Konutun değerini belirlemek, makine öğrenimini (ML) kullanmanın klasik bir örneğidir. Bu konuda önemli bir etki, gayri resmi olarak Boston konut veri seti olarak bilinen çığır açıcı bir makale ve veri seti yayınlayan Harrison ve Rubinfeld (1978) tarafından yapılmıştır. Bu ufuk açıcı çalışma, araştırmalarının ana odağı olan hava kalitesi de dahil olmak üzere çok sayıda boyutun bir fonksiyonu olarak konut fiyatlarını tahmin etmek için bir yöntem önerdi. Neredeyse 50 yıl sonra, konut fiyatlarının tahmini, iş kararlarında verileri ve makine öğrenimini kullanmakla ilgilenen öğrenciler ve profesyoneller için önemli bir öğretim aracı haline geldi.
Bu yazıda görsel soru yanıtlama (VQA) görevi için özel olarak tasarlanmış açık kaynaklı bir modelin kullanımını tartışıyoruz. VQA ile doğal dili kullanarak bir fotoğrafa soru sorabilir ve sorunuzun cevabını sade bir dille alabilirsiniz. Bu yazıdaki amacımız ilham vermek ve bu teknolojiyi kullanarak nelerin mümkün olduğunu göstermektir. Bu yeteneğin aşağıdakilerle kullanılmasını öneriyoruz: Amazon Adaçayı Yapıcı Makine öğrenimi kullanım durumunda regresyon modelinin doğruluğunu iyileştirmeye yönelik ve bağımsız olarak görsel görüntülerin otomatik etiketlenmesine yönelik hizmet platformu.
Karşılık gelen bir sağlıyoruz YouTube video bu da burada tartışılanları gösteriyor. En dikkat çekici noktayı vurgulamak için video oynatımı yarıda başlayacaktır. Kavramı pekiştirmek ve daha zengin bir anlayışa sahip olmak için bu okumayı videoyla birlikte takip etmenizi öneririz.
temel modelleri
Bu çözüm, Hugging Face model deposunda yayınlanan bir temel modelinin kullanımına odaklanmaktadır. Burada terimini kullanıyoruz temel modeli geniş ve çeşitli veriler üzerinde önceden eğitilmiş bir yapay zeka (AI) yeteneğini tanımlamaktır. Temel modeller bazen bir modeli sıfırdan eğitme zorunluluğu olmadan kullanıma hazır hale gelebilir. Bazı temel modellerde ince ayar yapılabilir; bu, onlara işinizle ilgili olan ancak orijinal, genelleştirilmiş yayınlanmış modelde eksik olan ek kalıpların öğretilmesi anlamına gelir. Kullanım durumunuza veya bilgi birikiminize özgü doğru yanıtları sunmak için bazen ince ayar yapılması gerekebilir.
içinde Sarılma Yüz deposunda, aralarından seçim yapabileceğiniz çeşitli VQA modelleri bulunmaktadır. Bu yazının yazıldığı sırada en çok indirilen modeli seçtik. Bu gönderi açık kaynaklı bir model deposundan bir model kullanma yeteneğini gösterse de aynı kavram, sıfırdan eğittiğiniz veya başka bir güvenilir sağlayıcıdan kullandığınız bir model için de geçerli olacaktır.
Klasik kullanım senaryosuna modern bir yaklaşım
Ev fiyatı tahmini, geleneksel olarak mülkün özelliklerinin fiyatı bilgilendirmek için kullanıldığı tablo verileri aracılığıyla yapılır. Dikkate alınması gereken yüzlerce özellik olmasına rağmen, bazı temel örnekler, evin bitmiş alandaki büyüklüğü, yatak odası ve banyo sayısı ve konutun konumudur.
Makine öğrenimi; ses, durağan görüntüler, hareketli video ve doğal dil gibi tablo verilerinin ötesinde çeşitli giriş kaynaklarını birleştirme kapasitesine sahiptir. Yapay zekada bu terim multimodal görüntüler ve tablo verileri gibi çeşitli medya türlerinin kullanımını ifade eder. Bu yazıda, günümüzün modern dünyasının ürettiği bol miktardaki dijital egzozda kilitli olan gizli değeri bulmak ve serbest bırakmak için çok modlu verilerin nasıl kullanılacağını gösteriyoruz.
Bu fikri akılda tutarak, mülkün görüntülerinden gizli özellikleri çıkarmak için temel modellerin kullanımını gösteriyoruz. Daha önce tablo verilerinde bulunmayan, görüntülerde bulunan bilgileri kullanarak modelin doğruluğunu artırabiliriz. Bu yazıda tartışılan görseller ve tablo verileri orijinal olarak kullanıma sunuldu ve yayınlandı. GitHub Ahmed ve Moustafa (2016) tarafından.
Bir resim bin kelime değerinde bir olup
Artık MYK'nın yeteneklerini anladığımıza göre, aşağıdaki iki mutfak görselini ele alalım. Bu görüntülere bakarak evin değerini nasıl değerlendirirsiniz? Kendinize soracağınız bazı sorular nelerdir? Her resim aklınızda onlarca soruyu uyandırabilir. Bu soruların bazıları ev değerleme sürecini geliştirecek anlamlı yanıtlara yol açabilir.
Fotoğraflar Unsplash'ta Francesca Tosolini (L) ve Sidekix Media'ya (R) atıfta bulunuyor
Aşağıdaki tablo, soruları karşılık gelen yanıtlarıyla birlikte göstererek MYK etkileşimlerine ilişkin anekdot niteliğinde örnekler sunmaktadır. Yanıtlar kategorik, sürekli değer veya ikili yanıtlar biçiminde gelebilir.
Örnek Soru | Temel Modelinden Örnek Cevap |
Tezgahlar nelerden yapılmıştır? | granit, fayans, mermer, laminat vb. |
Burası pahalı bir mutfak mı? | Evet Hayır |
Kaç tane ayrı lavabo var? | 0, 1, 2 |
referans mimarisi
Bu yazıda, Amazon SageMaker Veri Düzenleyicisi veri kümesindeki binlerce fotoğraf için tek tip görsel sorular sormak. SageMaker Data Wrangler, veri hazırlama ve özellik mühendisliği sürecini basitleştirmek için özel olarak tasarlanmıştır. SageMaker Data Wrangler, 300'den fazla yerleşik dönüşüm sağlayarak, ML için tablo ve görüntü verilerini hazırlamak için gereken sürenin haftalardan dakikalara indirilmesine yardımcı olur. Burada SageMaker Data Wrangler, orijinal tablo setindeki veri özelliklerini, model eğitimi için temel modelden alınan fotoğrafla doğmuş özelliklerle birleştirir.
Daha sonra aşağıdakileri kullanarak bir regresyon modeli oluşturuyoruz: Amazon SageMaker Tuval. SageMaker Canvas, herhangi bir kod yazmadan bir model oluşturabilir ve ön sonuçları 2-15 dakika kadar kısa bir sürede sunabilir. Aşağıdaki bölümde bu çözüm rehberliğini mümkün kılmak için kullanılan bir referans mimarisi sunuyoruz.
Hugging Face ve diğer sağlayıcıların pek çok popüler modeli tek tıklamayla kurulabilir. Amazon SageMaker Hızlı Başlangıç. Bu depolarda yüzbinlerce model mevcuttur. Bu gönderi için SageMaker JumpStart'ta bulunmayan ve müşteri dağıtımı gerektiren bir model seçiyoruz. Aşağıdaki şekilde gösterildiği gibi, çıkarım için bir Hugging Face modelini kullanıyoruz. Amazon SageMaker Stüdyosu not defteri. Dizüstü bilgisayar, gerçek zamanlı çıkarım için bir uç noktayı dağıtmak için kullanılır. Dizüstü bilgisayar, Hugging Face ikili modelini, kapsayıcı görüntüsüne yönelik bir işaretçiyi ve modelin beklenen giriş ve çıkışıyla eşleşen amaca yönelik oluşturulmuş bir inference.py komut dosyasını içeren varlıkları kullanır. Siz bunu okurken mevcut VQA modellerinin karışımı değişebilir. Önemli olan, bunu okuduğunuz sırada mevcut VQA modellerini gözden geçirmek ve kendi API isteği ve yanıt sözleşmesine sahip olan seçtiğiniz modeli dağıtmaya hazır olmaktır.
VQA modeli, SageMaker uç noktası tarafından sunulduktan sonra, tablo halindeki verileri ve dijital görüntülerden çıkarılan özellikleri birleştiren ve model eğitimi için verileri yeniden şekillendiren boru hattını düzenlemek için SageMaker Data Wrangler'ı kullanırız. Sonraki şekil, tam ölçekli veri dönüştürme işinin nasıl yürütüldüğüne dair bir görünüm sunmaktadır.
Aşağıdaki şekilde, veri hazırlama görevlerini düzenlemek için SageMaker Data Wrangler'ı ve model eğitimi için SageMaker Canvas'ı kullanıyoruz. İlk olarak SageMaker Data Wrangler'ın kullandığı Amazon Konum Hizmeti ham verilerde bulunan posta kodlarını enlem ve boylam özelliklerine dönüştürmek için. İkincisi, SageMaker Data Wrangler, gerçek zamanlı çıkarım için SageMaker tarafından barındırılan bir uç noktaya binlerce fotoğrafın gönderilmesini koordine edebiliyor ve sahne başına tek tip sorular sorabiliyor. Bunun sonucunda mutfaklarda, banyolarda, ev dış cephelerinde ve daha fazlasında gözlemlenen özellikleri tanımlayan zengin bir dizi özellik ortaya çıkar. Veriler SageMaker Data Wrangler tarafından hazırlandıktan sonra, eğitim veri seti şu adreste mevcuttur: Amazon Basit Depolama Hizmeti (Amazon S3). S3 verilerini girdi olarak kullanan SageMaker Canvas, herhangi bir kod yazmadan 2-15 dakika gibi kısa bir sürede bir modeli eğitebilir.
SageMaker Data Wrangler'ı kullanarak veri dönüştürme
Aşağıdaki ekran görüntüsü SageMaker Data Wrangler iş akışını göstermektedir. İş akışı, Amazon S3'te depolanan binlerce ev fotoğrafıyla başlar. Daha sonra bir sahne dedektörü mutfak veya banyo gibi sahneyi belirler. Son olarak görüntülere sahneye özgü bir dizi soru sorulur ve bu da eğitim için daha zengin, tablo halinde bir veri kümesi elde edilmesini sağlar.
Aşağıda, temel modeliyle etkileşim kurmak ve mutfak resimleri hakkında bilgi edinmek için kullanılan SageMaker Data Wrangler özel dönüşüm kodunun bir örneği yer almaktadır. Önceki ekran görüntüsünde mutfak özellikleri düğümünü seçerseniz aşağıdaki kod görünecektir:
Güvenlik açısından, öncelikle SageMaker Data Wrangler'ın SageMaker gerçek zamanlı uç noktanızı aramasını etkinleştirmeniz gerekir. AWS Kimlik ve Erişim Yönetimi (BEN). Benzer şekilde, SageMaker Data Wrangler aracılığıyla çağırdığınız tüm AWS kaynaklarının benzer izin izinlerine ihtiyacı olacaktır.
SageMaker Data Wrangler'dan önceki ve sonraki veri yapıları
Bu bölümde orijinal tablo verilerinin ve geliştirilmiş verilerin yapısını tartışıyoruz. Geliştirilmiş veriler, bu örnek kullanım durumuna göre yeni veri özellikleri içerir. Uygulamanızda, sınıflandırma veya regresyon görevinize yardımcı olması için görsellerinizde mevcut olan çeşitli soru dizilerini hayal etmeye zaman ayırın. Buradaki fikir, mümkün olduğu kadar çok soru hayal etmek ve ardından katma değer sağladıklarından emin olmak için bunları test etmektir.
Orijinal tablo verilerinin yapısı
Kaynakta anlatıldığı gibi GitHub repoörnek veri kümesi, mülk başına dört resim içeren 535 tablolu kayıt içerir. Aşağıdaki tabloda orijinal tablo verilerinin yapısı gösterilmektedir.
Özellikler(Hazırlık aşamasında) | Yorum Yap |
Yatak odası sayısı | . |
Banyo sayısı | . |
Alan (metrekare) | . |
Posta Kodu | . |
Ücret | Bu tahmin edilecek hedef değişkendir. |
Geliştirilmiş verilerin yapısı
Aşağıdaki tablo, görüntülerden türetilen birçok yeni özelliği içeren gelişmiş veri yapısını göstermektedir.
Özellikler(Hazırlık aşamasında) | Yorum Yap |
Yatak odası sayısı | . |
Banyo sayısı | . |
Alan (metrekare) | . |
Enlem | Orijinal posta kodunun Amazon Konum Hizmetine iletilmesiyle hesaplanır. Bu, ZIP'in ağırlık merkezi değeridir. |
Boylam | Orijinal posta kodunun Amazon Konum Hizmetine iletilmesiyle hesaplanır. Bu, ZIP'in ağırlık merkezi değeridir. |
Yatak odasında tonozlu tavan var mı? | 0 = hayır; 1 = evet |
Banyo pahalı mı? | 0 = hayır; 1 = evet |
Mutfak pahalı mı? | 0 = hayır; 1 = evet |
Ücret | Bu tahmin edilecek hedef değişkendir. |
SageMaker Canvas ile model eğitimi
Bir SageMaker Data Wrangler işleme işi, tablo halindeki eğitim veri kümesinin tamamını tamamen hazırlar ve Amazon S3'te kullanılabilir hale getirir. Daha sonra SageMaker Canvas, makine öğrenimi yaşam döngüsünün model oluşturma aşamasını ele alıyor. Canvas, S3 eğitim setini açarak başlar. Bir modeli anlayabilmek çoğu zaman önemli bir müşteri gereksinimidir. SageMaker Canvas, kod yazmaya gerek kalmadan ve birkaç tıklamayla model performansına ilişkin zengin, görsel geri bildirim sağlar. Aşağıdaki bölümdeki ekran görüntüsünde görüldüğü gibi SageMaker Canvas, tekil özelliklerin modeli nasıl bilgilendirdiğini gösterir.
Orijinal tablo verileri ve emlak görüntülerinden elde edilen özelliklerle eğitilmiş model
Aşağıdaki ekran görüntüsünden mülkün görsellerinden geliştirilen özelliklerin önemli olduğunu görebiliyoruz. Bu sonuçlara göre fotoğraftaki "Bu mutfak pahalı mı" sorusu orijinal tablo setindeki "yatak odası sayısı"ndan sırasıyla 7.08 ve 5.498 özellik önem değerleriyle daha anlamlıydı.
Aşağıdaki ekran görüntüsü model hakkında önemli bilgiler vermektedir. İlk olarak, kalan grafik, kümedeki çoğu noktanın mor gölgeli bölge etrafında kümelendiğini gösterir. Burada, bu illüstrasyon için SageMaker Canvas'ın dışında iki aykırı değere manuel olarak açıklama eklendi. Bu aykırı değerler, gerçek ev değeri ile tahmin edilen değer arasındaki önemli boşlukları temsil eder. Ek olarak, R2 Olası aralığı %0-100 olan değer %76 olarak gösterilir. Bu, modelin kusurlu olduğunu ve ev değerlerini tam olarak tahmin etmek için tüm çeşitliliği tam olarak hesaba katacak yeterli bilgi noktasına sahip olmadığını gösterir.
Daha kapsamlı bir model oluşturmak amacıyla ek sinyaller bulmak ve önermek için aykırı değerleri kullanabiliriz. Örneğin, bu aykırı mülkler bir yüzme havuzunu içerebilir veya geniş arazilerde yer alabilir. Veri kümesi şu özellikleri içermiyordu; ancak bu verileri bulabilir ve ek özellik olarak “yüzme havuzu var” özelliği bulunan yeni bir modeli eğitebilirsiniz. İdeal olarak, bir sonraki denemenizde R2 değeri artacak ve MAE ve RMSE değerleri düşecektir.
Gayrimenkul görüntülerinden elde edilen özellikler olmadan eğitilen model
Son olarak bir sonraki bölüme geçmeden önce görsellerdeki özelliklerin faydalı olup olmadığına bakalım. Aşağıdaki ekran görüntüsü, VQA modelinin özelliklerine sahip olmayan başka bir SageMaker Canvas eğitimli modeli sunmaktadır. Model hata oranının 282K RMSE'den 352K RMSE'ye yükseldiğini görüyoruz. Buradan, resimlerdeki üç basit sorunun model doğruluğunu yaklaşık %20 oranında artırdığı sonucuna varabiliriz. Gösterilmemiştir ancak tamamlanması için R2 Aşağıdaki model için de değer kötüleşerek sağlanan VQA özellikleriyle %62 değerinden %76 değerine düştü. Bu, SageMaker Canvas'ın iş gereksinimlerinize hizmet edecek bir model ortaya çıkaran veri odaklı bir yaklaşımı hızlı bir şekilde denemeyi ve kullanmayı nasıl kolaylaştırdığının bir örneğidir.
İleriye baktığımızda
Özellikle genel önceden eğitilmiş transformatörler (GPT'ler) Aralık 2022'de resmi olarak ana akım ilgi konusu haline geldiğinden beri, pek çok kuruluş temel modellere giderek daha fazla ilgi duymaya başladı. Temel modellere olan ilginin büyük bir kısmı, büyük dil modelleri (LLM) görevlerine odaklanıyor ; ancak bilgisayar görüşü ve daha dar anlamda burada açıklanan özel MYK görevi gibi başka çeşitli kullanım durumları da mevcuttur.
Bu gönderi, endüstrideki kullanım durumlarını çözmek için çok modlu verilerin kullanımına ilham veren bir örnektir. Her ne kadar VQA'nın kullanımını ve faydasını bir regresyon modelinde göstermiş olsak da, daha sonraki arama veya iş akışı yönlendirmesi için görselleri etiketlemek ve etiketlemek için de kullanılabilir. Satılık veya kiralık olarak listelenen mülkleri arayabildiğinizi hayal edin. Diyelim ki fayans zeminli veya mermer tezgahlı bir mülk bulmak istiyorsunuz. Bugün, aday mülklerin uzun bir listesini almanız ve her adaya göz atarken kendinizi filtreden geçirmeniz gerekebilir. Bunun yerine, bu özellikleri içeren listeleri, kişi bunları açıkça etiketlememiş olsa bile filtreleyebildiğinizi hayal edin. Sigorta sektöründe, talep hasarlarını tahmin etme veya bir iş akışındaki sonraki eylemleri görüntülerden yönlendirme yeteneğini hayal edin. Sosyal medya platformlarında fotoğraflar daha sonra kullanılmak üzere otomatik olarak etiketlenebilir.
Özet
Bu gönderi, SageMaker platformunu kullanarak klasik bir makine öğrenimi kullanım senaryosunu geliştirmek için temel model tarafından etkinleştirilen bilgisayar görüşünün nasıl kullanılacağını gösterdi. Önerilen çözümün bir parçası olarak, genel model kaydında mevcut olan popüler bir VQA modeli bulduk ve bunu, gerçek zamanlı çıkarım için bir SageMaker uç noktası kullanarak devreye aldık.
Daha sonra, zengin bir tablosal veri kümesi oluşturmak amacıyla görüntülere yönelik tek tip soruların sorulduğu bir iş akışını düzenlemek için SageMaker Data Wrangler'ı kullandık. Son olarak bir regresyon modelini eğitmek için SageMaker Canvas'ı kullandık. Örnek veri kümesinin çok basit olduğunu ve bu nedenle tasarım gereği kusurlu olduğunu unutmamak önemlidir. Yine de SageMaker Canvas, model doğruluğunu anlamayı ve temel modelin doğruluğunu artırmak için ek sinyaller aramayı kolaylaştırır.
Bu gönderinin, kuruluşunuzun sahip olabileceği çok modlu verileri kullanmanızı teşvik ettiğini umuyoruz. Ayrıca bu gönderinin size model eğitimini yinelenen bir süreç olarak değerlendirme konusunda ilham verdiğini umuyoruz. Biraz sabırla harika bir model elde edilebilir. Mükemmele yakın modeller gerçek olamayacak kadar iyi olabilir; bu durum hedef sızıntısının veya aşırı uyumun bir sonucu olabilir. İdeal bir senaryo, iyi ama mükemmel olmayan bir modelle başlar. Hataları, kayıpları ve kalan grafikleri kullanarak, başlangıçtaki temel tahmininizin doğruluğunu artırmak için ek veri sinyalleri elde edebilirsiniz.
AWS, en geniş ve en derin makine öğrenimi hizmetlerini ve destekleyici bulut altyapısını sunarak makine öğrenimini her geliştiricinin, veri bilimcinin ve uzman uygulayıcının kullanımına sunar. SageMaker Data Wrangler ve SageMaker Canvas da dahil olmak üzere SageMaker platformu hakkında daha fazla bilgi edinmek istiyorsanız lütfen AWS hesap ekibinizle iletişime geçin ve bir görüşme başlatın. Ayrıca SageMaker Data Wrangler hakkında daha fazla bilgi almayı düşünün özel dönüşümler.
Referanslar
Ahmed, EH ve Moustafa, M. (2016). Görsel ve metinsel özelliklerden ev fiyat tahmini. IJCCI 2016-8. Uluslararası Hesaplamalı İstihbarat Ortak Konferansı Bildirileri, 3, 62–68.
Harrison Jr, D. ve Rubinfeld, DL (1978). Hedonik konut fiyatları ve temiz hava talebi. Çevre ekonomisi ve yönetimi dergisi, 5(1), 81-102.
Kim, W., Son, B. ve Kim, I.. (2021). ViLT: Evrişim veya Bölge Denetimi Olmayan Vizyon ve Dil Transformatörü. 38. Uluslararası Makine Öğrenimi Konferansı Bildirileri, Makine Öğrenimi Araştırma Bildirileri. 139:5583-5594.
Yazar hakkında
Charles Laughlin Baş AI/ML Uzman Çözüm Mimarıdır ve AWS'de Amazon SageMaker hizmet ekibinde çalışmaktadır. Hizmet yol haritasının şekillendirilmesine yardımcı oluyor ve en son AWS teknolojilerini ve düşünce liderliğini kullanarak işletmelerinin dönüştürülmesine yardımcı olmak için çeşitli AWS müşterileriyle günlük olarak iş birliği yapıyor. Charles, Tedarik Zinciri Yönetimi alanında yüksek lisans derecesine ve doktora derecesine sahiptir. Veri Bilimi alanında.
- 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/use-foundation-models-to-improve-model-accuracy-with-amazon-sagemaker/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 08
- 1
- 100
- 2016
- 2021
- 2022
- 32
- 49
- 50
- 50 Yıl
- 7
- 8
- 8th
- a
- kabiliyet
- Yapabilmek
- Hakkımızda
- bol
- erişim
- Hesap
- doğruluk
- elde
- eylemler
- Ek
- Ayrıca
- adresleri
- Sonra
- ahmed
- AI
- AI / ML
- HAVA
- Türkiye
- izin vermek
- neredeyse
- yanında
- Ayrıca
- Rağmen
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- amp
- an
- ve
- Başka
- cevap
- cevaplar
- herhangi
- api
- görünmek
- Uygulama
- Tamam
- yaklaşım
- mimari
- ARE
- etrafında
- Dizi
- yapay
- yapay zeka
- Yapay zeka (AI)
- AS
- sormak
- soran
- belirlemek
- Varlıklar
- At
- girişim
- ses
- Otomatik
- mevcut
- AWS
- merkezli
- Temel
- BE
- oldu
- müşterimiz
- olma
- olmuştur
- önce
- başlamak
- olmak
- yarar
- arasında
- Ötesinde
- vücut
- boston
- her ikisi de
- inşa etmek
- bina
- yerleşik
- yük
- iş
- işletmeler
- fakat
- by
- çağrı
- CAN
- aday
- tuval
- yetenekleri
- kabiliyet
- yetenekli
- dava
- durumlarda
- tavan
- merkezli
- Merkezleri
- zincir
- değişiklik
- özellikleri
- Charles
- Klinik
- iddia
- klasik
- sınıflandırma
- çamça
- bulut
- bulut altyapısı
- kümeleme
- kod
- kodları
- Ortak çalışma yapan
- renk
- biçerdöverler
- nasıl
- tamamlamak
- kapsamlı
- bilişimsel
- bilgisayar
- Bilgisayar görüşü
- kavram
- sonucuna
- Konferans
- Düşünmek
- dikkate
- içermek
- Konteyner
- içeren
- sürekli
- sözleşme
- konuşma
- dönüştürmek
- koordinat
- doğru
- uyan
- olabilir
- kredi
- meraklı
- görenek
- müşteri
- Müşteriler
- keskin kenar
- günlük
- veri
- Veri Hazırlama
- veri bilimi
- veri bilimcisi
- veri seti
- Veri yapısı
- veri-güdümlü
- Aralık
- Karar verme
- azaltmak
- en derin
- teslim etmek
- Talep
- göstermek
- gösterdi
- gösteriyor
- dağıtmak
- konuşlandırılmış
- açılma
- Türetilmiş
- tanımlamak
- tarif edilen
- Dizayn
- tasarlanmış
- belirleyen
- gelişmiş
- Geliştirici
- dijital
- boyutlar
- tartışmak
- tartışılan
- çeşitli
- do
- yok
- Değil
- indirme
- onlarca
- Damlama
- e
- her
- kolay
- ekonomi bilimi
- etkinleştirmek
- etkin
- teşvik
- Son nokta
- Mühendislik
- gelişmiş
- yeterli
- Tüm
- çevre
- hata
- Hatalar
- özellikle
- tahmin
- vb
- Hatta
- Her
- örnek
- örnekler
- beklenen
- pahalı
- deneme
- uzman
- açıkça
- keşfetmek
- çıkarmak
- Yüz
- Özellikler(Hazırlık aşamasında)
- Özellikler
- geribesleme
- Ayaklar
- az
- şekil
- filtre
- Nihayet
- bulmak
- Ad
- Kat
- odak
- takip et
- takip etme
- şu
- İçin
- Airdrop Formu
- bulundu
- vakıf
- dört
- itibaren
- tam ölçekli
- tamamen
- işlev
- fonksiyonlar
- temel
- Kazanç
- boşluklar
- genel
- oluşturmak
- almak
- gol
- Tercih Etmenizin
- grafik
- harika
- çığır açan
- rehberlik
- Eller
- Var
- he
- yardım et
- faydalı
- yardımcı olur
- okuyun
- Gizli
- Vurgulamak
- tutar
- Ana Sayfa
- Evler
- umut
- ev sahipliği yaptı
- ev
- konut
- Ne kadar
- Nasıl Yapılır
- Ancak
- http
- HTTPS
- Yüzlerce
- i
- Fikir
- ideal
- ideal olarak
- Kimlik
- if
- göstermektedir
- görüntü
- görüntüleri
- resim
- ithalat
- önem
- önemli
- iyileştirmek
- gelişmiş
- in
- dahil
- dahil
- Dahil olmak üzere
- birleşmeyle
- Artırmak
- artmış
- giderek
- bağımsız
- gösterir
- sanayi
- etkilemek
- bilgi vermek
- bilgi
- Altyapı
- ilk
- giriş
- anlayışlar
- ilham vermek
- ilham
- yerine
- sigorta
- İstihbarat
- etkileşim
- etkileşimleri
- faiz
- ilgili
- Uluslararası
- içine
- IT
- ONUN
- İş
- ortak
- jpg
- json
- anahtar
- Kim
- bilgi
- bilinen
- etiket
- arazi
- dil
- büyük
- sonra
- öncülük etmek
- Liderlik
- ÖĞRENİN
- öğrenme
- yaşam döngüsü
- Liste
- Listelenmiş
- Deneyimler
- küçük
- Yüksek Lisans
- bulunan
- yer
- kilitli
- Uzun
- kayıp
- makine
- makine öğrenme
- yapılmış
- ana akım
- yapmak
- YAPAR
- yönetim
- el ile
- çok
- maçlar
- Mayıs..
- anlamlı
- anlamına geliyor
- medya
- yöntem
- orta yol
- olabilir
- akla
- dakika
- eksik
- karıştırmak
- ML
- model
- modelleri
- Modern
- Daha
- çoğu
- hareket
- hareketli
- şart
- Doğal (Madenden)
- gerek
- gerekli
- yeni
- Yeni Özellikler
- sonraki
- yok hayır
- düğüm
- defter
- numara
- sayısız
- elde etmek
- oluştu
- of
- Teklifler
- Resmi olarak
- sık sık
- on
- bir tek
- açık kaynak
- açma
- or
- sipariş
- kuruluşlar
- organizasyonlar
- orijinal
- aslında
- Diğer
- bizim
- dışarı
- aykırı
- çıktı
- dışında
- kendi
- kâğıt
- Bölüm
- Geçen
- Sabır
- desen
- başına
- MÜKEMMEL OLAN YERİ BULUN
- performans
- belki
- izinleri
- kişi
- faz
- Fotoğraf
- Fotoğraflar
- resim
- Fotoğraf Galerisi
- boru hattı
- Sade
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- Lütfen
- Nokta
- noktaları
- havuz
- Popüler
- kısım
- sahip olmak
- mümkün
- Çivi
- tahmin
- ön
- hazırlık
- Hazırlamak
- hazırlanmış
- hazırlar
- Önceden
- fiyat
- Fiyatlar
- Anapara
- kovuşturma
- süreç
- işleme
- Üretilmiş
- profesyoneller
- özellikleri
- özellik
- önermek
- önerilen
- sağlamak
- sağlanan
- sağlayan
- sağlayıcılar
- sağlar
- sağlama
- halka açık
- yayınlanan
- koymak
- kalite
- soru
- Sorular
- hızla
- R
- menzil
- oran
- Çiğ
- ulaşmak
- Okumak
- Okuma
- hazır
- gerçek zaman
- teslim almak
- kayıtlar
- azaltmak
- referans
- ifade eder
- bölge
- kayıt
- güçlendirmek
- bağıl
- uygun
- Kira
- Depo
- temsil etmek
- talep
- gereklilik
- gerektirir
- araştırma
- yeniden şekillendirmek
- Rezidans
- Kaynaklar
- sırasıyla
- yanıt
- yanıtları
- sonuç
- Ortaya çıkan
- Sonuçlar
- dönüş
- yorum
- Zengin
- zengin
- yol haritası
- Rota
- yönlendirme
- koşmak
- runtime
- s
- sagemaker
- satış
- aynı
- Örnek veri kümesi
- senaryo
- sahne
- Bilim
- bilim adamı
- Scott
- senaryo
- Ara
- İkinci
- Bölüm
- güvenlik
- görmek
- Aramak
- görüldü
- seçilmiş
- gönderme
- hizmet vermek
- hizmet
- hizmet
- Hizmetler
- set
- birkaç
- Shape
- şov
- gösterilen
- Gösteriler
- görme
- sinyalleri
- önemli
- benzer
- benzer şekilde
- Basit
- basitleştirmek
- beri
- tek
- beden
- So
- Sosyal Medya
- sosyal medya
- sosyal medya platformları
- çözüm
- ÇÖZMEK
- biraz
- bazen
- ama
- Kaynak
- kaynaklar
- uzay
- uzman
- özel
- özellikle
- kare
- başlama
- Yine
- hafızası
- saklı
- basit
- yapı
- yapılar
- Öğrenciler
- sonraki
- böyle
- önermek
- denetleme
- arz
- tedarik zinciri
- Tedarik zinciri yönetimi
- Destek
- elbette
- tablo
- TAG
- Bizi daha iyi tanımak için
- alır
- Hedef
- Görev
- görevleri
- Öğretim
- takım
- Teknolojileri
- Teknoloji
- dönem
- test
- metinsel
- göre
- o
- The
- Kaynak
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- şey
- Re-Tweet
- Bu
- düşünce
- düşünce liderliği
- bin
- Binlerce
- üç
- İçinden
- zaman
- için
- bugün
- bugünkü
- çok
- araç
- konu
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- Dönüştürmek
- Dönüşüm
- dönüşümler
- transformatör
- transformatörler
- gerçek
- Güvenilir
- iki
- tip
- türleri
- eninde sonunda
- anlamak
- anlayış
- benzersiz
- Unsplash
- kullanım
- kullanım durumu
- Kullanılmış
- kullanım
- kullanma
- Kullanılması
- Değerleme
- değer
- değer ekle
- Değerler
- değişken
- çeşitlilik
- çok
- Video
- Görüntüle
- gözle görülür
- vizyonumuz
- görsel
- W
- istemek
- oldu
- we
- ağ
- web hizmetleri
- Haftalar
- İYİ
- vardı
- Ne
- Nedir
- hangi
- DSÖ
- irade
- pencereler
- ile
- içinde
- olmadan
- ahşap
- İş
- iş akışı
- çalışır
- Dünya
- değer
- olur
- yazı yazıyor
- yıl
- verim
- Sen
- kendiniz
- Youtube
- zefirnet
- sıfır
- zip