Bu yazı MathWorks'ten Brad Duncan, Rachel Johnson ve Richard Alcock ile birlikte yazılmıştır.
MATLAB veri işleme, paralel hesaplama, otomasyon, simülasyon, makine öğrenimi ve yapay zeka gibi çok çeşitli uygulamalara yönelik popüler bir programlama aracıdır. Otomotiv, havacılık, iletişim ve imalat gibi birçok endüstride yoğun olarak kullanılmaktadır. MathWorks son yıllarda buluta pek çok ürün teklifi getirdi; özellikle Amazon Web Services (AWS). MathWorks bulut ürünleri hakkında daha fazla ayrıntı için bkz. Bulutta MATLAB ve Simulink or Mathworks'e e-posta gönderin.
Bu yazıda MATLAB'ın makine öğrenimi yeteneklerini Amazon Adaçayı Yapıcıbirçok önemli faydası vardır:
- Bilgi işlem kaynakları: SageMaker'ın sunduğu yüksek performanslı bilgi işlem ortamını kullanmak, makine öğrenimi eğitimini hızlandırabilir.
- İşbirliği: MATLAB ve SageMaker birlikte, ekiplerin makine öğrenimi modellerini oluşturma, test etme ve dağıtma konusunda etkili bir şekilde işbirliği yapmak için kullanabileceği sağlam bir platform sağlar.
- Dağıtım ve erişilebilirlik: Modeller, SageMaker gerçek zamanlı uç noktaları olarak konuşlandırılabilir ve böylece canlı akış verilerini işlemek üzere diğer uygulamaların onlara kolayca erişmesini sağlar.
Size bir MATLAB makine öğrenimi modelini SageMaker eğitim işi olarak nasıl eğiteceğinizi ve ardından modeli, canlı, akışlı verileri işleyebilmesi için SageMaker gerçek zamanlı uç noktası olarak nasıl dağıtacağınızı gösteriyoruz.
Bunu yapmak için, canlı sensör verileri akışı sağlayan çalışır durumdaki bir pompadaki arızaları sınıflandırdığımız bir kestirimci bakım örneği kullanacağız. Bir veriden oluşturulan geniş bir etiketli veri havuzuna erişimimiz var. simulink Çeşitli olası kombinasyonlarda üç olası hata tipine sahip simülasyon (örneğin, bir sağlıklı ve yedi hatalı durum). Sistemin bir modeline sahip olduğumuz ve operasyon sırasında hatalar nadir olduğundan, algoritmamızı eğitmek için simüle edilmiş verilerden yararlanabiliriz. Model, MATLAB ve Simulink'teki parametre tahmin teknikleri kullanılarak gerçek pompamızın operasyonel verileriyle eşleşecek şekilde ayarlanabilir.
Amacımız, bu hata sınıflandırma örneğini kullanarak MATLAB ve Amazon SageMaker'ın birleşik gücünü göstermektir.
MATLAB ile masaüstümüzde bir sınıflandırıcı modelini eğiterek başlıyoruz. İlk olarak, tam veri kümesinin bir alt kümesinden özellikleri çıkarıyoruz. Tanılama Özelliği Tasarımcısı uygulamasını kullanın ve ardından model eğitimini bir MATLAB karar ağacı modeliyle yerel olarak çalıştırın. Parametre ayarlarından memnun kaldığımızda, bir MATLAB fonksiyonu oluşturabilir ve işi veri seti ile birlikte SageMaker'a gönderebiliriz. Bu, eğitim sürecini çok daha büyük veri kümelerini barındıracak şekilde ölçeklendirmemize olanak tanır. Modelimizi eğittikten sonra, onu MATLAB Web Uygulaması gibi bir aşağı akış uygulamasına veya kontrol paneline entegre edilebilecek canlı bir uç nokta olarak konuşlandırıyoruz.
Bu örnek, her adımı özetleyerek makine öğrenimi görevleri için MATLAB ve Amazon SageMaker'dan nasıl yararlanılacağına dair pratik bir anlayış sağlayacaktır. Örneğin tam kodu ve açıklaması burada mevcuttur Depo.
Önkoşullar
- MATLAB 2023a veya sonraki sürümlerin, Linux'ta MATLAB Derleyicisi ve İstatistik ve Makine Öğrenimi Araç Kutusu ile çalışma ortamı. Burada bir Hızlı rehber AWS'de MATLAB'ın nasıl çalıştırılacağı hakkında.
- Docker'ın kurulumu Amazon Elastik Bilgi İşlem Bulutu (Amazon EC2) MATLAB'ın çalıştığı örnek. Herhangi biri Ubuntu or Linux.
- Kurulumu AWS Komut Satırı Arayüzü (AWS CLI), AWS Yapılandırması, ve Python3.
- Kurulum kılavuzunu takip ettiyseniz AWS CLI'nin zaten kurulu olması gerekir. 1 adım.
- AWS Configuration'ı kurun AWS kaynaklarıyla etkileşim kurmak için.
- Çalıştırarak python3 kurulumunuzu doğrulayın
python -V
orpython --version
Terminalinizde komut. Gerekirse Python'u yükleyin.
- Aşağıdakileri çalıştırarak bu repoyu Linux makinenizdeki bir klasöre kopyalayın:
- Repo klasöründeki izni kontrol edin. Yazma izni yoksa aşağıdaki kabuk komutunu çalıştırın:
- MATLAB eğitim konteynerini oluşturun ve onu Amazon Elastic Container Registry (Amazon ECR).
- Klasöre git
docker
- AWS CLI'yi kullanarak bir Amazon ECR deposu oluşturun (REGION yerine tercih ettiğiniz AWS bölgesini yazın)
- Aşağıdaki liman işçisi komutunu çalıştırın:
- Klasöre git
- MATLAB'ı açın ve adlı canlı betiği açın.
PumpFaultClassificationMATLABSageMaker.mlx
klasördeexamples/PumpFaultClassification
. Bu klasörü MATLAB'daki mevcut çalışma klasörünüz yapın.
Bölüm 1: Veri hazırlama ve özellik çıkarma
Herhangi bir makine öğrenimi projesinin ilk adımı verilerinizi hazırlamaktır. MATLAB, verilerinizden özellikleri içe aktarmak, temizlemek ve çıkarmak için geniş bir araç yelpazesi sunar.:
The SensorData.mat
veri kümesi 240 kayıt içermektedir. Her kaydın iki zaman çizelgesi vardır: flow
ve pressure
. Hedef sütun faultcode
Bu, pompadaki üç olası arıza kombinasyonunun ikili temsilidir. Bu zaman serisi tabloları için her tablo, 1,201 saniyelik pompa akışını ve 1.2 saniyelik artışlarla basınç ölçümünü taklit eden 0.001 satıra sahiptir.
Daha sonra, Tanılama Özelliği Tasarımcısı uygulaması verilerden çeşitli özellikleri çıkarmanıza, görselleştirmenize ve sıralamanıza olanak tanır. İşte, kullan Otomatik ÖzelliklerVeri kümesinden geniş bir zaman ve frekans alanı özellikleri kümesini hızlı bir şekilde çıkaran ve model eğitimi için en iyi adayları sıralayan. Daha sonra, yeni giriş verilerinden en üst sıradaki 15 özelliği yeniden hesaplayacak bir MATLAB işlevini dışa aktarabilirsiniz. Bu fonksiyonu çağıralım extractFeaturesTraining
. Bu işlev, verilerin tamamını tek bir grupta veya akış verileri olarak alacak şekilde yapılandırılabilir.
Bu işlev, aşağıdaki şekilde gösterildiği gibi ilgili hata kodlarıyla birlikte bir özellikler tablosu oluşturur:
Bölüm 2: SageMaker için verileri düzenleyin
Daha sonra verileri SageMaker'ın makine öğrenimi eğitimi için kullanabileceği şekilde düzenlemeniz gerekir. Tipik olarak bu, verilerin eğitim ve doğrulama kümelerine bölünmesini ve tahmin verilerinin hedef yanıttan ayrılmasını içerir.
Bu aşamada daha karmaşık başka veri temizleme ve filtreleme işlemleri gerekebilir. Bu örnekte veriler zaten temizdir. Veri işlemenin çok karmaşık ve zaman alıcı olması durumunda potansiyel olarak SageMaker işleme işleri, bu işleri SageMaker eğitiminden ayrı olarak yürütmek için kullanılabilir, böylece bunlar iki adıma ayrılabilir.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
Bölüm 3: MATLAB'da bir makine öğrenimi modelini eğitme ve test etme
SageMaker'a geçmeden önce makine öğrenimi modelini MATLAB'da yerel olarak oluşturup test etmek iyi bir fikirdir. Bu, modeli hızlı bir şekilde yinelemenize ve hata ayıklamanıza olanak tanır. Basit bir karar ağacı sınıflandırıcısını yerel olarak ayarlayabilir ve eğitebilirsiniz.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
Buradaki eğitim işinin tamamlanması bir dakikadan az sürecektir ve eğitimin ilerleyişini gösteren bazı grafikler oluşturacaktır. Eğitim bittikten sonra MATLAB makine öğrenmesi modeli üretilir. Sınıflandırma Öğrencisi app birçok sınıflandırma modeli türünü denemek ve bunları en iyi performansa göre ayarlamak, ardından yukarıdaki model eğitim kodunu değiştirmek için gerekli kodu üretmek için kullanılabilir.
Yerel olarak eğitilen modelin doğruluk ölçümlerini kontrol ettikten sonra eğitimi Amazon SageMaker'a taşıyabiliriz.
Bölüm 4: Modeli Amazon SageMaker'da eğitme
Modelden memnun kaldığınızda SageMaker'ı kullanarak modeli uygun ölçekte eğitebilirsiniz. SageMaker SDK'larını çağırmaya başlamak için bir SageMaker oturumu başlatmanız gerekir.
session = sagemaker.Session();
Bir SageMaker yürütmesi belirtin IAM rolü eğitim işlerinin ve uç nokta barındırmanın kullanacağı.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
MATLAB'dan eğitim verilerini .csv dosyası olarak bir Amazon Basit Depolama Hizmeti (Amazon S3) Kova.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
SageMaker Tahmincisi Oluşturun
Daha sonra, bir SageMaker tahmincisi oluşturmanız ve eğitim docker görüntüsü, eğitim işlevi, ortam değişkenleri, eğitim örneği boyutu vb. gibi gerekli tüm parametreleri ona iletmeniz gerekir. Eğitim görüntüsü URI'si, önkoşul adımında şu formatta oluşturduğunuz Amazon ECR URI'si olmalıdır: ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. Eğitim fonksiyonu MATLAB canlı betiğinin alt kısmında sağlanmalıdır.
SageMaker eğitim işini gönderin
Tahminciden uyum yöntemini çağırmak, eğitim işini SageMaker'a gönderir.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
Eğitim işi durumunu SageMaker konsolundan da kontrol edebilirsiniz:
Eğitim işleri bittikten sonra iş bağlantısını seçtiğinizde, özel S3 klasörüne kaydedilen MATLAB modelini görebileceğiniz iş tanımı sayfasına yönlendirilirsiniz:
Bölüm 5: Modeli gerçek zamanlı bir SageMaker uç noktası olarak devreye alın
Eğitimden sonra modeli, gerçek zamanlı tahminler yapmak için kullanabileceğiniz gerçek zamanlı bir SageMaker uç noktası olarak dağıtabilirsiniz. Bunu yapmak için tahminciden konuşlandırma yöntemini çağırın. İş yüküne bağlı olarak barındırma için istediğiniz bulut sunucusu boyutunu ayarlayabileceğiniz yer burasıdır.
Perde arkasında, bu adım bir çıkarım docker görüntüsü oluşturur ve bunu Amazon ECR deposuna gönderir; çıkarım kapsayıcısını oluşturmak için kullanıcının hiçbir şey yapmasına gerek yoktur. Görüntü, model konumu, MATLAB kimlik doğrulama bilgileri ve algoritmalar gibi çıkarım isteğini yerine getirmek için gerekli tüm bilgileri içerir. Bundan sonra Amazon SageMaker bir SageMaker uç nokta yapılandırması oluşturur ve son olarak gerçek zamanlı uç noktayı dağıtır. Uç nokta, SageMaker konsolunda izlenebilir ve artık kullanılmadığı takdirde istenildiği zaman sonlandırılabilir.
Bölüm 6: Uç noktayı test edin
Artık uç nokta çalışır durumda olduğuna göre, ona tahmin etmesi için birkaç kayıt vererek uç noktayı test edebilirsiniz. Eğitim verilerinden 10 kayıt seçmek ve bunları tahmin için uç noktaya göndermek için aşağıdaki kodu kullanın. Tahmin sonucu uç noktadan geri gönderilir ve aşağıdaki görüntüde gösterilir.
Bölüm 7: Kontrol Paneli entegrasyonu
SageMaker uç noktası birçok yerel AWS hizmeti tarafından çağrılabilir. Ayrıca bir REST API'si ile birlikte dağıtılırsa standart bir REST API olarak da kullanılabilir. AWS Lambda herhangi bir web uygulamasıyla entegre edilebilen işlev ve API ağ geçidi. Bu özel kullanım durumunda, makine öğrenimi destekli kararları neredeyse gerçek zamanlı olarak almak için Amazon SageMaker Özellik Mağazası ve Amazon Managed Streaming for Apache Kafka, MSK ile akış alımını kullanabilirsiniz. Başka bir olası entegrasyon, aşağıdakilerin bir kombinasyonunu kullanmaktır: Amazon Kinesis, SageMaker ve Apache Flink ile bir veri akışı üzerinde gerçek zamanlı çıkarım yapma yeteneğine sahip, yönetilen, güvenilir, ölçeklenebilir ve yüksek düzeyde kullanılabilir bir uygulama oluşturmak için.
Algoritmalar bir SageMaker uç noktasına dağıtıldıktan sonra, akış tahminlerini gerçek zamanlı olarak görüntüleyen bir kontrol paneli kullanarak bunları görselleştirmek isteyebilirsiniz. Aşağıdaki özel MATLAB web uygulamasında, pompaya göre basınç ve akış verilerini ve konuşlandırılan modelden canlı arıza tahminlerini görebilirsiniz.
Bu kontrol panelinde, söz konusu her pompanın arızalanmasına kadar geçen süreyi tahmin etmek için kalan faydalı ömür (RUL) modeli bulunur. RUL algoritmalarının nasıl eğitileceğini öğrenmek için bkz. Kestirimci Bakım Araç Kutusu.
Temizlemek
Bu çözümü çalıştırdıktan sonra beklenmedik maliyetlerden kaçınmak için gereksiz AWS kaynaklarını temizlediğinizden emin olun. Bu kaynakları kullanarak temizleyebilirsiniz. SageMaker Python SDK'sı veya burada kullanılan belirli hizmetler (SageMaker, Amazon ECR ve Amazon S3) için AWS Yönetim Konsolu. Bu kaynakları silerek, artık kullanmadığınız kaynaklar için daha fazla ücret alınmasını önlemiş olursunuz.
Sonuç
Tüm makine öğrenimi yaşam döngüsünü kapsayan bir pompa öngörülü bakım kullanım senaryosu için MATLAB'ı SageMaker'a nasıl getirebileceğinizi gösterdik. SageMaker, makine öğrenimi iş yüklerini çalıştırmak ve çeşitli ihtiyaçlara hizmet eden çok çeşitli bilgi işlem örnekleriyle modelleri dağıtmak için tam olarak yönetilen bir ortam sağlar.
Feragatname: Bu yazıda kullanılan kodun sahibi MathWorks'tür. GitHub deposundaki lisans koşullarına bakın. Kod veya özellik istekleriyle ilgili herhangi bir sorun için lütfen depoda bir GitHub sorunu açın
Referanslar
Yazarlar Hakkında
Brad Duncan MathWorks'teki İstatistik ve Makine Öğrenimi Araç Kutusu'ndaki makine öğrenimi özelliklerinin ürün yöneticisidir. Sanal sensörleri mühendislik sistemlerine dahil etmek, açıklanabilir makine öğrenimi modelleri oluşturmak ve MATLAB ve Simulink kullanarak yapay zeka iş akışlarını standartlaştırmak gibi yeni mühendislik alanlarında yapay zekayı uygulamak için müşterilerle birlikte çalışıyor. MathWorks'e gelmeden önce 3D simülasyon ve araç aerodinamiği optimizasyonu, 3D simülasyon için kullanıcı deneyimi ve simülasyon yazılımı için ürün yönetimi konularında ekiplere liderlik etti. Brad aynı zamanda Tufts Üniversitesi'nde araç aerodinamiği alanında misafir öğretim görevlisidir.
Richard Alcock MathWorks'te Bulut Platform Entegrasyonları'nın kıdemli geliştirme yöneticisidir. Bu görevinde MathWorks ürünlerinin bulut ve konteyner platformlarına sorunsuz bir şekilde entegre edilmesinde önemli rol oynuyor. Mühendislerin ve bilim adamlarının bulut tabanlı ortamlarda MATLAB ve Simulink'in tüm potansiyelinden yararlanmasını sağlayan çözümler yaratıyor. Daha önce MathWorks'te yazılım mühendisliği yapıyordu ve paralel ve dağıtılmış bilgi işlem iş akışlarını desteklemek için çözümler geliştiriyordu.
Rachel Johnson MathWorks'te kestirimci bakımın ürün yöneticisidir ve genel ürün stratejisi ve pazarlamadan sorumludur. Daha önce kestirimci bakım projelerinde havacılık endüstrisini doğrudan destekleyen bir uygulama mühendisiydi. MathWorks'ten önce Rachel, ABD Donanması'nda aerodinamik ve itiş simülasyonu mühendisi olarak çalışıyordu. Ayrıca birkaç yılını matematik, fizik ve mühendislik dersleri vererek geçirdi.
Shun Mao Amazon Web Services'in Gelişen Teknolojiler ekibinde Kıdemli AI/ML İş Ortağı Çözüm Mimarıdır. İş değerlerini elde etmek amacıyla AI/ML uygulamalarını tasarlamak, dağıtmak ve ölçeklendirmek için kurumsal müşteriler ve iş ortaklarıyla birlikte çalışma konusunda tutkulu. İş dışında balık tutmayı, seyahat etmeyi ve pinpon oynamayı seviyor.
Ramesh Jatiya Amazon Web Services'in Bağımsız Yazılım Satıcısı (ISV) ekibinde Çözüm Mimarıdır. İş değerlerini elde etmek amacıyla buluttaki uygulamalarını tasarlamak, dağıtmak ve ölçeklendirmek için ISV müşterileriyle birlikte çalışma konusunda tutkulu. Aynı zamanda Boston'daki Babson College'da Makine Öğrenimi ve İş Analitiği alanında MBA eğitimine devam etmektedir. İş dışında koşmayı, tenis oynamayı ve yemek yapmayı seviyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 001
- 1
- 10
- 100
- İNDİRİM
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- Hakkımızda
- yukarıdaki
- erişim
- ulaşılabilir
- Karşılamak
- Hesap
- doğruluk
- avantaj
- Uzay
- Sonra
- AI
- AI / ML
- algoritma
- algoritmalar
- Türkiye
- veriyor
- boyunca
- zaten
- Ayrıca
- Amazon
- Amazon EC2
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- an
- analytics
- ve
- Başka
- herhangi
- Apache
- ayrı
- api
- uygulamayı yükleyeceğiz
- uygulama izin verir
- Uygulama
- uygulamaları
- Tamam
- ARE
- ALAN
- alanlar
- yapay
- yapay zeka
- AS
- ilişkili
- At
- Doğrulama
- Oto
- Otomasyon
- otomotiv
- mevcut
- önlemek
- AWS
- AWS Yönetim Konsolu
- Babson
- Arka
- BE
- Çünkü
- önce
- başlamak
- faydaları
- İYİ
- boston
- Alt
- brad
- getirmek
- geniş
- getirdi
- inşa etmek
- bina
- inşa
- iş
- by
- çağrı
- denilen
- çağrı
- CAN
- adaylar
- yetenekleri
- yetenekli
- dava
- yükler
- Kontrol
- denetleme
- sınıflandırma
- sınıflandırmak
- çamça
- Temizlik
- bulut
- Bulut Platformu
- kod
- kodları
- işbirliği yapmak
- işbirliği
- Kolej
- Sütun
- COM
- kombinasyon
- kombinasyonları
- kombine
- gelecek
- Yakın İletişim
- karmaşık
- hesaplamak
- bilgisayar
- yapılandırma
- yapılandırılmış
- konsolos
- tüketen
- Konteyner
- içeren
- maliyetler
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- akım
- görenek
- Müşteriler
- gösterge paneli
- veri
- Veri Hazırlama
- veri işleme
- veri kümeleri
- karar
- kararlar
- adanmış
- göstermek
- gösterdi
- bağlı
- dağıtmak
- konuşlandırılmış
- dağıtma
- dağıtır
- türetmek
- tanım
- Dizayn
- tasarımcı
- İstediğiniz
- masaüstü
- ayrıntılar
- gelişen
- gelişme
- tanı
- direkt olarak
- görüntüler
- dağıtıldı
- Dağıtılmış bilgi işlem
- do
- liman işçisi
- yok
- domain
- duncan
- her
- etkili bir şekilde
- ya
- ortaya çıkan
- gelişmekte olan teknolojiler
- etkinleştirmek
- son
- Son nokta
- mühendis
- mühendislik
- Mühendislik
- Mühendisler
- kuruluş
- Tüm
- çevre
- ortamları
- özellikle
- örnek
- infaz
- deneyim
- ihracat
- çıkarmak
- Hulasa
- Başarısızlık
- faylar
- hatalı
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- şekil
- fileto
- süzme
- Nihayet
- bitiş
- Ad
- Balık tutma
- uygun
- akış
- takip
- takip etme
- şu
- İçin
- biçim
- Sıklık
- itibaren
- tam
- tamamen
- işlev
- daha fazla
- geçit
- oluşturmak
- oluşturulan
- üretir
- GitHub
- Verilmesi
- Tercih Etmenizin
- grafikler
- harika
- Konuk
- rehberlik
- koşum
- Var
- he
- Sağlık
- sağlıklı
- ağır şekilde
- okuyun
- yüksek performans
- büyük ölçüde
- hosting
- Ne kadar
- Nasıl Yapılır
- HTML
- HTTPS
- Fikir
- if
- görüntü
- ithal
- in
- içerir
- birleşmeyle
- artım
- bağımsız
- belirtmek
- Endüstri
- sanayi
- bilgi
- başlatmak
- giriş
- kurmak
- Kurulum
- yüklü
- örnek
- enstrümental
- entegre
- Bütünleştirme
- bütünleşme
- entegrasyonlar
- İstihbarat
- etkileşim
- arayüzey
- içine
- konu
- sorunlar
- isv
- IT
- İş
- Mesleki Öğretiler
- Johnson
- jpg
- büyük
- büyük
- sonra
- son
- ÖĞRENİN
- öğrenme
- Led
- az
- Kaldıraç
- Lisans
- hayat
- yaşam döngüsü
- LINK
- linux
- yaşamak
- lokal olarak
- yer
- giriş
- uzun
- makine
- makine öğrenme
- bakım
- yapmak
- Yapımı
- yönetilen
- yönetim
- müdür
- üretim
- çok
- Pazarlama
- Maç
- matematik
- ölçüm
- yöntem
- Metrikleri
- olabilir
- dakika
- ML
- model
- modelleri
- izlemek
- izlenen
- Daha
- hareket
- hareketli
- çok
- adlı
- yerli
- yakın
- gerekli
- gerek
- gerekli
- ihtiyaçlar
- yeni
- yok hayır
- hiçbir şey değil
- nesnel
- of
- sunulan
- teklifleri
- on
- bir Zamanlar
- ONE
- açık
- operasyon
- işletme
- Operasyon
- optimizasyon
- or
- Diğer
- bizim
- çıktı
- dışında
- tüm
- Sahip olunan
- Kanal
- Paralel
- parametre
- parametreler
- belirli
- Partner
- ortaklar
- geçmek
- tutkulu
- performans
- izin
- Fizik
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- Lütfen
- Popüler
- mümkün
- Çivi
- potansiyel
- potansiyel
- güç kelimesini seçerim
- Pratik
- tahmin
- tahmin
- Tahminler
- Predictor
- tercihli
- hazırlık
- Hazırlamak
- basınç
- önlemek
- Önceden
- Önceki
- süreç
- işleme
- üretmek
- Üretilmiş
- üretir
- PLATFORM
- ürün Yönetimi
- ürün müdürü
- Ürünler
- Programlama
- Ilerleme
- proje
- Projeler
- itme
- sağlamak
- sağlanan
- sağlar
- sağlama
- pompa
- Itmek
- iter
- Python
- soru
- hızla
- menzil
- rütbe
- sırada
- rütbeleri
- NADİR
- kolayca
- gerçek
- gerçek zaman
- son
- kayıt
- kayıtlar
- başvurmak
- bölge
- kayıt
- güvenilir
- kalan
- değiştirmek
- Depo
- temsil
- talep
- isteklerinizi
- gereklidir
- Kaynaklar
- yanıt
- sorumlu
- DİNLENME
- sonuç
- Richard
- gürbüz
- Rol
- koşmak
- koşu
- sagemaker
- memnun
- memnun
- İndirim
- kaydedilmiş
- ölçeklenebilir
- ölçek
- Sahneler
- bilim adamları
- senaryo
- SDK'lar
- sorunsuz
- saniye
- görmek
- seçme
- seçim
- göndermek
- kıdemli
- sensörler
- gönderdi
- Dizi
- hizmet vermek
- hizmet
- Hizmetler
- servis
- Oturum
- set
- Setleri
- ayarlar
- Yedi
- birkaç
- o
- Kabuk
- meli
- şov
- gösterilen
- önemli
- Basit
- simülasyon
- beden
- So
- Yazılım
- yazılım Mühendisliği
- çözüm
- Çözümler
- biraz
- özel
- hız
- harcanmış
- Aşama
- standart
- standardizasyon
- başlama
- Devletler
- istatistik
- Durum
- adım
- Basamaklar
- hafızası
- mağaza
- Stratejileri
- dere
- akış
- böyle
- özetlemek
- destek
- Destek
- elbette
- sistem
- Sistemler
- tablo
- TAG
- Bizi daha iyi tanımak için
- alır
- Hedef
- görevleri
- Öğretim
- takım
- takım
- teknikleri
- Teknolojileri
- terminal
- şartlar
- test
- Test yapmak
- göre
- o
- The
- Alan
- ve bazı Asya
- Onları
- sonra
- Bunlar
- onlar
- Re-Tweet
- Bu
- üç
- zaman
- Zaman serisi
- için
- birlikte
- araç
- Araç Kutusu
- araçlar
- üst
- Tren
- Eğitim
- Seyahat
- ağaç
- denemek
- melodi
- ayarlanmış
- iki
- türleri
- tipik
- anlayış
- Beklenmedik
- üniversite
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- Kullanıcı Deneyimi
- kullanma
- onaylama
- Değerler
- çeşitlilik
- çeşitli
- araç
- satıcı
- çok
- Sanal
- görselleştirmek
- istemek
- oldu
- Yol..
- we
- ağ
- Web Uygulamaları
- web hizmetleri
- hangi
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- İş
- iş akışları
- çalışma
- çalışır
- yazmak
- yazılı
- yıl
- Sen
- zefirnet