Amazon SageMaker Özellik Mağazası makine öğrenimi (ML) için özellik mühendisliğini otomatikleştirmek amacıyla uçtan uca bir çözüm sağlar. Birçok ML kullanım durumunda, günlük dosyaları, sensör okumaları veya işlem kayıtları gibi ham verilerin, model eğitimi için optimize edilmiş anlamlı özelliklere dönüştürülmesi gerekir.
Özellik kalitesi, son derece doğru bir ML modeli sağlamak için kritik öneme sahiptir. Toplama, kodlama, normalleştirme ve diğer işlemleri kullanarak ham verileri özelliklere dönüştürmek çoğu zaman gereklidir ve ciddi çaba gerektirebilir. Mühendisler, her kullanım durumu için Python veya Spark'ta özel veri ön işleme ve toplama mantığını manuel olarak yazmalıdır.
Bu farklılaşmamış ağır kaldırma, hantal, tekrarlayan ve hataya açık bir iştir. SageMaker Özellik Mağazası Özellik İşlemcisi Ham verileri otomatik olarak toplu eğitim makine öğrenimi modelleri için uygun toplu özelliklere dönüştürerek bu yükü azaltır. Mühendislerin basit veri dönüştürme işlevleri sağlamasına, ardından bunları Spark'ta uygun ölçekte çalıştırmasına ve temel altyapıyı yönetmesine olanak tanır. Bu, veri bilimcilerinin ve veri mühendislerinin uygulama ayrıntıları yerine özellik mühendisliği mantığına odaklanmasını sağlar.
Bu yazıda, bir otomobil satış şirketinin ham satış işlemi verilerini üç adımda özelliklere dönüştürmek için Özellik İşlemcisini nasıl kullanabileceğini gösteriyoruz:
- Veri dönüşümlerinin yerel çalıştırmaları.
- Remote, Spark'ı kullanarak uygun ölçekte çalışır.
- Boru hatları aracılığıyla operasyonelleştirme.
SageMaker Özellik Mağazasının ham verileri nasıl aldığını, özellik dönüşümlerini Spark kullanarak uzaktan nasıl çalıştırdığını ve elde edilen toplu özellikleri nasıl yüklediğini gösteriyoruz. özellik grubu. Bu tasarlanmış özellikler daha sonra ML modellerini eğitmek için kullanılabilir.
Bu kullanım örneği için SageMaker Özellik Mağazasının ham araba satış verilerini yapılandırılmış özelliklere dönüştürmeye nasıl yardımcı olduğunu görüyoruz. Bu özellikler daha sonra aşağıdaki gibi öngörüler elde etmek için kullanılır:
- 2010'dan itibaren kırmızı üstü açık arabaların ortalama ve maksimum fiyatı
- Kilometre ve fiyat açısından en iyi modeller
- Yeni ve kullanılmış arabaların yıllar içindeki satış eğilimleri
- Konumlar arasında ortalama MSRP'deki farklılıklar
Ayrıca, SageMaker Özellik Mağazası işlem hatlarının, yeni veriler geldikçe özellikleri nasıl güncel tuttuğunu ve şirketin zaman içinde sürekli olarak içgörü elde etmesini sağladığını da görüyoruz.
Çözüme genel bakış
Veri kümesiyle çalışıyoruz car_data.csv
Şirketin sattığı ikinci el ve yeni otomobillere ilişkin model, yıl, durum, kilometre, fiyat ve MSRP gibi özellikleri içeren . Aşağıdaki ekran görüntüsü veri kümesinin bir örneğini göstermektedir.
Çözüm not defteri feature_processor.ipynb
Bu yazıda açıkladığımız aşağıdaki ana adımları içerir:
- İki özellik grubu oluşturun: biri denir
car-data
ham araba satış kayıtları için ve bir diğeri aradıcar-data-aggregated
toplu araba satış kayıtları için. - Kullan
@feature_processor
veriyi araba-veri özellik grubuna yüklemek için dekoratör Amazon Basit Depolama Hizmeti (Amazon S3). - Çalıştır
@feature_processor code
Verileri toplamak için uzaktan bir Spark uygulaması olarak. - Özellik işlemcisini aracılığıyla çalıştırın SageMaker boru hatları ve çalıştırmaları planlayın.
- Özellik işleme ardışık düzenlerini keşfedin ve soy in Amazon SageMaker Stüdyosu.
- Bir makine öğrenimi modelini eğitmek için toplu özellikleri kullanın.
Önkoşullar
Bu öğreticiyi takip etmek için aşağıdakilere ihtiyacınız vardır:
Bu yazı için aşağıdakilere atıfta bulunuyoruz defterSageMaker Python SDK'yı kullanarak Özellik İşlemcisini kullanmaya nasıl başlayacağınızı gösterir.
Özellik grupları oluşturun
Özellik gruplarını oluşturmak için aşağıdaki adımları tamamlayın:
- Şunun için bir özellik grubu tanımı oluşturun:
car-data
aşağıdaki gibidir:
Özellikler, her bir sütuna karşılık gelir. car_data.csv
veri kümesi (Model
, Year
, Status
, Mileage
, Price
, ve MSRP
).
- Kayıt tanımlayıcısını ekleyin
id
ve etkinlik zamanıingest_time
özellik grubuna:
- Şunun için bir özellik grubu tanımı oluşturun:
car-data-aggregated
aşağıdaki gibidir:
Toplanan özellik grubu için özellikler, model yılı durumu, ortalama kilometre, maksimum kilometre, ortalama fiyat, maksimum fiyat, ortalama MSRP, maksimum MSRP ve alım süresidir. Kayıt tanımlayıcısını ekliyoruz model_year_status
ve etkinlik zamanı ingest_time
bu özellik grubuna.
- Şimdi,
car-data
özellik grubu:
- oluşturmak
car-data-aggregated
özellik grubu:
Altında SageMaker Özellik Mağazası seçeneğine gidebilirsiniz. Veri SageMaker Studio'da Ana Sayfa Özellik gruplarını görmek için menüyü kullanın.
Verileri yüklemek için @feature_processor dekoratörünü kullanın
Bu bölümde ham giriş verilerini yerel olarak dönüştürüyoruz (car_data.csv
) Amazon S3'ten car-data
Özellik Mağazası Özellik İşlemcisini kullanan özellik grubu. Bu ilk yerel çalıştırma, uzaktan çalıştırmadan önce geliştirmemize ve yinelememize olanak tanır ve daha hızlı yineleme istenirse bir veri örneği üzerinde yapılabilir.
İle @feature_processor
dekoratör, dönüştürme işleviniz, işlevinize sağlanan giriş bağımsız değişkenlerinin ve dönüş değerinin Spark DataFrames olduğu bir Spark çalışma zamanı ortamında çalışır.
- kurmak Özellik İşlemci SDK'sı itibaren SageMaker Python SDK'sı ve ekstraları aşağıdaki komutu kullanarak:
Dönüştürme fonksiyonunuzdaki giriş parametrelerinin sayısı, yapılandırılmış girişlerin sayısıyla eşleşmelidir. @feature_processor
dekoratör. Bu durumda, @feature_processor
dekoratör var car-data.csv
giriş olarak ve car-data
çıkış olarak özellik grubu, bunun bir toplu işlem olduğunu belirtir. target_store
as OfflineStore
:
- Tanımlamak
transform()
Verileri dönüştürme işlevi. Bu işlev aşağıdaki eylemleri gerçekleştirir:- Sütun adlarını küçük harfe dönüştürün.
- Etkinlik saatini şuraya ekleyin:
ingest_time
sütun. - Noktalama işaretlerini kaldırın ve eksik değerleri NA ile değiştirin.
- Ara
transform()
verileri saklama işlevicar-data
özellik grubu:
Çıktı, verilerin araç verileri özellik grubuna başarıyla alındığını gösterir.
Çıktısı transform_df.show()
işlevi aşağıdaki gibidir:
Giriş verilerini başarıyla dönüştürdük ve onu içeri aldık. car-data
özellik grubu.
@feature_processor kodunu uzaktan çalıştırın
Bu bölümde, özellik işleme kodunu Spark uygulaması olarak uzaktan çalıştırmayı gösteriyoruz. @remote
dekoratör daha önce anlatılmıştı. Büyük veri kümelerine ölçeklendirmek için özellik işlemeyi Spark kullanarak uzaktan çalıştırıyoruz. Spark, tek bir makine için çok büyük verileri işlemek üzere kümeler üzerinde dağıtılmış işleme sağlar. @remote
dekoratör, yerel Python kodunu tek veya çok düğümlü SageMaker eğitim işi olarak çalıştırır.
- Kullan
@remote
dekoratör ile birlikte@feature_processor
aşağıdaki gibi dekoratör:
The spark_config
parametresi bunun şu şekilde çalıştırıldığını gösterir: Spark application
. SparkConfig örneği, Spark yapılandırmasını ve bağımlılıklarını yapılandırır.
- Tanımlamak
aggregate()
PySpark SQL ve kullanıcı tanımlı işlevleri (UDF'ler) kullanarak verileri toplama işlevi. Bu işlev aşağıdaki eylemleri gerçekleştirir:- bitiştirmek
model
,year
, vestatus
oluşturmak içinmodel_year_status
. - Ortalamasını al
price
oluşturmak içinavg_price
. - Maksimum değerini al
price
oluşturmak içinmax_price
. - Ortalamasını al
mileage
oluşturmak içinavg_mileage
. - Maksimum değerini al
mileage
oluşturmak içinmax_mileage
. - Ortalamasını al
msrp
oluşturmak içinavg_msrp
. - Maksimum değerini al
msrp
oluşturmak içinmax_msrp
. - Tarafından gruba göre
model_year_status
.
- bitiştirmek
- Çalıştır
aggregate()
Spark uygulamasını çalıştırmak için bir SageMaker eğitim işi oluşturan işlev:
Sonuç olarak SageMaker, daha önce tanımlanan Spark uygulamasına bir eğitim işi oluşturur. kullanarak bir Spark çalışma zamanı ortamı oluşturacaktır. sagemaker-spark-processing image
.
Spark özellik işleme uygulamamızı çalıştırmak için burada SageMaker Training işlerini kullanıyoruz. SageMaker Eğitimi ile, SageMaker İşleme'de bulunmayan sıcak havuzlamayı kullanarak başlatma sürelerini 1 dakikaya veya daha kısa bir süreye düşürebilirsiniz. Bu, SageMaker Training'in başlatma süresinin önemli olduğu özellik işleme gibi kısa toplu işler için daha iyi optimize edilmesini sağlar.
- Ayrıntıları görüntülemek için SageMaker konsolunda Eğitim işleri altında Eğitim Gezinti bölmesinde, ardından adı taşıyan işi seçin
aggregate-<timestamp>
.
Çıktısı toplama() işlev telemetri kodu oluşturur. Çıktının içinde toplu verileri aşağıdaki gibi göreceksiniz:
Eğitim işi tamamlandığında aşağıdaki çıktıyı görmelisiniz:
Özellik işlemcisini SageMaker işlem hatları aracılığıyla operasyonel hale getirin
Bu bölümde, özellik işlemcisini bir SageMaker işlem hattına yükselterek ve çalıştırmaları planlayarak nasıl operasyonel hale getirileceğini gösteriyoruz.
- Öncelikle şunu yükleyin: transformasyon_code.py Amazon S3'e yönelik özellik işleme mantığını içeren dosya:
- Ardından Özellik İşlemcisi ardışık düzeni oluşturun car_data_pipeline ile .to_pipeline() işlevi:
- İşlem hattını çalıştırmak için aşağıdaki kodu kullanın:
- Benzer şekilde, adı verilen birleştirilmiş özellikler için bir işlem hattı oluşturabilirsiniz.
car_data_aggregated_pipeline
ve bir koşuya başlayın. - Planla
car_data_aggregated_pipeline
her 24 saatte bir çalıştırmak için:
Çıkış bölümünde işlem hattının ARN'sini, işlem hattı yürütme rolünü ve zamanlama ayrıntılarını göreceksiniz:
- Bu hesaptaki tüm Özellik İşlemci ardışık düzenlerini almak için şunu kullanın:
list_pipelines()
Özellik İşlemcisindeki işlev:
Çıktı aşağıdaki gibi olacaktır:
SageMaker Özellik İşlemcisi işlem hatlarını başarıyla oluşturduk.
Özellik işleme ardışık düzenlerini ve makine öğrenimi kökenini keşfedin
SageMaker Studio'da aşağıdaki adımları tamamlayın:
- SageMaker Studio konsolunda, Ana Sayfa menü seç Boru Hatları.
Oluşturulan iki işlem hattını görmelisiniz: car-data-ingestion-pipeline
ve car-data-aggregated-ingestion-pipeline
.
- Seçin
car-data-ingestion-pipeline
.
Çalıştırma ayrıntılarını gösterir. idamlar sekmesi.
- İşlem hattı tarafından doldurulan özellik grubunu görüntülemek için Özellik Mağazası altında Veri Ve seç
car-data
.
Önceki adımlarda oluşturduğumuz iki özellik grubunu göreceksiniz.
- Seçin
car-data
özellik grubu.
Özelliklerin ayrıntılarını göreceksiniz. Özellikler sekmesi.
İşlem hattı çalıştırmalarını görüntüle
İşlem hattı çalıştırmalarını görüntülemek için aşağıdaki adımları tamamlayın:
- Üzerinde Boru Hattı Yürütmes sekmesini seçin
car-data-ingestion-pipeline
.
Bu, tüm koşuları gösterecektir.
- Koşunun ayrıntılarını görmek için bağlantılardan birini seçin.
- Kökeni görüntülemek için Köken'i seçin.
Tam soy car-data
giriş veri kaynağını gösterir car_data.csv
ve yukarı akış varlıkları. için soy car-data-aggregated
girişi gösterir car-data
özellik grubu.
- Klinik Özellikleri yükle ve sonra seç Yukarı akış soyunu sorgula on
car-data
vecar-data-ingestion-pipeline
tüm yukarı akış varlıklarını görmek için.
Tam soy car-data
özellik grubu aşağıdaki ekran görüntüsüne benzemelidir.
Benzer şekilde, soy car-aggregated-data
özellik grubu aşağıdaki ekran görüntüsüne benzemelidir.
SageMaker Studio, planlanmış işlem hatlarını izlemek, çalıştırmaları görüntülemek, kökeni keşfetmek ve özellik işleme kodunu görüntülemek için tek bir ortam sağlar.
Ortalama fiyat, maksimum fiyat, ortalama kilometre ve daha fazlası gibi toplu özellikler car-data-aggregated
Özellik grubu, verilerin doğasına ilişkin fikir sağlar. Bu özellikleri, araba fiyatlarını tahmin etmek amacıyla bir modeli eğitmek veya diğer işlemler için bir veri kümesi olarak da kullanabilirsiniz. Ancak modelin eğitimi, özellik mühendisliği için SageMaker Özellik Mağazası yeteneklerini göstermeye odaklanan bu yazının kapsamı dışındadır.
Temizlemek
Devam eden ücretlere maruz kalmamak için bu gönderi kapsamında oluşturulan kaynakları temizlemeyi unutmayın.
- Planlanan işlem hattını aracılığıyla devre dışı bırakın
fp.schedule()
durum parametresi olan yöntemDisabled
:
- Her iki özellik grubunu da silin:
S3 klasöründe ve çevrimdışı özellik deposunda bulunan veriler maliyete neden olabilir; dolayısıyla herhangi bir ücretlendirmeden kaçınmak için bunları silmelisiniz.
- S3 nesnelerini silin.
- kayıtları sil özellik mağazasından.
Sonuç
Bu yazıda, bir otomobil satış şirketinin ham satış verilerinden değerli bilgiler elde etmek için SageMaker Özellik Mağazası Özellik İşlemcisini nasıl kullandığını aşağıdaki yollarla gösterdik:
- Spark kullanarak toplu verileri uygun ölçekte alma ve dönüştürme
- Özellik mühendisliği iş akışlarını SageMaker işlem hatları aracılığıyla operasyonel hale getirme
- İşlem hatlarını izlemek ve özellikleri keşfetmek için soy takibi ve tek bir ortam sağlama
- ML modellerinin eğitimi için optimize edilmiş toplu özelliklerin hazırlanması
Şirket, bu adımları izleyerek daha önce kullanılamayan verileri, daha sonra araba fiyatlarını tahmin edecek bir modeli eğitmek için kullanılabilecek yapılandırılmış özelliklere dönüştürmeyi başardı. SageMaker Özellik Mağazası, temel altyapı yerine özellik mühendisliğine odaklanmalarını sağladı.
Bu gönderinin, SageMaker Özellik Mağazası Özellik İşlemcisini kullanarak kendi verilerinizden değerli makine öğrenimi içgörülerini ortaya çıkarmanıza yardımcı olacağını umuyoruz!
Bununla ilgili daha fazla bilgi için bkz. Özellik İşleme ve SageMaker örneği Amazon SageMaker Özellik Mağazası: Özellikli İşlemciye Giriş.
Yazarlar Hakkında
Dhaval Şah AWS'de Makine Öğrenimi konusunda uzmanlaşmış Kıdemli Çözüm Mimarıdır. Dijital yerel işletmelere güçlü bir şekilde odaklanarak müşterilerin AWS'den yararlanmalarını ve işlerini büyütmelerini sağlıyor. Bir makine öğrenimi tutkunu olarak Dhaval, olumlu değişim getiren etkili çözümler yaratma tutkusuyla hareket ediyor. Boş zamanlarında seyahat sevgisinden yararlanıyor ve ailesiyle kaliteli anların tadını çıkarıyor.
Ninad Joshi AWS'de Kıdemli Çözüm Mimarıdır ve küresel AWS müşterilerinin, gerçek dünyadaki karmaşık iş zorluklarını çözmek için bulutta güvenli, ölçeklenebilir ve uygun maliyetli çözümler tasarlamalarına yardımcı olur. Makine Öğrenimi (ML) alanındaki çalışmaları, Uçtan Uca ML, Doğal Dil İşleme ve Bilgisayarlı Görme konularına odaklanarak çok çeşitli AI/ML kullanım örneklerini kapsamaktadır. Ninad, AWS'ye katılmadan önce 12 yıldan fazla bir süre yazılım geliştiricisi olarak çalıştı. Ninad, mesleki çabalarının dışında satranç oynamaktan ve farklı kumar oyunlarını keşfetmekten hoşlanıyor.
- 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/unlock-ml-insights-using-the-amazon-sagemaker-feature-store-feature-processor/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 11
- 116
- 12
- 13
- 14
- %15
- 16
- 20
- 24
- %26
- 40
- 7
- 8
- 9
- a
- Yapabilmek
- Hesap
- doğru
- karşısında
- eylemler
- eklemek
- toplam
- toplanma
- AI / ML
- Türkiye
- veriyor
- boyunca
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- an
- ve
- Başka
- herhangi
- Uygulama
- ARE
- argümanlar
- AS
- At
- otomatikleştirmek
- otomatik olarak
- mevcut
- ortalama
- önlemek
- AWS
- temel
- BE
- önce
- İYİ
- Daha iyi
- Büyük
- her ikisi de
- getirmek
- yük
- iş
- işletmeler
- by
- denilen
- CAN
- yetenekleri
- araba
- arabalar
- dava
- durumlarda
- zorluklar
- değişiklik
- yükler
- satranç
- Klinik
- bulut
- kod
- Sütun
- Sütunlar
- geliyor
- şirket
- tamamlamak
- karmaşık
- bilgisayar
- Bilgisayar görüşü
- yapılandırma
- yapılandırılmış
- konsolos
- içeren
- sürekli olarak
- dönüştürmek
- Ücret
- maliyetler
- olabilir
- kapaklar
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- kritik
- hantal
- görenek
- Müşteriler
- veri
- veri kümeleri
- tanımlı
- tanım
- göstermek
- gösterdi
- gösteriyor
- tasviridir
- bağımlılıklar
- tarif edilen
- tanım
- Dizayn
- İstediğiniz
- ayrıntılar
- geliştirmek
- Geliştirici
- farklı
- dijital
- özürlü
- sergileyen
- dağıtıldı
- yapılmış
- sürücü
- tahrik
- her
- Daha erken
- Etkili
- çaba
- olarak güçlendiriyor
- etkin
- sağlar
- etkinleştirme
- son uca
- çabaları
- Mühendislik
- Mühendisler
- sağlamak
- hayran
- kişiler
- çevre
- Etkinlikler
- Her
- örnek
- yürütmek
- infaz
- Çıkma
- Açıklamak
- keşfetmek
- Keşfetmek
- aile
- Daha hızlı
- Özellikler(Hazırlık aşamasında)
- Özellikler
- fileto
- dosyalar
- odak
- odaklanır
- takip et
- takip etme
- şu
- İçin
- kesirli
- itibaren
- tam
- işlev
- fonksiyonlar
- Kazanç
- üretir
- almak
- Küresel
- grup
- Grubun
- Büyüme
- sap
- Kolları
- Var
- he
- başlıkları
- ağır
- ağırlık kaldırma
- yardım
- yardımcı olur
- okuyun
- vurgulayarak
- büyük ölçüde
- onun
- Ana Sayfa
- umut
- SAAT
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- ID
- tanımlayıcı
- if
- görüntü
- etkili
- uygulama
- ithalat
- önemli
- in
- Dahil olmak üzere
- gösterir
- bilgi
- bilgi
- Altyapı
- ilk
- giriş
- girişler
- içeride
- kavrama
- anlayışlar
- kurmak
- örnek
- içine
- IT
- tekrarlama
- ONUN
- İş
- Mesleki Öğretiler
- birleştirme
- jpg
- tutmak
- dil
- büyük
- öğrenme
- az
- Lets
- Kaldıraç
- kaldırma
- sevmek
- soy
- bağlantılar
- Liste
- yük
- yükler
- yerel
- lokal olarak
- log
- mantık
- Bakın
- gibi görünmek
- Aşk
- makine
- makine öğrenme
- Ana
- YAPAR
- yönetme
- el ile
- çok
- Maç
- maksimum
- maksimum
- mdx
- anlamlı
- Menü
- yöntem
- dakika
- eksik
- ML
- model
- modelleri
- Anlar
- izlemek
- Daha
- şart
- isim
- isimleri
- yerli
- Doğal (Madenden)
- Doğal Dil İşleme
- Tabiat
- Gezin
- Navigasyon
- gerek
- gerekli
- yeni
- düğüm
- defter
- numara
- of
- çevrimdışı
- sık sık
- on
- ONE
- devam
- bir tek
- operasyon
- Operasyon
- optimize
- seçenek
- or
- Diğer
- bizim
- dışarı
- çıktı
- dışında
- tekrar
- kendi
- bölmesi
- parametre
- parametreler
- Bölüm
- tutku
- Yapmak
- gerçekleştirir
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- nüfuslu
- pozitif
- Çivi
- pr
- tahmin
- önceki
- Önceden
- fiyat
- Fiyatlar
- birincil
- Önceki
- işleme
- İşlemci
- profesyonel
- teşvik
- sağlamak
- sağlanan
- sağlar
- Python
- kalite
- menzil
- daha doğrusu
- Çiğ
- Gerçek dünya
- kayıt
- kayıtlar
- Kırmızı
- azaltmak
- azaltır
- başvurmak
- Kaldır
- tekrarlayan
- değiştirmek
- gerektirir
- Kaynaklar
- sonuç
- Ortaya çıkan
- dönüş
- Rol
- koşmak
- koşu
- ishal
- s
- sagemaker
- satış
- satış
- ölçeklenebilir
- ölçek
- program
- tarifeli
- çizelgeleme
- bilim adamları
- kapsam
- sdk
- SDN
- saniye
- Bölüm
- güvenli
- görmek
- kıdemli
- Hizmetler
- kısa
- meli
- şov
- Gösteriler
- önemli
- Basit
- tek
- tek ortam
- So
- Yazılım
- satılan
- çözüm
- Çözümler
- ÇÖZMEK
- Kaynak
- Kıvılcım
- uzmanlaşmış
- özellikler
- Belirtilen
- Spor
- başlama
- başladı
- başlangıç
- Eyalet
- Durum
- Basamaklar
- hafızası
- mağaza
- Verileri saklayın
- dizi
- güçlü
- yapılandırılmış
- stüdyo
- sunmak
- Daha sonra
- başarılı
- Başarılı olarak
- böyle
- uygun
- tablo
- göre
- o
- The
- Devlet
- ve bazı Asya
- Onları
- sonra
- Bunlar
- Re-Tweet
- üç
- zaman
- zamanlar
- için
- çok
- üst
- iz
- Takip
- Tren
- Eğitim
- işlem
- Dönüştürmek
- Dönüşüm
- dönüşümler
- transforme
- dönüşüm
- seyahat
- Trendler
- öğretici
- iki
- tip
- türleri
- ui
- altında
- altında yatan
- kilidini açmak
- güncellenmiş
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanma
- Değerli
- değer
- Değerler
- çeşitli
- Araçlar
- üzerinden
- Görüntüle
- vizyonumuz
- vs
- sıcak
- oldu
- we
- ağ
- web hizmetleri
- hangi
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- İş
- işlenmiş
- iş akışları
- yazmak
- yıl
- yıl
- Sen
- zefirnet