Bu gönderide, kullanmak için yeni bir OAuth tabanlı kimlik doğrulama özelliğinin nasıl yapılandırılacağını gösteriyoruz. Kar taneciği in Amazon SageMaker Veri Düzenleyicisi. Snowflake, veri ambarından veri bilimine veri çözümleri sağlayan bir bulut veri platformudur. Kar tanesi bir AWS İş Ortağı makine öğrenimi (ML), perakende, veri ve analitik alanlarındaki AWS yetkinlikleri dahil olmak üzere birden fazla AWS akreditasyonu ile.
Data Wrangler, veri bilimcilerin verileri seçmesi ve temizlemesi, özellikler oluşturması ve herhangi bir kod yazmadan makine öğrenimi iş akışlarında veri hazırlamayı otomatikleştirmesi için tek bir görsel arabirim sağlayarak veri hazırlamayı ve özellik mühendisliği sürecini basitleştirir, haftalardan dakikalara indirir. gibi birden çok veri kaynağından veri alabilirsiniz. Amazon Basit Depolama Hizmeti (Amazon S3), Amazon Atina, Amazon Kırmızıya Kaydırma, Amazon EMR'sive Kar Tanesi. Bu yeni özellikle, kendi kimlik sağlayıcınızı (IdP) kullanabilirsiniz. Okta, Azure ADya da Federasyona Ping At Data Wrangler aracılığıyla Snowflake'e bağlanmak için.
Çözüme genel bakış
Aşağıdaki bölümlerde, bir yöneticinin IdP, Snowflake ve Studio'yu kurması için adımlar sunuyoruz. Ayrıca veri bilimcilerin veri akışını yapılandırmak, veri kalitesini analiz etmek ve veri dönüşümleri eklemek için atabilecekleri adımları da detaylandırıyoruz. Son olarak, veri akışının nasıl dışa aktarılacağını ve kullanarak bir modelin nasıl eğitileceğini gösteriyoruz. SageMaker Otomatik Pilot.
Önkoşullar
Bu izlenecek yol için aşağıdaki ön koşullara sahip olmalısınız:
- Yönetici için:
- Snowflake'te depolama entegrasyonları ve güvenlik entegrasyonları oluşturma izinlerine sahip bir Snowflake kullanıcısı.
- Oluşturma izinlerine sahip bir AWS hesabı AWS Kimlik ve Erişim Yönetimi (IAM) politikaları ve rolleri.
- Data Wrangler uygulamasını kaydetmek ve yetkilendirme sunucusunu veya API'yi kurmak için IDP'yi yapılandırmak için erişim ve izinler.
- Veri bilimcisi için:
yönetici kurulumu
Kullanıcılarınızın Snowflake kimlik bilgilerini doğrudan Data Wrangler'a girmelerini sağlamak yerine, Snowflake'e erişmek için bir IdP kullanmalarını sağlayabilirsiniz.
Data Wrangler OAuth'un Snowflake'e erişimini etkinleştirmek için aşağıdaki adımlar uygulanır:
- IdP'yi yapılandırın.
- Snowflake'i yapılandırın.
- SageMaker Studio'yu yapılandırın.
IdP'yi yapılandırın
IdP'nizi kurmak için Data Wrangler uygulamasını kaydetmeniz ve yetkilendirme sunucunuzu veya API'nizi kurmanız gerekir.
Data Wrangler uygulamasını IdP'ye kaydedin
Data Wrangler'ın desteklediği IdP'ler için aşağıdaki belgelere bakın:
Data Wrangler uygulamanızı kaydettirmek için IdP'niz tarafından sağlanan belgeleri kullanın. Bu bölümdeki bilgiler ve prosedürler, IdP'niz tarafından sağlanan belgeleri doğru bir şekilde nasıl kullanacağınızı anlamanıza yardımcı olur.
İlgili kılavuzlardaki adımlara ek olarak belirli özelleştirmeler alt bölümlerde belirtilmiştir.
- Data Wrangler'ı bir uygulama olarak kaydetme işlemini başlatan yapılandırmayı seçin.
- IdP içindeki kullanıcıların Data Wrangler'a erişimini sağlayın.
- İstemci kimlik bilgilerini bir Secrets Manager sırrı olarak saklayarak OAuth istemci kimlik doğrulamasını etkinleştirin.
- Aşağıdaki biçimi kullanarak bir yönlendirme URL'si belirtin:
https://domain-ID.studio.AWS Region.sagemaker.aws/jupyter/default/lab
.
Data Wrangler'ı çalıştırmak için kullandığınız SageMaker etki alanı kimliğini ve AWS Bölgesini belirtiyorsunuz. Data Wrangler'ı çalıştırdığınız her etki alanı ve Bölge için bir URL kaydetmeniz gerekir. Kendileri için ayarlanmış yönlendirme URL'leri olmayan bir alan ve Bölgedeki kullanıcılar, Snowflake bağlantısına erişmek için IdP ile kimlik doğrulaması yapamaz.
- Data Wrangler uygulamanız için yetkilendirme koduna ve yenileme jetonu verme türlerine izin verildiğinden emin olun.
IdP içinde yetkilendirme sunucusunu veya API'yi kurun
IdP'niz içinde bir yetkilendirme sunucusu veya bir uygulama programlama arabirimi (API) kurmanız gerekir. Her kullanıcı için yetkilendirme sunucusu veya API, hedef kitle olarak Snowflake ile Data Wrangler'a belirteçler gönderir.
Kar tanesi kavramını kullanır rolleri AWS'de kullanılan IAM rollerinden farklıdır. IdP'yi, Snowflake hesabıyla ilişkili varsayılan rolü kullanmak için HERHANGİ BİR Rolü kullanacak şekilde yapılandırmanız gerekir. Örneğin, bir kullanıcı varsa systems administrator
Snowflake profillerinde varsayılan rol olarak, Data Wrangler'dan Snowflake'e olan bağlantı systems administrator
rol olarak.
IdP'nizde yetkilendirme sunucusunu veya API'yi ayarlamak için aşağıdaki prosedürü kullanın:
- IdP'nizden, sunucuyu veya API'yi kurma işlemine başlayın.
- Yetkilendirme sunucusunu, yetkilendirme kodunu ve yenileme jetonu verme türlerini kullanacak şekilde yapılandırın.
- Erişim belirtecinin ömrünü belirtin.
- Yenileme belirteci boşta kalma zaman aşımını ayarlayın.
Boşta kalma zaman aşımı, kullanılmadığı takdirde yenileme belirtecinin süresinin dolacağı zamandır. Data Wrangler'da işler planlıyorsanız, boşta kalma zaman aşımı süresini işlenen işin sıklığından daha uzun yapmanızı öneririz. Aksi takdirde, yenileme belirtecinin çalışmadan önce süresi dolduğundan bazı işleme işleri başarısız olabilir. Yenileme belirtecinin süresi dolduğunda, kullanıcının Snowflake ile Data Wrangler aracılığıyla yapmış olduğu bağlantıya erişerek yeniden kimlik doğrulaması yapması gerekir.
Data Wrangler'ın dönen yenileme belirteçlerini desteklemediğini unutmayın. Dönen yenileme belirteçlerinin kullanılması, erişim hatalarına veya kullanıcıların sık sık oturum açması gerekmesine neden olabilir.
Yenileme belirtecinin süresi dolarsa, kullanıcılarınızın Data Wrangler aracılığıyla Snowflake ile kurdukları bağlantıya erişerek yeniden kimlik doğrulaması yapması gerekir.
- Belirtmek
session:role-any
yeni kapsam olarak.
Azure AD için ayrıca kapsam için benzersiz bir tanımlayıcı belirtmeniz gerekir.
OAuth sağlayıcısını kurduktan sonra, sağlayıcıya bağlanması için ihtiyaç duyduğu bilgileri Data Wrangler'a sağlarsınız. Aşağıdaki alanların değerlerini almak için IdP'nizdeki belgeleri kullanabilirsiniz:
- Belirteç URL'si – IdP'nin Data Wrangler'a gönderdiği belirtecin URL'si
- Yetkilendirme URL'si – IdP'nin yetkilendirme sunucusunun URL'si
- müşteri kimliği – IdP'nin kimliği
- İstemci sırrı – Yalnızca yetkilendirme sunucusunun veya API'nin tanıdığı sır
- OAuth kapsamı – Bu yalnızca Azure AD içindir
Snowflake'i Yapılandır
Snowflake'i yapılandırmak için, bölümündeki talimatları tamamlayın. Snowflake'ten verileri içe aktarın.
Snowflake'te harici bir OAuth entegrasyonu ayarlamak için IdP'niz için Snowflake belgelerini kullanın. Önceki bölüme bakın Data Wrangler uygulamasını IdP'ye kaydedin harici bir OAuth entegrasyonunun nasıl kurulacağı hakkında daha fazla bilgi için.
Snowflake'te güvenlik entegrasyonunu kurarken, etkinleştirdiğinizden emin olun. external_oauth_any_role_mode
.
SageMaker Studio'yu Yapılandırma
Alanları ve değerleri bir Secrets Manager gizli dizisinde depolar ve Data Wrangler için kullandığınız Studio Lifecycle Configuration'a eklersiniz. Yaşam Döngüsü Yapılandırması, kullanıcı Studio'da oturum açtığında sırda saklanan kimlik bilgilerini otomatik olarak yükleyen bir kabuk komut dosyasıdır. Gizli dizi oluşturma hakkında bilgi için bkz. Sabit kodlanmış sırları AWS Secrets Manager'a taşıyın. Studio'da Yaşam Döngüsü Yapılandırmalarını kullanma hakkında bilgi için bkz. Amazon SageMaker Studio ile Yaşam Döngüsü Yapılandırmalarını Kullanın.
Snowflake kimlik bilgileri için bir sır oluşturun
Snowflake kimlik bilgileri için sırrınızı oluşturmak üzere aşağıdaki adımları tamamlayın:
- Secrets Manager konsolunda, Yeni bir sır saklayın.
- İçin Gizli tipseçin Diğer tür sır.
- Gizli anahtarınızın ayrıntılarını anahtar/değer çiftleri olarak belirtin.
Anahtar adları, büyük/küçük harf duyarlılığı nedeniyle küçük harfler gerektirir. Bunlardan herhangi birini yanlış girerseniz Data Wrangler uyarı verir. Anahtar/değer çiftleri olarak gizli değerleri girin. İsterseniz Anahtar/değer veya plaintext seçeneği.
Okta için kullanılan sırrın formatı aşağıdadır. Azure AD kullanıyorsanız, eklemeniz gerekir datasource_oauth_scope
alan.
- Önceki değerleri, seçtiğiniz IdP ve başvuru kaydından sonra toplanan bilgilerle güncelleyin.
- Klinik Sonraki.
- İçin Gizli isim, öneki ekle
AmazonSageMaker
(örneğin, sırrımızAmazonSageMaker-DataWranglerSnowflakeCreds
). - içinde Etiketler bölümünde, anahtarla bir etiket ekleyin
SageMaker
ve değertrue
. - Klinik Sonraki.
- Kalan alanlar isteğe bağlıdır; Seç Sonraki seçme şansın olana kadar mağaza sırrı saklamak için.
Gizli anahtarı sakladıktan sonra Secrets Manager konsoluna geri dönersiniz.
- Az önce oluşturduğunuz sırrı seçin, ardından gizli ARN'yi alın.
- Bunu daha sonra Data Wrangler veri kaynağı oluşturduğunuzda kullanmak üzere tercih ettiğiniz metin düzenleyicide saklayın.
Bir Studio Yaşam Döngüsü Yapılandırması Oluşturun
Studio'da bir Yaşam Döngüsü Yapılandırması oluşturmak için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Yaşam döngüsü yapılandırmaları Gezinti bölmesinde.
- Klinik Yapılandırma oluştur.
- Klinik Jüpyter sunucu uygulaması.
- Aşağıdaki içeriğe sahip yeni bir yaşam döngüsü yapılandırması oluşturun veya mevcut bir yapılandırmayı ekleyin:
Yapılandırma, ada sahip bir dosya oluşturur. ".snowflake_identity_provider_oauth_config"
, kullanıcının ana klasöründeki sırrı içerir.
- Klinik Yapılandırma Oluştur.
Varsayılan Yaşam Döngüsü Yapılandırmasını ayarlayın
Az önce oluşturduğunuz Yaşam Döngüsü Yapılandırmasını varsayılan olarak ayarlamak için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Alanlar Gezinti bölmesinde.
- Bu örnek için kullanacağınız Studio alanını seçin.
- Üzerinde çevre sekmesinde, Kişisel Studio uygulamaları için yaşam döngüsü yapılandırmaları bölümü, seçim iliştirmek.
- İçin Kaynakseçin Mevcut konfigürasyon.
- Az önce yaptığınız yapılandırmayı seçin, ardından Etki alanına ekle.
- Yeni yapılandırmayı seçin ve seçin Varsayılan olarak ayarla, Daha sonra seçmek Varsayılan olarak ayarla tekrar açılır mesajda.
Yeni ayarlarınız şimdi altında görünür olmalıdır. Kişisel Studio uygulamaları için yaşam döngüsü yapılandırmaları varsayılan olarak.
- Değişikliklerin etkili olması için Studio uygulamasını kapatın ve yeniden başlatın.
Veri bilimcisi deneyimi
Bu bölümde, veri bilimcilerin Data Wrangler'da bir veri kaynağı olarak Snowflake'e nasıl bağlanabileceklerini ve verileri makine öğrenimi için nasıl hazırlayabileceklerini ele alıyoruz.
Yeni bir veri akışı oluşturun
Veri akışınızı oluşturmak için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Amazon SageMaker Stüdyosu Gezinti bölmesinde.
- Klinik Stüdyo Aç.
- Stüdyoda Ana Sayfa sayfasını seçin Verileri görsel olarak içe aktarın ve hazırlayın. Alternatif olarak, üzerinde fileto açılır, seçin yeni, Daha sonra seçmek SageMaker Veri Düzenleyici Akışı.
Yeni bir akış oluşturmak birkaç dakika sürebilir.
- Üzerinde Tarihleri içe aktar sayfasını seçin Bağlantı oluştur.
- Klinik Kar taneciği veri kaynakları listesinden.
- İçin Kimlik doğrulama yöntemi, seçmek OAuth.
OAuth'u görmüyorsanız önceki Yaşam Döngüsü Yapılandırma adımlarını doğrulayın.
- için ayrıntıları girin kar tanesi hesap adı ve Depolama entegrasyonu.
- Bir bağlantı adı girin ve seçin Sosyal medya.
Bir IdP kimlik doğrulama sayfasına yönlendirilirsiniz. Bu örnek için Okta kullanıyoruz.
- Kullanıcı adınızı ve şifrenizi girin, ardından seçin Oturum aç.
Kimlik doğrulama başarılı olduktan sonra Studio veri akışı sayfasına yönlendirilirsiniz.
- Üzerinde Snowflake'ten verileri içe aktarın sayfa, veritabanı nesnelerine göz atın veya hedeflenen veriler için bir sorgu çalıştırın.
- Sorgu düzenleyicide bir sorgu girin ve sonuçları önizleyin.
Aşağıdaki örnekte, yüklüyoruz Kredi Verileri ve 5,000 satırdan tüm sütunları alın.
- Klinik ithalat.
- Bir veri kümesi adı girin (bu gönderi için
snowflake_loan_dataset
) ve Seç Ekle.
Yönlendirilirsiniz Hazırlamak verilere dönüşümler ve analizler ekleyebileceğiniz sayfa.
Data Wrangler, verileri almayı ve keşif amaçlı veri analizi, özellik seçimi ve özellik mühendisliği gibi veri hazırlama görevlerini gerçekleştirmeyi kolaylaştırır. Veri hazırlama hakkındaki bu gönderide Data Wrangler'ın özelliklerinden yalnızca birkaçını ele aldık; özelliğin önemi, hedef sızıntısı ve model açıklanabilirliği gibi daha gelişmiş veri analizi için kolay ve sezgisel bir kullanıcı arabirimi kullanarak Data Wrangler'ı kullanabilirsiniz.
Veri kalitesini analiz edin
Kullan Veri Kalitesi ve Öngörüler Raporu Data Wrangler'a aktardığınız verilerin analizini gerçekleştirmek için. Data Wrangler, raporu örneklenen verilerden oluşturur.
- Data Wrangler akış sayfasında, yanındaki artı işaretini seçin. Veri tipleri, Daha sonra seçmek Veri içgörüleri alın.
- Klinik Veri Kalitesi ve Öngörü Raporu için Analiz türü.
- İçin Hedef sütun, hedef sütununuzu seçin.
- İçin Sorun tipiseçin Sınıflandırma.
- Klinik oluşturmak.
Bilgi raporunda, eksik değerler, geçersiz değerler, özellik türleri, aykırı değer sayıları ve daha fazlası gibi genel bilgileri içeren verilerin kısa bir özeti bulunur. Raporu indirebilir veya çevrimiçi olarak görüntüleyebilirsiniz.
Verilere dönüşümler ekleyin
Data Wrangler, 300'den fazla yerleşik dönüşüme sahiptir. Bu bölümde, bir ML modeli için veri kümesini hazırlamak için bu dönüşümlerden bazılarını kullanıyoruz.
- Data Wrangler akış sayfasında artı işaretini seçin, ardından Dönüşüm ekle.
Gönderideki adımları izliyorsanız, veri kümenizi ekledikten sonra otomatik olarak buraya yönlendirilirsiniz.
- Sütunların veri türünü doğrulayın ve değiştirin.
Sütunlara baktığımızda, bunu tanımlarız. MNTHS_SINCE_LAST_DELINQ
ve MNTHS_SINCE_LAST_RECORD
büyük olasılıkla dize yerine bir sayı türü olarak temsil edilmelidir.
- Değişiklikleri uyguladıktan ve adımı ekledikten sonra, sütun veri türünün değişken olarak değiştirildiğini doğrulayabilirsiniz.
Verilere baktığımızda, alanların olduğunu görebiliriz. EMP_TITLE
, URL
, DESCRIPTION
, ve TITLE
kullanım durumumuzda muhtemelen modelimize değer sağlamayacak, bu yüzden onları bırakabiliriz.
- Klinik Adım Ekle, Daha sonra seçmek Sütunları yönet.
- İçin Dönüştürmek, seçmek Sütunu bırak.
- İçin Bırakılacak sütun, belirtin
EMP_TITLE
,URL
,DESCRIPTION
, veTITLE
. - Klinik Önizleme ve Ekle.
Ardından, veri setimizde kategorik verileri aramak istiyoruz. Data Wrangler, hem sıralı hem de tek-sıcak kodlamaları kullanarak kategorik verileri kodlamak için yerleşik bir işlevselliğe sahiptir. Veri setimize baktığımızda, TERM
, HOME_OWNERSHIP
, ve PURPOSE
sütunların tümü doğada kategorik görünüyor.
- Başka bir adım ekleyin ve seçin kategorik kodlama.
- İçin Dönüştürmek, seçmek Tek sıcak kodlama.
- İçin Giriş sütunu, seçmek
TERM
. - İçin Çıktı stili, seçmek Sütunlar.
- Diğer tüm ayarları varsayılan olarak bırakın, ardından Önizleme ve Ekle.
The HOME_OWNERSHIP
sütununda dört olası değer vardır: RENT
, MORTGAGE
, OWN
, ve diğeri.
- Bu değerlere tek etkin kodlama yaklaşımı uygulamak için önceki adımları tekrarlayın.
Son olarak, PURPOSE
sütun birkaç olası değere sahiptir. Bu veriler için de tek sıcak kodlama yaklaşımı kullanıyoruz, ancak çıktıyı sütunlar yerine bir vektör olarak ayarladık.
- İçin Dönüştürmek, seçmek Tek sıcak kodlama.
- İçin Giriş sütunu, seçmek
PURPOSE
. - İçin Çıktı stili, seçmek vektör.
- İçin Çıktı sütunu, biz bu sütunu
PURPOSE_VCTR
.
Bu orijinal tutar PURPOSE
sütun, daha sonra kullanmaya karar verirsek.
- Diğer tüm ayarları varsayılan olarak bırakın, ardından Önizleme ve Ekle.
Veri akışını dışa aktar
Son olarak, tüm bu veri akışını, kod önceden doldurulmuş bir Jupyter not defteri oluşturan SageMaker İşleme işiyle bir özellik deposuna aktarıyoruz.
- Veri akışı sayfasında artı işaretini seçin ve İhracat.
- Nereye dışa aktarılacağını seçin. Kullanım durumumuz için seçiyoruz SageMaker Özellik Mağazası.
Dışa aktarılan not defteri artık çalışmaya hazırdır.
Verileri dışa aktarın ve Autopilot ile bir model eğitin
Artık modeli kullanarak eğitebiliriz. Amazon SageMaker Otomatik Pilot.
- Veri akışı sayfasında, Eğitim sekmesi.
- İçin Amazon S3 konumu, kaydedilecek veriler için bir konum girin.
- Klinik İhracat ve eğitim.
- içindeki ayarları belirtin. Hedef ve özellikler, Eğitim yöntemi, Dağıtım ve gelişmiş ayarlar, ve İnceleyin ve oluşturun bölümleri.
- Klinik Deneme oluştur Sorununuz için en iyi modeli bulmak için.
Temizlemek
Data Wrangler ile çalışmanız tamamlandıysa, Data Wrangler örneğinizi kapatın ek ücret ödememek için.
Sonuç
Bu yazıda, bağlanmayı gösterdik OAuth kullanarak Data Wrangler'dan Snowflake'e, bir veri kümesini dönüştürmek ve analiz etmek ve son olarak onu bir Jupyter not defterinde kullanılabilmesi için veri akışına dışa aktarmak. En önemlisi, herhangi bir kod yazmak zorunda kalmadan veri hazırlama için bir boru hattı oluşturduk.
Data Wrangler'ı kullanmaya başlamak için bkz. Amazon SageMaker Data Wrangler ile ML Verilerini Hazırlayın.
yazarlar hakkında
Ajjay Govindaram AWS'de Kıdemli Çözüm Mimarıdır. Karmaşık iş sorunlarını çözmek için AI/ML kullanan stratejik müşterilerle çalışıyor. Tecrübesi, orta ila büyük ölçekli AI/ML uygulama devreye alımları için teknik yönlendirme ve tasarım yardımı sağlamada yatmaktadır. Bilgisi, uygulama mimarisinden büyük veriye, analitiğe ve makine öğrenimine kadar uzanıyor. Dinlenirken müzik dinlemekten, dışarıyı deneyimlemekten ve sevdikleriyle vakit geçirmekten hoşlanır.
bosco albuquerque AWS'de Kıdemli İş Ortağı Çözümleri Mimarıdır ve kurumsal veritabanı satıcıları ile bulut sağlayıcılarının veritabanı ve analitik ürünleriyle çalışma konusunda 20 yılı aşkın deneyime sahiptir. Büyük teknoloji şirketlerinin veri analitiği çözümleri tasarlamasına yardımcı oldu ve mühendislik ekiplerine veri analitiği platformları ve veri ürünleri tasarlama ve uygulamada liderlik etti.
Matt Marzillo Snowflake'te Kıdemli Satış Ortağı Mühendisidir. Hem danışmanlıkta hem de endüstri kuruluşlarında veri bilimi ve makine öğrenimi rollerinde 10 yıllık deneyime sahiptir. Matt, pazarlama, satış, operasyon, klinik ve finans gibi alanlarda birçok farklı kuruluşta yapay zeka ve makine öğrenimi modellerini geliştirme ve dağıtmanın yanı sıra danışmanlık rollerinde danışmanlık yapma deneyimine sahiptir.
Huong Nguyen AWS'de Amazon SageMaker Data Wrangler ürün lideridir. Hem kurumsal hem de tüketici alanları için müşteri takıntılı ve veri odaklı ürünler yaratma konusunda 15 yıllık bir deneyime sahiptir. Boş zamanlarında sesli kitaplardan, bahçecilikten, yürüyüş yapmaktan ve ailesi ve arkadaşlarıyla vakit geçirmekten hoşlanır.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/access-snowflake-data-using-oauth-based-authentication-in-amazon-sagemaker-data-wrangler/
- :dır-dir
- $UP
- 000
- 10
- 100
- 15 yıl
- 20 yıl
- 7
- 8
- 9
- a
- Yapabilmek
- Hakkımızda
- erişim
- Verilere erişim
- erişme
- Hesap
- karşısında
- Ad
- ilave
- Ek
- Gizem
- ilerlemek
- ileri
- danışmanlık
- Sonra
- AI
- AI / ML
- Türkiye
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Veri Düzenleyicisi
- analizler
- analiz
- analytics
- çözümlemek
- analiz
- ve
- Başka
- api
- uygulamayı yükleyeceğiz
- görünmek
- Uygulama
- Tamam
- Uygulanması
- yaklaşım
- uygulamalar
- mimari
- ARE
- alanlar
- AS
- Yardım
- ilişkili
- At
- iliştirmek
- izleyici
- ses
- kimlik doğrulaması
- Doğrulama
- yetki
- otomatikleştirmek
- otomatik olarak
- AWS
- masmavi
- BE
- Çünkü
- önce
- başlamak
- İYİ
- Büyük
- büyük Veri
- vücut
- Kitaplar
- yerleşik
- iş
- by
- çağrı
- denilen
- CAN
- yetenekleri
- dava
- KEDİ
- değişiklikler
- seçim
- Klinik
- müşteri
- Klinik
- bulut
- kod
- Sütun
- Sütunlar
- Şirketler
- tamamlamak
- karmaşık
- kavram
- yapılandırma
- Sosyal medya
- bağlantı
- bağ
- konsolos
- danışman
- tüketici
- içerik
- olabilir
- kapak
- kaplı
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- Tanıtım
- Müşteriler
- veri
- veri analizi
- Veri Analizi
- Veri Platformu
- Veri Hazırlama
- veri bilimi
- veri bilimcisi
- veri-güdümlü
- veritabanı
- karar vermek
- Varsayılan
- gösterdi
- dağıtma
- dağıtımları
- Dizayn
- tasarım
- ayrıntı
- ayrıntılar
- gelişen
- farklı
- yön
- direkt olarak
- farklı
- belgeleme
- Değil
- domain
- Dont
- aşağı
- indir
- Damla
- her
- editör
- Efekt
- ya
- etkinleştirmek
- mühendis
- Mühendislik
- Keşfet
- kuruluş
- çevre
- örnek
- mevcut
- deneyim
- yaşıyor
- Açıklayıcı Veri Analizi
- ihracat
- dış
- FAIL
- aile
- Özellikler(Hazırlık aşamasında)
- Özellikler
- Fiyatlandırma(Yakında)
- az
- alan
- Alanlar
- fileto
- Nihayet
- maliye
- bulmak
- Şamandıra
- akış
- takip etme
- İçin
- biçim
- Sıklık
- sık sık
- arkadaşlar
- itibaren
- işlevsellik
- genel
- almak
- verir
- vermek
- büyük
- Rehberler
- Var
- sahip olan
- yardım et
- yardım
- okuyun
- Ana Sayfa
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- ID
- tanımlayıcı
- belirlemek
- Kimlik
- boş
- uygulanması
- ithalat
- önem
- in
- içerir
- Dahil olmak üzere
- hatalı olarak
- sanayi
- bilgi
- giriş
- kavrama
- anlayışlar
- talimatlar
- bütünleşme
- entegrasyonlar
- arayüzey
- sezgisel
- ilgili
- IT
- İş
- Mesleki Öğretiler
- jpg
- anahtar
- bilgi
- büyük
- büyük ölçekli
- lider
- öğrenme
- Led
- yalan
- yaşam döngüsü
- ömür
- sevmek
- Muhtemelen
- Liste
- Dinleme
- yük
- yükler
- yer
- Bakın
- bakıyor
- sevilen
- makine
- makine öğrenme
- yapılmış
- yapmak
- YAPAR
- Yapımı
- müdür
- çok
- Pazarlama
- mesaj
- olabilir
- dakika
- eksik
- ML
- model
- modelleri
- değiştirmek
- Daha
- çoğu
- çoklu
- Music
- isim
- isimleri
- Tabiat
- Navigasyon
- gerek
- gerek
- ihtiyaçlar
- yeni
- sonraki
- özellikle
- defter
- numara
- oauth
- nesneler
- of
- Okta
- on
- ONE
- Online
- Operasyon
- seçenek
- organizasyonlar
- orijinal
- Diğer
- aksi takdirde
- açık havada
- çıktı
- kendi
- Kanal
- çiftleri
- bölmesi
- Partner
- Şifre
- Yapmak
- izinleri
- kişisel
- boru hattı
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- artı
- politikaları
- pop-up
- mümkün
- Çivi
- tercihli
- Hazırlamak
- önkoşullar
- Önizleme
- önceki
- Sorun
- sorunlar
- prosedürler
- süreç
- işleme
- PLATFORM
- Ürünler
- Profil
- Programlama
- uygun şekilde
- sağlamak
- sağlanan
- sağlayan
- sağlayıcılar
- sağlar
- sağlama
- kalite
- daha doğrusu
- hazır
- tavsiye etmek
- yönlendirme
- azaltarak
- bölge
- kayıt olmak
- kayıt
- kayıtlar
- relaunch
- rapor
- temsil
- gerektirir
- bu
- DİNLENME
- sonuç
- Sonuçlar
- perakende
- Rol
- rolleri
- koşmak
- koşu
- sagemaker
- satış
- çizelgeleme
- Bilim
- bilim adamı
- bilim adamları
- kapsam
- Gizli
- Bölüm
- bölümler
- güvenlik
- seçim
- kıdemli
- Duyarlılık
- set
- ayar
- ayarlar
- birkaç
- Kabuk
- meli
- şov
- işaret
- Basit
- tek
- So
- Çözümler
- ÇÖZMEK
- biraz
- Kaynak
- kaynaklar
- alanlarda
- Harcama
- başladı
- başlar
- adım
- Basamaklar
- hafızası
- mağaza
- saklı
- depolamak
- Stratejik
- dizi
- stüdyo
- başarılı
- böyle
- ÖZET
- destek
- Destekler
- TAG
- Bizi daha iyi tanımak için
- alır
- Hedef
- Hedeflenen
- görevleri
- takım
- Teknik
- Teknoloji
- teknoloji şirketleri
- o
- The
- Bilgi
- ve bazı Asya
- Onları
- Bunlar
- İçinden
- zaman
- için
- simge
- Jeton
- Tren
- Dönüştürmek
- dönüşümler
- dönüşüm
- türleri
- altında
- anlamak
- benzersiz
- Güncelleme
- URL
- kullanım
- kullanım durumu
- kullanıcı
- Kullanıcı Arayüzü
- kullanıcılar
- değer
- Değerler
- satıcıları
- doğrulamak
- üzerinden
- Görüntüle
- gözle görülür
- örneklerde
- uyarı
- Haftalar
- İYİ
- hangi
- süre
- DSÖ
- bütün
- irade
- ile
- içinde
- olmadan
- İş
- iş akışları
- çalışma
- çalışır
- yazmak
- yazı yazıyor
- yıl
- Sen
- zefirnet