Dolandırıcılık tespiti, finansal hizmetler, sosyal medya, e-ticaret, oyun ve diğer sektörlerde uygulamaları olan önemli bir sorundur. Bu gönderi, bir işlemin hem transdüktif hem de tümevarımsal çıkarım modları aracılığıyla hileli olma olasılığını tahmin etmek için İlişkisel Grafik Konvolüsyon Ağı (RGCN) modelini kullanan bir dolandırıcılık tespit çözümünün bir uygulamasını sunar. Uygulamamızı bir Amazon Adaçayı Yapıcı harici grafik depolama veya düzenleme gerektirmeden gerçek zamanlı bir dolandırıcılık tespit çözümü olarak uç nokta, böylece modelin dağıtım maliyetini önemli ölçüde azaltır.
Dolandırıcılık tespiti için tam olarak yönetilen bir AWS AI hizmeti arayan işletmeler de şunları kullanabilir: Amazon Sahtekarlık Dedektörü, şüpheli çevrimiçi ödemeleri tespit etmek, yeni hesap dolandırıcılığını tespit etmek, deneme ve bağlılık programının kötüye kullanımını önlemek veya hesap ele geçirme tespitini iyileştirmek için kullanabileceğiniz.
Çözüme genel bakış
Aşağıdaki diyagram, farklı bilgi türlerini içeren örnek bir finansal işlem ağını açıklamaktadır. Her işlem, cihaz tanımlayıcıları, Wi-Fi kimlikleri, IP adresleri, fiziksel konumlar, telefon numaraları ve daha fazlası gibi bilgileri içerir. İşlem veri kümelerini, farklı türde düğümler ve kenarlar içeren heterojen bir grafik aracılığıyla temsil ediyoruz. Daha sonra, dolandırıcılık tespiti problemi bu heterojen grafik üzerinde bir düğüm sınıflandırma görevi olarak ele alınmaktadır.
Grafik nöral ağlar (GNN'ler), dolandırıcılık tespit sorunlarının üstesinden gelmede büyük umut vaat ediyor ve kıyaslama veri kümelerinde gradyan destekli karar ağaçları veya tamamen bağlantılı ileri beslemeli ağlar gibi popüler denetimli öğrenme yöntemlerinden daha iyi performans gösteriyor. Tipik bir dolandırıcılık tespit kurulumunda, eğitim aşamasında, bir GNN modeli bir dizi etiketli işlem üzerinde eğitilir. Her eğitim işlemine, sahte olup olmadığını gösteren ikili bir etiket verilir. Bu eğitilmiş model daha sonra çıkarım aşamasında bir dizi etiketlenmemiş işlem arasındaki hileli işlemleri tespit etmek için kullanılabilir. İki farklı çıkarım modu vardır: transdüktif çıkarıma karşı tümevarımsal çıkarım (bu gönderide daha sonra tartışacağız).
RGCN gibi GNN tabanlı modeller, kötü amaçlı işlemleri meşru işlemlerden ayıran anlamlı bir temsil öğrenmek için hem grafik yapısını hem de düğümlerin ve kenarların özelliklerini birleştirerek topolojik bilgilerden yararlanabilir. RGCN, heterojen grafik gömme yoluyla farklı türdeki düğümleri ve kenarları (ilişkileri) temsil etmeyi etkili bir şekilde öğrenebilir. Önceki şemada, her işlem bir hedef düğüm olarak modelleniyor ve her işlemle ilişkili birkaç varlık, aşağıdakiler gibi hedef olmayan düğüm türleri olarak modelleniyor: ProductCD
ve P_emaildomain
. Hedef düğümler atanmış sayısal ve kategorik özelliklere sahipken, diğer düğüm türleri özelliksizdir. RGCN modeli, hedef olmayan her düğüm türü için bir yerleştirme öğrenir. Bir hedef düğümün gömülmesi için, özelliklerini ve komşu gömmelerini kullanarak gömmesini hesaplamak için evrişimli bir işlem kullanılır. Gönderinin geri kalanında, GNN ve RGCN terimlerini birbirinin yerine kullanıyoruz.
Hedef olmayan varlıkları özellik olarak ele almak ve bunları tek seferde kodlamak gibi alternatif stratejilerin, bu varlıkların büyük kardinaliteleri nedeniyle çoğu zaman uygulanamaz olacağını belirtmekte fayda var. Tersine, bunları grafik varlıklar olarak kodlamak, GNN modelinin varlık ilişkilerinde örtük topolojiden faydalanmasını sağlar. Örneğin, hileli olduğu bilinen işlemlerle aynı telefon numarasını paylaşan işlemlerin de sahte olma olasılığı daha yüksektir.
GNN'ler tarafından kullanılan grafik gösterimi, uygulamalarında bazı karmaşıklıklar yaratır. Bu özellikle, model eğitimi sırasında bilinmeyen varlıklara karşılık gelen yeni eklenen düğümlerle çıkarım sırasında grafik gösteriminin artırılabileceği dolandırıcılık tespiti gibi uygulamalar için geçerlidir. Bu çıkarım senaryosu genellikle şu şekilde adlandırılır: endüktif mod. Tersine, transdüktif mod model eğitimi sırasında oluşturulan grafik temsilinin çıkarım sırasında değişmeyeceğini varsayan bir senaryodur. GNN modelleri, geri yayılım sırasında test etiketlerini maskelerken, birleştirilmiş eğitim ve test örneklerinden grafik temsilleri oluşturarak genellikle transdüktif modda değerlendirilir. Bu, grafik temsilinin statik olmasını sağlar ve burada GNN modeli, çıkarım sırasında grafiği yeni düğümlerle genişletmek için işlemlerin uygulanmasını gerektirmez. Ne yazık ki, gerçek dünya ortamında hileli işlemler tespit edilirken statik grafik temsili varsayılamaz. Bu nedenle, sahtekarlık tespiti için GNN modellerini üretim ortamlarına dağıtırken tümevarımsal çıkarım desteği gereklidir.
Ayrıca, hileli işlemlerin gerçek zamanlı olarak tespit edilmesi, özellikle yasa dışı faaliyetleri durdurmanın tek bir şansının olduğu iş durumlarında çok önemlidir. Örneğin, dolandırıcı kullanıcılar bir hesapla yalnızca bir kez kötü niyetli davranabilir ve aynı hesabı bir daha asla kullanmayabilir. GNN modellerinde gerçek zamanlı çıkarım, uygulamaya ek karmaşıklık getirir. Gerçek zamanlı çıkarımı desteklemek için genellikle alt grafik çıkarma işlemlerini uygulamak gerekir. Grafik gösterimi büyük olduğunda ve tüm grafik üzerinde çıkarım yapmak aşırı derecede pahalı hale geldiğinde, alt grafik çıkarma işlemi çıkarım gecikmesini azaltmak için gereklidir. Bir RGCN modeliyle gerçek zamanlı endüktif çıkarım için bir algoritma aşağıdaki gibi çalışır:
- Bir grup işlem ve eğitimli bir RGCN modeli verildiğinde, toplu işteki varlıklarla grafik gösterimini genişletin.
- Hedef olmayan yeni düğümlerin katıştırma vektörlerini ilgili düğüm türlerinin ortalama katıştırma vektörü ile atayın.
- Tarafından indüklenen bir alt grafiği ayıklayın k- partiden hedef düğümlerin mahallesinden atlayın.
- Alt grafik üzerinde çıkarım gerçekleştirin ve grubun hedef düğümleri için tahmin puanlarını döndürün.
- Yeni eklenen düğümleri kaldırarak grafik temsilini temizleyin (bu adım, model çıkarımı için bellek gereksiniminin sabit kalmasını sağlar).
Bu gönderinin temel katkısı, gerçek zamanlı tümevarımsal çıkarım algoritmasını uygulayan bir RGCN modeli sunmaktır. RGCN uygulamamızı gerçek zamanlı bir dolandırıcılık algılama çözümü olarak bir SageMaker uç noktasına dağıtabilirsiniz. Çözümümüz, harici grafik depolama veya düzenleme gerektirmez ve dolandırıcılık algılama görevleri için RGCN modelinin dağıtım maliyetini önemli ölçüde azaltır. Model aynı zamanda transdüktif çıkarım modunu da uygulayarak, tümevarım ve transdüktif modlarda model performansını karşılaştırmak için deneyler yapmamızı sağlar. Model koduna ve deney içeren not defterlerine şu adresten erişilebilir: AWS Örnekleri GitHub deposu.
Bu gönderi, gönderi üzerine kuruludur Amazon SageMaker, Amazon Neptune ve Deep Graph Library'yi kullanarak GNN tabanlı gerçek zamanlı bir dolandırıcılık tespit çözümü oluşturun. Önceki gönderi, SageMaker'ı kullanarak RGCN tabanlı gerçek zamanlı bir dolandırıcılık tespit çözümü oluşturdu. Amazon Neptün, Ve Derin Grafik Kitaplığı (DGL). Önceki çözüm, gerekli olan harici grafik depolaması olarak bir Neptune veritabanı kullanıyordu. AWS Lambda gerçek zamanlı çıkarım için orkestrasyon için ve yalnızca transdüktif moddaki deneyleri içeriyordu.
Bu gönderide tanıtılan RGCN modeli, bir bağımlılık olarak yalnızca DGL'yi kullanarak gerçek zamanlı endüktif çıkarım algoritmasının tüm işlemlerini uygular ve dağıtım için harici grafik depolama veya düzenleme gerektirmez.
İlk önce RGCN modelinin performansını bir kıyaslama veri setinde transdüktif ve endüktif modlarda değerlendiriyoruz. Beklendiği gibi, endüktif moddaki model performansı, transdüktif moddakinden biraz daha düşüktür. Ayrıca hiperparametrenin etkisini de inceliyoruz. k model performansı hakkında. hiperparametre k gerçek zamanlı çıkarım algoritmasının 3. Adımında bir alt grafiği çıkarmak için gerçekleştirilen atlama sayısını kontrol eder. Daha yüksek değerler k daha büyük alt grafikler üretecek ve daha yüksek gecikme pahasına daha iyi çıkarım performansına yol açabilecektir. Bu nedenle, gerçek zamanlı bir uygulama için RGCN modelinin fizibilitesini değerlendirmek için zamanlama deneyleri de yapıyoruz.
Veri kümesi
Biz kullanın IEEE-CIS dolandırıcılık veri kümesi, bir öncekinde kullanılan aynı veri kümesi Facebook post. Veri kümesi, ikili dolandırıcılık etiketine sahip 590,000'den fazla işlem kaydı içerir ( isFraud
kolon). Veriler iki tabloya ayrılır: işlem ve kimlik. Ancak, tüm işlem kayıtlarının ilgili kimlik bilgileri yoktur. İki masayı birleştiriyoruz. TransactionID
toplam 144,233 işlem kaydı bırakan sütun. Tabloyu işlem zaman damgasına göre sıralarız ( TransactionDT
sütun) ve eğitim ve test için sırasıyla 80 ve 20 işlem üreten, zamana göre yüzde 115,386/28,847'lik bir bölme oluşturun.
Veri kümesi ve DGL'nin giriş gereksinimine uyacak şekilde nasıl biçimlendirileceği hakkında daha fazla ayrıntı için bkz. Amazon SageMaker ve Deep Graph Library kullanarak heterojen ağlarda sahtekarlığı algılama.
Grafik oluşturma
Biz kullanın TransactionID
hedef düğümleri oluşturmak için sütun. 11 tür hedef olmayan düğüm oluşturmak için aşağıdaki sütunları kullanıyoruz:
card1
içindencard6
ProductCD
addr1
veaddr2
P_emaildomain
veR_emaildomain
Hedef düğümlerin kategorik özellikleri olarak 38 sütun kullanıyoruz:
M1
içindenM9
DeviceType
veDeviceInfo
id_12
içindenid_38
Hedef düğümlerin sayısal özellikleri olarak 382 sütun kullanıyoruz:
TransactionAmt
dist1
vedist2
id_01
içindenid_11
C1
içindenC14
D1
içindenD15
V1
içindenV339
Eğitim işlemlerinden oluşturulan grafiğimiz 217,935 düğüm ve 2,653,878 kenar içermektedir.
Hiperparametreler
Diğer parametreler, önceki bölümde bildirilen parametrelerle eşleşecek şekilde ayarlanır. Facebook post. Aşağıdaki kod parçacığı, RGCN modelinin transdüktif ve tümevarım modlarında eğitimini göstermektedir:
Endüktif ve transdüktif mod
Endüktif mod için beş deneme ve transdüktif mod için beş deneme gerçekleştiriyoruz. Her deneme için bir RGCN modeli eğitiyor ve onu diske kaydederek 10 model elde ediyoruz. Her bir modeli, atlama sayısını artırırken test örnekleri üzerinde değerlendiriyoruz (parametre k) çıkarım için bir alt grafiği çıkarmak için kullanılır, ayar k 1, 2 ve 3'e. Tüm test örneklerini aynı anda tahmin ediyoruz ve her deneme için ROC AUC skorunu hesaplıyoruz. Aşağıdaki grafik, EAA puanlarının ortalamasını ve %95 güven aralıklarını göstermektedir.
Transdüktif moddaki performansın endüktif moddan biraz daha yüksek olduğunu görebiliriz. İçin k=2, endüktif ve transdüktif modlar için ortalama EAA puanları sırasıyla 0.876 ve 0.883'tür. Bu beklenen bir durumdur çünkü RGCN modeli, test setindekiler de dahil olmak üzere transdüktif modda tüm varlık düğümlerinin yerleşimlerini öğrenebilir. Buna karşılık, endüktif mod yalnızca modelin eğitim örneklerinde bulunan varlık düğümlerinin yerleştirmelerini öğrenmesine izin verir ve bu nedenle bazı düğümlerin çıkarım sırasında ortalama olarak doldurulması gerekir. Aynı zamanda, transdüktif ve endüktif modlar arasındaki performans düşüşü önemli değildir ve endüktif modda bile RGCN modeli, 0.876 AUC ile iyi bir performans elde eder. Ayrıca, model performansının aşağıdaki değerler için gelişmediğini de gözlemliyoruz: k>2. Bu, ayar anlamına gelir k=2, çıkarım sırasında yeterince büyük bir alt grafiği çıkarır ve optimum performansla sonuçlanır. Bu gözlem, bir sonraki deneyimiz tarafından da doğrulanmıştır.
Ayrıca, transdüktif mod için, modelimizin 0.883'lük AUC'sinin önceki bölümde bildirilen karşılık gelen 0.870'lik AUC'den daha yüksek olduğunu belirtmek gerekir. Facebook post. Hedef düğümlerin sayısal ve kategorik özellikleri olarak daha fazla sütun kullanıyoruz, bu da daha yüksek AUC puanını açıklayabilir. Ayrıca, önceki gönderideki deneylerin yalnızca tek bir deneme gerçekleştirdiğini de not ediyoruz.
Küçük bir parti üzerinde çıkarım
Bu deney için, RGCN modelini küçük toplu çıkarım ayarlarında değerlendiriyoruz. Önceki deneyde endüktif modda eğitilmiş beş model kullanıyoruz. İki ayarda tahmin yaparken bu modellerin performansını karşılaştırıyoruz: tam ve küçük toplu çıkarım. Tam toplu çıkarım için, önceki deneyde yapıldığı gibi tüm test setini tahmin ediyoruz. Küçük parti çıkarımı için, test setini her partide yaklaşık 28 işlemle eşit büyüklükte 1,000 partiye bölerek küçük gruplar halinde tahmin yaparız. Farklı değerler kullanarak her iki ayar için AUC puanlarını hesaplıyoruz. k. Aşağıdaki çizim, tam ve küçük toplu çıkarım ayarları için ortalama ve %95 güven aralıklarını gösterir.
Küçük toplu çıkarım için bu performansı şu durumlarda gözlemliyoruz: k=1, tam partiden daha düşüktür. Ancak, küçük toplu çıkarım performansı şu durumlarda tam toplu iş ile eşleşir: k>1. Bu, küçük gruplar için çıkarılan çok daha küçük alt grafiklere atfedilebilir. Bunu, eğitim işlemlerinden oluşturulan tüm grafiğin boyutuyla alt grafik boyutlarını karşılaştırarak onaylıyoruz. Grafik boyutlarını düğüm sayısı açısından karşılaştırıyoruz. İçin k=1, küçük toplu çıkarım için ortalama alt grafik boyutu, eğitim grafiğinin %2'sinden azdır. Ve ne zaman tam toplu çıkarım için k=1, alt grafik boyutu %22'dir. Ne zaman k=2, küçük ve tam toplu çıkarım için alt grafik boyutları sırasıyla %54 ve %64'tür. Son olarak, her iki çıkarım ayarı için alt grafik boyutları %100'e ulaşır. k=3. Başka bir deyişle, ne zaman k>1, küçük yığın için alt grafik yeterince büyük hale gelir ve küçük yığın çıkarımının tam yığın çıkarımı ile aynı performansa ulaşmasını sağlar.
Ayrıca her grup için tahmin gecikmesini de kaydederiz. Deneylerimizi bir ml.r5.12xlarge örneği üzerinde gerçekleştiriyoruz, ancak aynı deneyleri yapmak için 64 G belleğe sahip daha küçük bir örnek kullanabilirsiniz. Aşağıdaki çizim, farklı değerler için küçük toplu tahmin gecikmelerinin ortalamasını ve %95 güven aralıklarını gösterir. k.
Gecikme, gerçek zamanlı endüktif çıkarım algoritmasının beş adımının tümünü içerir. Görüyoruz ki k=2, 1,030 işlemi tahmin etmek ortalama 5.4 saniye sürer ve saniyede 190 işlemle sonuçlanır. Bu, RGCN modeli uygulamasının gerçek zamanlı dolandırıcılık tespiti için uygun olduğunu onaylar. Ayrıca not ediyoruz ki, önceki Facebook post bunların uygulanması için sabit gecikme değerleri sağlamadı.
Sonuç
Bu gönderiyle birlikte yayınlanan RGCN modeli, gerçek zamanlı endüktif çıkarım için algoritmayı uygular ve harici grafik depolama veya orkestrasyon gerektirmez. parametre k Algoritmanın 3. Adımında, çıkarım için alt grafiği çıkarmak için gerçekleştirilen atlama sayısını belirtir ve model doğruluğu ile tahmin gecikmesi arasında bir değiş tokuşla sonuçlanır. biz kullandık IEEE-CIS dolandırıcılık veri kümesi deneylerimizde ve parametrenin optimal değerinin ampirik olarak doğrulandı k bu veri kümesi için 2, 0.876 AUC puanı ve 6 işlem başına 1,000 saniyeden az tahmin gecikmesi elde edilir.
Bu gönderi, gerçek zamanlı dolandırıcılık tespiti için bir RGCN modelinin eğitimi ve değerlendirilmesi için adım adım bir süreç sağladı. Dahil edilen model sınıfı, seri hale getirme ve serisini kaldırma yöntemleri dahil olmak üzere tüm model yaşam döngüsü için yöntemler uygular. Bu, modelin gerçek zamanlı dolandırıcılık tespiti için kullanılmasını sağlar. Modeli bir PyTorch SageMaker tahmin aracı olarak eğitebilir ve ardından aşağıdakileri kullanarak bir SageMaker uç noktasına konuşlandırabilirsiniz. defter şablon olarak. Uç nokta, gerçek zamanlı olarak küçük toplu işlenmemiş işlemlerde dolandırıcılığı tahmin edebilir. Ayrıca kullanabilirsin Amazon SageMaker Çıkarım Öneri Aracı iş yüklerinize dayalı olarak çıkarım uç noktası için en iyi örnek tipini ve yapılandırmayı seçmek için.
Bu konu ve uygulama hakkında daha fazla bilgi için, komut dosyalarımızı kendi başınıza keşfetmenizi ve test etmenizi öneririz. Defterlere ve ilgili model sınıf koduna aşağıdaki adresten ulaşabilirsiniz. AWS Örnekleri GitHub deposu.
Yazarlar Hakkında
Dmitry Bespalov Amazon Makine Öğrenimi Çözümleri Laboratuvarı'nda Kıdemli Uygulamalı Bilim İnsanı olarak görev yapıyor ve burada farklı sektörlerdeki AWS müşterilerinin yapay zeka ve bulut benimsemelerini hızlandırmalarına yardımcı oluyor.
Ryan Marka Amazon Makine Öğrenimi Çözümleri Laboratuvarı'nda Uygulamalı Bilim Adamı. Sağlık ve yaşam bilimlerindeki sorunlara makine öğrenimini uygulama konusunda özel deneyime sahiptir. Boş zamanlarında tarih ve bilim kurgu okumaktan hoşlanır.
Yanjun Qi Amazon Machine Learning Solution Lab'de Kıdemli Uygulamalı Bilim Yöneticisidir. AWS müşterilerinin yapay zekayı ve bulutu benimseme sürecini hızlandırmasına yardımcı olmak için makine öğreniminde yenilikler yapıyor ve uyguluyor.
- 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/build-a-gnn-based-real-time-fraud-detection-solution-using-the-deep-graph-library-without-using-external-graph-storage/
- 000
- 1
- 10
- 100
- 11
- 2%
- 28
- 7
- İNDİRİM
- a
- Yapabilmek
- Hakkımızda
- taciz
- hızlandırmak
- erişim
- erişilen
- Hesap
- doğruluk
- Elde Ediyor
- elde
- karşısında
- faaliyetler
- katma
- ilave
- Ek
- adresleri
- Benimseme
- avantaj
- AI
- algoritma
- Türkiye
- veriyor
- alternatif
- Amazon
- Amazon Makine Öğrenimi
- Amazon Neptün
- Amazon Adaçayı Yapıcı
- arasında
- ve
- Uygulama
- uygulamaları
- uygulamalı
- Uygulanması
- yaklaşık olarak
- Dizi
- atanmış
- ilişkili
- varsayılır
- augmented
- ortalama
- AWS
- merkezli
- Çünkü
- olur
- olmak
- kıyaslama
- kıyaslama
- İYİ
- Daha iyi
- arasında
- marka
- inşa etmek
- inşa
- yapılı
- iş
- taşımak
- durumlarda
- şans
- değişiklik
- sınıf
- sınıflandırma
- bulut
- bulut benimseme
- kod
- Sütun
- Sütunlar
- kombine
- birleştirme
- karşılaştırmak
- karşılaştırarak
- karmaşıklık
- hesaplamak
- Davranış
- güven
- yapılandırma
- Onaylamak
- ONAYLANDI
- bağlı
- sabit
- inşa
- kas kütlesi inşasında ve
- içeren
- kontrast
- katkı
- kontroller
- uyan
- Ücret
- yaratmak
- oluşturur
- çok önemli
- Müşteriler
- veri
- veritabanı
- veri kümeleri
- karar
- derin
- Varsayılan
- tanımlı
- Bağımlılık
- dağıtmak
- dağıtma
- açılma
- ayrıntılar
- Bulma
- cihaz
- dgl
- DID
- farklı
- tartışmak
- Değil
- Damla
- sırasında
- her
- e-ticaret
- Efekt
- etkili bir şekilde
- sağlar
- etkinleştirme
- teşvik etmek
- Son nokta
- olmasını sağlar
- Tüm
- kişiler
- varlık
- ortamları
- özellikle
- değerlendirmek
- değerlendirilir
- değerlendirilmesi
- Hatta
- Her
- örnek
- örnekler
- beklenen
- pahalı
- deneyim
- deneme
- Açıklamak
- keşfetmek
- uzatmak
- dış
- çıkarmak
- Özellikler
- Kurgu
- Nihayet
- mali
- finansal hizmetler
- Ad
- takip etme
- şu
- biçim
- dolandırıcılık
- sahtekarlık tespiti
- sahte
- Ücretsiz
- itibaren
- tam
- tamamen
- kumar
- oluşturmak
- almak
- GitHub
- Tercih Etmenizin
- grafik
- harika
- Zor
- sağlık
- yardım et
- yardımcı olur
- daha yüksek
- tarih
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- belirlemek
- Kimlik
- Yasadışı
- uygulamak
- uygulama
- uygulanması
- uygular
- ithalat
- önemli
- iyileştirmek
- in
- Diğer
- dahil
- içerir
- Dahil olmak üzere
- artan
- Endüstri
- bilgi
- giriş
- örnek
- tanıttı
- Tanıtımlar
- IP
- IP adresleri
- IT
- kaydol
- anahtar
- bilinen
- laboratuvar
- etiket
- Etiketler
- büyük
- büyük
- Gecikme
- öncülük etmek
- ÖĞRENİN
- öğrenme
- Kütüphane
- hayat
- Yaşam Bilimleri
- yaşam döngüsü
- Muhtemelen
- yük
- yerleri
- bakıyor
- Bağlılık
- Sadakat programı
- makine
- makine öğrenme
- müdür
- Maç
- anlamlı
- medya
- Bellek
- yöntemleri
- ML
- Moda
- model
- modelleri
- modları
- Daha
- gerekli
- Neptün
- ağ
- ağlar
- nöral ağlar
- yeni
- sonraki
- düğüm
- düğümler
- numara
- sayılar
- gözlemek
- edinme
- ONE
- Online
- çevrimiçi ödemeler
- operasyon
- Operasyon
- optimum
- orkestrasyon
- Diğer
- bir üstün
- kendi
- pandalar
- parametre
- parametreler
- geçti
- ödemeler
- yüzde
- Yapmak
- performans
- icra
- faz
- telefon
- fiziksel
- Platon
- Plato Veri Zekası
- PlatoVeri
- Popüler
- Çivi
- tahmin
- tahmin
- tahmin
- mevcut
- hediyeler
- önlemek
- önceki
- Önceki
- Sorun
- sorunlar
- süreç
- üretmek
- üretim
- Programı
- söz
- sağlamak
- sağlanan
- pytorch
- Qi
- Çiğ
- ulaşmak
- Okuma
- gerçek
- Gerçek dünya
- gerçek zaman
- kayıt
- kayıtlar
- azaltmak
- azaltır
- azaltarak
- Referans
- ilgili
- ilişkiler
- İlişkiler
- serbest
- kaldırma
- Bildirilen
- temsil etmek
- temsil
- gerektirir
- gereklidir
- gereklilik
- bu
- DİNLENME
- Ortaya çıkan
- Sonuçlar
- dönüş
- koşmak
- Ryan
- sagemaker
- SageMaker Çıkarımı
- aynı
- İndirim
- senaryo
- Bilim
- Bilimkurgu
- BİLİMLERİ
- bilim adamı
- scriptler
- İkinci
- saniye
- kıdemli
- hizmet
- Hizmetler
- set
- ayar
- ayarlar
- kurulum
- birkaç
- paylaş
- gösterilen
- Gösteriler
- önemli
- önemli ölçüde
- tek
- beden
- boyutları
- küçük
- daha küçük
- So
- Sosyal Medya
- sosyal medya
- çözüm
- Çözümler
- biraz
- özel
- hız
- bölmek
- Splits
- adım
- Basamaklar
- durdurma
- hafızası
- stratejileri
- yapı
- Ders çalışma
- alt grafiğinin
- alt grafikler
- böyle
- Takım elbise
- uygun
- destek
- şüpheli
- tablo
- Bizi daha iyi tanımak için
- devralma
- alır
- Hedef
- Görev
- görevleri
- şablon
- şartlar
- test
- Test yapmak
- The
- Grafik
- ve bazı Asya
- böylece
- bu nedenle
- İçinden
- verim
- zaman
- zaman damgası
- zamanlama
- için
- çok
- konu
- Toplam
- Tren
- eğitilmiş
- Eğitim
- işlem
- işlemler
- tedavi
- Ağaçlar
- deneme
- denemeler
- gerçek
- türleri
- tipik
- us
- kullanım
- kullanıcılar
- genellikle
- valide
- değer
- Değerler
- üzerinden
- hangi
- süre
- Wi-fi
- irade
- olmadan
- sözler
- değer
- olur
- Sen
- zefirnet