMaker bildbehållare, snarare än värd direkt på Amazon Elastic Compute Cloud (Amazon EC2)-instanser, vilket är fallet med SageMaker notebook-instanser.
Följande diagram visar relationerna mellan KernelGateway, notebook-kärnor och SageMaker-bilder. (För mer information, se Använd Amazon SageMaker Studio Anteckningsböcker.)
På grund av denna skillnad finns det vissa detaljer om hur du skapar och hanterar virtuella miljöer i Studio-anteckningsböcker, till exempel användning av Conda-miljöer eller beständighet av ML-utvecklingsmiljöer mellan kärnstarter.
Följande avsnitt förklarar var och en av fyra miljöanpassningsmetoder i detalj, ger praktiska exempel och rekommenderar användningsfall för varje alternativ.
Förutsättningar
För att komma igång med exemplen och prova anpassningssätten på egen hand behöver du en aktiv SageMaker-domän och minst en användarprofil i domänen. Om du inte har en domän, se instruktionerna i Ombord på Amazon SageMaker Domain.
Studio KernelGateway anpassade appbilder
En Studio KernelGateway-appbild är en Docker-behållare som identifierar kärnorna, språkpaketen och andra beroenden som krävs för att köra en Jupyter-anteckningsbok i Studio. Du använder dessa bilder för att skapa miljöer som du sedan kör Jupyter-anteckningsböcker på. Studio ger många inbyggda bilder för dig att använda.
Om du behöver annan funktionalitet, specifika ramverk eller bibliotekspaket kan du ta med dina egna anpassade bilder (BYOI) till Studio.
Du kan skapa appbilder och bildversioner, bifoga bildversioner till din domän och göra en app tillgänglig för alla domänanvändare eller för specifika användarprofiler. Du kan hantera appbilder via SageMaker-konsolen, den AWS SDK för Python (Boto3), och AWS-kommandoradsgränssnitt (AWS CLI). Den anpassade bilden måste lagras i en Amazon Elastic Container Registry (Amazon ECR) arkiv.
De främsta fördelarna med detta tillvägagångssätt är en hög nivå av versionskontroll och reproducerbarhet för en ML-runtimemiljö och omedelbar tillgänglighet av bibliotekspaket eftersom de är installerade i bilden. Du kan implementera omfattande tester, styrning, säkerhetsräcken och CI/CD-automatisering för att producera anpassade appbilder. Att ha ögonblicksbilder av utvecklingsmiljöer underlättar och upprätthåller din organisations skyddsräcken och säkerhetsrutiner.
Den tillhandahållna anteckningsbok implementerar en process för att skapa en appbild för Conda-baserade miljöer. Anteckningsboken visar hur du kan skapa bilder för flera miljöer så att användarna av appen kan ha ett urval av kärnor som de kan köra sina anteckningsböcker på.
Konfigurera en anpassad appbild
Du måste köra den här anteckningsboken som en SageMaker-anteckningsbokförekomst för att tillåta användning av Docker lokalt och köra Docker-kommandon i anteckningsboken. Alternativt till att använda anteckningsboksinstanser eller skalskript kan du använda Studio Image Bygg CLI att arbeta med Docker i Studio. Studio Image Build CLI låter dig bygga SageMaker-kompatibla Docker-bilder direkt från dina Studio-miljöer genom att använda AWS CodeBuild.
Om du inte har en SageMaker-anteckningsbok, följ instruktionerna i Skapa en Amazon SageMaker Notebook-instans att komma igång.
Du måste också se till att exekveringsrollen du använder för en anteckningsbok-instans har de nödvändiga behörigheterna för Amazon ECR- och SageMaker-domänoperationer:
För att skapa en anpassad bild med två kärnor, var och en med sin egen virtuella Conda-miljö, implementerar den bärbara datorn följande steg:
- Definiera Conda-miljöerna. Conda-miljön måste ha ett Jupyter-kärnpaket installerat, t.ex.
ipykernel
för Python-kärnan. - Definiera en Dockerfil. Tänk på den anpassade SageMaker-bilden specifikationer när du skapar din egen bild.
- Bygg en Docker-bild som är kompatibel med Studio och skjut in bilden i ECR-förrådet.
- Skapa en SageMaker-bild med Docker-bilden från ECR-förvaret och skapa en första bildversion. Varje gång du uppdaterar bilden i Amazon ECR måste en ny bildversion skapas.
- Uppdatera en befintlig SageMaker-domän för att använda den här bilden. För denna operation behöver exekveringsrollen
UpdateDomain
lov. Bilden är omedelbart tillgänglig för alla användarprofiler på domänen. Om du vill göra bilden tillgänglig endast för en specifik användarprofil kan du användaUpdateUserProfile
API-anrop istället förUpdateDomain
. - Starta den anpassade bilden i Studio. Starta en ny anteckningsbok och välj den nya bilden på rullgardinsmenyn för bildval.
Studio känner automatiskt igen Conda-miljöerna i din bild som motsvarande kärnor i rullgardinsmenyn för val av kärna i Konfigurera en bärbar miljö widget.
Hänvisa till dessa exempel anteckningsböcker för fler exempel och användningsfall för implementering av anpassad appbild.
Städa upp
För att undvika avgifter måste du stoppa de aktiva SageMaker-anteckningsbokförekomsterna. För instruktioner, se Städa upp.
Implementera en automatisk process för att skapa bilder
Som redan nämnts kan du använda Studio Image Bygg CLI att implementera en automatiserad CI/CD-process för att skapa och distribuera appbilder med CodeBuild och sm-docker CLI. Den abstraherar installationen av dina Docker-byggmiljöer genom att automatiskt ställa in de underliggande tjänsterna och arbetsflödet som krävs för att bygga Docker-bilder.
Rekommenderade användningsfall
Den anpassade appbildsmetoden passar bra för följande scenarier när du använder en Studio-anteckningsbokmiljö:
- Stabila och kontrollerade miljöer för produktion eller känslig utvecklingsanvändning
- Miljöer utan internetåtkomst, där du vill förpaketera alla nödvändiga resurser och bibliotek i bilden
- Hög miljöåteranvändningskvot och låg förändringstakt i miljöerna
- Högskalig datavetenskaplig verksamhet, dussintals eller hundratals utvecklare eller team som behöver tillgång till standardiserade anpassade miljöer
- Använd bibliotek som inte kan konfigureras på SageMakers förstapartsbilder
- Krav för att använda anpassade bilder för ett annat operativsystem eller annat programmeringsspråk
- Centraliserad styrning och miljöutveckling med hjälp av automatiserade CI/CD-pipelines
Begränsningar för detta tillvägagångssätt
Detta tillvägagångssätt kräver en process för att skapa bilder i flera steg inklusive tester, vilket kan vara överdrivet för mindre eller mycket dynamiska miljöer. Tänk också på följande begränsningar för tillvägagångssättet:
- En insats i förväg krävs för att lägga till nya paket eller skapa nya versioner av en bild. Som begränsning kan du anpassa den befintliga anpassade bilden med pip, även om den inte är beständig.
- Att bifoga en ny anpassad bild eller lägga till en ny version till domänen kräver
UpdateDomain
behörighet, som normalt inte är kopplad till körningsrollen för användarprofilen. Vi rekommenderar att du använder en automatiserad pipeline med en dedikerad exekveringsroll för att utföra den här operationen eller ge tillstånd att uppdatera en domän till en dedikerad administratörsanvändare eller roll. - En hög manuell insats för bildskapande är involverad. Vi rekommenderar att du implementerar en automatiserad pipeline om du producerar och uppdaterar anpassade bilder ofta.
- Om du använder Conda-miljöer kan du stöta på problem med det i Docker-miljön. För ett exempel, se Aktivera en Conda-miljö i din Dockerfile. Alla Conda-kommandon kanske inte fungerar i den virtuella notebook-miljön. Denna Studio-anpassningsmetod är dock inte begränsad till Conda-baserade miljöer.
- Du kan inte manuellt växla mellan Conda-miljöer i den bärbara datorn; du måste byta kärnor i installationswidgeten för notebookmiljön.
Tänk också på att det finns standard kvoter med 30 anpassade bilder per domän och 5 bilder per användarprofil. Dessa är mjuka gränser och kan höjas.
Nästa avsnitt beskriver mer lätta tillvägagångssätt som kan passa bättre för andra användningsfall.
Studio-anteckningsbokens livscykelkonfigurationer
Studio livscykelkonfigurationer definiera ett skalskript som körs vid varje omstart av kernel gateway-applikationen och kan installera de nödvändiga paketen. Den största fördelen är att en dataforskare kan välja vilket skript som ska köras för att anpassa behållaren med nya paket. Det här alternativet kräver inte ombyggnad av behållaren och kräver i de flesta fall inte en anpassad bild alls eftersom du kan anpassa färdigbyggda.
Ställ in en livscykelkonfigurationsprocess
Denna process tar cirka 5 minuter att slutföra. Inlägget visar hur man använder livscykelkonfigurationerna via SageMaker-konsolen. Den tillhandahållna anteckningsbok visar hur man implementerar samma program med Boto3.
- Välj på SageMaker-konsolen Livscykelkonfigurationer i navigeringsfönstret.
- På Studio fliken, välj Skapa konfiguration.
Det första steget för att skapa livscykelkonfigurationen är att välja typ.
- För det här användningsfallet för att installera beroenden varje gång en Jupyter kernel gateway-app skapas, välj Jupyter kernel gateway app Och välj Nästa.
- För Namn anger du ett namn för konfigurationen.
- I Skript sektion, definiera skriptet som ska köras när kärnan startar. För det här exemplet kommer PyArrow-biblioteket att installeras med följande skript:
- Välja Skapa konfiguration.
Nu när konfigurationen har skapats måste den kopplas till en domän eller användarprofil. När de är kopplade till domänen ärver alla användarprofiler i den domänen den, medan den när den är kopplad till en användarprofil omfattas av den specifika profilen. För den här genomgången använder vi Studio-domänrutten.
- Välja domäner i navigeringsfönstret och öppna din befintliga domän.
- På Miljö fliken, i Livscykelkonfigurationer för personliga Studio-appar avsnitt väljer Bifoga.
- För Källa, Välj Befintlig konfiguration.
- Välj den livscykelkonfiguration du skapade och välj Bifoga till domän.
Nu när all konfiguration är klar är det dags att testa skriptet i Studio.
- Starta Studio och på Launcher fliken, hitta Anteckningsböcker och datorresurser avsnitt, och välj Byt miljö för att välja den livscykelkonfiguration du skapade.
- För Startmanus, välj den livscykelkonfiguration du skapade och välj sedan Välja.
- Välja Skapa anteckningsbok.
Du kan också ställa in livscykelkonfigurationen så att den körs som standard i Livscykelkonfigurationer för personliga Studio-appar sektion av Domän sida.
I den nya anteckningsboken kommer beroenden som är installerade i startskriptet att vara tillgängliga.
Rekommenderade användningsfall
Detta tillvägagångssätt är lätt men också kraftfullt eftersom det låter dig styra installationen av din bärbara dators miljö via skalskript. De användningsfall som bäst passar detta tillvägagångssätt är följande:
- Integrera paketinstallationer i notebook-livscykelkonfigurationen som måste köras vid varje kärnstart.
- Miljöer utan tillgång till internet. Använd livscykelkonfigurationer för att ställa in en miljö för att komma åt lokala eller säkerhetsartefakter och paketförråd, som t.ex AWS CodeArtifact.
- Om du redan använder livscykelkonfigurationer kan du utöka dem till att inkludera paketinstallation.
- Installation av några ytterligare paket ovanpå inbyggda eller anpassade appbilder.
- När du behöver kortare tid till marknaden än med anpassade appbilder.
Begränsningar för detta tillvägagångssätt
De huvudsakliga begränsningarna är en stor ansträngning för att hantera livscykelkonfigurationsskript i skala och långsam installation av paket. Beroende på hur många paket som är installerade och hur stora de är, kan livscykelskriptet till och med timeout. Det finns också begränsade alternativ för ad hoc-skriptanpassning av användare, såsom datavetare eller ML-ingenjörer, på grund av behörigheter för körningsrollen för användarprofilen.
Hänvisa till SageMaker Studio Lifecycle Configuration Samples för fler prover och användningsfall.
Behåll Conda-miljöer till Studio EFS-volymen
SageMaker-domäner och Studio använder en EFS-volym som ett beständigt lagringslager. Du kan spara dina Conda-miljöer på denna EFS-volym. Dessa miljöer är beständiga mellan omstart av kärna, app eller Studio. Studio plockar automatiskt upp alla miljöer som KernelGateway-kärnor.
Detta är en enkel process för en dataforskare, men det finns en fördröjning på 1 minut innan miljön visas i listan över valbara kärnor. Det kan också finnas problem med att använda miljöer för kernel gateway-appar som har olika beräkningskrav, till exempel en CPU-baserad miljö på en GPU-baserad app.
Hänvisa till Anpassade Conda-miljöer på SageMaker Studio för detaljerade instruktioner. Inläggets GitHub-repo innehåller också en anteckningsbok med steg-för-steg-guiden.
Skapa beständiga Conda-miljöer på en Studio EFS-volym
Denna genomgång bör ta cirka 10 minuter.
- Välj på Studio Hem i navigeringsfönstret.
- Välja Öppna Launcher.
- I startprogrammet, lokalisera Anteckningsböcker och datorresurser sektion.
- Kontrollera att den valda SageMaker-bilden är en Conda-stödd kärnavbild från första part som "Data Science".
- Välja Öppna bildterminalen för att öppna ett terminalfönster med en ny kärna.
Ett meddelande visas som säger "Startar bildterminal..." och efter några ögonblick öppnas den nya terminalen på en ny flik.
- Kör följande kommandon i terminalen:
Dessa kommandon tar cirka 3 minuter att köra och kommer att skapa en katalog på EFS-volymen för att lagra Conda-miljöerna, skapa den nya Conda-miljön och aktivera den, installera ipykernel
beroenden (utan detta beroende fungerar inte denna lösning), och skapa slutligen en Conda-konfigurationsfil (.condarc
), som innehåller referensen till den nya Conda-miljökatalogen. Eftersom detta är en ny Conda-miljö installeras inga ytterligare beroenden. För att installera andra beroenden kan du ändra conda install
rad eller vänta på att följande kommandon är klara och installera eventuella ytterligare beroenden i Conda-miljön.
- För det här exemplet installerar vi NumPy-biblioteket genom att köra följande kommando i terminalfönstret:
Nu när Conda-miljön har skapats och beroenden är installerade kan du skapa en anteckningsbok som använder denna Conda-miljö som finns kvar på Amazon EFS.
- Välj i Studio Launcher Skapa anteckningsbok.
- Från den nya anteckningsboken väljer du kärnan "Python 3 (Data Science)".
- För Kärna, välj den nyskapade Conda-miljön och välj sedan Välja.
Om det till en början inte finns något alternativ för den nya Conda-miljön kan det bero på att det tar några minuter att sprida sig.
Tillbaka i anteckningsboken kommer kärnnamnet att ha ändrats i det övre högra hörnet, och i en cell kan du testa att de installerade beroenden är tillgängliga.
Rekommenderade användningsfall
Följande användningsfall passar bäst för detta tillvägagångssätt:
- Miljöer utan internetåtkomst, med alla beroenden förinstallerade i de bestående Conda-miljöerna
- Ad hoc-miljöer som behöver beständighet mellan kärnsessioner
- Testning av anpassade SageMaker-bilder i Studio innan du skapar en Docker-bild och skickar till Amazon ECR
Begränsningar för detta tillvägagångssätt
Även om detta tillvägagångssätt har praktiska användningsområden, överväg följande begränsningar:
- Det kan finnas prestandaproblem med Amazon EFS på många små filer, vilket är mycket vanligt när man hanterar Python-paket.
- Det kan vara utmanande att dela beständiga miljöer mellan Studio-användarprofiler.
- Det kan vara utmanande att återanvända beständiga miljöer.
- Det kan vara utmanande att hantera förvaltning i stor skala.
- Tillvägagångssättet fungerar bara med specifika Conda-baserade förstaparts SageMaker-bilder, till exempel "Data Science", "Data Science 2.0" och "Data Science 3.0." För en lista över alla tillgängliga bilder, se Tillgängliga Amazon SageMaker-bilder.
Pip-installation
Du kan installera paket direkt i standard Conda-miljön eller standard Python-miljön.
Skapa en setup.py
or requirements.txt
fil med alla nödvändiga beroenden och kör %pip install .-r requirement.txt
. Du måste köra det här kommandot varje gång du startar om kärnan eller återskapar en app.
Detta tillvägagångssätt rekommenderas för ad hoc-experiment eftersom dessa miljöer inte är beständiga.
För mer information om hur du använder pip install
kommando och begränsningar, se Installera externa bibliotek och kärnor i Amazon SageMaker Studio.
Rekommenderade användningsfall
Det här tillvägagångssättet är ett standardsätt att installera paket för att anpassa din notebook-miljö. De rekommenderade användningsfallen är begränsade till icke-produktionsanvändning för ad hoc-experiment i en anteckningsbok:
- Ad hoc-experiment i Studio-anteckningsböcker
- Icke-produktiva och okänsliga miljöer, sandlådemiljöer
- Miljöer med tillgång till internet
Begränsningar för detta tillvägagångssätt
De huvudsakliga begränsningarna för detta tillvägagångssätt är:
- Vissa företagsmiljöer blockerar alla utgående och inkommande internetanslutningar och du kan inte använda
pip install
för att dra Python-paket eller behöver konfigurera ett offlineläge - Lägre reproducerbarhet av miljöer
- Måste vänta tills paket har laddats ner och installerats
- Ingen beständighet mellan bildstarter
Slutsats
SageMaker Studio erbjuder ett brett utbud av möjliga anpassningar av utvecklingsmiljöer. Varje användarroll som en dataforskare; en ML-, MLOps- eller DevOps-ingenjör; och en administratör kan välja det mest lämpliga tillvägagångssättet baserat på deras behov, plats i utvecklingscykeln och företagets skyddsräcken.
Följande tabell sammanfattar de presenterade metoderna tillsammans med deras föredragna användningsfall och huvudsakliga begränsningar.
Tillvägagångssätt | Persistens | Bäst passande användningsfall | Begränsningar |
Ta med din egen bild | Permanent, överförbar mellan användarprofiler och domäner |
|
|
Livscykelkonfigurationer | Permanent, överförbar mellan användarprofiler och domäner |
|
|
Conda-miljöer på Studio EFS-volymen | Permanent, kan inte överföras mellan användarprofiler eller domäner |
|
|
Pip-installation | Övergående, ingen beständighet mellan bild eller Studio omstarter, kan inte överföras mellan användarprofiler eller domäner |
|
|
Det är fortfarande dag 1. Den verkliga virtuella miljön och Python-hantering är mycket mer komplex än dessa fyra metoder, men det här inlägget hjälper dig med de första stegen för att utveckla ditt eget användningsfall.
Du kan hitta fler användningsfall, detaljer och praktiska exempel i följande resurser:
Om författarna
Jevgenij Ilyin är en lösningsarkitekt på Amazon Web Services (AWS). Han har över 20 års erfarenhet av att arbeta på alla nivåer av mjukvaruutveckling och lösningsarkitektur och har använt programmeringsspråk från COBOL och Assembler till .NET, Java och Python. Han utvecklar och kodar molnbaserade lösningar med fokus på big data, analys och datateknik.
Alex Grace är en lösningsarkitekt på Amazon Web Services (AWS) som tar hand om Fintech Digital Native Businesses. Baserad i London arbetar Alex med några av Storbritanniens ledande Fintechs och tycker om att stödja deras användning av AWS för att lösa affärsproblem och främja framtida tillväxt. Tidigare har Alex arbetat som mjukvaruutvecklare och tech lead på Fintech startups i London och har på senare tid specialiserat sig på AWS maskininlärningslösningar.
- 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/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/
- :är
- $UPP
- 1
- 10
- 100
- 11
- 20 år
- 7
- 8
- a
- Om Oss
- sammandrag
- tillgång
- Konto
- Handling
- aktiv
- Ad
- Annat
- adress
- administration
- Efter
- alex
- Alla
- tillåter
- redan
- amason
- Amazon EC2
- Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- Amazon Web Services (AWS)
- analytics
- och
- api
- app
- visas
- Ansökan
- tillvägagångssätt
- tillvägagångssätt
- appar
- arkitektur
- ÄR
- runt
- AS
- aspekter
- At
- bifoga
- författarskap
- Automatiserad
- automatiskt
- Automation
- tillgänglighet
- tillgänglig
- AWS
- baserat
- BE
- därför att
- innan
- fördel
- Fördelarna
- BÄST
- Bättre
- mellan
- Stor
- Stora data
- Blockera
- öka
- föra
- bred
- SLUTRESULTAT
- Byggnad
- inbyggd
- företag
- företag
- by
- Ring
- kallas
- KAN
- Vid
- fall
- utmaningar
- utmanande
- Förändringar
- avgifter
- Välja
- välja
- cloud
- COBOL
- samarbete
- Gemensam
- jämfört
- kompatibel
- fullborda
- komplex
- omfattande
- Compute
- Begreppen
- konfiguration
- Anslutningar
- Tänk
- anser
- Konsol
- Behållare
- innehåller
- kontroll
- kontrolleras
- kontroller
- Corner
- Motsvarande
- kunde
- skapa
- skapas
- Skapa
- skapande
- beställnings
- anpassning
- skräddarsy
- cykel
- datum
- datatillgång
- Förberedelse av data
- datavetenskap
- datavetare
- dag
- dedicerad
- djup
- Standard
- fördröja
- demonstrerar
- Dependency
- beroende
- distribuera
- utplacering
- beskriva
- utformade
- detalj
- detaljerad
- detaljer
- Utvecklare
- utvecklare
- utveckla
- Utveckling
- utvecklar
- Skillnaden
- skillnader
- olika
- digital
- direkt
- displayer
- Hamnarbetare
- inte
- domän
- domäner
- inte
- ladda ner
- dussintals
- dynamisk
- varje
- effekt
- ansträngning
- ingenjör
- Teknik
- Ingenjörer
- säkerställa
- ange
- Företag
- Miljö
- miljöer
- Även
- Varje
- exempel
- exempel
- utförande
- befintliga
- erfarenhet
- Förklara
- förlänga
- extern
- underlättar
- få
- Fil
- Filer
- Slutligen
- hitta
- slut
- fintech
- fintech startups
- fintechs
- Förnamn
- första stegen
- passa
- Fokus
- följer
- efter
- För
- Ramverk
- ramar
- ofta
- från
- Bränsle
- funktionalitet
- Vidare
- framtida
- framtida tillväxt
- nätbryggan
- skaffa sig
- GitHub
- Ge
- Golden
- god
- styrning
- Tillväxt
- styra
- praktisk
- Har
- har
- hjälper
- Hög
- värd
- värd
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- Hundratals
- identifierar
- bild
- bilder
- omedelbar
- blir omedelbart
- genomföra
- genomförande
- genomföra
- redskap
- importera
- in
- innefattar
- Inklusive
- ökat
- informationen
- inledande
- installera
- installerad
- installera
- exempel
- istället
- instruktioner
- integrerade
- Internet
- internetåtkomst
- involverade
- problem
- IT
- java
- jpg
- språk
- Språk
- Large
- senaste
- lansera
- lager
- leda
- ledande
- inlärning
- Lets
- Nivå
- nivåer
- bibliotek
- Bibliotek
- livscykel
- lättvikt
- BEGRÄNSA
- begränsningar
- Begränsad
- gränser
- linje
- Lista
- lokal
- lokalt
- london
- Lång
- UTSEENDE
- Låg
- Maskinen
- maskininlärning
- Huvudsida
- göra
- hantera
- förvaltade
- ledning
- hantera
- manuell
- manuellt
- många
- marknad
- nämnts
- Meny
- meddelande
- kanske
- minuter
- begränsning
- ML
- MLOps
- modeller
- modifiera
- Ögonblick
- Övervaka
- mer
- mest
- multipel
- namn
- nativ
- Navigering
- nödvändigt för
- Behöver
- behov
- netto
- Nya
- Nästa
- normalt
- anteckningsbok
- numpy
- of
- Erbjudanden
- offline
- on
- ONE
- öppet
- drift
- Verksamhet
- Alternativet
- Tillbehör
- OS
- Övriga
- egen
- paket
- paket
- sida
- panelen
- parametrar
- Utföra
- prestanda
- tillstånd
- behörigheter
- persistens
- personlig
- Picks
- rörledning
- Plats
- plato
- Platon Data Intelligence
- PlatonData
- möjlig
- Inlägg
- den mäktigaste
- Praktisk
- praxis
- föredragen
- presenteras
- presenterar
- tidigare
- problem
- process
- bearbetning
- producera
- Produktion
- produktivitet
- Profil
- Profiler
- Programmering
- programmeringsspråk
- ge
- förutsatt
- ger
- allmän
- Tryck
- Tryckande
- Python
- pytorch
- snabbt
- område
- Betygsätta
- snarare
- ratio
- verkliga världen
- nyligen
- erkänner
- rekommenderar
- rekommenderas
- relationer
- Repository
- kräver
- Obligatorisk
- krav
- Krav
- Kräver
- resurs
- Resurser
- Roll
- Rutt
- Körning
- rinnande
- sagemaker
- Samma
- sandlåda
- Save
- Skala
- scenarier
- Vetenskap
- Forskare
- vetenskapsmän
- skript
- sDK
- §
- sektioner
- säkerhet
- vald
- Val
- känslig
- Tjänster
- in
- inställning
- inställning
- Dela
- Shell
- skall
- Visar
- enda
- långsam
- Small
- mindre
- So
- Mjuk
- Mjukvara
- mjukvaruutveckling
- lösning
- Lösningar
- LÖSA
- några
- Gnista
- specialiserat
- specifik
- stabil
- standard
- starta
- igång
- startar
- start
- Startups
- .
- Steg
- Steg
- Fortfarande
- Sluta
- förvaring
- lagra
- lagras
- okomplicerad
- studio
- sådana
- lämplig
- stödja
- Stödjande
- Växla
- bord
- Ta
- tar
- lag
- tech
- terminal
- testa
- tester
- den där
- Smakämnen
- deras
- Dem
- Dessa
- tid
- till
- verktyg
- topp
- Tåg
- Utbildning
- underliggande
- Uppdatering
- Användning
- användning
- användningsfall
- Användare
- användare
- version
- via
- Virtuell
- volym
- vänta
- genomgång
- Sätt..
- webb
- webbservice
- Webb-baserad
- som
- medan
- VEM
- kommer
- med
- inom
- utan
- Arbete
- arbetade
- arbetssätt
- fungerar
- år
- Om er
- Din
- zephyrnet