Doğal dil işleme (NLP), bilgisayarlara metinleri ve konuşulan kelimeleri insanlarla aynı şekilde anlama yeteneği vermekle ilgili makine öğrenimindeki (ML) alandır. Son zamanlarda, son teknoloji mimariler transformatör mimarisi metin özetleme, metin sınıflandırma, varlık tanıma ve daha fazlası gibi NLP aşağı akış görevlerinde insana yakın performans elde etmek için kullanılır.
Büyük dil modelleri (LLM'ler), yüz milyonlarca (LLM) ile büyük miktarda etiketlenmemiş metin üzerinde eğitilmiş dönüştürücü tabanlı modellerdir.Bert) bir trilyondan fazla parametreye (Mikrofonlar) ve boyutu, tek GPU eğitimini pratik yapmaz. İçsel karmaşıklıkları nedeniyle, bir LLM'yi sıfırdan eğitmek, çok az kuruluşun karşılayabileceği çok zorlu bir görevdir. NLP aşağı akış görevleri için yaygın bir uygulama, önceden eğitilmiş bir LLM almak ve ona ince ayar yapmaktır. İnce ayar hakkında daha fazla bilgi için, bkz. Amazon SageMaker JumpStart'ta Finansal verilerde Temel Modellerin Etki Alanı Uyarlaması İnce Ayarı ve Amazon SageMaker'da Hugging Face ile dil çeşitliliği için dönüştürücü dil modellerinde ince ayar yapın.
NLP'de sıfır vuruşlu öğrenme, önceden eğitilmiş LLM Açıkça eğitilmediği görevlere yanıtlar oluşturmak için (ince ayar yapmadan bile). Özellikle metin sınıflandırması hakkında konuşmak gerekirse, sıfır atış metin sınıflandırması doğal dil işlemede, metni görünmeyen sınıflardan sınıflandırmak için bir NLP modelinin kullanıldığı bir görevdir. denetimli sınıflandırma, burada NLP modelleri yalnızca eğitim verilerindeki sınıflara ait metinleri sınıflandırabilir.
Kısa bir süre önce sıfır vuruşlu sınıflandırma modeli desteğini başlattık. Amazon SageMaker Hızlı Başlangıç. SageMaker JumpStart, SageMaker JumpStart'ın makine öğrenimi merkezidir. Amazon Adaçayı Yapıcı ML'ye hızlı bir şekilde başlamanıza yardımcı olmak için önceden eğitilmiş temel modellere (FM'ler), LLM'lere, yerleşik algoritmalara ve çözüm şablonlarına erişim sağlar. Bu gönderide, SageMaker Jumpstart'ta önceden eğitilmiş modelleri kullanarak nasıl sıfır vuruşlu sınıflandırma yapabileceğinizi gösteriyoruz. Çözümü devreye almak ve mevcut modelleri kullanarak çıkarım yapmak için SageMaker Jumpstart UI ve SageMaker Python SDK'yı nasıl kullanacağınızı öğreneceksiniz.
Sıfır vuruşlu öğrenme
Zero-shot sınıflandırması, bir modelin eğitim verilerinde bulunmayan sınıflara ait yeni, görünmeyen örnekleri sınıflandırabildiği bir paradigmadır. Örneğin, insan dilini anlamak için eğitilmiş bir dil modeli, Yeni Yıl kararları tweet'lerini aşağıdaki gibi birden çok sınıfa göre sınıflandırmak için kullanılabilir: career
, health
, ve finance
, dil modeli metin sınıflandırma görevinde açıkça eğitilmeden. Bu, modelde ince ayar yapmanın tersidir, çünkü ikincisi, modelin yeniden eğitilmesini (transfer öğrenimi yoluyla) gerektirirken sıfır atışla öğrenme ek eğitim gerektirmez.
Aşağıdaki diyagram, transfer öğrenimi (solda) ile sıfır atış öğrenimi (sağda) arasındaki farkları göstermektedir.
Yin ve ark. doğal dil çıkarımı (NLI) kullanarak sıfır vuruşlu sınıflandırıcılar oluşturmak için bir çerçeve önerdi. Çerçeve, dizinin bir NLI öncülü olarak sınıflandırılmasını sağlayarak çalışır ve her aday etiketten bir hipotez oluşturur. Örneğin bir dizinin sınıfa ait olup olmadığını değerlendirmek istiyorsak politics
, "Bu metin siyaset hakkındadır" şeklinde bir hipotez oluşturabiliriz. Gereklilik ve çelişki olasılıkları daha sonra etiket olasılıklarına dönüştürülür. Hızlı bir gözden geçirme olarak, NLI iki cümleyi dikkate alır: bir öncül ve bir hipotez. Görev, öncül verildiğinde hipotezin doğru (gereklilik) veya yanlış (çelişki) olup olmadığını belirlemektir. Aşağıdaki tabloda bazı örnekler verilmektedir.
Öncül | etiket | Hipotez |
Bir adam bir Doğu Asya ülkesindeki bir figürün üniformasını inceliyor. | çelişki | Adam uyuyor. |
Gülümseyen yaşlı ve genç bir adam. | Nötr | İki adam yerde oynayan kedilere gülümsüyor ve gülüyor. |
Birden fazla erkeğin oynadığı bir futbol oyunu. | Vasiyetiniz | Bazı erkekler spor yapıyor. |
Çözüme genel bakış
Bu yazıda, aşağıdakileri tartışıyoruz:
- SageMaker JumpStart UI kullanılarak önceden eğitilmiş sıfır vuruşlu metin sınıflandırma modellerini devreye alma ve kısa metin verilerini kullanarak dağıtılan model üzerinde çıkarım çalıştırma
- SageMaker JumpStart'ta önceden eğitilmiş sıfır vuruşlu metin sınıflandırma modellerine erişmek için SageMaker Python SDK nasıl kullanılır ve gerçek zamanlı bir metin sınıflandırma kullanım örneği için modeli bir SageMaker uç noktasına dağıtmak üzere çıkarım betiğini kullanma
- Önceden eğitilmiş sıfır vuruşlu metin sınıflandırma modellerine erişmek için SageMaker Python SDK nasıl kullanılır ve bir toplu metin sınıflandırması kullanım örneği için SageMaker toplu dönüşümü nasıl kullanılır?
SageMaker JumpStart, popüler makine öğrenimi görevlerinde çok çeşitli önceden eğitilmiş modeller için tek tıklamayla ince ayar ve devreye almanın yanı sıra yaygın iş sorunlarını çözen uçtan uca çözümler sunar. Bu özellikler, makine öğrenimi sürecinin her adımındaki ağır yükü ortadan kaldırarak yüksek kaliteli modellerin geliştirilmesini basitleştirir ve devreye alma süresini kısaltır. bu Hızlı Başlangıç API'leri kendi veri kümelerinizde çok çeşitli önceden eğitilmiş modelleri programlı olarak dağıtmanıza ve ince ayar yapmanıza olanak tanır.
JumpStart model merkezi, transfer öğrenmeyi ve özel veri kümelerinde ince ayar yapmayı mümkün kılan çok sayıda NLP modeline erişim sağlar. Bu yazı yazıldığı sırada, JumpStart model merkezi, Stable Diffusion, Flan T300, Alexa TM, Bloom ve daha fazlası gibi çeşitli popüler modellerde 5'den fazla metin modeli içerir.
Bu bölümdeki adımları izleyerek AWS hesabınıza maliyet oluşturabilecek altyapıyı dağıtacağınızı unutmayın.
Bağımsız bir zero-shot metin sınıflandırma modeli dağıtın
Bu bölümde, SageMaker JumpStart kullanarak sıfır atışlı bir sınıflandırma modelinin nasıl konuşlandırılacağını gösteriyoruz. Önceden eğitilmiş modellere şu adresteki JumpStart açılış sayfasından erişebilirsiniz: Amazon SageMaker Stüdyosu. Aşağıdaki adımları tamamlayın:
- SageMaker Studio'da JumpStart giriş sayfasını açın.
Bakın JumpStart'ı açın ve kullanın SageMaker JumpStart'a nasıl gidileceği hakkında daha fazla bilgi için. - içinde Metin Modelleri atlıkarınca, “Sıfır Atış Metin Sınıflandırması” model kartını bulun.
- Klinik Modeli görüntüle erişmek için
facebook-bart-large-mnli
modeli.
Alternatif olarak, arama çubuğunda sıfır vuruşlu sınıflandırma modelini arayabilir ve modele SageMaker JumpStart'ta ulaşabilirsiniz. - Bir dağıtım yapılandırması, SageMaker barındırma örneği tipi, uç nokta adı, Amazon Basit Depolama Hizmeti (Amazon S3) grup adı ve diğer gerekli parametreler.
- İsteğe bağlı olarak, gibi güvenlik yapılandırmaları belirleyebilirsiniz. AWS Kimlik ve Erişim Yönetimi (IAM) rolü, VPC ayarları ve AWS Anahtar Yönetim Hizmeti (AWS KMS) şifreleme anahtarları.
- Klinik Sürüş bir SageMaker uç noktası oluşturmak için.
Bu adımın tamamlanması birkaç dakika sürer. Tamamlandığında, sıfır atışlı sınıflandırma modelini barındıran SageMaker uç noktasına karşı çıkarım çalıştırabilirsiniz.
Aşağıdaki videoda, bu bölümdeki adımların bir adım adım açıklamasını gösteriyoruz.
JumpStart'ı SageMaker SDK ile programlı olarak kullanın
SageMaker Studio'nun SageMaker JumpStart bölümünde, altında Hızlı başlangıç çözümleri, bulabilirsiniz çözüm şablonları. SageMaker JumpStart çözüm şablonları, birçok yaygın makine öğrenimi kullanım durumu için tek tıkla uçtan uca çözümlerdir. Bu yazının yazıldığı tarihte, talep tahmini, dolandırıcılık tespiti ve kişiselleştirilmiş öneriler gibi birden fazla kullanım durumu için 20'den fazla çözüm mevcut.
"Sıfır Yüzlü Metin Sınıflandırması" çözümü, belirli etiketler için bir model eğitmeye gerek kalmadan metni sınıflandırmanın bir yolunu sunar (sıfır atış sınıflandırması) önceden eğitilmiş bir metin sınıflandırıcı kullanarak. Bu çözüm için varsayılan sıfır vuruşlu sınıflandırma modeli, facebook-bart-büyük-mnli (BART) modeli. Bu çözüm için, 2015 Yeni Yıl Kararları veri kümesi çözünürlükleri sınıflandırmak için. Yalnızca içeren orijinal veri kümesinin bir alt kümesi Resolution_Category
(doğruluk etiketi) ve text
sütunları, çözümün varlıklarına dahildir.
Giriş verileri, metin dizilerini, sınıflandırma için istenen kategorilerin bir listesini ve sınıflandırmanın eşzamanlı (gerçek zamanlı) çıkarım için çok etiketli olup olmadığını içerir. Eşzamansız (toplu) çıkarım için, metin dizelerinin bir listesini, her dize için kategorilerin listesini ve sınıflandırmanın JSON satırları biçimli bir metin dosyasında çok etiketli olup olmadığını sağlıyoruz.
Çıkarımın sonucu, aşağıdaki ekran görüntüsüne benzeyen bir JSON nesnesidir.
Orijinal metin elimizde sequence
alanında, metin sınıflandırması için kullanılan etiketler labels
alan ve alandaki her bir etikete (aynı görünüm sırasında) atanan olasılık scores
.
Hugging Face çözümüyle Zero Shot Metin Sınıflandırmasını devreye almak için aşağıdaki adımları tamamlayın:
- SageMaker JumpStart açılış sayfasında, Modeller, defterler, çözümler Gezinti bölmesinde.
- içinde Çözümler bölümü, seçim Tüm Çözümleri Keşfedin.
- Üzerinde Çözümler sayfasında, Hugging Face model kartı ile Sıfır Çekim Metin Sınıflandırmasını seçin.
- Dağıtım ayrıntılarını inceleyin ve kabul ediyorsanız seçin Başlatmak.
Dağıtım, gerçek zamanlı çıkarım için bir SageMaker gerçek zamanlı uç noktası ve toplu dönüştürme sonuçlarını depolamak için bir S3 kovası sağlayacaktır.
Aşağıdaki diyagram bu yöntemin mimarisini göstermektedir.
Sıfır vuruşlu bir sınıflandırma modeli kullanarak gerçek zamanlı çıkarım gerçekleştirin
Bu bölümde, bir SageMaker uç noktası kullanarak sıfır vuruşlu metin sınıflandırmasını (mevcut modellerden herhangi birini kullanarak) gerçek zamanlı olarak çalıştırmak için Python SDK'nın nasıl kullanılacağını inceliyoruz.
- İlk olarak, çıkarım yükü talebini modele yapılandırıyoruz. Bu, modele bağlıdır, ancak BART modeli için girdi, aşağıdaki yapıya sahip bir JSON nesnesidir:
- BART modelinin açık bir şekilde eğitilmediğini unutmayın.
candidate_labels
. Metin dizisini görünmeyen sınıflara göre sınıflandırmak için sıfır vuruşlu sınıflandırma tekniğini kullanacağız. Aşağıdaki kod, Yeni Yıl kararları veri kümesinden ve tanımlanmış sınıflardan metin kullanan bir örnektir: - Ardından, sıfır atış yükü ile bir SageMaker uç noktasını çağırabilirsiniz. SageMaker uç noktası, SageMaker JumpStart çözümünün bir parçası olarak dağıtılır.
- Çıkarım yanıtı nesnesi, orijinal sırayı, maksimumdan minimuma puana göre sıralanmış etiketleri ve etiket başına puanları içerir:
Python SDK kullanarak bir SageMaker toplu dönüştürme işi çalıştırın
Bu bölümde, sıfır atış sınıflandırmasıyla toplu dönüşüm çıkarımının nasıl çalıştırılacağı açıklanmaktadır. facebook-bart-large-mnli
kullanarak model SageMaker Python SDK'sı. Aşağıdaki adımları tamamlayın:
- Giriş verilerini JSON satırları biçiminde biçimlendirin ve dosyayı Amazon S3'e yükleyin.
SageMaker toplu dönüşümü, S3 dosyasına yüklenen veri noktalarında çıkarım gerçekleştirir. - Model dağıtım yapıtlarını aşağıdaki parametrelerle kurun:
- model_id - Kullan
huggingface-zstc-facebook-bart-large-mnli
. - konuşlandırma_image_uri - Kullan
image_uris
için önceden oluşturulmuş SageMaker Docker görüntüsünü almak için Python SDK işlevimodel_id
. işlev şunu döndürür: Amazon Elastik Konteyner Kayıt Defteri (Amazon ECR) URI'si. - konuşlandırma_kaynak_uri – Kullan
script_uris
önceden eğitilmiş model çıkarımını çalıştırmak için betikler içeren S3 URI'yi almak için yardımcı program API'si. Biz belirtiyoruzscript_scope
asinference
. - model_uri - Kullan
model_uri
belirtilen için Amazon S3'ten model yapıtlarını almak içinmodel_id
.
- model_id - Kullan
- kullanım
HF_TASK
Hugging Face dönüştürücüler ardışık düzeni için görevi tanımlamak veHF_MODEL_ID
metni sınıflandırmak için kullanılan modeli tanımlamak için:Görevlerin tam listesi için bkz. Boru Hatları Hugging Face belgelerinde.
- SageMaker toplu dönüştürme işiyle konuşlandırılacak bir Hugging Face model nesnesi oluşturun:
- Bir toplu işi çalıştırmak için bir dönüşüm oluşturun:
- Bir toplu dönüştürme işi başlatın ve S3 verilerini girdi olarak kullanın:
Toplu işleme işinizi SageMaker konsolunda izleyebilirsiniz ( Toplu dönüştürme işleri altında sonuç gezinti bölmesinde). İş tamamlandığında, model tahmin çıktısını aşağıda belirtilen S3 dosyasında kontrol edebilirsiniz. output_path
.
SageMaker JumpStart'ta bulunan tüm önceden eğitilmiş modellerin listesi için bkz. Önceden eğitilmiş Model Tablosu ile Yerleşik Algoritmalar. Zero-shot metin sınıflandırması yapabilen tüm modelleri bulmak için arama çubuğunda "zstc" (sıfır vuruşlu metin sınıflandırmasının kısaltması) anahtar kelimesini kullanın.
Temizlemek
Not defterini çalıştırmayı bitirdikten sonra, bu kılavuzda dağıtılan varlıkların neden olduğu maliyetlerin durdurulmasını sağlamak için süreçte oluşturulan tüm kaynakları sildiğinizden emin olun. Dağıtılan kaynakları temizleme kodu, sıfır vuruşlu metin sınıflandırma çözümü ve modeliyle ilişkili not defterlerinde sağlanır.
Varsayılan güvenlik yapılandırmaları
SageMaker JumpStart modelleri, aşağıdaki varsayılan güvenlik yapılandırmaları kullanılarak devreye alınır:
SageMaker güvenliğiyle ilgili konular hakkında daha fazla bilgi edinmek için şuraya göz atın: Amazon SageMaker'da güvenliği yapılandırma.
Sonuç
Bu gönderide, size SageMaker JumpStart UI'yi kullanarak sıfır atışlı bir sınıflandırma modelini nasıl konuşlandıracağınızı ve dağıtılan uç noktayı kullanarak nasıl çıkarım yapacağınızı gösterdik. Uçtan uca bir çözüm oluşturmak ve sıfır atışlı sınıflandırma uygulamasını uygulamak için SageMaker Python SDK'yı nasıl kullanabileceğinizi göstermek için SageMaker JumpStart Yeni Yıl kararları çözümünü kullandık. SageMaker JumpStart, bilgisayar görüşü, doğal dil işleme, öneri sistemleri ve daha fazlası gibi görevler için önceden eğitilmiş yüzlerce modele ve çözüme erişim sağlar. Çözümü kendi başınıza deneyin ve düşüncelerinizi bize bildirin.
yazarlar hakkında
david laredo LATAM'daki AWS Envision Engineering'de Prototipleme Mimarı olup burada birden çok makine öğrenimi prototipinin geliştirilmesine yardımcı olmuştur. Daha önce Makine Öğrenimi Mühendisi olarak çalıştı ve 5 yılı aşkın süredir makine öğrenimi yapıyor. İlgi alanları NLP, zaman serileri ve uçtan uca makine öğrenimidir.
vikram elango Virginia, ABD merkezli Amazon Web Services'ta bir AI/ML Uzmanı Çözüm Mimarıdır. Vikram, finans ve sigorta sektörü müşterilerine, makine öğrenimi uygulamalarını geniş ölçekte oluşturmak ve dağıtmak için tasarım ve düşünce liderliği konusunda yardımcı olur. Şu anda kuruluş genelinde doğal dil işleme, sorumlu yapay zeka, çıkarım optimizasyonu ve makine öğrenimini ölçeklendirme konularına odaklanmaktadır. Boş zamanlarında ailesiyle birlikte seyahat etmeyi, yürüyüş yapmayı, yemek yapmayı ve kamp yapmayı seviyor.
Dr.Vivek Madan Amazon SageMaker JumpStart ekibinde Uygulamalı Bilim Adamıdır. Doktorasını Urbana-Champaign'deki Illinois Üniversitesi'nden aldı ve Georgia Tech'de Doktora Sonrası Araştırmacıydı. Makine öğrenimi ve algoritma tasarımında aktif bir araştırmacıdır ve EMNLP, ICLR, COLT, FOCS ve SODA konferanslarında makaleler yayınlamıştır.
- 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. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/zero-shot-text-classification-with-amazon-sagemaker-jumpstart/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 12
- 16
- 17
- 20
- 22
- 30
- 7
- 8
- 9
- a
- kabiliyet
- Hakkımızda
- yukarıdaki
- erişim
- Hesap
- Başarmak
- karşısında
- aktif
- Ek
- karşı
- AI
- AI / ML
- AL
- Alexa
- algoritma
- algoritmalar
- Türkiye
- izin vermek
- veriyor
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Hızlı Başlangıç
- Amazon Web Servisleri
- miktar
- an
- ve
- herhangi
- api
- Uygulama
- uygulamaları
- uygulamalı
- mimari
- ARE
- alanlar
- AS
- Asya
- Varlıklar
- atanmış
- ilişkili
- At
- otomatik olarak
- mevcut
- AWS
- bar
- baz
- merkezli
- BE
- olmuştur
- olmak
- aittir
- arasında
- Çiçek açmak
- vücut
- Kitaplar
- Kahvaltı
- inşa etmek
- yerleşik
- iş
- fakat
- by
- CAN
- aday
- yetenekli
- kart
- Kariyer
- atlıkarınca
- durumlarda
- kategoriler
- Kediler
- zor
- Kontrol
- Klinik
- sınıf
- sınıflar
- sınıflandırma
- sınıflandırılmış
- sınıflandırmak
- kod
- Sütunlar
- ortak
- tamamlamak
- karmaşıklık
- bilgisayar
- Bilgisayar görüşü
- bilgisayarlar
- ilgili
- konferanslar
- yapılandırma
- dikkate
- konsolos
- kurmak
- Konteyner
- içeren
- kontrast
- dönüştürülmüş
- maliyetler
- olabilir
- ülke
- Çift
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- Şu anda
- görenek
- Müşteriler
- veri
- Veri noktaları
- veri kümeleri
- adanmış
- Varsayılan
- tanımlamak
- tanımlı
- Talep
- Talep tahmini
- göstermek
- bağımlılıklar
- bağımlı
- dağıtmak
- konuşlandırılmış
- açılma
- Dizayn
- İstediğiniz
- ayrıntılar
- Bulma
- Belirlemek
- geliştirmek
- gelişme
- farklılıkları
- Yayılma
- tartışmak
- Çeşitlilik
- liman işçisi
- belgeleme
- Değil
- yapıyor
- yapılmış
- gereken
- E&T
- her
- Doğu
- Eğitim
- E-posta
- etkinleştirmek
- şifreleme
- son uca
- Son nokta
- mühendis
- Mühendislik
- sağlamak
- kuruluş
- varlık
- gözünün önüne getirmek
- değerlendirmek
- Hatta
- örnek
- örnekler
- Yüz
- yanlış
- aile
- Özellikler
- az
- alan
- şekil
- fileto
- maliye
- mali
- bulmak
- Kat
- odaklanmış
- takip etme
- İçin
- biçim
- vakıf
- iskelet
- dolandırıcılık
- sahtekarlık tespiti
- itibaren
- işlev
- oyun
- oluşturmak
- almak
- GitHub
- verilmiş
- Verilmesi
- Zemin
- Büyüme
- rehberlik
- kullanma
- Var
- he
- Sağlık
- ağır
- ağırlık kaldırma
- yardım et
- yardım
- yardımcı olur
- Yüksek kaliteli
- onun
- hosting
- ana
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- merkez
- insan
- mizah
- Yüzlerce
- yüz milyonlarca
- ID
- Kimlik
- if
- Illinois
- göstermektedir
- görüntü
- uygulamak
- ithalat
- in
- dahil
- içerir
- sanayi
- bilgi
- Altyapı
- doğal
- giriş
- girişler
- örnek
- sigorta
- faiz
- IT
- İş
- Mesleki Öğretiler
- jpg
- json
- anahtar
- anahtarlar
- Bilmek
- etiket
- Etiketler
- iniş
- dil
- büyük
- LATAM
- başlattı
- Liderlik
- ÖĞRENİN
- öğrenme
- sol
- izin
- kaldırma
- sevmek
- çizgi
- hatları
- Liste
- Yüksek Lisans
- yükleme
- GÖRÜNÜYOR
- makine
- makine öğrenme
- yapmak
- YAPAR
- adam
- yönetim
- çok
- maksimum
- Mayıs..
- Erkek
- yöntem
- milyonlarca
- dk
- dakika
- ML
- model
- modelleri
- izlemek
- Daha
- çoklu
- my
- isim
- Doğal (Madenden)
- Doğal Dil İşleme
- Gezin
- Navigasyon
- gerek
- yeni
- Yılbaşı
- nlp
- yok hayır
- defter
- numara
- nesne
- of
- on
- bir tek
- açık
- optimizasyon
- or
- sipariş
- organizasyonlar
- orijinal
- Diğer
- dışarı
- çıktı
- tekrar
- kendi
- Kanal
- bölmesi
- kâğıtlar
- paradigma
- parametreler
- Bölüm
- yol
- başına
- Yapmak
- performans
- izinleri
- kişisel
- Kişiselleştirilmiş
- doktora
- FĐLANTROPĐ
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- noktaları
- siyaset
- Popüler
- Çivi
- uygulama
- tahmin
- Tahminler
- mevcut
- Önceden
- sorunlar
- süreç
- işleme
- önerilen
- prototipler
- prototip
- sağlamak
- sağlanan
- sağlar
- hüküm
- yayınlanan
- Python
- pytorch
- Hızlı
- hızla
- Okumak
- gerçek
- gerçek zaman
- geçenlerde
- tanıma
- Tavsiye
- tavsiyeler
- azaltarak
- Kaldır
- talep
- gerektirir
- gereklidir
- araştırmacı
- Kaynaklar
- yanıt
- yanıtları
- sorumlu
- sonuç
- Sonuçlar
- İade
- yorum
- krallar gibi yaşamaya
- Rol
- koşmak
- koşu
- s
- sagemaker
- aynı
- İndirim
- ölçek
- ölçekleme
- bilim adamı
- Gol
- çizik
- scriptler
- kaydırma
- sdk
- Ara
- Bölüm
- güvenlik
- görmek
- seçim
- Dizi
- Dizi
- Hizmetler
- ayarlar
- kısa
- atış
- şov
- gösterdi
- Basit
- basitleştirilmesi
- beri
- beden
- Futbol
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- bir şey
- konuşma
- uzman
- özel
- özellikle
- Belirtilen
- konuşulan
- Spor
- kararlı
- bağımsız
- başlama
- başladı
- state-of-the-art
- kalmak
- adım
- Basamaklar
- durdu
- hafızası
- depolamak
- dizi
- yapı
- stüdyo
- böyle
- destek
- elbette
- Sistemler
- tablo
- Bizi daha iyi tanımak için
- alır
- Görev
- görevleri
- takım
- teknoloji
- şablonları
- Metin Sınıflandırması
- o
- The
- ve bazı Asya
- sonra
- Bunlar
- Re-Tweet
- düşünce
- düşünce liderliği
- İçinden
- zaman
- Zaman serisi
- TM
- için
- Konular
- Tren
- eğitilmiş
- Eğitim
- transfer
- Dönüştürmek
- Dönüşüm
- transformatör
- transformatörler
- Seyahat
- Trilyon
- gerçek
- Hakikat
- denemek
- tweets
- iki
- tip
- ui
- altında
- anlamak
- üniversite
- Yüklenen
- us
- kullanım
- Kullanılmış
- kullanma
- yarar
- çeşitlilik
- Geniş
- versiyon
- çok
- Video
- Virjinya
- vizyonumuz
- vs
- örneklerde
- istemek
- oldu
- Yol..
- we
- ağ
- web hizmetleri
- İYİ
- vardı
- ne zaman
- olup olmadığını
- süre
- kimin
- geniş
- irade
- ile
- olmadan
- sözler
- işlenmiş
- çalışır
- yazı yazıyor
- yıl
- yıl
- Sen
- küçük
- zefirnet
- sıfır
- Sıfır Atışta Öğrenme