Veri hazırlığı, veri odaklı herhangi bir projede kritik bir adımdır ve doğru araçlara sahip olmak operasyonel verimliliği büyük ölçüde artırabilir. Amazon SageMaker Veri Düzenleyicisi makine öğrenimi (ML) için tablo ve görüntü verilerinin toplanması ve hazırlanması için geçen süreyi haftalardan dakikalara indirir. SageMaker Data Wrangler ile veri hazırlama ve özellik mühendisliği sürecini basitleştirebilir ve veri seçimi, temizleme, keşfetme ve görselleştirme dahil olmak üzere veri hazırlama iş akışının her adımını tek bir görsel arabirimden tamamlayabilirsiniz.
Bu yazıda, SageMaker Data Wrangler'ın operasyonel deneyimi iyileştirmek için özel olarak tasarlanmış en son özelliklerini keşfediyoruz. desteğini inceliyoruz Basit Depolama Hizmeti (Amazon S3) apaçık dosyalar, etkileşimli bir veri akışında çıkarım yapıtları ve sorunsuz entegrasyon JSON (JavaScript Nesne Gösterimi) Bu geliştirmelerin veri hazırlamayı nasıl daha kolay ve verimli hale getirdiğini vurgulayan çıkarım biçimi.
Yeni özelliklerin tanıtılması
Bu bölümde, optimum veri hazırlığı için SageMaker Data Wrangler'ın yeni özelliklerini tartışıyoruz.
Makine öğrenimi çıkarımı için SageMaker Autopilot ile S3 bildirim dosyası desteği
SageMaker Data Wrangler, birleşik veri hazırlama ve model eğitimi ile deneyim Amazon SageMaker Otomatik Pilot sadece birkaç tıklamayla. Veri akışınızda dönüştürdüğünüz veriler üzerinde modelleri otomatik olarak eğitmek, ayarlamak ve dağıtmak için SageMaker Autopilot'u kullanabilirsiniz.
Bu deneyim artık S3 bildirim dosyası desteğiyle daha da basitleştirildi. Bir S3 manifest dosyası, bir S3 kovasında saklanan nesneleri (dosyaları) listeleyen bir metin dosyasıdır. SageMaker Data Wrangler'da dışa aktardığınız veri kümeniz oldukça büyükse ve Amazon S3'te çok parçalı veri dosyalarına bölünmüşse, SageMaker Data Wrangler artık S3'te tüm bu veri dosyalarını temsil eden bir manifest dosyası oluşturacaktır. Oluşturulan bu bildirim dosyası, eğitim için tüm bölümlenmiş verileri almak üzere artık SageMaker Data Wrangler'daki SageMaker Autopilot UI ile birlikte kullanılabilir.
Bu özellik kullanıma sunulmadan önce, SageMaker Data Wrangler'dan hazırlanan veriler üzerinde eğitilmiş SageMaker Autopilot modellerini kullanırken, özellikle veri kümesi çok büyükse, tüm veri kümesini temsil etmeyebilecek yalnızca bir veri dosyası seçebiliyordunuz. Bu yeni bildirim dosyası deneyimiyle, veri kümenizin bir alt kümesiyle sınırlı değilsiniz. Manifest dosyasını kullanarak tüm verilerinizi temsil eden SageMaker Autopilot ile bir makine öğrenimi modeli oluşturabilir ve bunu makine öğrenimi çıkarımınız ve üretim dağıtımınız için kullanabilirsiniz. Bu özellik, SageMaker Autopilot ile makine öğrenimi modellerinin eğitimini basitleştirerek ve veri işleme iş akışlarını kolaylaştırarak operasyonel verimliliği artırır.
Oluşturulan eserlerde çıkarım akışı için destek eklendi
Müşteriler, tek etkin kodlama, PCA ve eksik değerler atama gibi model eğitim verilerine uyguladıkları veri dönüşümlerini almak ve bu veri dönüşümlerini üretimde gerçek zamanlı çıkarıma veya toplu çıkarıma uygulamak istiyor. Bunu yapmak için, bir SageMaker modeli tarafından tüketilen bir SageMaker Data Wrangler çıkarım yapısına sahip olmanız gerekir.
Önceden, çıkarım yapıları yalnızca SageMaker Autopilot eğitimine dışa aktarılırken veya bir çıkarım ardışık düzeni not defterine dışa aktarılırken kullanıcı arabiriminden oluşturulabiliyordu. SageMaker Data Wrangler akışlarınızı sistemin dışına çıkarmak istediğinizde, bu size esneklik sağlamadı. Amazon SageMaker Stüdyosu çevre. Artık, bir SageMaker Data Wrangler işleme işi aracılığıyla herhangi bir uyumlu akış dosyası için bir çıkarım yapıtı oluşturabilirsiniz. Bu, SageMaker Data Wrangler ile programatik, uçtan uca MLOp'ların kod öncelikli MLOps karakterleri için akışlarının yanı sıra kullanıcı arabiriminden bir iş oluşturarak bir çıkarım yapıtı elde etmek için sezgisel, kodsuz bir yol sağlar.
Veri hazırlamayı kolaylaştırma
JSON, modern veri ekosistemlerinde veri alışverişi için yaygın olarak benimsenen bir biçim haline geldi. SageMaker Data Wrangler'ın JSON formatıyla entegrasyonu, dönüştürme ve temizleme için JSON verilerini sorunsuz bir şekilde işlemenize olanak tanır. SageMaker Data Wrangler, JSON için yerel destek sağlayarak, yapılandırılmış ve yarı yapılandırılmış verilerle çalışma sürecini basitleştirerek değerli içgörüler elde etmenizi ve verileri verimli bir şekilde hazırlamanızı sağlar. SageMaker Data Wrangler artık hem toplu hem de gerçek zamanlı çıkarım uç noktası dağıtımı için JSON formatını destekliyor.
Çözüme genel bakış
Kullanım durumumuz için örneği kullanıyoruz Amazon müşteri yorumları veri kümesi SageMaker Data Wrangler'ın, SageMaker Autopilot'u kullanarak yeni bir makine öğrenimi modeli oluşturmaya yönelik operasyonel çabayı nasıl basitleştirebileceğini göstermek için. Amazon müşteri incelemeleri veri kümesi, Mayıs 142.8'dan Temmuz 1996'e kadar uzanan 2014 milyon inceleme dahil olmak üzere Amazon'dan ürün incelemeleri ve meta veriler içerir.
Üst düzeyde, bu büyük veri kümesini yönetmek ve aşağıdaki eylemleri gerçekleştirmek için SageMaker Data Wrangler kullanıyoruz:
- Yalnızca bir örneği değil, tüm veri kümesini kullanarak SageMaker Autopilot'ta bir makine öğrenimi modeli geliştirin.
- SageMaker Data Wrangler tarafından oluşturulan çıkarım yapıtı ile gerçek zamanlı bir çıkarım işlem hattı oluşturun ve giriş ve çıkış için JSON biçimlendirmesini kullanın.
SageMaker Autopilot ile S3 bildirim dosyası desteği
SageMaker Data Wrangler kullanarak bir SageMaker Autopilot deneyi oluştururken, önceden yalnızca tek bir CSV veya Parquet dosyası belirtebiliyordunuz. Artık SageMaker Autopilot deneyleri için büyük miktarda veri kullanmanıza izin veren bir S3 bildirim dosyası da kullanabilirsiniz. SageMaker Data Wrangler, giriş verisi dosyalarını otomatik olarak birkaç küçük dosyaya bölecek ve yalnızca küçük bir örneği değil, etkileşimli oturumdan tüm verileri çekmek için bir SageMaker Autopilot deneyinde kullanılabilecek bir manifesto oluşturacaktır.
Aşağıdaki adımları tamamlayın:
- Amazon müşteri incelemesi verilerini bir CSV dosyasından SageMaker Data Wrangler'a aktarın. Verileri içe aktarırken örneklemeyi devre dışı bıraktığınızdan emin olun.
- Verileri normalleştiren dönüşümleri belirtin. Bu örnek için, SageMaker Data Wrangler'ın yerleşik dönüşümlerini kullanarak sembolleri kaldırın ve her şeyi küçük harfe dönüştürün.
- Klinik Modeli eğit eğitime başlamak için.
Bir modeli SageMaker Autopilot ile eğitmek için SageMaker, verileri otomatik olarak bir S3 klasörüne aktarır. Bunun gibi büyük veri kümeleri için, dosyayı otomatik olarak daha küçük dosyalara böler ve daha küçük dosyaların konumunu içeren bir bildirim oluşturur.
- İlk olarak, giriş verilerinizi seçin.
Daha önce, SageMaker Data Wrangler'ın SageMaker Autopilot ile kullanmak için bir bildirim dosyası oluşturma seçeneği yoktu. Bugün, bildirim dosyası desteğinin kullanıma sunulmasıyla birlikte SageMaker Data Wrangler, bir bildirim dosyasını otomatik olarak Amazon S3'e aktaracak, SageMaker Autopilot eğitiminin S3 konumunu bildirim dosyası S3 konumuyla önceden dolduracak ve bildirim dosyası seçeneğini Evet. Bildirim dosyasını oluşturmak veya kullanmak için herhangi bir çalışma gerekmez.
- Modelin tahmin edeceği hedefi seçerek denemenizi yapılandırın.
- Ardından, bir eğitim yöntemi seçin. Bu durumda, seçiyoruz Oto ve veri kümesi boyutuna göre en iyi eğitim yöntemine SageMaker Autopilot'un karar vermesine izin verin.
- Dağıtım ayarlarını belirtin.
- Son olarak, iş yapılandırmasını gözden geçirin ve SageMaker Autopilot deneyini eğitim için gönderin. SageMaker Autopilot deneyi tamamladığında, eğitim sonuçlarını görüntüleyebilir ve en iyi modeli keşfedebilirsiniz.
Bildirim dosyaları desteği sayesinde, verilerinizin yalnızca bir alt kümesini değil, tüm veri kümenizi SageMaker Autopilot deneyi için kullanabilirsiniz.
SageMaker Autopilot'u SageMaker Data Wrangler ile kullanma hakkında daha fazla bilgi için bkz. Amazon SageMaker Data Wrangler ve Amazon SageMaker Autopilot ile birleşik veri hazırlama ve model eğitimi.
SageMaker İşleme işlerinden çıkarım yapıtları oluşturun
Şimdi, hem SageMaker Data Wrangler UI hem de SageMaker Data Wrangler not defterleri aracılığıyla çıkarım yapıtlarını nasıl oluşturabileceğimize bakalım.
SageMaker Data Wrangler Kullanıcı Arayüzü
Kullanım durumumuz için, verilerimizi kullanıcı arabirimi aracılığıyla işlemek ve ardından elde edilen verileri SageMaker konsolu aracılığıyla bir model eğitmek ve dağıtmak için kullanmak istiyoruz. Aşağıdaki adımları tamamlayın:
- Önceki bölümde oluşturduğunuz veri akışını açın.
- Son dönüşümün yanındaki artı işaretini seçin, seçin Hedef ekle, ve Seç Amazon S3. Bu, işlenen verilerin depolanacağı yer olacaktır.
- Klinik İş oluştur.
- seç Çıkarım yapıtları oluştur Çıkarım yapıtı oluşturmak için Çıkarım parametreleri bölümünde.
- Çıkarım yapıtı adı için, çıkarım yapıtınızın adını girin (dosya uzantısı olarak .tar.gz ile).
- Çıkarım çıkış düğümü için eğitim verilerinize uygulanan dönüşümlere karşılık gelen hedef düğümü girin.
- Klinik İşi yapılandır.
- Altında İş yapılandırmasıiçin bir yol girin Akış dosyası S3 konumu. adlı bir klasör
data_wrangler_flows
bu konum altında oluşturulacak ve çıkarım yapıtı bu klasöre yüklenecektir. Yükleme konumunu değiştirmek için farklı bir S3 konumu ayarlayın. - Diğer tüm seçenekler için varsayılanları bırakın ve seçin oluşturmak işleme işini oluşturmak için.
İşleme işi birtarball (.tar.gz)
çıkarım için kullanmanıza izin veren yeni eklenen bir çıkarım bölümü ile değiştirilmiş bir veri akışı dosyası içerir. Çıkarım çözümünüzü dağıtırken yapıtı bir SageMaker modeline sağlamak için çıkarım yapıtının S3 tek tip kaynak tanımlayıcısına (URI) ihtiyacınız vardır. URI şu şekilde olacaktır:{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Bu değerleri daha önce not etmediyseniz, ilgili ayrıntıları bulmak için işlenen işin bağlantısını seçebilirsiniz. Örneğimizde, URI şu şekildedir:
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- değerini kopyala Görüntü işleniyor; modelimizi oluştururken de bu URI'ye ihtiyacımız var.
- Artık bu URI'yi SageMaker konsolunda daha sonra bir uç nokta veya toplu dönüştürme işine konuşlandırabileceğimiz bir SageMaker modeli oluşturmak için kullanabiliriz.
- Altında model ayarları¸ bir model adı girin ve IAM rolünüzü belirtin.
- İçin Kapsayıcı giriş seçenekleriseçin Model yapıları ve çıkarım görüntüsü konumu sağlayın.
- İçin Çıkarım kodu görüntüsünün konumu, işleme görüntü URI'sini girin.
- İçin Model yapıların konumu, çıkarım yapıtı URI'sini girin.
- Ek olarak, verilerinizin eğitimli bir makine öğrenimi modeli tarafından tahmin edilecek bir hedef sütunu varsa, o sütunun adını altında belirtin. Ortam DeğişkenleriIle
INFERENCE_TARGET_COLUMN_NAME
as anahtar ve sütun adı olarak Özellik. - seçerek modelinizi oluşturmayı tamamlayın. Model oluştur.
Artık bir uç noktaya veya toplu dönüştürme işine dağıtabileceğimiz bir modelimiz var.
SageMaker Data Wrangler not defterleri
Bir işleme işinden çıkarım yapıtını oluşturmaya yönelik kod öncelikli bir yaklaşım için, örnek kodu seçerek bulabiliriz. İhracat düğüm menüsünde ve birini seçerek Amazon S3, SageMaker Boru Hatlarıya da SageMaker Çıkarım Ardışık Düzeni. Biz seciyoruz SageMaker Çıkarım Ardışık Düzeni bu örnekte.
Bu defterde başlıklı bir bölüm bulunmaktadır. İşlemci Oluştur (bu, SageMaker Pipelines not defterinde aynıdır, ancak Amazon S3 not defterinde eşdeğer kod, İş Yapılandırmaları bölüm). Bu bölümün altında, çıkarım yapıtımız için bir yapılandırma bulunur. inference_params
. Kullanıcı arabiriminde gördüğümüz bilgilerin aynısını, yani çıkarım yapay adı ve çıkarım çıkış düğümünü içerir. Bu değerler önceden doldurulacaktır ancak değiştirilebilir. Ayrıca adında bir parametre var. use_inference_params
olarak ayarlanması gereken True
bu yapılandırmayı işleme işinde kullanmak için.
Daha aşağıda başlıklı bir bölüm var Ardışık Düzen Adımlarını Tanımlayın, Burada inference_params
yapılandırma, bir iş bağımsız değişkenleri listesine eklenir ve bir SageMaker Data Wrangler işleme adımının tanımına geçirilir. Amazon S3 not defterinde, job_arguments
dan hemen sonra tanımlanır. İş Yapılandırmaları Bölüm.
Bu basit yapılandırmalarla, bu not defteri tarafından oluşturulan işleme işi, akış dosyamızla (not defterimizde daha önce tanımlanmış) aynı S3 konumunda bir çıkarım yapıtı oluşturacaktır. Bu S3 konumunu programlı olarak belirleyebilir ve bu yapıyı kullanarak bir SageMaker modeli oluşturmak için kullanabiliriz. SageMaker Python SDK'sı, SageMaker Inference Pipeline not defterinde gösterilen.
Aynı yaklaşım, bir SageMaker Data Wrangler işleme işi oluşturan herhangi bir Python koduna uygulanabilir.
Çıkarım sırasında giriş ve çıkış için JSON dosya formatı desteği
Web siteleri ve uygulamaların API'ler için istek/yanıt olarak JSON'u kullanması oldukça yaygındır, böylece bilgiler farklı programlama dilleri tarafından kolayca ayrıştırılabilir.
Önceden, eğitilmiş bir modele sahip olduktan sonra, bir SageMaker Data Wrangler çıkarım ardışık düzeninde bir girdi formatı olarak yalnızca CSV aracılığıyla onunla etkileşim kurabiliyordunuz. Bugün, SageMaker Data Wrangler çıkarım kapsayıcılarıyla etkileşim kurarken daha fazla esneklik sağlayan JSON'u bir giriş ve çıkış formatı olarak kullanabilirsiniz.
Çıkarım ardışık düzeni not defterinde girdi ve çıktı için JSON'u kullanmaya başlamak için aşağıdaki adımları tamamlayın:
- Bir yük tanımlayın.
Model, her yük için örnekler adlı bir anahtar bekliyor. Değer, her biri kendi veri noktası olan nesnelerin bir listesidir. Nesneler, özellikler adı verilen bir anahtar gerektirir ve değerler, modele sunulması amaçlanan tek bir veri noktasının özellikleri olmalıdır. Tek bir istekte, istek başına toplam 6 MB'a kadar birden fazla veri noktası gönderilebilir.
Aşağıdaki koda bakın:
- belirtmek
ContentType
asapplication/json
. - Modele veri sağlayın ve JSON formatında çıkarım alın.
Yerimizi Çıkarım için Ortak Veri Biçimleri örnek giriş ve çıkış JSON örnekleri için.
Temizlemek
SageMaker Data Wrangler'ı kullanmayı bitirdiğinizde, ek ücret ödememek için üzerinde çalıştığı bulut sunucusunu kapatmanızı öneririz. SageMaker Data Wrangler uygulamasının ve ilişkili anının nasıl kapatılacağına ilişkin talimatlar için bkz. Veri Wrangler'ı Kapatın.
Sonuç
SageMaker Data Wrangler'ın S3 bildirim dosyaları desteği, çıkarım yetenekleri ve JSON format entegrasyonu dahil olmak üzere yeni özellikleri, veri hazırlamanın operasyonel deneyimini dönüştürür. Bu geliştirmeler, veri içe aktarmayı kolaylaştırır, veri dönüşümlerini otomatikleştirir ve JSON verileriyle çalışmayı basitleştirir. Bu özelliklerle operasyonel verimliliğinizi artırabilir, manuel çabayı azaltabilir ve verilerinizden kolaylıkla değerli içgörüler çıkarabilirsiniz. SageMaker Data Wrangler'ın yeni özelliklerinin gücünü kucaklayın ve veri hazırlama iş akışlarınızın tam potansiyelini ortaya çıkarın.
SageMaker Data Wrangler'ı kullanmaya başlamak için şu adresteki en son bilgilere göz atın: SageMaker Data Wrangler ürün sayfası.
yazarlar hakkında
Munish Dabra Amazon Web Services'ta (AWS) Baş Çözüm Mimarıdır. Şu anki odak alanları AI/ML ve Gözlemlenebilirliktir. Ölçeklenebilir dağıtık sistemler tasarlama ve inşa etme konusunda güçlü bir geçmişe sahiptir. Müşterilerin AWS'de yenilik yapmalarına ve işlerini dönüştürmelerine yardımcı olmaktan keyif alıyor. Linkedin: /mdabra
Patrick Lin Amazon SageMaker Data Wrangler'da Yazılım Geliştirme Mühendisidir. Amazon SageMaker Data Wrangler'ı, üretilen makine öğrenimi iş akışları için bir numaralı veri hazırlama aracı haline getirmeye kararlıdır. İş dışında onu okurken, müzik dinlerken, arkadaşlarıyla sohbet ederken ve kilisesinde hizmet ederken bulabilirsiniz.
- 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.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- eylemler
- katma
- Ek
- Ayrıca
- benimsenen
- Sonra
- AI / ML
- Türkiye
- Izin
- veriyor
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Otomatik Pilot
- Amazon SageMaker Veri Düzenleyicisi
- Amazon Web Servisleri
- Amazon Web Services (AWS)
- tutarları
- an
- ve
- herhangi
- API'ler
- uygulamayı yükleyeceğiz
- uygulamaları
- uygulamalı
- Tamam
- yaklaşım
- ARE
- alanlar
- argümanlar
- AS
- ilişkili
- At
- otomatikleştirmek
- otomatik olarak
- önlemek
- AWS
- arka fon
- merkezli
- BE
- müşterimiz
- olmak
- İYİ
- Büyük
- her ikisi de
- Alt
- mola
- inşa etmek
- bina
- yerleşik
- iş
- fakat
- by
- denilen
- CAN
- yetenekleri
- dava
- değişiklik
- yükler
- Kontrol
- Klinik
- seçme
- kilise
- Temizlik
- kod
- Sütun
- taahhüt
- ortak
- uyumlu
- tamamlamak
- Tamamladı
- yapılandırma
- konsolos
- tüketilen
- Konteynerler
- içeren
- konuşmaları
- uyan
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- kritik
- akım
- müşteri
- Müşteriler
- veri
- Veri değişimi
- Veri noktaları
- Veri Hazırlama
- veri işleme
- veri-güdümlü
- veri kümeleri
- gün
- karar vermek
- varsayılan
- tanımlı
- tanım
- altüst ederek aramak
- gösterdi
- dağıtmak
- dağıtma
- açılma
- tasarlanmış
- tasarım
- hedef
- ayrıntılar
- Belirlemek
- gelişme
- farklı
- tartışmak
- dağıtıldı
- dağıtılmış sistemler
- do
- aşağı
- sırasında
- her
- Daha erken
- kolaylaştırmak
- kolay
- kolay
- ekosistemler
- verim
- verimli
- verimli biçimde
- çaba
- ya
- kucaklamak
- sağlar
- etkinleştirme
- son uca
- Son nokta
- mühendis
- Mühendislik
- artırmak
- geliştirmeleri
- Geliştirir
- Keşfet
- Tüm
- çevre
- Eşdeğer
- özellikle
- hİÇ
- Her
- her gün
- her şey
- örnek
- örnekler
- takas
- bekliyoruz
- deneyim
- deneme
- deneyler
- keşif
- keşfetmek
- ihracat
- ihracat
- uzatma
- çıkarmak
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- fileto
- dosyalar
- bulmak
- Esneklik
- akış
- Akışları
- odak
- takip et
- takip etme
- İçin
- Airdrop Formu
- biçim
- arkadaşlar
- itibaren
- tam
- daha fazla
- oluşturmak
- oluşturulan
- almak
- çok
- vardı
- sap
- Var
- sahip olan
- he
- yardım
- Yüksek
- vurgulayarak
- onu
- onun
- Ne kadar
- Nasıl Yapılır
- HTML
- HTTPS
- i
- özdeş
- tanımlayıcı
- if
- görüntü
- hemen
- ithalat
- ithal
- iyileştirmek
- in
- içerir
- Dahil olmak üzere
- bilgi
- yenilik yapmak
- giriş
- anlayışlar
- örnek
- talimatlar
- bütünleşme
- yönelik
- etkileşim
- etkileşim
- interaktif
- arayüzey
- içine
- sezgisel
- IT
- ONUN
- JavaScript
- İş
- jpg
- json
- Temmuz
- sadece
- anahtar
- Diller
- büyük
- Soyad
- sonra
- son
- başlatmak
- öğrenme
- izin
- seviye
- sevmek
- Sınırlı
- LINK
- Liste
- Dinleme
- Listeler
- yer
- Bakın
- makine
- makine öğrenme
- yapmak
- Yapımı
- yönetmek
- Manuel
- Mayıs..
- Menü
- Metadata
- yöntem
- olabilir
- milyon
- dakika
- eksik
- ML
- MLO'lar
- model
- modelleri
- Modern
- değiştirilmiş
- Daha
- daha verimli
- çoklu
- Music
- şart
- isim
- adlı
- yani
- yerli
- gerekli
- gerek
- ihtiyaçlar
- yeni
- Yeni Özellikler
- yeni
- sonraki
- yok hayır
- düğüm
- defter
- şimdi
- numara
- nesne
- nesneler
- of
- on
- ONE
- bir tek
- işletme
- optimum
- optimize
- seçenek
- Opsiyonlar
- or
- Diğer
- bizim
- dışarı
- çıktı
- dışında
- kendi
- parametre
- parametreler
- geçti
- yol
- başına
- Yapmak
- seçmek
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- artı
- Nokta
- noktaları
- Çivi
- potansiyel
- güç kelimesini seçerim
- tahmin
- tahmin
- hazırlık
- Hazırlamak
- hazırlanmış
- güzel
- Önceden
- Anapara
- süreç
- İşlenmiş
- işleme
- PLATFORM
- Ürün Yorumları
- üretim
- program niteliğinde
- Programlama
- Programlama dilleri
- proje
- sağlamak
- sağlama
- Python
- Okuma
- gerçek zaman
- teslim almak
- tavsiye etmek
- azaltmak
- azaltır
- serbest
- uygun
- Kaldır
- temsil etmek
- temsil
- talep
- gerektirir
- kaynak
- Ortaya çıkan
- Sonuçlar
- yorum
- Yorumları
- krallar gibi yaşamaya
- Rol
- ishal
- s
- sagemaker
- SageMaker Çıkarımı
- SageMaker Boru Hatları
- aynı
- testere
- ölçeklenebilir
- sorunsuz
- sorunsuz
- Bölüm
- görmek
- seçme
- seçim
- Hizmetler
- servis
- Oturum
- set
- ayarlar
- birkaç
- meli
- şov
- kapatmak
- işaret
- Basit
- basitleştirilmiş
- basitleştirmek
- basitleştirilmesi
- tek
- beden
- küçük
- daha küçük
- So
- Yazılım
- yazılım geliştirme
- çözüm
- Çözümler
- gerginlik
- özellikle
- bölmek
- başlama
- başladı
- adım
- Basamaklar
- hafızası
- saklı
- kolaylaştırmak
- düzene
- güçlü
- yapılandırılmış
- sunmak
- gönderilen
- böyle
- destek
- Destekler
- elbette
- Sistemler
- Bizi daha iyi tanımak için
- alır
- Hedef
- o
- The
- Bilgi
- ve bazı Asya
- sonra
- Orada.
- Bunlar
- Re-Tweet
- Bu
- İçinden
- zaman
- başlıklı
- için
- bugün
- çok
- araç
- araçlar
- Toplam
- Tren
- eğitilmiş
- Eğitim
- Dönüştürmek
- Dönüşüm
- dönüşümler
- transforme
- dönüşümler
- Iki kere
- ui
- altında
- kilidini açmak
- Yüklenen
- kullanım
- kullanım durumu
- Kullanılmış
- kullanma
- Değerli
- değer
- Değerler
- çok
- üzerinden
- Görüntüle
- görüntüleme
- istemek
- aranan
- we
- ağ
- web hizmetleri
- web siteleri
- Haftalar
- İYİ
- ne zaman
- hangi
- geniş ölçüde
- irade
- ile
- İş
- iş akışı
- iş akışları
- çalışma
- Sen
- zefirnet