วันนี้ NFL กำลังเดินทางต่อไปเพื่อเพิ่มจำนวนสถิติที่จัดทำโดย แพลตฟอร์มสถิติ Gen ถัดไป ให้กับทั้ง 32 ทีมและแฟนๆ ด้วยการวิเคราะห์ขั้นสูงที่ได้มาจากแมชชีนเลิร์นนิง (ML) ทำให้ NFL กำลังสร้างวิธีใหม่ๆ ในการหาจำนวนฟุตบอล และเพื่อให้แฟนๆ มีเครื่องมือที่จำเป็นในการเพิ่มพูนความรู้ของพวกเขาเกี่ยวกับ เกมภายในเกม ของฟุตบอล สำหรับฤดูกาล 2022 NFL ตั้งเป้าที่จะใช้ประโยชน์จากข้อมูลการติดตามผู้เล่นและเทคนิคการวิเคราะห์ขั้นสูงใหม่ๆ เพื่อให้เข้าใจทีมพิเศษได้ดีขึ้น.
เป้าหมายของโครงการคือการทำนายว่าผู้ย้อนกลับจะได้รับระยะกี่หลาในการเตะลูกเตะหรือเตะออก หนึ่งในความท้าทายในการสร้างแบบจำลองการคาดการณ์สำหรับการเตะลูกเตะและการเตะกลับคือความพร้อมของเหตุการณ์ที่หายากมาก เช่น ทัชดาวน์ ซึ่งมีความสำคัญอย่างมากต่อพลวัตของเกม การกระจายข้อมูลแบบ fat tail เป็นเรื่องปกติในการใช้งานจริง ซึ่งเหตุการณ์ที่เกิดขึ้นไม่บ่อยจะส่งผลกระทบอย่างมากต่อประสิทธิภาพโดยรวมของโมเดล การใช้วิธีการที่มีประสิทธิภาพเพื่อสร้างแบบจำลองการกระจายเหตุการณ์ที่รุนแรงอย่างแม่นยำเป็นสิ่งสำคัญสำหรับประสิทธิภาพโดยรวมที่ดีขึ้น
ในโพสต์นี้ เราสาธิตวิธีการใช้ Spliced Binned-Pareto distribution ที่ใช้งานใน GluonTS เพื่อสร้างแบบจำลองการกระจายแบบ fat-tailed ดังกล่าว
ก่อนอื่นเราจะอธิบายชุดข้อมูลที่ใช้ ต่อไป เราจะนำเสนอการประมวลผลข้อมูลล่วงหน้าและวิธีการแปลงอื่นๆ ที่ใช้กับชุดข้อมูล จากนั้นเราจะอธิบายรายละเอียดของระเบียบวิธี ML และขั้นตอนการฝึกอบรมแบบจำลอง สุดท้ายนี้ เรานำเสนอผลการปฏิบัติงานของแบบจำลอง
ชุด
ในโพสต์นี้ เราใช้ชุดข้อมูลสองชุดเพื่อสร้างโมเดลแยกกันสำหรับการเตะขาและการเตะกลับ ข้อมูลการติดตามผู้เล่นประกอบด้วยตำแหน่ง ทิศทาง ความเร่ง และอื่นๆ ของผู้เล่น (ในพิกัด x,y) มีการเล่นประมาณ 3,000 และ 4,000 รายการจากสี่ฤดูกาลของ NFL (2018–2021) สำหรับการเล่นแบบเตะขาและเขี่ยตามลำดับ นอกจากนี้ ชุดข้อมูลยังมีทัชดาวน์ที่เกี่ยวข้องกับการเตะและการเตะน้อยมาก มีเพียง 0.23% และ 0.8% ตามลำดับ การกระจายข้อมูลสำหรับการเตะลูกเตะและเตะออกนั้นแตกต่างกัน ตัวอย่างเช่น การกระจายระยะจริงสำหรับการเริ่มเตะและเตะท้องจะคล้ายกันแต่มีการเปลี่ยนแปลง ดังแสดงในรูปต่อไปนี้
การประมวลผลข้อมูลล่วงหน้าและวิศวกรรมคุณลักษณะ
ประการแรก ข้อมูลการติดตามถูกกรองเฉพาะข้อมูลที่เกี่ยวข้องกับการเตะลูกเตะและการเตะกลับ ข้อมูลผู้เล่นถูกใช้เพื่อรับคุณสมบัติสำหรับการพัฒนาโมเดล:
- X – ตำแหน่งผู้เล่นตามแนวแกนยาวของสนาม
- Y – ตำแหน่งผู้เล่นตามแนวแกนสั้นของสนาม
- S – ความเร็วเป็นหลา/วินาที แทนที่ด้วย Dis*10 เพื่อให้แม่นยำยิ่งขึ้น (Dis คือระยะทางในช่วง 0.1 วินาทีที่ผ่านมา)
- คุณ – มุมการเคลื่อนไหวของผู้เล่น (องศา)
จากข้อมูลก่อนหน้านี้ การเล่นแต่ละครั้งจะเปลี่ยนเป็นข้อมูล 10X11X14 โดยมีผู้เล่นฝ่ายรุก 10 คน (ไม่รวมผู้ให้บริการบอล) กองหลัง 11 คน และคุณสมบัติที่ได้รับ 14 รายการ:
- sX – x ความเร็วของผู้เล่น
- sY – y ความเร็วของผู้เล่น
- s - ความเร็วของผู้เล่น
- aX – x ความเร่งของผู้เล่น
- aY – y การเร่งความเร็วของผู้เล่น
- เรลเอ็กซ์ – x ระยะห่างของผู้เล่นเทียบกับผู้ส่งบอล
- พึ่งพา – y ระยะห่างของผู้เล่นเทียบกับผู้ส่งบอล
- relSx – x ความเร็วของผู้เล่นเทียบกับผู้ให้บริการบอล
- relSy – y ความเร็วของผู้เล่นเทียบกับผู้ส่งบอล
- relDist – ระยะห่างแบบยุคลิดของผู้เล่นเทียบกับผู้ส่งบอล
- ตรงข้าม – x ระยะห่างของผู้เล่นฝ่ายรุกเทียบกับผู้เล่นฝ่ายรับ
- OppY – y ระยะห่างของผู้เล่นฝ่ายรุกเทียบกับผู้เล่นฝ่ายรับ
- ฝ่ายตรงข้าม –x ความเร็วของผู้เล่นฝ่ายรุกเทียบกับผู้เล่นฝ่ายรับ
- ตรงกันข้าม – y ความเร็วของผู้เล่นฝ่ายรุกเทียบกับผู้เล่นฝ่ายรับ
ในการเพิ่มข้อมูลและบัญชีสำหรับตำแหน่งด้านขวาและด้านซ้าย ค่าตำแหน่ง X และ Y จะถูกมิเรอร์เพื่ออธิบายตำแหน่งฟิลด์ด้านขวาและด้านซ้าย การประมวลผลข้อมูลล่วงหน้าและวิศวกรรมคุณสมบัติได้รับการดัดแปลงจากผู้ชนะของ NFL บิ๊กดาต้าโบวล์ การแข่งขันบน Kaggle
วิธีการ ML และการฝึกอบรมแบบจำลอง
เนื่องจากเราสนใจผลลัพธ์ที่เป็นไปได้ทั้งหมดจากการเล่น รวมถึงความน่าจะเป็นของทัชดาวน์ เราจึงไม่สามารถคาดเดาระยะเฉลี่ยที่ได้รับจากปัญหาการถดถอยได้ เราจำเป็นต้องทำนายการแจกแจงความน่าจะเป็นแบบเต็มของผลได้ของหลาที่เป็นไปได้ทั้งหมด ดังนั้นเราจึงจัดกรอบปัญหาว่าเป็นการทำนายความน่าจะเป็น
วิธีหนึ่งที่จะใช้การทำนายความน่าจะเป็นคือการกำหนดระยะที่ได้รับให้กับหลายถังขยะ (เช่น น้อยกว่า 0, จาก 0–1, จาก 1–2, …, จาก 14–15, มากกว่า 15) และทำนายถังขยะเป็นการจำแนกประเภท ปัญหา. ข้อเสียของวิธีนี้คือเราต้องการให้ถังขยะขนาดเล็กมีภาพความละเอียดสูงของการกระจาย แต่ถังขยะขนาดเล็กหมายถึงจุดข้อมูลต่อถังขยะน้อยลง และการกระจายของเรา โดยเฉพาะส่วนท้าย อาจประเมินได้ไม่ดีและไม่สม่ำเสมอ
อีกวิธีหนึ่งในการใช้การทำนายความน่าจะเป็นคือการสร้างแบบจำลองเอาต์พุตเป็นการแจกแจงความน่าจะเป็นแบบต่อเนื่องด้วยพารามิเตอร์จำนวนจำกัด (เช่น การแจกแจงแบบเกาส์เซียนหรือแกมมา) และทำนายพารามิเตอร์ วิธีการนี้ให้ความคมชัดสูงและภาพปกติของการกระจาย แต่เข้มงวดเกินไปที่จะพอดีกับการกระจายจริงของระยะที่ได้รับ ซึ่งเป็นแบบหลายโมดอลและเฮฟวี่เทล
เพื่อให้ได้ประโยชน์สูงสุดจากทั้งสองวิธี เราใช้ การกระจาย Binned-Pareto แบบ Spliced (ศอ.บต.) ซึ่งมีถังขยะสำหรับศูนย์กลางของการกระจายที่มีข้อมูลจำนวนมาก และ การกระจาย Pareto ทั่วไป (GPD) ที่ปลายทั้งสองด้าน ซึ่งเหตุการณ์ที่เกิดขึ้นได้ยากแต่มีความสำคัญ เช่น ทัชดาวน์ GPD มีสองพารามิเตอร์: หนึ่งสำหรับมาตราส่วนและอีกหนึ่งสำหรับความหนักเบาของหางดังที่เห็นในกราฟต่อไปนี้ (แหล่งที่มา: Wikipedia)
ด้วยการประกบ GPD ด้วยการกระจายแบบ binned (ดูกราฟด้านซ้ายต่อไปนี้) ทั้งสองด้าน เราจะได้ SBP ด้านขวาดังต่อไปนี้ เกณฑ์ด้านล่างและด้านบนที่มีการประกบกันคือไฮเปอร์พารามิเตอร์
โดยพื้นฐานแล้ว เราใช้โมเดลที่ชนะใจเรา NFL บิ๊กดาต้าโบวล์ การแข่งขันบน Kaggle แบบจำลองนี้ใช้เลเยอร์ CNN เพื่อแยกคุณสมบัติจากข้อมูลที่เตรียมไว้ และคาดการณ์ผลลัพธ์ที่เป็นปัญหาการจัดประเภท "1 หลาต่อถังขยะ" สำหรับโมเดลของเรา เราเก็บเลเยอร์การดึงคุณลักษณะจากพื้นฐานและแก้ไขเฉพาะเลเยอร์สุดท้ายเพื่อส่งออกพารามิเตอร์ SBP แทนความน่าจะเป็นสำหรับแต่ละ bin ดังแสดงในรูปต่อไปนี้ (ภาพที่แก้ไขจากโพสต์ เฉลยอันดับ 1 สวนสัตว์).
เราใช้การกระจายของ SBP ที่จัดทำโดย กลูออนทีเอส. GluonTS เป็นแพ็คเกจ Python สำหรับการสร้างแบบจำลองอนุกรมเวลาที่น่าจะเป็น แต่การแจกแจง SBP ไม่เฉพาะเจาะจงกับอนุกรมเวลา และเราสามารถปรับเปลี่ยนวัตถุประสงค์สำหรับการถดถอยได้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีใช้ GluonTS SBP โปรดดูการสาธิตต่อไปนี้ สมุดบันทึก.
โมเดลได้รับการฝึกฝนและตรวจสอบข้ามในฤดูกาล 2018, 2019 และ 2020 และทดสอบในฤดูกาล 2021 เพื่อหลีกเลี่ยงการรั่วไหลระหว่างการตรวจสอบข้าม เราได้จัดกลุ่มการเล่นทั้งหมดจากเกมเดียวกันไว้ในกองเดียวกัน
สำหรับการประเมิน เราเก็บเมตริกที่ใช้ในการแข่งขัน Kaggle ไว้ นั่นคือ คะแนนความน่าจะเป็นแบบต่อเนื่อง (CRPS)ซึ่งสามารถมองได้ว่าเป็นอีกทางเลือกหนึ่งของความเป็นไปได้ในการบันทึกที่มีประสิทธิภาพมากกว่าสำหรับค่าผิดปกติ นอกจากนี้เรายังใช้ ค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน และ RMSE เป็นเมตริกความแม่นยำทั่วไปและตีความได้ นอกจากนี้ เรายังดูที่ความน่าจะเป็นของทัชดาวน์และแผนความน่าจะเป็นเพื่อประเมินการสอบเทียบ
แบบจำลองได้รับการฝึกอบรมเกี่ยวกับการสูญเสีย CRPS โดยใช้ สุ่มน้ำหนักเฉลี่ย และหยุดก่อนกำหนด
เพื่อจัดการกับความไม่สม่ำเสมอของส่วนแยกของการกระจายเอาต์พุต เราใช้สองเทคนิค:
- บทลงโทษความราบรื่นตามสัดส่วนของผลต่างกำลังสองระหว่างสองถังขยะติดต่อกัน
- โมเดลประกอบที่ผ่านการฝึกอบรมระหว่างการตรวจสอบข้าม
ผลการปฏิบัติงานของแบบจำลอง
สำหรับชุดข้อมูลแต่ละชุด เราทำการค้นหาแบบกริดผ่านตัวเลือกต่อไปนี้:
- โมเดลความน่าจะเป็น
- พื้นฐานคือความน่าจะเป็นหนึ่งรายการต่อหนึ่งหลา
- SBP เป็นหนึ่งความน่าจะเป็นต่อหลาในศูนย์, สรุป SBP ในส่วนท้าย
- กระจายเรียบ
- ไม่มีการทำให้เรียบ (ค่าปรับความเรียบ = 0)
- โทษแบน = 5
- โทษแบน = 10
- ขั้นตอนการฝึกและการอนุมาน
- การตรวจสอบข้าม 10 เท่าและการอนุมานทั้งมวล (k10)
- การฝึกอบรมเกี่ยวกับรถไฟและข้อมูลการตรวจสอบสำหรับ 10 ยุคหรือ 20 ยุค
จากนั้นเราดูเมตริกสำหรับโมเดล XNUMX อันดับแรกที่จัดเรียงตาม CRPS (ยิ่งต่ำยิ่งดี)
สำหรับข้อมูลคิกออฟ แบบจำลอง SBP มีประสิทธิภาพเกินจริงเล็กน้อยในแง่ของ CRPS แต่ที่สำคัญกว่านั้น ประเมินความน่าจะเป็นของทัชดาวน์ได้ดีกว่า (ความน่าจะเป็นจริงคือ 0.80% ในชุดทดสอบ) เราพบว่าโมเดลที่ดีที่สุดใช้การประกอบ 10 เท่า (k10) และไม่มีการปรับความเรียบ ดังแสดงในตารางต่อไปนี้
การฝึกอบรม | รุ่น | เรียบเนียน | ซีอาร์พีเอส | RMSE | คอร์ % | P (ทัชดาวน์)% |
k10 | ศอ.บต. | 0 | 4.071 | 9.641 | 47.15 | 0.78 |
k10 | baseline | 0 | 4.074 | 9.62 | 47.585 | 0.306 |
k10 | baseline | 5 | 4.075 | 9.626 | 47.43 | 0.274 |
k10 | ศอ.บต. | 5 | 4.079 | 9.656 | 46.977 | 0.682 |
k10 | baseline | 10 | 4.08 | 9.621 | 47.519 | 0.265 |
พล็อตของความถี่ที่สังเกตได้และความน่าจะเป็นที่คาดการณ์ไว้ต่อไปนี้บ่งชี้ถึงการปรับเทียบที่ดีของแบบจำลองที่ดีที่สุดของเรา โดยมี RMSE เท่ากับ 0.27 ระหว่างการแจกแจงทั้งสอง สังเกตการเกิดขึ้นของความระมัดระวังสูง (เช่น 100) ที่เกิดขึ้นในส่วนท้ายของการแจกแจงจริง (สีน้ำเงิน) เชิงประจักษ์ ซึ่ง SBP สามารถจับความน่าจะเป็นได้มากกว่าวิธีพื้นฐาน
สำหรับข้อมูลการถ่อ ข้อมูลพื้นฐานมีประสิทธิภาพดีกว่า SBP อาจเป็นเพราะส่วนท้ายของความระมัดระวังมากมีการรับรู้น้อยลง ดังนั้นจึงเป็นการแลกเปลี่ยนที่ดีกว่าในการจับภาพกิริยาระหว่างยอดเขา 0–10 หลา และตรงกันข้ามกับข้อมูลการเตะ โมเดลที่ดีที่สุดใช้การปรับความเรียบ ตารางต่อไปนี้สรุปสิ่งที่เราค้นพบ
การฝึกอบรม | รุ่น | เรียบเนียน | ซีอาร์พีเอส | RMSE | คอร์ % | P (ทัชดาวน์)% |
k10 | baseline | 5 | 3.961 | 8.313 | 35.227 | 0.547 |
k10 | baseline | 0 | 3.972 | 8.346 | 34.227 | 0.579 |
k10 | baseline | 10 | 3.978 | 8.351 | 34.079 | 0.555 |
k10 | ศอ.บต. | 5 | 3.981 | 8.342 | 34.971 | 0.723 |
k10 | ศอ.บต. | 0 | 3.991 | 8.378 | 33.437 | 0.677 |
พล็อตของความถี่ที่สังเกตได้ต่อไปนี้ (สีน้ำเงิน) และความน่าจะเป็นที่คาดการณ์ไว้สำหรับโมเดลเรือท้องแบนที่ดีที่สุด XNUMX ลำบ่งชี้ว่าโมเดลเรือท้องแบน (สีส้ม) สอบเทียบได้ดีกว่าแบบจำลองเรือท้องแบน (สีเขียว) เล็กน้อย และอาจเป็นตัวเลือกที่ดีกว่าโดยรวม
สรุป
ในโพสต์นี้ เราได้แสดงวิธีสร้างแบบจำลองการคาดการณ์ด้วยการกระจายข้อมูลแบบ Fat-tailed เราใช้การกระจายแบบ Spliced Binned-Pareto ซึ่งนำมาใช้ใน GluonTS ซึ่งสามารถจำลองการกระจายแบบ fat-tailed ได้อย่างแข็งแกร่ง เราใช้เทคนิคนี้ในการสร้างแบบจำลองสำหรับการเตะลูกเตะและการตีกลับ เราสามารถใช้โซลูชันนี้กับกรณีการใช้งานที่คล้ายกันซึ่งมีเหตุการณ์น้อยมากในข้อมูล แต่เหตุการณ์เหล่านั้นมีผลกระทบอย่างมากต่อประสิทธิภาพโดยรวมของโมเดล
หากคุณต้องการความช่วยเหลือในการเร่งการใช้ ML ในผลิตภัณฑ์และบริการของคุณ โปรดติดต่อ ห้องปฏิบัติการโซลูชัน Amazon ML โครงการ
เกี่ยวกับผู้เขียน
เทสฟากาบีร์ เมฮาริซกี เป็นนักวิทยาศาสตร์ข้อมูลที่cient ห้องปฏิบัติการโซลูชัน Amazon ML ที่ซึ่งเขาช่วยลูกค้า AWS ในอุตสาหกรรมต่างๆ เช่น การดูแลสุขภาพและวิทยาศาสตร์เพื่อชีวิต การผลิต ยานยนต์ กีฬาและสื่อ เร่งการใช้แมชชีนเลิร์นนิงและบริการ AWS Cloud เพื่อแก้ปัญหาความท้าทายทางธุรกิจ
มาร์ค ฟาน อูดเฮสเดน เป็นนักวิทยาศาสตร์ข้อมูลอาวุโสกับทีม Amazon ML Solutions Lab ที่ Amazon Web Services เขาทำงานร่วมกับลูกค้าของ AWS เพื่อแก้ปัญหาทางธุรกิจด้วยปัญญาประดิษฐ์และแมชชีนเลิร์นนิง นอกเวลางาน คุณอาจพบเขาที่ชายหาด เล่นกับลูกๆ เล่นกระดานโต้คลื่นหรือเล่นไคท์เซิร์ฟ
ปันปันซู เป็นนักวิทยาศาสตร์ประยุกต์อาวุโสและผู้จัดการของ Amazon ML Solutions Lab ที่ AWS เธอกำลังทำงานเกี่ยวกับการวิจัยและพัฒนาอัลกอริธึมการเรียนรู้ของเครื่องสำหรับแอปพลิเคชันของลูกค้าที่มีผลกระทบสูงในแนวดิ่งทางอุตสาหกรรมที่หลากหลายเพื่อเร่งการนำ AI และระบบคลาวด์ไปใช้ ความสนใจในงานวิจัยของเธอรวมถึงความสามารถในการตีความแบบจำลอง การวิเคราะห์เชิงสาเหตุ AI แบบมนุษย์ในวง และการแสดงภาพข้อมูลเชิงโต้ตอบ
คยองฮุน (โจนาธาน) จุง เป็นวิศวกรซอฟต์แวร์อาวุโสของ National Football League เขาอยู่กับทีม Next Gen Stats ในช่วงเจ็ดปีที่ผ่านมา โดยช่วยสร้างแพลตฟอร์มตั้งแต่การสตรีมข้อมูลดิบ การสร้างไมโครเซอร์วิสเพื่อประมวลผลข้อมูล ไปจนถึงการสร้าง API ที่แสดงข้อมูลที่ประมวลผล เขาได้ร่วมมือกับ Amazon Machine Learning Solutions Lab ในการจัดเตรียมข้อมูลที่สะอาดสำหรับพวกเขาในการทำงานด้วย รวมทั้งให้ความรู้โดเมนเกี่ยวกับตัวข้อมูลเอง นอกเวลางาน เขาชอบปั่นจักรยานในลอสแองเจลิสและเดินป่าในเซียร์ราส
ไมเคิล จิ เป็นผู้อำนวยการอาวุโสฝ่ายเทคโนโลยีที่ดูแล Next Gen Stats และ Data Engineering ที่ National Football League เขาสำเร็จการศึกษาด้านคณิตศาสตร์และวิทยาการคอมพิวเตอร์จาก University of Illinois at Urbana Champaign Michael เข้าร่วม NFL ครั้งแรกในปี 2007 และมุ่งเน้นไปที่เทคโนโลยีและแพลตฟอร์มสำหรับสถิติฟุตบอลเป็นหลัก ในเวลาว่าง เขาชอบใช้เวลากับครอบครัวนอกบ้าน
ไมค์แบนด์ เป็นผู้จัดการอาวุโสฝ่ายวิจัยและการวิเคราะห์สำหรับ Next Gen Stats ที่ National Football League ตั้งแต่เข้าร่วมทีมในปี 2018 เขารับผิดชอบในการคิด การพัฒนา และการสื่อสารสถิติสำคัญและข้อมูลเชิงลึกที่ได้จากข้อมูลการติดตามผู้เล่นสำหรับแฟนๆ พันธมิตรการออกอากาศ NFL และ 32 สโมสร Mike นำความรู้และประสบการณ์มากมายมาสู่ทีมด้วยปริญญาโทด้านการวิเคราะห์จากมหาวิทยาลัยชิคาโก ปริญญาตรีด้านการจัดการกีฬาจากมหาวิทยาลัยฟลอริดา และประสบการณ์ทั้งในแผนกสอดแนมของ Minnesota Vikings และแผนกสรรหา ของ Florida Gator Football
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/predict-football-punt-and-kickoff-return-yards-with-fat-tailed-distribution-using-gluonts/
- 000
- 1
- 10
- 100
- 11
- 2018
- 2019
- 2020
- 2021
- 2022
- 7
- a
- สามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เร่ง
- ลงชื่อเข้าใช้
- ความถูกต้อง
- ถูกต้อง
- แม่นยำ
- ข้าม
- นอกจากนี้
- การนำมาใช้
- สูง
- AI
- อัลกอริทึม
- ทั้งหมด
- ทางเลือก
- อเมซอน
- อเมซอน แมชชีนเลิร์นนิง
- ห้องปฏิบัติการโซลูชัน Amazon ML
- Amazon Web Services
- การวิเคราะห์
- การวิเคราะห์
- และ
- Angeles
- การใช้งาน
- ประยุกต์
- ใช้
- เข้าใกล้
- สถาปัตยกรรม
- รอบ
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์และการเรียนรู้ด้วยเครื่อง
- ยานยนต์
- ความพร้อมใช้งาน
- ใช้ได้
- เฉลี่ย
- AWS
- แกน
- ลูกบอล
- baseline
- ชายหาด
- เพราะ
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- ใหญ่
- ข้อมูลขนาดใหญ่
- สีน้ำเงิน
- ทั้งสองด้าน
- นำ
- ออกอากาศ
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- จับ
- กรณี
- ศูนย์
- ความท้าทาย
- ชิคาโก
- เด็ก
- ทางเลือก
- การจัดหมวดหมู่
- เมฆ
- การยอมรับระบบคลาวด์
- บริการคลาวด์
- สโมสร
- ซีเอ็นเอ็น
- ร่วมมือ
- ร่วมกัน
- การสื่อสาร
- การแข่งขัน
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- ติดต่อกัน
- ติดต่อเรา
- มี
- อย่างต่อเนื่อง
- ต่อเนื่องกัน
- ตรงกันข้าม
- ความสัมพันธ์
- การสร้าง
- สำคัญมาก
- ลูกค้า
- ลูกค้า
- ข้อมูล
- จุดข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- การสร้างภาพข้อมูล
- ชุดข้อมูล
- จัดการ
- Defenders
- ป้องกัน
- องศา
- สาธิต
- แผนก
- ที่ได้มา
- บรรยาย
- รายละเอียด
- พัฒนาการ
- ความแตกต่าง
- ต่าง
- ทิศทาง
- ผู้อำนวยการ
- ระยะทาง
- การกระจาย
- การกระจาย
- โดเมน
- ข้อเสีย
- ในระหว่าง
- พลศาสตร์
- แต่ละ
- ก่อน
- สิ้นสุด
- วิศวกร
- ชั้นเยี่ยม
- ยุค
- โดยเฉพาะอย่างยิ่ง
- ประมาณ
- ประมาณการ
- ประเมินค่า
- การประเมินผล
- เหตุการณ์
- ตัวอย่าง
- ไม่รวม
- ประสบการณ์
- อธิบาย
- สารสกัด
- สุดโต่ง
- ครอบครัว
- แฟน ๆ
- ไขมัน
- ลักษณะ
- คุณสมบัติ
- สองสาม
- สนาม
- รูป
- ในที่สุด
- หา
- ชื่อจริง
- พอดี
- ฟลอริด้า
- มุ่งเน้น
- ดังต่อไปนี้
- ฟุตบอล
- ราคาเริ่มต้นที่
- เต็ม
- นอกจากนี้
- ได้รับ
- กําไร
- เกม
- Gen
- General
- ได้รับ
- จะช่วยให้
- เป้าหมาย
- ดี
- GPD
- กราฟ
- สีเขียว
- ตะแกรง
- เกิดขึ้น
- การดูแลสุขภาพ
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- จุดสูง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- อิลลินอยส์
- ภาพ
- ส่งผลกระทบ
- การดำเนินการ
- การดำเนินการ
- ความสำคัญ
- สำคัญ
- in
- รวมถึง
- รวมทั้ง
- เพิ่ม
- บ่งชี้ว่า
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- ข้อมูลเชิงลึก
- แทน
- Intelligence
- การโต้ตอบ
- อยากเรียนรู้
- สนใจ
- IT
- ตัวเอง
- เข้าร่วม
- การร่วม
- การเดินทาง
- คีย์
- ความรู้
- ห้องปฏิบัติการ
- ชื่อสกุล
- ชั้น
- ชั้น
- พันธมิตร
- การเรียนรู้
- เลฟเวอเรจ
- ชีวิต
- วิทยาศาสตร์สิ่งมีชีวิต
- ถูก จำกัด
- นาน
- มอง
- ลอส
- Los Angeles
- ปิด
- Lot
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- การจัดการ
- ผู้จัดการ
- การผลิต
- หลาย
- ปริญญาโท
- คณิตศาสตร์
- ภาพบรรยากาศ
- วิธี
- ระเบียบวิธี
- วิธีการ
- เมตริก
- ตัวชี้วัด
- ไมเคิล
- microservices
- ML
- แบบ
- โมเดล
- การแก้ไข
- ข้อมูลเพิ่มเติม
- การเคลื่อนไหว
- แห่งชาติ
- จำเป็นต้อง
- ใหม่
- ถัดไป
- รุ่นต่อไป
- NFL
- จำนวน
- ได้รับ
- น่ารังเกียจ
- ONE
- Options
- ส้ม
- อื่นๆ
- ผล
- กลางแจ้ง
- ประสิทธิภาพเหนือกว่า
- ด้านนอก
- ทั้งหมด
- แพ็คเกจ
- พารามิเตอร์
- ส่วนหนึ่ง
- พาร์ทเนอร์
- อดีต
- การปฏิบัติ
- บางที
- ภาพ
- สถานที่
- เวที
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- ผู้เล่น
- ผู้เล่น
- เล่น
- กรุณา
- จุด
- ตำแหน่ง
- ตำแหน่ง
- เป็นไปได้
- โพสต์
- คาดการณ์
- ที่คาดการณ์
- คำทำนาย
- การคาดการณ์
- คาดการณ์
- เตรียม
- นำเสนอ
- ส่วนใหญ่
- ปัญหา
- ปัญหาที่เกิดขึ้น
- ขั้นตอน
- กระบวนการ
- แปรรูปแล้ว
- ผลิตภัณฑ์
- โครงการ
- โครงการ
- ให้
- ให้
- การให้
- หลาม
- จัดอันดับ
- หายาก
- ดิบ
- โลกแห่งความจริง
- การสรรหา
- ปกติ
- ที่เกี่ยวข้อง
- แทนที่
- การวิจัย
- วิจัยและพัฒนา
- รับผิดชอบ
- ผลสอบ
- กลับ
- รับคืน
- เข้มงวด
- แข็งแรง
- เดียวกัน
- ขนาด
- วิทยาศาสตร์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- ฤดู
- ฤดูกาล
- วินาที
- ระดับอาวุโส
- แยก
- ชุด
- บริการ
- ชุด
- เจ็ด
- หลาย
- สั้น
- แสดง
- ด้านข้าง
- สำคัญ
- คล้ายคลึงกัน
- ง่ายดาย
- ตั้งแต่
- เล็ก
- So
- ซอฟต์แวร์
- วิศวกรซอฟต์แวร์
- ทางออก
- โซลูชัน
- แก้
- แหล่ง
- พิเศษ
- โดยเฉพาะ
- ความเร็ว
- การใช้จ่าย
- กีฬา
- กีฬา
- squared
- สถิติ
- สถิติ
- การหยุด
- ที่พริ้ว
- อย่างเช่น
- ตาราง
- ทีม
- ทีม
- เทคนิค
- เทคโนโลยี
- เงื่อนไขการใช้บริการ
- ทดสอบ
- พื้นที่
- ของพวกเขา
- ดังนั้น
- เวลา
- อนุกรมเวลา
- ไปยัง
- เกินไป
- เครื่องมือ
- ด้านบน
- การติดตาม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การแปลง
- เปลี่ยน
- จริง
- เข้าใจ
- มหาวิทยาลัย
- มหาวิทยาลัยชิคาโก
- ใช้
- การตรวจสอบ
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- แนวดิ่ง
- ไวกิ้ง
- การสร้างภาพ
- วิธี
- ความมั่งคั่ง
- เว็บ
- บริการเว็บ
- น้ำหนัก
- ที่
- วิกิพีเดีย
- ภายใน
- วอน
- งาน
- การทำงาน
- โรงงาน
- จะ
- X
- ปี
- คุณ
- ของคุณ
- ลมทะเล