เรารู้สึกตื่นเต้นที่จะประกาศเปิดตัว Amazon DocumentDB (พร้อมความเข้ากันได้กับ MongoDB) รวมกับ ผืนผ้าใบ Amazon SageMakerช่วยให้ลูกค้า Amazon DocumentDB สามารถสร้างและใช้โซลูชัน AI และการเรียนรู้ของเครื่อง (ML) แบบสร้างสรรค์ได้โดยไม่ต้องเขียนโค้ด Amazon DocumentDB เป็นฐานข้อมูลเอกสาร JSON ดั้งเดิมที่มีการจัดการเต็มรูปแบบ ซึ่งทำให้ดำเนินการปริมาณงานเอกสารสำคัญในแทบทุกขนาดได้อย่างตรงไปตรงมาและคุ้มต้นทุน โดยไม่ต้องจัดการโครงสร้างพื้นฐาน Amazon SageMaker Canvas คือพื้นที่ทำงาน ML แบบไม่ต้องเขียนโค้ดซึ่งมีโมเดลที่พร้อมใช้งาน รวมถึงโมเดลพื้นฐาน และความสามารถในการจัดเตรียมข้อมูล ตลอดจนสร้างและปรับใช้โมเดลแบบกำหนดเอง
ในโพสต์นี้ เราจะพูดถึงวิธีนำข้อมูลที่จัดเก็บไว้ใน Amazon DocumentDB เข้าสู่ SageMaker Canvas และใช้ข้อมูลนั้นเพื่อสร้างโมเดล ML สำหรับการวิเคราะห์เชิงคาดการณ์ โดยไม่ต้องสร้างและบำรุงรักษาไปป์ไลน์ข้อมูล คุณจะสามารถขับเคลื่อนโมเดล ML ด้วยข้อมูลที่ไม่มีโครงสร้างที่จัดเก็บไว้ใน Amazon DocumentDB
ภาพรวมโซลูชัน
เรามาสวมบทบาทเป็นนักวิเคราะห์ธุรกิจของบริษัทส่งอาหารกัน แอปมือถือของคุณจัดเก็บข้อมูลเกี่ยวกับร้านอาหารใน Amazon DocumentDB เนื่องจากความสามารถในการปรับขนาดและความสามารถของสคีมาที่ยืดหยุ่น คุณต้องการรวบรวมข้อมูลเชิงลึกเกี่ยวกับข้อมูลนี้และสร้างแบบจำลอง ML เพื่อคาดการณ์ว่าร้านอาหารใหม่ๆ จะได้รับการจัดอันดับอย่างไร แต่การวิเคราะห์ข้อมูลที่ไม่มีโครงสร้างพบว่าทำได้ยาก คุณเผชิญกับปัญหาคอขวดเนื่องจากคุณต้องพึ่งพาทีมวิศวกรรมข้อมูลและวิทยาศาสตร์ข้อมูลเพื่อบรรลุเป้าหมายเหล่านี้
การบูรณาการใหม่นี้ช่วยแก้ปัญหาเหล่านี้โดยทำให้การนำข้อมูล Amazon DocumentDB เข้าสู่ SageMaker Canvas เป็นเรื่องง่าย และเริ่มเตรียมและวิเคราะห์ข้อมูลสำหรับ ML ได้ทันที นอกจากนี้ SageMaker Canvas ยังขจัดการพึ่งพาความเชี่ยวชาญด้าน ML เพื่อสร้างโมเดลคุณภาพสูงและสร้างการคาดการณ์
เราสาธิตวิธีใช้ข้อมูล Amazon DocumentDB เพื่อสร้างโมเดล ML ใน SageMaker Canvas ในขั้นตอนต่อไปนี้:
- สร้างตัวเชื่อมต่อ Amazon DocumentDB ใน SageMaker Canvas
- วิเคราะห์ข้อมูลโดยใช้ generative AI
- เตรียมข้อมูลสำหรับการเรียนรู้ของเครื่อง
- สร้างแบบจำลองและสร้างการคาดการณ์
เบื้องต้น
เมื่อต้องการนำโซลูชันนี้ไปใช้ ให้ทำตามข้อกำหนดเบื้องต้นต่อไปนี้:
- ให้ผู้ดูแลระบบ AWS Cloud เข้าถึงด้วย AWS Identity และการจัดการการเข้าถึง (ฉัน) ผู้ใช้งาน โดยมีสิทธิ์ที่จำเป็นในการรวมระบบให้เสร็จสมบูรณ์
- ตั้งค่าสภาพแวดล้อมให้เสร็จสิ้นโดยใช้ การก่อตัวของ AWS Cloud ผ่านตัวเลือกใดตัวเลือกหนึ่งต่อไปนี้:
- ปรับใช้เทมเพลต CloudFormation ใน VPC ใหม่ – ตัวเลือกนี้สร้างสภาพแวดล้อม AWS ใหม่ซึ่งประกอบด้วย VPC, ซับเน็ตส่วนตัว, กลุ่มความปลอดภัย, บทบาทการดำเนินการ IAM, อเมซอน คลาวด์9, จุดสิ้นสุด VPC ที่จำเป็นและ โดเมน SageMaker. จากนั้นจึงปรับใช้ Amazon DocumentDB ใน VPC ใหม่นี้ ดาวน์โหลด เทมเพลต หรือเปิดใช้สแตก CloudFormation อย่างรวดเร็วโดยเลือก เรียกใช้ Stack:
- ปรับใช้เทมเพลต CloudFormation ใน VPC ที่มีอยู่ – ตัวเลือกนี้จะสร้างตำแหน่งข้อมูล VPC ที่จำเป็น บทบาทการดำเนินการ IAM และโดเมน SageMaker ใน VPC ที่มีอยู่พร้อมซับเน็ตส่วนตัว ดาวน์โหลด เทมเพลต หรือเปิดใช้สแตก CloudFormation อย่างรวดเร็วโดยเลือก เรียกใช้ Stack:
- ปรับใช้เทมเพลต CloudFormation ใน VPC ใหม่ – ตัวเลือกนี้สร้างสภาพแวดล้อม AWS ใหม่ซึ่งประกอบด้วย VPC, ซับเน็ตส่วนตัว, กลุ่มความปลอดภัย, บทบาทการดำเนินการ IAM, อเมซอน คลาวด์9, จุดสิ้นสุด VPC ที่จำเป็นและ โดเมน SageMaker. จากนั้นจึงปรับใช้ Amazon DocumentDB ใน VPC ใหม่นี้ ดาวน์โหลด เทมเพลต หรือเปิดใช้สแตก CloudFormation อย่างรวดเร็วโดยเลือก เรียกใช้ Stack:
โปรดทราบว่าหากคุณกำลังสร้างโดเมน SageMaker ใหม่ คุณต้องกำหนดค่าโดเมนให้อยู่ใน VPC ส่วนตัวที่ไม่มีการเข้าถึงอินเทอร์เน็ต เพื่อให้สามารถเพิ่มตัวเชื่อมต่อไปยัง Amazon DocumentDB ได้ หากต้องการเรียนรู้เพิ่มเติม โปรดดูที่ กำหนดค่า Amazon SageMaker Canvas ใน VPC โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ต.
- ตาม เกี่ยวกับการสอน เพื่อโหลดข้อมูลร้านอาหารตัวอย่างลงใน Amazon DocumentDB
- เพิ่มการเข้าถึง Amazon Bedrock และโมเดล Anthropic Claude ภายใน สำหรับข้อมูลเพิ่มเติม โปรดดู เพิ่มการเข้าถึงโมเดล.
สร้างตัวเชื่อมต่อ Amazon DocumentDB ใน SageMaker Canvas
หลังจากที่คุณสร้างโดเมน SageMaker แล้ว ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon DocumentDB ให้เลือก การเรียนรู้ของเครื่องแบบไม่มีโค้ด ในบานหน้าต่างนำทาง
- ภายใต้ เลือกโดเมนและโปรไฟล์ธ เลือกโดเมน SageMaker และโปรไฟล์ผู้ใช้ของคุณ
- Choose เปิดตัวผ้าใบ เพื่อเปิด SageMaker Canvas ในแท็บใหม่
เมื่อ SageMaker Canvas โหลดเสร็จแล้ว คุณจะไปที่ กระแสข้อมูล แถบ
- Choose สร้างบัญชีตัวแทน เพื่อสร้างกระแสข้อมูลใหม่
- ป้อนชื่อสำหรับกระแสข้อมูลของคุณแล้วเลือก สร้างบัญชีตัวแทน.
- เพิ่มการเชื่อมต่อ Amazon DocumentDB ใหม่โดยการเลือก นำเข้าข้อมูลแล้วเลือก แบน for ประเภทชุดข้อมูล.
- เกี่ยวกับ นำเข้าข้อมูล หน้าสำหรับ แหล่งข้อมูลเลือก DocumentDB และ เพิ่มการเชื่อมต่อ.
- ป้อนชื่อการเชื่อมต่อ เช่น การสาธิต และเลือกคลัสเตอร์ Amazon DocumentDB ที่คุณต้องการ
โปรดทราบว่า SageMaker Canvas จะเติมข้อมูลเมนูแบบเลื่อนลงล่วงหน้าด้วยคลัสเตอร์ใน VPC เดียวกันกับโดเมน SageMaker ของคุณ
- กรอกชื่อผู้ใช้ รหัสผ่าน และชื่อฐานข้อมูล
- สุดท้าย เลือกการตั้งค่าการอ่านของคุณ
เพื่อปกป้องประสิทธิภาพของอินสแตนซ์หลัก SageMaker Canvas จะมีค่าเริ่มต้นเป็น รองซึ่งหมายความว่าจะอ่านจากอินสแตนซ์รองเท่านั้น เมื่อตั้งค่าการอ่านเป็น รองที่ต้องการSageMaker Canvas จะอ่านจากอินสแตนซ์รองที่มีอยู่ แต่จะอ่านจากอินสแตนซ์หลักหากไม่มีอินสแตนซ์รอง สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีกำหนดค่าการเชื่อมต่อ Amazon DocumentDB โปรดดูที่ เชื่อมต่อกับฐานข้อมูลที่จัดเก็บไว้ใน AWS.
- Choose เพิ่มการเชื่อมต่อ.
หากการเชื่อมต่อสำเร็จ คุณจะเห็นคอลเลกชันในฐานข้อมูล Amazon DocumentDB ของคุณแสดงเป็นตาราง
- ลากตารางที่คุณเลือกลงบนผืนผ้าใบเปล่า สำหรับโพสต์นี้ เราได้เพิ่มข้อมูลร้านอาหารของเรา
100 แถวแรกจะแสดงเป็นตัวอย่าง
- หากต้องการเริ่มวิเคราะห์และเตรียมข้อมูลของคุณ ให้เลือก นำเข้าข้อมูล.
- ป้อนชื่อชุดข้อมูลและเลือก นำเข้าข้อมูล.
วิเคราะห์ข้อมูลโดยใช้ generative AI
ต่อไป เราต้องการรับข้อมูลเชิงลึกเกี่ยวกับข้อมูลของเราและมองหารูปแบบ SageMaker Canvas มีอินเทอร์เฟซภาษาธรรมชาติสำหรับวิเคราะห์และเตรียมข้อมูล เมื่อ ข้อมูล เมื่อโหลดแท็บแล้ว คุณสามารถเริ่มสนทนากับข้อมูลของคุณได้ตามขั้นตอนต่อไปนี้:
- Choose แชทเพื่อเตรียมข้อมูล.
- รวบรวมข้อมูลเชิงลึกเกี่ยวกับข้อมูลของคุณโดยถามคำถามเช่นตัวอย่างที่แสดงในภาพหน้าจอต่อไปนี้
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวิธีใช้ภาษาธรรมชาติในการสำรวจและเตรียมข้อมูล โปรดดูที่ ใช้ภาษาธรรมชาติในการสำรวจและเตรียมข้อมูลด้วยความสามารถใหม่ของ Amazon SageMaker Canvas.
มาทำความเข้าใจคุณภาพข้อมูลของเราให้ลึกซึ้งยิ่งขึ้นโดยใช้รายงานคุณภาพและข้อมูลเชิงลึกของข้อมูล SageMaker Canvas ซึ่งจะประเมินคุณภาพข้อมูลโดยอัตโนมัติและตรวจจับความผิดปกติ
- เกี่ยวกับ การวิเคราะห์ เลือกแท็บ รายงานคุณภาพข้อมูลและข้อมูลเชิงลึก.
- Choose
rating
เป็นคอลัมน์เป้าหมายและ การถอยหลัง เป็นประเภทปัญหา จากนั้นเลือก สร้างบัญชีตัวแทน.
สิ่งนี้จะจำลองการฝึกโมเดลและให้ข้อมูลเชิงลึกเกี่ยวกับวิธีที่เราสามารถปรับปรุงข้อมูลของเราสำหรับการเรียนรู้ของเครื่อง รายงานฉบับสมบูรณ์จะถูกสร้างขึ้นภายในไม่กี่นาที
รายงานของเราแสดงให้เห็นว่า 2.47% ของแถวในเป้าหมายของเรามีค่าหายไป เราจะแก้ไขปัญหานั้นในขั้นตอนถัดไป นอกจากนี้ การวิเคราะห์ยังแสดงให้เห็นว่า address line 2
, name
และ type_of_food
คุณลักษณะต่างๆ มีพลังในการคาดการณ์มากที่สุดในข้อมูลของเรา ข้อมูลนี้บ่งชี้ว่าข้อมูลร้านอาหารขั้นพื้นฐาน เช่น สถานที่ตั้งและอาหาร อาจมีผลกระทบต่อการให้คะแนนเกินมาตรฐาน
เตรียมข้อมูลสำหรับการเรียนรู้ของเครื่อง
SageMaker Canvas นำเสนอการแปลงในตัวมากกว่า 300 รายการเพื่อเตรียมข้อมูลที่นำเข้าของคุณ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับคุณสมบัติการเปลี่ยนแปลงของ SageMaker Canvas โปรดดูที่ เตรียมข้อมูลด้วยการแปลงขั้นสูง. มาเพิ่มการแปลงเพื่อเตรียมข้อมูลของเราให้พร้อมสำหรับการฝึกโมเดล ML
- กลับไปที่ การไหลของข้อมูล หน้าโดยเลือกชื่อกระแสข้อมูลของคุณที่ด้านบนของหน้า
- เลือกเครื่องหมายบวกถัดจาก ประเภทข้อมูล และเลือก เพิ่มการแปลง.
- Choose เพิ่มขั้นตอน.
- มาเปลี่ยนชื่อ .กันเถอะ
address line 2
คอลัมน์ถึงcities
.- Choose จัดการคอลัมน์.
- Choose เปลี่ยนชื่อคอลัมน์ for แปลง.
- Choose
address line 2
for คอลัมน์อินพุตป้อนcities
for ชื่อใหม่และเลือก เพิ่ม.
- นอกจากนี้ ให้วางคอลัมน์ที่ไม่จำเป็นบางส่วนออกไป
- เพิ่มการแปลงใหม่
- สำหรับ แปลงเลือก วางคอลัมน์.
- สำหรับ คอลัมน์ที่จะปล่อยเลือก
URL
และrestaurant_id
. - Choose เพิ่ม.
[
- Our
rating
คอลัมน์คุณลักษณะมีค่าที่ขาดหายไป ดังนั้นเรามาเติมค่าเฉลี่ยของคอลัมน์นี้ในแถวเหล่านั้นกันดีกว่า- เพิ่มการแปลงใหม่
- สำหรับ แปลงเลือก เปรต.
- สำหรับ ประเภทคอลัมน์เลือก เป็นตัวเลข.
- สำหรับ คอลัมน์อินพุต, เลือก
rating
คอลัมน์. - สำหรับ กลยุทธ์การใส่ร้ายเลือก หมายความ.
- สำหรับ คอลัมน์เอาต์พุตป้อน
rating_avg_filled
. - Choose เพิ่ม.
- เราสามารถวาง
rating
เนื่องจากเรามีคอลัมน์ใหม่ที่มีค่าที่เติมไว้ - เพราะ
type_of_food
มีลักษณะเป็นหมวดหมู่ เราจะต้องการเข้ารหัสเป็นตัวเลข มาเข้ารหัสคุณลักษณะนี้โดยใช้เทคนิคการเข้ารหัสแบบร้อนแรงกัน- เพิ่มการแปลงใหม่
- สำหรับ แปลงเลือก การเข้ารหัสแบบร้อนครั้งเดียว.
- สำหรับคอลัมน์อินพุต ให้เลือก
type_of_food
. - สำหรับ กลยุทธ์การจัดการที่ไม่ถูกต้อง¸ เลือก เก็บ.
- สำหรับ สไตล์เอาต์พุต¸ เลือก คอลัมน์.
- สำหรับ คอลัมน์เอาต์พุตป้อน
encoded
. - Choose เพิ่ม.
สร้างแบบจำลองและสร้างการคาดการณ์
ตอนนี้เราได้แปลงข้อมูลของเราแล้ว มาฝึกโมเดล ML ที่เป็นตัวเลขเพื่อคาดการณ์คะแนนสำหรับร้านอาหารกันดีกว่า
- Choose สร้างแบบจำลอง.
- สำหรับ ชื่อชุดข้อมูลให้ป้อนชื่อสำหรับการส่งออกชุดข้อมูล
- Choose ส่งออก และรอให้ข้อมูลที่แปลงแล้วถูกส่งออก
- เลือก สร้างแบบจำลอง ลิงค์ที่มุมซ้ายล่างของหน้า
คุณยังเลือกชุดข้อมูลจากฟีเจอร์ Data Wrangler ทางด้านซ้ายของหน้าได้ด้วย
- ป้อนชื่อรุ่น
- Choose การวิเคราะห์เชิงทำนายแล้วเลือก สร้างบัญชีตัวแทน.
- Choose
rating_avg_filled
เป็นคอลัมน์เป้าหมาย
SageMaker Canvas จะเลือกประเภทโมเดลที่เหมาะสมโดยอัตโนมัติ
- Choose ดูตัวอย่างรุ่น เพื่อให้แน่ใจว่าจะไม่มีปัญหาด้านคุณภาพของข้อมูล
- Choose สร้างด่วน เพื่อสร้างแบบจำลอง
การสร้างโมเดลจะใช้เวลาประมาณ 2-15 นาทีจึงจะเสร็จสมบูรณ์
คุณสามารถดูสถานะโมเดลได้หลังจากที่โมเดลเสร็จสิ้นการฝึก แบบจำลองของเรามี RSME อยู่ที่ 0.422 ซึ่งหมายความว่าแบบจำลองมักจะคาดการณ์คะแนนของร้านอาหารภายใน +/- 0.422 ของมูลค่าจริง ซึ่งเป็นค่าประมาณที่ชัดเจนสำหรับระดับคะแนนที่ 1–6
- สุดท้ายนี้ คุณสามารถสร้างตัวอย่างการทำนายได้โดยไปที่ ทำนาย แถบ
ทำความสะอาด
เพื่อหลีกเลี่ยงไม่ให้มีการเรียกเก็บเงินในอนาคต โปรดลบทรัพยากรที่คุณสร้างขณะติดตามโพสต์นี้ SageMaker Canvas จะเรียกเก็บเงินคุณตามระยะเวลาของเซสชัน และเราขอแนะนำให้ออกจากระบบ SageMaker Canvas เมื่อคุณไม่ได้ใช้งาน อ้างถึง ออกจากระบบ Amazon SageMaker Canvas .
สรุป
ในโพสต์นี้ เราได้พูดคุยถึงวิธีที่คุณสามารถใช้ SageMaker Canvas สำหรับ generative AI และ ML ด้วยข้อมูลที่จัดเก็บไว้ใน Amazon DocumentDB ในตัวอย่างของเรา เราแสดงให้เห็นว่านักวิเคราะห์สามารถสร้างแบบจำลอง ML คุณภาพสูงได้อย่างรวดเร็วโดยใช้ชุดข้อมูลร้านอาหารตัวอย่างได้อย่างไร
เราได้แสดงขั้นตอนในการใช้โซลูชัน ตั้งแต่การนำเข้าข้อมูลจาก Amazon DocumentDB ไปจนถึงการสร้างโมเดล ML ใน SageMaker Canvas กระบวนการทั้งหมดเสร็จสิ้นผ่านอินเทอร์เฟซแบบภาพโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว
หากต้องการเริ่มต้นการเดินทาง ML แบบโค้ดน้อย/ไม่มีโค้ด โปรดดูที่ ผืนผ้าใบ Amazon SageMaker.
เกี่ยวกับผู้แต่ง
อเดลเก้ โคเกอร์ เป็น Global Solutions Architect กับ AWS เขาทำงานร่วมกับลูกค้าทั่วโลกเพื่อให้คำแนะนำและความช่วยเหลือด้านเทคนิคในการปรับใช้ปริมาณงานการผลิตในขนาดต่างๆ บน AWS ในเวลาว่าง เขาสนุกกับการเรียนรู้ อ่านหนังสือ เล่นเกม และดูการแข่งขันกีฬา
กูรูราช เอส บายารี เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ DocumentDB อาวุโสที่ AWS เขาสนุกกับการช่วยให้ลูกค้านำฐานข้อมูลที่สร้างขึ้นตามวัตถุประสงค์ของ Amazon มาใช้ เขาช่วยลูกค้าออกแบบ ประเมิน และเพิ่มประสิทธิภาพขนาดอินเทอร์เน็ตและปริมาณงานประสิทธิภาพสูงที่ขับเคลื่อนโดย NoSQL และ/หรือฐานข้อมูลเชิงสัมพันธ์
ทิม ปูซาเตรี เป็นผู้จัดการผลิตภัณฑ์อาวุโสที่ AWS ซึ่งเขาทำงานบน Amazon SageMaker Canvas เป้าหมายของเขาคือการช่วยให้ลูกค้าได้รับคุณค่าจาก AI/ML อย่างรวดเร็ว นอกเหนือจากงาน เขาชอบออกไปข้างนอก เล่นกีตาร์ ดูดนตรีสด และใช้เวลากับครอบครัวและเพื่อนฝูง
ปราติค ดาส เป็นผู้จัดการผลิตภัณฑ์ของ AWS เขาสนุกกับการทำงานร่วมกับลูกค้าที่ต้องการสร้างปริมาณงานที่ยืดหยุ่นและรากฐานข้อมูลที่แข็งแกร่งในระบบคลาวด์ เขานำความเชี่ยวชาญที่ทำงานร่วมกับองค์กรต่างๆ ในโครงการริเริ่มด้านการปรับปรุงให้ทันสมัย การวิเคราะห์ และการเปลี่ยนแปลงข้อมูล
วาร์มา กตตุมุกกา เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้านฐานข้อมูลอาวุโสที่ AWS ในเมืองดัลลัส ฟอร์ตเวิร์ธ Varma ทำงานร่วมกับลูกค้าเกี่ยวกับกลยุทธ์ฐานข้อมูลและออกแบบปริมาณงานโดยใช้ฐานข้อมูลที่สร้างขึ้นตามวัตถุประสงค์ของ AWS ก่อนที่จะมาร่วมงานกับ AWS เขาทำงานอย่างกว้างขวางกับฐานข้อมูลเชิงสัมพันธ์ ฐานข้อมูล NOSQL และภาษาการเขียนโปรแกรมหลายภาษาในช่วง 22 ปีที่ผ่านมา
- 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/use-amazon-documentdb-to-build-no-code-machine-learning-solutions-in-amazon-sagemaker-canvas/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- 10
- 100
- 11
- 12
- 13
- 150
- 22
- 27
- 300
- 385
- 500
- 58
- 7
- 8
- 9
- a
- ความสามารถ
- สามารถ
- เกี่ยวกับเรา
- เข้า
- บรรลุผล
- ที่เกิดขึ้นจริง
- เพิ่ม
- นอกจากนี้
- ที่อยู่
- ผู้ดูแลระบบ
- นำมาใช้
- สูง
- หลังจาก
- AI
- AI / ML
- การอนุญาต
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- ผืนผ้าใบ Amazon SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- นักวิเคราะห์
- วิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- วิเคราะห์
- และ
- ประกาศ
- มานุษยวิทยา
- ใด
- app
- ประมาณ
- เป็น
- AS
- ขอให้
- ความช่วยเหลือ
- สมมติ
- At
- อัตโนมัติ
- ใช้ได้
- เฉลี่ย
- หลีกเลี่ยง
- AWS
- กลับ
- ตาม
- ขั้นพื้นฐาน
- BE
- เพราะ
- ก่อน
- ธนบัตร
- คอขวด
- ด้านล่าง
- นำมาซึ่ง
- นำ
- สร้าง
- การก่อสร้าง
- สร้าง
- สร้าง
- built-in
- ธุรกิจ
- แต่
- by
- CAN
- ผ้าใบ
- ความสามารถในการ
- ความสามารถ
- ท้าทาย
- โหลด
- การพูดคุย
- ทางเลือก
- Choose
- เลือก
- เมฆ
- Cluster
- รหัส
- คอลเลกชัน
- คอลัมน์
- คอลัมน์
- บริษัท
- ความเข้ากันได้
- สมบูรณ์
- เสร็จ
- การเชื่อมต่อ
- ประกอบ
- ปลอบใจ
- มุม
- ค่าใช้จ่ายที่มีประสิทธิภาพ
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- การสร้าง
- การสร้าง
- วิกฤติ
- ประเพณี
- ลูกค้า
- ดัลลัส
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- ลึก
- ค่าเริ่มต้น
- การจัดส่ง
- สาธิต
- สาธิต
- การอยู่ที่
- ปรับใช้
- ปรับใช้
- Deploys
- ได้มา
- ออกแบบ
- ที่ต้องการ
- รายละเอียด
- สนทนา
- กล่าวถึง
- แสดง
- เอกสาร
- โดเมน
- ดาวน์โหลด
- หล่น
- ระยะเวลา
- ทั้ง
- การเข้ารหัส
- ชั้นเยี่ยม
- ทำให้มั่นใจ
- เข้าสู่
- ผู้ประกอบการ
- ทั้งหมด
- สิ่งแวดล้อม
- ประเมินค่า
- เหตุการณ์
- ตัวอย่าง
- ตื่นเต้น
- การปฏิบัติ
- ที่มีอยู่
- ความชำนาญ
- สำรวจ
- ส่งออก
- อย่างกว้างขวาง
- ครอบครัว
- ลักษณะ
- คุณสมบัติ
- สองสาม
- ใส่
- ที่เต็มไป
- หา
- ชื่อจริง
- มีความยืดหยุ่น
- ไหล
- ดังต่อไปนี้
- อาหาร
- จัดส่งอาหาร
- สำหรับ
- รากฐาน
- ฐานราก
- เพื่อน
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- อนาคต
- การเล่นเกม
- รวบรวม
- สร้าง
- สร้าง
- กำเนิด
- กำเนิด AI
- ได้รับ
- เหตุการณ์ที่
- ทั่วโลก
- เป้าหมาย
- เป้าหมาย
- กลุ่ม
- คำแนะนำ
- การจัดการ
- มี
- he
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- จุดสูง
- ที่มีคุณภาพสูง
- ของเขา
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- HTTPS
- เอกลักษณ์
- if
- ทันที
- ส่งผลกระทบ
- การดำเนินการ
- การนำเข้า
- ปรับปรุง
- in
- รวมทั้ง
- บ่งชี้ว่า
- ข้อมูล
- โครงสร้างพื้นฐาน
- ความคิดริเริ่ม
- อินพุต
- ข้อมูลเชิงลึก
- ตัวอย่าง
- บูรณาการ
- อินเตอร์เฟซ
- อินเทอร์เน็ต
- อินเทอร์เน็ต
- เข้าไป
- ปัญหา
- IT
- ITS
- การร่วม
- การเดินทาง
- jpg
- JSON
- ที่ดิน
- ภาษา
- ภาษา
- ชื่อสกุล
- เปิดตัว
- เรียนรู้
- การเรียนรู้
- ซ้าย
- ช่วยให้
- กดไลก์
- Line
- LINK
- สด
- โหลด
- โหลด
- โหลด
- ที่ตั้ง
- การเข้าสู่ระบบ
- ดู
- ที่ต้องการหา
- รัก
- เครื่อง
- เรียนรู้เครื่อง
- การบำรุงรักษา
- ทำให้
- การทำ
- การจัดการ
- ผู้จัดการ
- การจัดการ
- อาจ..
- ความหมาย
- วิธี
- เมนู
- นาที
- หายไป
- ML
- โทรศัพท์มือถือ
- app มือถือ
- แบบ
- โมเดล
- MongoDB
- ข้อมูลเพิ่มเติม
- มากที่สุด
- หลาย
- ดนตรี
- ต้อง
- ชื่อ
- พื้นเมือง
- โดยธรรมชาติ
- ธรรมชาติ
- การนำทาง
- การเดินเรือ
- จำเป็นต้อง
- ใหม่
- ถัดไป
- ไม่
- of
- การเสนอ
- เสนอ
- มักจะ
- on
- เพียง
- ทำงาน
- เพิ่มประสิทธิภาพ
- ตัวเลือกเสริม (Option)
- Options
- or
- ของเรา
- ออก
- กลางแจ้ง
- ด้านนอก
- เกิน
- หน้า
- บานหน้าต่าง
- รหัสผ่าน
- รูปแบบ
- ดำเนินการ
- การปฏิบัติ
- สิทธิ์
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- บวก
- โพสต์
- อำนาจ
- ขับเคลื่อน
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- การวิเคราะห์เชิงทำนาย
- คาดการณ์
- เตรียมการ
- การเตรียมความพร้อม
- ข้อกำหนดเบื้องต้น
- ดูตัวอย่าง
- ประถม
- ส่วนตัว
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- ผลิตภัณฑ์
- ผู้จัดการผลิตภัณฑ์
- การผลิต
- โปรไฟล์
- การเขียนโปรแกรม
- การเขียนโปรแกรมภาษา
- ป้องกัน
- ให้
- ให้
- วัตถุประสงค์
- คุณภาพ
- คำถาม
- รวดเร็ว
- อย่างรวดเร็ว
- การจัดอันดับ
- อันดับ
- การให้คะแนน
- อ่าน
- การอ่าน
- พร้อม
- แนะนำ
- อ้างอิง
- วางใจ
- ลบ
- รายงาน
- จำเป็นต้องใช้
- ยืดหยุ่น
- แหล่งข้อมูล
- ร้านอาหาร
- ร้านอาหาร
- บทบาท
- บทบาท
- s
- sagemaker
- เดียวกัน
- scalability
- ขนาด
- วิทยาศาสตร์
- ภาพหน้าจอ
- รอง
- ความปลอดภัย
- เห็น
- เลือก
- ระดับอาวุโส
- ความรู้สึก
- บริการ
- เซสชั่น
- การติดตั้ง
- แสดงให้เห็นว่า
- แสดง
- แสดงให้เห็นว่า
- ลงชื่อ
- ง่าย
- เดียว
- So
- ของแข็ง
- ทางออก
- โซลูชัน
- แก้ปัญหา
- บาง
- ผู้เชี่ยวชาญ
- ใช้จ่าย
- กีฬา
- กอง
- เริ่มต้น
- Status
- ขั้นตอน
- ขั้นตอน
- เก็บไว้
- ร้านค้า
- ซื่อตรง
- กลยุทธ์
- แข็งแรง
- ซับเน็ต
- ที่ประสบความสำเร็จ
- อย่างเช่น
- เหมาะสม
- ตาราง
- เอา
- เป้า
- ทีม
- วิชาการ
- เทคนิค
- เทมเพลต
- ที่
- พื้นที่
- ของพวกเขา
- แล้วก็
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- นี้
- เหล่านั้น
- ตลอด
- เวลา
- ไปยัง
- ด้านบน
- รถไฟ
- การฝึกอบรม
- แปลง
- การแปลง
- การแปลง
- เปลี่ยน
- ชนิด
- ไม่จำเป็น
- ใช้
- ผู้ใช้งาน
- การใช้
- ความคุ้มค่า
- ความคุ้มค่า
- รายละเอียด
- จวน
- ภาพ
- รอ
- ต้องการ
- คือ
- ชม
- we
- เว็บ
- บริการเว็บ
- เมื่อ
- ที่
- ในขณะที่
- จะ
- กับ
- ภายใน
- ไม่มี
- งาน
- ทำงาน
- การทำงาน
- โรงงาน
- คุ้มค่า
- การเขียน
- ปี
- คุณ
- ของคุณ
- ลมทะเล