ปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ได้รับการนำไปใช้อย่างกว้างขวางทั่วทั้งองค์กรและองค์กรภาครัฐ การประมวลผลข้อมูลที่ไม่มีโครงสร้างกลายเป็นเรื่องง่ายขึ้นด้วยความก้าวหน้าในการประมวลผลภาษาธรรมชาติ (NLP) และบริการ AI/ML ที่ใช้งานง่าย เช่น Amazon Text, ถอดความจากอเมซอนและ เข้าใจ Amazon. องค์กรต่างๆ เริ่มใช้บริการ AI/ML เช่น Amazon Comprehend เพื่อสร้างแบบจำลองการจำแนกประเภทด้วยข้อมูลที่ไม่มีโครงสร้างเพื่อรับข้อมูลเชิงลึกที่ไม่เคยมีมาก่อน แม้ว่าคุณจะสามารถใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าได้โดยใช้ความพยายามเพียงเล็กน้อย หากไม่มีการดูแลจัดการข้อมูลและการปรับแต่งโมเดลอย่างเหมาะสม คุณจะไม่สามารถได้รับประโยชน์เต็มที่จากโมเดล AI/ML
ในโพสต์นี้ เราจะอธิบายวิธีสร้างและเพิ่มประสิทธิภาพโมเดลการจัดหมวดหมู่แบบกำหนดเองโดยใช้ Amazon Comprehend เราสาธิตสิ่งนี้โดยใช้การจัดหมวดหมู่แบบกำหนดเองของ Amazon Comprehend เพื่อสร้างโมเดลการจัดหมวดหมู่แบบกำหนดเองแบบหลายป้ายกำกับ และให้แนวทางเกี่ยวกับวิธีการเตรียมชุดข้อมูลการฝึกอบรมและปรับแต่งโมเดลให้ตรงตามเกณฑ์ชี้วัดประสิทธิภาพ เช่น ความแม่นยำ ความแม่นยำ การเรียกคืน และคะแนน F1 เราใช้อาร์ติแฟกต์เอาต์พุตการฝึกโมเดล Amazon Comprehend เช่น เมทริกซ์ความสับสน เพื่อปรับแต่งประสิทธิภาพของโมเดลและแนะนำคุณในการปรับปรุงข้อมูลการฝึกของคุณ
ภาพรวมโซลูชัน
โซลูชันนี้นำเสนอแนวทางในการสร้างแบบจำลองการจัดหมวดหมู่แบบกำหนดเองที่ได้รับการปรับปรุงให้เหมาะสมโดยใช้ Amazon Comprehend เราดำเนินการหลายขั้นตอน รวมถึงการเตรียมข้อมูล การสร้างโมเดล การวิเคราะห์ตัวชี้วัดประสิทธิภาพของโมเดล และการปรับอนุมานให้เหมาะสมตามการวิเคราะห์ของเรา เราใช้อัน อเมซอน SageMaker สมุดบันทึก และ คอนโซลการจัดการ AWS เพื่อทำตามขั้นตอนเหล่านี้บางส่วน
นอกจากนี้เรายังใช้แนวทางปฏิบัติที่ดีที่สุดและเทคนิคการปรับให้เหมาะสมในระหว่างการจัดเตรียมข้อมูล การสร้างโมเดล และการปรับแต่งโมเดล
เบื้องต้น
หากคุณไม่มีอินสแตนซ์สมุดบันทึก SageMaker คุณสามารถสร้างได้ สำหรับคำแนะนำ โปรดดูที่ สร้างอินสแตนซ์โน้ตบุ๊ก Amazon SageMaker.
เตรียมข้อมูล
สำหรับการวิเคราะห์นี้ เราใช้ชุดข้อมูลการจำแนกความคิดเห็นที่เป็นพิษจาก Kaggle. ชุดข้อมูลนี้ประกอบด้วย 6 ป้ายกำกับพร้อมจุดข้อมูล 158,571 จุด อย่างไรก็ตาม แต่ละป้ายกำกับมีข้อมูลน้อยกว่า 10% ของข้อมูลทั้งหมดเป็นตัวอย่างเชิงบวก โดยสองป้ายกำกับมีน้อยกว่า 1%
เราแปลงชุดข้อมูล Kaggle ที่มีอยู่เป็น Amazon Comprehend รูปแบบ CSV สองคอลัมน์ โดยแยกป้ายกำกับโดยใช้ตัวคั่นไปป์ (|) Amazon Comprehend คาดหวังอย่างน้อยหนึ่งป้ายกำกับสำหรับแต่ละจุดข้อมูล ในชุดข้อมูลนี้ เราพบจุดข้อมูลหลายจุดที่ไม่อยู่ภายใต้ป้ายกำกับที่ให้ไว้ เราสร้างป้ายกำกับใหม่ที่เรียกว่า clean และกำหนดจุดข้อมูลที่ไม่เป็นพิษให้เป็นค่าบวกด้วยป้ายกำกับนี้ สุดท้ายนี้ เราแบ่งชุดข้อมูลที่ดูแลจัดการออกเป็นชุดข้อมูลการฝึกอบรมและทดสอบโดยใช้การแบ่งอัตราส่วน 80/20 ต่อป้ายกำกับ
เราจะใช้สมุดบันทึกการเตรียมข้อมูล ขั้นตอนต่อไปนี้ใช้ชุดข้อมูล Kaggle และเตรียมข้อมูลสำหรับโมเดลของเรา
- บนคอนโซล SageMaker ให้เลือก อินสแตนซ์โน้ตบุ๊ก ในบานหน้าต่างนำทาง
- เลือกอินสแตนซ์โน้ตบุ๊กที่คุณได้กำหนดค่าและเลือก เปิด Jupyter.
- เกี่ยวกับ ใหม่ เมนูให้เลือก สถานีปลายทาง.
- รันคำสั่งต่อไปนี้ในเทอร์มินัลเพื่อดาวน์โหลดส่วนที่จำเป็นสำหรับโพสต์นี้:
- ปิดหน้าต่างเทอร์มินัล
คุณควรเห็นสมุดบันทึกสามเล่มและ รถไฟ.csv ไฟล์
- เลือกโน๊ตบุ๊ค ข้อมูล-Preparation.ipynb.
- รันทุกขั้นตอนในโน้ตบุ๊ก
ขั้นตอนเหล่านี้เตรียมชุดข้อมูล Kaggle แบบดิบเพื่อใช้เป็นชุดข้อมูลการฝึกอบรมและทดสอบที่ดูแลจัดการ ชุดข้อมูลที่รวบรวมจะถูกจัดเก็บไว้ในสมุดบันทึกและ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
พิจารณาหลักเกณฑ์การเตรียมข้อมูลต่อไปนี้เมื่อต้องรับมือกับชุดข้อมูลหลายป้ายกำกับขนาดใหญ่:
- ชุดข้อมูลต้องมีตัวอย่างอย่างน้อย 10 ตัวอย่างต่อป้ายกำกับ
- Amazon Comprehend ยอมรับป้ายกำกับได้สูงสุด 100 ป้าย นี่คือขีดจำกัดซอฟต์ที่สามารถเพิ่มได้
- ตรวจสอบให้แน่ใจว่าไฟล์ชุดข้อมูลเป็น จัดรูปแบบอย่างถูกต้อง ด้วยตัวคั่นที่เหมาะสม ตัวคั่นที่ไม่ถูกต้องอาจทำให้เกิดป้ายกำกับเปล่าได้
- จุดข้อมูลทั้งหมดต้องมีป้ายกำกับ
- ชุดข้อมูลการฝึกอบรมและการทดสอบควรมีการกระจายข้อมูลที่สมดุลต่อฉลาก อย่าใช้การแจกแจงแบบสุ่ม เนื่องจากอาจทำให้เกิดอคติในชุดข้อมูลการฝึกอบรมและการทดสอบ
สร้างแบบจำลองการจัดหมวดหมู่แบบกำหนดเอง
เราใช้ชุดข้อมูลการฝึกอบรมและทดสอบที่เราสร้างขึ้นระหว่างขั้นตอนการเตรียมข้อมูลเพื่อสร้างแบบจำลองของเรา ขั้นตอนต่อไปนี้จะสร้างโมเดลการจัดประเภทแบบกำหนดเองแบบหลายป้ายกำกับของ Amazon Comprehend:
- บนคอนโซล Amazon Comprehend ให้เลือก การจัดหมวดหมู่แบบกำหนดเอง ในบานหน้าต่างนำทาง
- Choose สร้างโมเดลใหม่.
- สำหรับ ชื่อรุ่น, ป้อน toxic-classification-model.
- สำหรับ ชื่อรุ่น, ป้อน 1
- สำหรับ คำอธิบายประกอบและรูปแบบข้อมูลเลือก การใช้โหมดหลายป้ายกำกับ.
- สำหรับ ชุดข้อมูลการฝึกอบรมให้ป้อนตำแหน่งของชุดข้อมูลการฝึกอบรมที่ได้รับการดูแลจัดการบน Amazon S3
- Choose ชุดข้อมูลทดสอบที่ลูกค้าจัดเตรียมไว้ให้ และป้อนตำแหน่งของข้อมูลทดสอบที่ได้รับการดูแลจัดการบน Amazon S3
- สำหรับ ข้อมูลเอาต์พุตป้อนตำแหน่ง Amazon S3
- สำหรับ บทบาท IAMให้เลือก สร้างบทบาท IAM ระบุส่วนต่อท้ายชื่อเป็น “comprehend-blog”
- Choose สร้างบัญชีตัวแทน เพื่อเริ่มการฝึกอบรมโมเดลการจัดหมวดหมู่แบบกำหนดเองและการสร้างแบบจำลอง
ภาพหน้าจอต่อไปนี้แสดงรายละเอียดโมเดลการจัดหมวดหมู่แบบกำหนดเองบนคอนโซล Amazon Comprehend
ปรับแต่งประสิทธิภาพของโมเดล
ภาพหน้าจอต่อไปนี้แสดงการวัดประสิทธิภาพแบบจำลอง ประกอบด้วยตัวชี้วัดที่สำคัญ เช่น ความแม่นยำ การเรียกคืน คะแนน F1 ความแม่นยำ และอื่นๆ
หลังจากที่โมเดลได้รับการฝึกฝนและสร้างขึ้นแล้ว โมเดลจะสร้างไฟล์ output.tar.gz ซึ่งมีป้ายกำกับจากชุดข้อมูล รวมถึงเมทริกซ์ความสับสนสำหรับป้ายกำกับแต่ละรายการ หากต้องการปรับแต่งประสิทธิภาพการคาดการณ์ของโมเดลเพิ่มเติม คุณต้องเข้าใจโมเดลของคุณด้วยความน่าจะเป็นในการคาดการณ์สำหรับแต่ละคลาส ในการดำเนินการนี้ คุณต้องสร้างงานการวิเคราะห์เพื่อระบุคะแนนที่ Amazon Comprehend กำหนดให้กับจุดข้อมูลแต่ละจุด
ทำตามขั้นตอนต่อไปนี้เพื่อสร้างงานการวิเคราะห์:
- บนคอนโซล Amazon Comprehend ให้เลือก งานวิเคราะห์ ในบานหน้าต่างนำทาง
- Choose สร้างงาน.
- สำหรับ Nameป้อน
toxic_train_data_analysis_job
. - สำหรับ ประเภทการวิเคราะห์เลือก การจัดหมวดหมู่แบบกำหนดเอง.
- สำหรับ การจำแนกรุ่นและมู่เล่, ระบุ
toxic-classification-model
. - สำหรับ เวอร์ชั่นระบุ 1.
- สำหรับ ป้อนข้อมูลตำแหน่ง S3ให้ป้อนตำแหน่งของไฟล์ข้อมูลการฝึกอบรมที่ดูแลจัดการ
- สำหรับ รูปแบบการป้อนข้อมูลเลือก หนึ่งเอกสารต่อบรรทัด.
- สำหรับ ข้อมูลขาออก ตำแหน่ง S3, ระบุสถานที่.
- สำหรับ สิทธิ์การเข้าถึงให้เลือก ใช้บทบาท IAM ที่มีอยู่ และเลือกบทบาทที่สร้างไว้ก่อนหน้านี้
- Choose สร้างงาน เพื่อเริ่มงานการวิเคราะห์
- เลือก งานวิเคราะห์ เพื่อดูรายละเอียดงาน โปรดจดบันทึกรหัสงานไว้ใต้รายละเอียดงาน เราจะใช้รหัสงานในขั้นตอนถัดไป
ทำซ้ำขั้นตอนเพื่อเริ่มงานการวิเคราะห์สำหรับข้อมูลการทดสอบที่ดูแลจัดการ เราใช้ผลลัพธ์การทำนายจากงานการวิเคราะห์ของเราเพื่อเรียนรู้เกี่ยวกับความน่าจะเป็นในการทำนายของแบบจำลองของเรา โปรดจดบันทึกรหัสงานของงานฝึกอบรมและวิเคราะห์การทดสอบ
เราใช้ โมเดล-เกณฑ์-Analysis.ipynb สมุดบันทึกเพื่อทดสอบผลลัพธ์บนเกณฑ์ที่เป็นไปได้ทั้งหมดและให้คะแนนผลลัพธ์ตามความน่าจะเป็นในการทำนายโดยใช้ scikit-learn precision_recall_curve
การทำงาน. นอกจากนี้ เราสามารถคำนวณคะแนน F1 ในแต่ละเกณฑ์ได้
เราจะต้องมีรหัสงานการวิเคราะห์ Amazon Comprehend เป็นอินพุต แบบจำลอง-เกณฑ์-การวิเคราะห์ สมุดบันทึก. คุณสามารถรับรหัสงานได้จากคอนโซล Amazon Comprehend ดำเนินการทุกขั้นตอนใน แบบจำลอง-เกณฑ์-การวิเคราะห์ สมุดบันทึกเพื่อสังเกตเกณฑ์สำหรับคลาสทั้งหมด
สังเกตว่าความแม่นยำจะเพิ่มขึ้นเมื่อเกณฑ์เพิ่มขึ้น ในขณะที่ค่าผกผันเกิดขึ้นกับการเรียกคืน ในการค้นหาความสมดุลระหว่างทั้งสอง เราใช้คะแนน F1 โดยที่มองเห็นจุดสูงสุดในเส้นโค้ง จุดสูงสุดของคะแนน F1 สอดคล้องกับเกณฑ์เฉพาะที่สามารถปรับปรุงประสิทธิภาพของแบบจำลองได้ สังเกตว่าป้ายกำกับส่วนใหญ่อยู่ที่ประมาณ 0.5 สำหรับเกณฑ์ ยกเว้นป้ายกำกับภัยคุกคามซึ่งมีเกณฑ์ประมาณ 0.04
จากนั้นเราสามารถใช้เกณฑ์นี้กับป้ายกำกับเฉพาะที่มีประสิทธิภาพต่ำกว่าเกณฑ์โดยค่าเริ่มต้นเพียง 0.5 ด้วยการใช้เกณฑ์ที่ปรับให้เหมาะสม ผลลัพธ์ของแบบจำลองในข้อมูลการทดสอบจะปรับปรุงสำหรับภัยคุกคามป้ายกำกับจาก 0.00 เป็น 0.24 เรากำลังใช้คะแนน F1 สูงสุดที่เกณฑ์มาตรฐานเป็นเกณฑ์มาตรฐานในการพิจารณาเชิงบวกและเชิงลบสำหรับป้ายกำกับนั้น แทนที่จะเป็นเกณฑ์มาตรฐานทั่วไป (ค่ามาตรฐาน เช่น > 0.7) สำหรับป้ายกำกับทั้งหมด
การจัดการชั้นเรียนที่ด้อยโอกาส
อีกแนวทางหนึ่งที่มีประสิทธิภาพสำหรับชุดข้อมูลที่ไม่สมดุลก็คือ oversampling. ด้วยการสุ่มตัวอย่างมากเกินไปในชั้นเรียนที่ด้อยโอกาส โมเดลจะมองเห็นชั้นเรียนที่ด้อยโอกาสบ่อยขึ้น และเน้นความสำคัญของกลุ่มตัวอย่างเหล่านั้น เราใช้ Oversampling-underrepresented.ipynb โน้ตบุ๊กเพื่อเพิ่มประสิทธิภาพชุดข้อมูล
สำหรับชุดข้อมูลนี้ เราได้ทดสอบว่าประสิทธิภาพของแบบจำลองในชุดข้อมูลการประเมินเปลี่ยนแปลงไปอย่างไรเมื่อเราให้ตัวอย่างเพิ่มเติม เราใช้เทคนิคการสุ่มตัวอย่างเกินเพื่อเพิ่มการเกิดขึ้นของคลาสที่ด้อยโอกาสเพื่อปรับปรุงประสิทธิภาพ
ในกรณีนี้ เราได้ทดสอบตัวอย่างเชิงบวก 10, 25, 50, 100, 200 และ 500 ตัวอย่าง โปรดสังเกตว่าแม้ว่าเราจะทำซ้ำจุดข้อมูล แต่เรากำลังปรับปรุงประสิทธิภาพของโมเดลโดยเน้นย้ำถึงความสำคัญของคลาสที่ด้อยโอกาส
ราคา
ด้วย Amazon Comprehend คุณจะชำระเงินตามจำนวนอักขระข้อความที่ประมวลผล อ้างถึง Amazon เข้าใจราคา สำหรับค่าใช้จ่ายจริง
ทำความสะอาด
เมื่อคุณทดลองใช้โซลูชันนี้เสร็จแล้ว ให้ล้างทรัพยากรของคุณเพื่อลบทรัพยากรทั้งหมดที่ปรับใช้ในตัวอย่างนี้ สิ่งนี้ช่วยให้คุณหลีกเลี่ยงค่าใช้จ่ายต่อเนื่องในบัญชีของคุณ
สรุป
ในโพสต์นี้ เราได้จัดเตรียมแนวทางปฏิบัติที่ดีที่สุดและคำแนะนำเกี่ยวกับการจัดเตรียมข้อมูล การปรับแต่งโมเดลโดยใช้ความน่าจะเป็นในการทำนายและเทคนิคในการจัดการคลาสข้อมูลที่ด้อยโอกาส คุณสามารถใช้แนวทางปฏิบัติและเทคนิคที่ดีที่สุดเหล่านี้เพื่อปรับปรุงตัววัดประสิทธิภาพของโมเดลการจัดหมวดหมู่แบบกำหนดเองของ Amazon Comprehend
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ Amazon Comprehend โปรดไปที่ ทรัพยากรของนักพัฒนา Amazon Comprehend เพื่อค้นหาแหล่งข้อมูลวิดีโอและบล็อกโพสต์ และอ้างอิงถึง คำถามที่พบบ่อยเกี่ยวกับ AWS Comprehend.
เกี่ยวกับผู้เขียน
สัตยา บาลากฤษณะ เป็น Sr. Customer Delivery Architect ในทีม Professional Services ที่ AWS ซึ่งเชี่ยวชาญด้านโซลูชันข้อมูลและ ML เขาทำงานกับลูกค้าการเงินของรัฐบาลกลางสหรัฐ เขาหลงใหลในการสร้างโซลูชันเชิงปฏิบัติเพื่อแก้ปัญหาทางธุรกิจของลูกค้า ในเวลาว่าง เขาชอบดูหนังและเดินป่ากับครอบครัว
เจ้าชายมัลลารี เป็นนักวิทยาศาสตร์ข้อมูล NLP ในทีมบริการระดับมืออาชีพที่ AWS ซึ่งเชี่ยวชาญด้านแอปพลิเคชัน NLP สำหรับลูกค้าภาครัฐ เขาหลงใหลเกี่ยวกับการใช้ ML เป็นเครื่องมือที่ช่วยให้ลูกค้าทำงานได้อย่างมีประสิทธิภาพมากขึ้น ในเวลาว่าง เขาชอบเล่นวิดีโอเกมและพัฒนาเกมกับเพื่อนๆ
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/improve-prediction-quality-in-custom-classification-models-with-amazon-comprehend/
- :มี
- :เป็น
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 200
- 24
- 25
- 50
- 500
- 7
- 9
- a
- เกี่ยวกับเรา
- ยอมรับ
- ลงชื่อเข้าใช้
- ความถูกต้อง
- ข้าม
- ที่เกิดขึ้นจริง
- นอกจากนี้
- การนำมาใช้
- ความก้าวหน้า
- AI
- AI / ML
- ทั้งหมด
- อนุญาต
- ด้วย
- แม้ว่า
- อเมซอน
- เข้าใจ Amazon
- อเมซอน SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- และ
- ใด
- การใช้งาน
- การประยุกต์ใช้ NLP
- เข้าใกล้
- เป็น
- รอบ
- AS
- สินทรัพย์
- ที่ได้รับมอบหมาย
- At
- หลีกเลี่ยง
- AWS
- ยอดคงเหลือ
- ตาม
- BE
- เพราะ
- กลายเป็น
- ก่อน
- มาตรฐาน
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ระหว่าง
- อคติ
- บล็อก
- บล็อกโพสต์
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- by
- ที่เรียกว่า
- CAN
- สามารถรับ
- กรณี
- การเปลี่ยนแปลง
- อักขระ
- Choose
- ชั้น
- ชั้นเรียน
- การจัดหมวดหมู่
- ลูกค้า
- ความเห็น
- ร่วมกัน
- สมบูรณ์
- เข้าใจ
- คำนวณ
- การกำหนดค่า
- ความสับสน
- ปลอบใจ
- มี
- อย่างต่อเนื่อง
- แปลง
- ค่าใช้จ่าย
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- curated
- curation
- เส้นโค้ง
- ประเพณี
- ลูกค้า
- ลูกค้า
- ข้อมูล
- จุดข้อมูล
- การเตรียมข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ชุดข้อมูล
- การซื้อขาย
- ลึก
- ค่าเริ่มต้น
- การจัดส่ง
- สาธิต
- นำไปใช้
- รายละเอียด
- กำหนด
- ผู้พัฒนา
- ที่กำลังพัฒนา
- การกระจาย
- do
- เอกสาร
- Dont
- ดาวน์โหลด
- ในระหว่าง
- แต่ละ
- ง่ายดาย
- มีประสิทธิภาพ
- ความพยายาม
- เน้น
- เน้น
- เข้าสู่
- Enterprise
- การประเมินผล
- ตัวอย่าง
- ตัวอย่าง
- ยกเว้น
- ดำเนินการ
- ที่มีอยู่
- คาดว่า
- อธิบาย
- f1
- ตก
- ครอบครัว
- รัฐบาลกลาง
- เนื้อไม่มีมัน
- ไฟล์
- ในที่สุด
- ทางการเงิน
- หา
- ดังต่อไปนี้
- สำหรับ
- เพื่อน
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชัน
- ต่อไป
- เกม
- สร้าง
- ได้รับ
- Go
- ไป
- รัฐบาล
- คำแนะนำ
- ให้คำแนะนำ
- แนวทาง
- จัดการ
- มี
- มี
- he
- จะช่วยให้
- ของเขา
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- ID
- แยกแยะ
- รหัส
- ความสำคัญ
- ปรับปรุง
- การปรับปรุง
- in
- รวมถึง
- รวมทั้ง
- เพิ่ม
- เพิ่มขึ้น
- ข้อมูล
- อย่างโดยเนื้อแท้
- อินพุต
- ข้อมูลเชิงลึก
- ตัวอย่าง
- แทน
- คำแนะนำการใช้
- Intelligence
- เข้าไป
- แนะนำ
- IT
- การสัมภาษณ์
- งาน
- เพียงแค่
- คีย์
- ฉลาก
- ป้ายกำกับ
- ภาษา
- ขนาดใหญ่
- เรียนรู้
- การเรียนรู้
- น้อยที่สุด
- น้อยลง
- กดไลก์
- LIMIT
- ที่ตั้ง
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- การจัดการ
- เครื่องหมาย
- มดลูก
- แม็กซ์
- สูงสุด
- พบ
- เมนู
- เมตริก
- ตัวชี้วัด
- อาจ
- ต่ำสุด
- ขั้นต่ำ
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- มากที่สุด
- Movies
- ต้อง
- ชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- การเดินเรือ
- จำเป็นต้อง
- เชิงลบ
- ใหม่
- ถัดไป
- NLP
- สมุดบันทึก
- สังเกต..
- จำนวน
- สังเกต
- การเกิดขึ้น
- of
- มักจะ
- on
- ONE
- เพียง
- การเพิ่มประสิทธิภาพ
- เพิ่มประสิทธิภาพ
- การปรับให้เหมาะสม
- การเพิ่มประสิทธิภาพ
- องค์กร
- ของเรา
- เอาท์พุต
- บานหน้าต่าง
- ในสิ่งที่สนใจ
- หลงใหล
- ชำระ
- ต่อ
- การปฏิบัติ
- เลือก
- ท่อ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- กรุณา
- จุด
- จุด
- บวก
- เป็นไปได้
- โพสต์
- โพสต์
- การปฏิบัติ
- ในทางปฏิบัติ
- ความแม่นยำ
- คำทำนาย
- การจัดเตรียม
- เตรียมการ
- นำเสนอ
- ก่อนหน้านี้
- ปัญหาที่เกิดขึ้น
- แปรรูปแล้ว
- การประมวลผล
- ประสิทธิผล
- มืออาชีพ
- เหมาะสม
- ให้
- ให้
- สาธารณะ
- คุณภาพ
- สุ่ม
- อัตราส่วน
- ดิบ
- ตระหนักถึง
- อ้างอิง
- จำเป็นต้องใช้
- แหล่งข้อมูล
- ผลสอบ
- บทบาท
- sagemaker
- นักวิทยาศาสตร์
- คะแนน
- ภาค
- เห็น
- เห็น
- เห็น
- ให้บริการ
- บริการ
- หลาย
- น่า
- แสดงให้เห็นว่า
- ง่าย
- อ่อน
- ทางออก
- โซลูชัน
- แก้
- บาง
- ความเชี่ยวชาญ
- โดยเฉพาะ
- แยก
- มาตรฐาน
- เริ่มต้น
- ข้อความที่เริ่ม
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- เก็บไว้
- อย่างเช่น
- เอา
- ทีม
- เทคนิค
- เทคนิค
- สถานีปลายทาง
- ทดสอบ
- การทดสอบ
- ข้อความ
- กว่า
- ที่
- พื้นที่
- ของพวกเขา
- แล้วก็
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- เหล่านั้น
- การคุกคาม
- สาม
- ธรณีประตู
- ตลอด
- เวลา
- ไปยัง
- เครื่องมือ
- รวม
- ผ่านการฝึกอบรม
- การฝึกอบรม
- สอง
- ภายใต้
- ที่ด้อยโอกาส
- เข้าใจ
- us
- รัฐบาลกลางสหรัฐ
- ใช้
- ที่ใช้งานง่าย
- การใช้
- ความคุ้มค่า
- วีดีโอ
- วิดีโอเกม
- รายละเอียด
- มองเห็นได้
- เยี่ยมชมร้านค้า
- vs
- ชม
- we
- เว็บ
- บริการเว็บ
- ดี
- เมื่อ
- ที่
- ในขณะที่
- แพร่หลาย
- จะ
- หน้าต่าง
- กับ
- ไม่มี
- โรงงาน
- คุณ
- ของคุณ
- ลมทะเล
- รหัสไปรษณีย์