Amazon SageMaker Veri Düzenleyicisi Amazon SageMaker Studio'da verilerin makine öğrenimi (ML) için toplanması ve hazırlanması için geçen süreyi haftalardan dakikalara indirir. Data Wrangler, çok çeşitli popüler kaynaklardan (Amazon S3, Amazon Atina, Amazon Kırmızıya Kaydırma, Amazon EMR'si ve Snowflake) ve 40'ın üzerinde diğer üçüncü taraf kaynaklar. Bugünden itibaren şuraya bağlanabilirsiniz: Amazon EMR'si Makine öğrenimi için büyük veri kümelerini getirmek için büyük veri sorgulama motoru olarak Hive.
Büyük miktarda veriyi toplamak ve hazırlamak, makine öğrenimi iş akışının kritik bir parçasıdır. Veri bilimcileri ve veri mühendisleri, büyük ölçekli veri işleme için Amazon EMR üzerinde çalışan Apache Spark, Apache Hive ve Presto'yu kullanır. Bu blog gönderisi, veri uzmanlarının Hive uç noktalarına sahip mevcut Amazon EMR kümelerini bulmak ve bunlara bağlanmak için SageMaker Data Wrangler'ın görsel arayüzünü nasıl kullanabileceğini ele alacaktır. Modellemeye veya raporlamaya hazırlanmak için veritabanını, tabloları, şemayı görsel olarak analiz edebilir ve makine öğrenimi veri kümesini oluşturmak için Hive sorguları yazabilirler. Ardından, veri kalitesini değerlendirmek, anormallikleri ve eksik veya yanlış verileri tespit etmek ve bu sorunlarla nasıl başa çıkılacağı konusunda tavsiye almak için Data Wrangler görsel arayüzünü kullanarak verilerin profilini hızlı bir şekilde çıkarabilirler. Tek bir kod satırı yazmadan özellikleri analiz etmek, temizlemek ve tasarlamak için Spark tarafından desteklenen daha popüler ve makine öğrenimi destekli yerleşik analizlerden ve 300'den fazla yerleşik dönüşümden yararlanabilirler. Son olarak, modelleri eğitebilir ve dağıtabilirler. SageMaker Otomatik Pilot, işleri planlayın veya Data Wrangler'ın görsel arayüzünden bir SageMaker Pipeline'da veri hazırlığını operasyonel hale getirin.
Çözüme genel bakış
SageMaker Studio kurulumları ile veri uzmanları, mevcut EMR kümelerini hızla tanımlayabilir ve bunlara bağlanabilir. Ek olarak, veri uzmanları EMR kümelerini şu adresten keşfedebilir: Önceden tanımlanmış şablonları kullanan SageMaker Studio sadece birkaç tıklamayla talep üzerine. Müşteriler, SageMaker Studio evrensel not defterini kullanabilir ve şuraya kod yazabilir: Apache Spark, kovan, çabuk or PyKıvılcım ölçekte veri hazırlığı yapmak. Ancak, dik bir öğrenme eğrisi söz konusu olduğundan, tüm veri uzmanları verileri hazırlamak için Spark kodu yazmaya aşina değildir. Amazon EMR'nin Amazon SageMaker Data Wrangler için bir veri kaynağı olması sayesinde artık tek bir kod satırı yazmadan Amazon EMR'ye hızlı ve basit bir şekilde bağlanabilirler.
Aşağıdaki şema, bu çözümde kullanılan farklı bileşenleri temsil etmektedir.
EMR kümesiyle bağlantı kurmak için kullanılabilecek iki kimlik doğrulama seçeneği gösteriyoruz. Her seçenek için benzersiz bir yığın dağıtıyoruz AWS CloudFormation şablonlar.
CloudFormation şablonu, her bir seçenek seçildiğinde aşağıdaki eylemleri gerçekleştirir:
- adlı bir kullanıcı profiliyle birlikte yalnızca VPC modunda bir Studio Etki Alanı oluşturur.
studio-user
. - Örnekleri başarıyla çalıştırmak için VPC, uç noktalar, alt ağlar, güvenlik grupları, EMR kümesi ve diğer gerekli kaynaklar dahil olmak üzere yapı taşları oluşturur.
- EMR kümesi için, AWS Glue Data Catalog'u EMR Hive ve Presto için meta deposu olarak bağlar, EMR'de bir Hive tablosu oluşturur ve onu bir ABD havaalanı veri kümesi.
- LDAP CloudFormation şablonu için bir Amazon Elastik Bilgi İşlem Bulutu Hive ve Presto LDAP kullanıcısının kimliğini doğrulamak için LDAP sunucusunu barındıracak (Amazon EC2) örneği.
1. Seçenek: Hafif Erişim Dizini Protokolü
LDAP kimlik doğrulaması CloudFormation şablonu için, bir LDAP sunucusuna sahip bir Amazon EC2 eşgörünümü sağlıyoruz ve EMR kümesini kimlik doğrulama için bu sunucuyu kullanacak şekilde yapılandırıyoruz. Bu, TLS etkindir.
2. Seçenek: Kimlik Doğrulaması Yok
Kimlik Doğrulamasız kimlik doğrulaması CloudFormation şablonunda, kimlik doğrulaması etkin olmayan standart bir EMR kümesi kullanıyoruz.
AWS CloudFormation ile kaynakları devreye alın
Ortamı dağıtmak için aşağıdaki adımları tamamlayın:
- Adresinde oturum açın AWS Yönetim Konsolu bir olarak AWS Kimlik ve Erişim Yönetimi (IAM) kullanıcısı, tercihen bir yönetici kullanıcı.
- Klinik Yığını Başlat Uygun kimlik doğrulama senaryosu için CloudFormation şablonunu başlatmak için. CloudFormation yığınını dağıtmak için kullanılan Bölgede mevcut bir Studio Etki Alanı bulunmadığından emin olun. Bir Bölgede hali hazırda bir Studio Etki Alanınız varsa, farklı bir Bölge seçebilirsiniz.
LDAP Yetki Yok - Klinik Sonraki.
- İçin Yığın adı, yığın için bir ad girin (örneğin,
dw-emr-hive-blog
). - Diğer değerleri varsayılan olarak bırakın.
- Devam etmek için seçin Sonraki yığın ayrıntıları sayfasından ve yığın seçeneklerinden.
LDAP yığını aşağıdaki kimlik bilgilerini kullanır.- kullanıcı adı:
david
- şifre:
welcome123
- kullanıcı adı:
- İnceleme sayfasında, AWS CloudFormation'ın kaynak oluşturabileceğini onaylamak için onay kutusunu seçin.
- Klinik Yığın oluştur. Yığının durumu değişene kadar bekleyin
CREATE_IN_PROGRESS
içinCREATE_COMPLETE
. İşlem genellikle 10-15 dakika sürer.
Amazon EMR'yi Data Wrangler'da bir veri kaynağı olarak ayarlayın
Bu bölümde, Data Wrangler'da bir veri kaynağı olarak CloudFormation şablonu aracılığıyla oluşturulan mevcut Amazon EMR kümesine bağlanmayı ele alıyoruz.
Yeni bir veri akışı oluşturun
Veri akışınızı oluşturmak için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Alanlarve ardından tıklayın Stüdyo Etki Alanı CloudFormation şablonunun üzerinde çalıştırılarak oluşturulmuştur.
- seç stüdyo kullanıcısı kullanıcı profili ve Studio'yu başlatın.
- Klinik açık stüdyo.
- Studio Ana konsolunda, Verileri görsel olarak içe aktarın ve hazırlayın. Alternatif olarak, üzerinde fileto açılır menü, seç yeni, Daha sonra seçmek Veri Düzenleyici Akışı.
- Yeni bir akış oluşturmak birkaç dakika sürebilir. Akış oluşturulduktan sonra, Tarihleri içe aktar gidin.
- Amazon EMR'yi Data Wrangler'da veri kaynağı olarak ekleyin. Üzerinde Veri kaynağı ekleyin menü seç Amazon EMR'si.
Studio yürütme rolünüzün görme izinlerine sahip olduğu tüm EMR kümelerine göz atabilirsiniz. Bir kümeye bağlanmak için iki seçeneğiniz vardır; biri etkileşimli kullanıcı arayüzü aracılığıyla, diğeri ise ilk önce AWS Secrets Manager'ı kullanarak bir sır oluşturun EMR küme bilgileri de dahil olmak üzere JDBC URL'si ile ve ardından Hive'a bağlanmak için kullanıcı arabiriminde saklanan AWS gizli ARN'sini sağlayın. Bu blogda ilk seçeneği takip ediyoruz.
- Kullanmak istediğiniz aşağıdaki kümelerden birini seçin. Tıklayın Sonrakive uç noktaları seçin.
- seç kovan, Amazon EMR'ye bağlanın, bağlantınızı tanımlamak için bir ad oluşturun ve tıklayın Sonraki.
- Kimlik doğrulama türünü seçin Basit Dizin Erişim Protokolü (LDAP) or Kimlik doğrulama yok.
Basit Dizin Erişim Protokolü (LDAP) için seçeneği seçin ve tıklayın Sonra, kümede oturum açınr, ardından kimliği doğrulanacak kullanıcı adını ve parolayı girin ve Bağlan'a tıklayın.
Kimlik Doğrulaması Yok için, VPC içinde kullanıcı kimlik bilgileri sağlamadan EMR Hive'a bağlanacaksınız. EMR için Data Wrangler'ın SQL gezgini sayfasına girin.
- Bağlandıktan sonra, bir veritabanı ağacını ve tablo önizlemesini veya şemasını etkileşimli olarak görüntüleyebilirsiniz. Ayrıca EMR'den verileri sorgulayabilir, keşfedebilir ve görselleştirebilirsiniz. Önizleme için, varsayılan olarak 100 kayıtlık bir sınır görürsünüz. Sorgu düzenleyici kutusunda bir SQL ifadesi sağladıktan ve koşmak düğmesini tıklattığınızda, verileri önizlemek için sorgu EMR'nin Hive motorunda yürütülür.
The Sorguyu iptal et düğmesi, devam eden sorguların alışılmadık derecede uzun sürüyorsa iptal edilmesini sağlar.
- Son adım, içe aktarmaktır. Sorgulanan verilerle hazır olduğunuzda, verileri Data Wrangler'a içe aktarmak için örnekleme türüne (FirstK, Random veya Stratified) ve örnekleme boyutuna göre veri seçimi için örnekleme ayarlarını güncelleme seçenekleriniz olur.
Tıkla ithalat. Veri kümesine çeşitli dönüşümler ve temel analizler eklemenizi sağlayan hazırlama sayfası yüklenecektir.
- Şu yöne rotayı ayarla Veri akışı dönüşümler ve analiz için gerektiği şekilde akışa daha fazla adım ekleyin. çalıştırabilirsin veri içgörü raporu veri kalitesi sorunlarını belirlemek ve bu sorunları çözmek için öneriler almak. Bazı örnek dönüşümlere bakalım.
- içinde Veri akışı görünümünde, Hive bağlayıcısını kullanan bir veri kaynağı olarak EMR kullandığımızı görmelisiniz.
- üzerine tıklayalım + düğmesinin sağında Veri tipleri seçin Dönüşüm ekle. Bunu yaptığınızda, geri döneceksiniz Veri görünümü.
Verileri inceleyelim. gibi bir çok özelliğe sahip olduğunu görmekteyiz. iata_kodu, havaalanı, Şehir, belirtmek, bildirmek, ülke, enlem, ve boylam. Tüm veri setinin tek bir ülkede, yani ABD'de olduğunu ve eksik değerlerin olduğunu görebiliriz. enlem ve boylam. Eksik veriler, parametrelerin tahmininde yanlılığa neden olabilir ve örneklerin temsil edilebilirliğini azaltabilir, bu nedenle bazı işlemler yapmamız gerekir. atama ve veri kümemizdeki eksik değerleri işleyin.
- üzerine tıklayalım Adım Ekle sağdaki gezinti çubuğundaki düğme. Seçme Kolu eksik. Yapılandırmalar aşağıdaki ekran görüntülerinde görülebilir.
Altında Dönüşüm, seçmek Atfetmek. Seçin Sütun türü as Sayısal ve Giriş sütunu isimleri enlem ve boylam. Yaklaşık bir medyan değeri kullanarak eksik değerleri atfedeceğiz.
İlk tıklayın Önizleme eksik değeri görüntülemek için ve ardından dönüşümü eklemek için güncellemeye tıklayın.
- Şimdi başka bir örnek dönüşüme bakalım. Bir makine öğrenimi modeli oluştururken, sütunlar gereksizse veya modelinize yardımcı olmuyorsa kaldırılır. Bir sütunu kaldırmanın en yaygın yolu onu bırakmaktır. Veri kümemizde, özellik ülke veri kümesi özellikle ABD havaalanı verileri için olduğundan bırakılabilir. Sütunları yönetmek için tıklayın Adım ekle sağdaki gezinti çubuğundaki düğmesine basın ve seçin Sütunları yönet. Yapılandırmalar aşağıdaki ekran görüntülerinde görülebilir. Altında Dönüştürmekseçin Sütunu bırak, ve altında Bırakılacak sütunlarseçin ülke.
- Tıklayın Önizleme ve sonra Güncelleme sütunu bırakmak için
- Feature Store, makine öğrenimi modelleri için özellikleri depolamak, paylaşmak ve yönetmek için kullanılan bir havuzdur. Hadi tıklayalım + düğmesinin sağında Sütunu bırak. Seçmek İhracat Ve seç SageMaker Özellik Mağazası (Jupyter not defteri aracılığıyla).
- seçerek SageMaker Özellik Mağazası hedef olarak, özellikleri mevcut bir özellik grubuna kaydedebilir veya yeni bir tane oluşturabilirsiniz.
Artık Data Wrangler ile özellikler oluşturduk ve bu özellikleri kolayca Feature Store'da sakladık. Data Wrangler kullanıcı arabiriminde özellik mühendisliği için örnek bir iş akışı gösterdik. Ardından, yeni bir özellik grubu oluşturarak bu özellikleri doğrudan Data Wrangler'dan Feature Store'a kaydettik. Son olarak, bu özellikleri Feature Store'a almak için bir işleme işi yürüttük. Data Wrangler ve Feature Store birlikte, minimum kodlama gereksinimiyle veri hazırlama görevlerimizi düzene sokmak için otomatik ve tekrarlanabilir süreçler oluşturmamıza yardımcı oldu. Data Wrangler, aynı veri hazırlama akışını kullanarak otomatikleştirme esnekliği de sağlar. zamanlanmış işler. Ayrıca otomatik olarak yapabiliriz SageMaker Autopilot kullanarak modelleri eğitin ve devreye alın Data Wrangler'ın görsel arabiriminden veya SageMaker Pipelines (Jupyter Notebook aracılığıyla) ile eğitim veya özellik mühendisliği ardışık düzeni oluşturun ve SageMaker çıkarım ardışık düzeniyle (Jupyter Notebook aracılığıyla) çıkarım uç noktasına dağıtın.
Temizlemek
Data Wrangler ile çalışmanız tamamlandıysa, ek ücret ödememek için aşağıdaki adımlar oluşturulan kaynakları silmenize yardımcı olacaktır.
- SageMaker Studio'yu kapatın.
SageMaker Studio içinden tüm sekmeleri kapatın ve ardından fileto sonra kapatmak. istendiğinde seçin Tümünü Kapat.
Bulut sunucusu tipine bağlı olarak kapatma birkaç dakika sürebilir. Kullanıcı profiliyle ilişkili tüm uygulamaların silindiğinden emin olun. Silinmemişlerse, kullanıcı profili altında ilişkilendirilmiş uygulamayı manuel olarak silin.
- CloudFormation lansmanından oluşturulan tüm S3 gruplarını boşaltın.
AWS konsol aramasında S3'ü arayarak Amazon S3 sayfasını açın. Kümeler hazırlanırken oluşturulan tüm S3 gruplarını boşaltın. Kova formatlı olacaktır dw-emr-hive-blog-
.
- SageMaker Studio EFS'yi silin.
AWS konsol aramasında EFS'yi arayarak EFS sayfasını açın.
SageMaker tarafından oluşturulan dosya sistemini bulun. Bunu tıklayarak onaylayabilirsiniz. Dosya sistemi kimliği ve etiketi onaylamak ManagedByAmazonSageMakerResource
üzerinde Etiketler sekmesi.
- CloudFormation yığınlarını silin. AWS konsolundan CloudFormation hizmetini arayıp açarak CloudFormation'ı açın.
ile başlayan şablonu seçin dw... aşağıdaki ekranda gösterildiği gibi ve üzerine tıklayarak yığını gösterildiği gibi silin. Sil düğmesine basın.
Bu bekleniyor ve buna geri döneceğiz ve sonraki adımlarda temizleyeceğiz.
- CloudFormation yığını tamamlanamadığında VPC'yi silin. AWS konsolundan ilk önce VPC'yi açın.
- Ardından, başlıklı SageMaker Studio CloudFormation tarafından oluşturulan VPC'yi tanımlayın.
dw-emr-
ve ardından VPC'yi silmek için talimatları izleyin. - CloudFormation yığınını silin.
CloudFormation'a geri dönün ve yığın silme işlemini yeniden deneyin. dw-emr-hive-blog
.
Tamamlamak! Bu blog gönderisinde açıklanan CloudFormation şablonu tarafından sağlanan tüm kaynaklar artık hesabınızdan kaldırılacaktır.
Sonuç
Bu gönderide, Data Wrangler'da bir veri kaynağı olarak Amazon EMR'yi nasıl kuracağımızı, bir veri kümesini nasıl dönüştürüp analiz edeceğimizi ve sonuçları bir Jupyter not defterinde kullanmak üzere bir veri akışına nasıl aktaracağımızı inceledik. Data Wrangler'ın yerleşik analitik özelliklerini kullanarak veri kümemizi görselleştirdikten sonra veri akışımızı daha da geliştirdik. Tek bir kod satırı yazmadan bir veri hazırlama işlem hattı oluşturmuş olmamız önemlidir.
Data Wrangler'ı kullanmaya başlamak için bkz. Amazon SageMaker Data Wrangler ile ML Verilerini Hazırlayın ve en son bilgileri görün Data Wrangler ürün sayfası ve AWS teknik belgeleri.
Yazarlar Hakkında
Ajjay Govindaram AWS'de Kıdemli Çözüm Mimarıdır. Karmaşık iş sorunlarını çözmek için AI/ML kullanan stratejik müşterilerle çalışıyor. Tecrübesi, orta ila büyük ölçekli AI/ML uygulama devreye alımları için teknik yönlendirme ve tasarım yardımı sağlamada yatmaktadır. Bilgisi, uygulama mimarisinden büyük veriye, analitiğe ve makine öğrenimine kadar uzanıyor. Dinlenirken müzik dinlemekten, dışarıyı deneyimlemekten ve sevdikleriyle vakit geçirmekten hoşlanır.
yatsı duası San Francisco Körfez Bölgesi'nde yerleşik bir Kıdemli Çözüm Mimarıdır. AWS kurumsal müşterilerinin hedeflerini ve zorluklarını anlayarak büyümelerine yardımcı olur ve esneklik ve ölçeklenebilirliği sağlarken uygulamalarını bulutta yerel bir şekilde nasıl tasarlayabilecekleri konusunda onlara rehberlik eder. Makine öğrenimi teknolojileri ve çevresel sürdürülebilirlik konusunda tutkulu.
Varun Mehta AWS'de bir Çözüm Mimarıdır. Müşterilerin AWS Bulut üzerinde Kurumsal Ölçekte İyi Mimari çözümler oluşturmasına yardımcı olma konusunda tutkulu. Karmaşık iş sorunlarını çözmek için AI/ML kullanan stratejik müşterilerle çalışıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-insight-with-amazon-sagemaker-data-wrangler-and-the-power-of-apache-hive/
- :dır-dir
- $UP
- 1
- 10
- 100
- 11
- 7
- a
- Hakkımızda
- hızlandırmak
- erişim
- Erişim Protokolü
- Göre
- Hesap
- eylemler
- ilave
- Ek
- Gizem
- tavsiye
- Sonra
- AI / ML
- havaalanı
- Türkiye
- Izin
- veriyor
- zaten
- Amazon
- Amazon EC2
- Amazon EMR'si
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Veri Düzenleyicisi
- Amazon SageMaker Stüdyosu
- tutarları
- analizler
- analiz
- Analitik
- analytics
- çözümlemek
- ve
- Başka
- Apache
- uygulamayı yükleyeceğiz
- Uygulama
- uygulamaları
- uygun
- uygulamalar
- mimari
- ARE
- ALAN
- AS
- Yardım
- ilişkili
- At
- kimlik doğrulaması
- doğrulanmış
- Doğrulama
- yazar
- otomatikleştirmek
- Otomatik
- otomatik olarak
- AWS
- AWS CloudFormation
- AWS Tutkal
- Arka
- bar
- merkezli
- Defne
- BE
- Çünkü
- olmak
- önyargı
- Büyük
- büyük Veri
- Blokları
- Blog
- kutu
- getirmek
- inşa etmek
- bina
- yerleşik
- iş
- düğmesine tıklayın
- by
- CAN
- katalog
- Sebeb olmak
- zorluklar
- değişiklikler
- Kontrol
- Klinik
- tıklayın
- Kapanış
- bulut
- Küme
- kod
- kodlama
- Sütun
- Sütunlar
- nasıl
- ortak
- tamamlamak
- karmaşık
- bileşenler
- hesaplamak
- Onaylamak
- Sosyal medya
- bağlı
- bağlantı
- bağ
- bağlanır
- konsolos
- devam etmek
- ülke
- kapak
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- Tanıtım
- kritik
- eğri
- Müşteriler
- veri
- Veri Hazırlama
- veri işleme
- veritabanı
- veri kümeleri
- anlaşma
- Varsayılan
- Talep
- göstermek
- dağıtmak
- dağıtımları
- tarif edilen
- Dizayn
- hedef
- ayrıntılar
- farklı
- yön
- direkt olarak
- keşfetmek
- domain
- Dont
- aşağı
- Damla
- düştü
- her
- kolayca
- editör
- ya
- etkin
- sağlar
- Son nokta
- Motor
- mühendis
- Mühendislik
- Mühendisler
- gelişmiş
- sağlanması
- Keşfet
- kuruluş
- Tüm
- çevre
- çevre
- gerekli
- kurmak
- değerlendirmek
- örnek
- örnekler
- infaz
- mevcut
- beklenen
- deneyim
- yaşıyor
- keşfetmek
- kâşif
- ihracat
- başarısız
- tanıdık
- Özellikler(Hazırlık aşamasında)
- Özellikler
- Fiyatlandırma(Yakında)
- az
- Nihayet
- Ad
- sabit
- akış
- takip et
- takip etme
- İçin
- Francisco
- itibaren
- daha fazla
- almak
- Go
- Goller
- grup
- Grubun
- Büyümek
- Rehberler
- sap
- Var
- yardım et
- yardım
- yardım
- yardımcı olur
- kovan
- Ana Sayfa
- ev sahibi
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- belirlemek
- Kimlik
- ithalat
- ithal
- in
- Dahil olmak üzere
- bilgi
- kavrama
- örnek
- interaktif
- arayüzey
- ilgili
- sorunlar
- IT
- İş
- Mesleki Öğretiler
- jpg
- bilgi
- büyük
- büyük ölçekli
- Soyad
- son
- başlatmak
- öğrenme
- Kaldıraç
- yalan
- hafif
- LİMİT
- çizgi
- Dinleme
- Uzun
- uzun zaman
- Bakın
- sevilen
- makine
- makine öğrenme
- yapmak
- yönetmek
- yönetim
- tavır
- el ile
- Menü
- olabilir
- asgari
- dakika
- eksik
- ML
- Moda
- model
- modelleri
- Daha
- çoğu
- çoklu
- Music
- isim
- adlı
- isimleri
- Navigasyon
- gerek
- yeni
- defter
- of
- on
- ONE
- devam
- açık
- açma
- seçenek
- Opsiyonlar
- Diğer
- açık havada
- Kanal
- parametreler
- Bölüm
- tutkulu
- Şifre
- Yapmak
- gerçekleştirir
- izinleri
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- Popüler
- Çivi
- güç kelimesini seçerim
- Hazırlamak
- hazırlanması
- Önizleme
- sorunlar
- süreç
- Süreçler
- işleme
- PLATFORM
- profesyoneller
- Profil
- protokol
- sağlamak
- sağlar
- sağlama
- hüküm
- kalite
- hızla
- rasgele
- hazır
- tavsiyeler
- kayıtlar
- azaltmak
- azaltır
- bölge
- Kaldır
- çıkarıldı
- tekrarlanabilir
- Raporlama
- Depo
- temsil
- gereklidir
- esneklik
- Kaynaklar
- Sonuçlar
- yorum
- Rol
- koşmak
- koşu
- sagemaker
- SageMaker Çıkarımı
- SageMaker Boru Hatları
- aynı
- San
- San Francisco
- İndirim
- ölçeklenebilirlik
- ölçek
- senaryo
- program
- bilim adamları
- Ekran
- ekran
- Ara
- arama
- Gizli
- Bölüm
- güvenlik
- seçilmiş
- seçme
- seçim
- kıdemli
- hizmet
- set
- ayarlar
- paylaş
- meli
- gösterilen
- önemli
- sadece
- beri
- tek
- beden
- So
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- Kaynak
- kaynaklar
- Kıvılcım
- özellikle
- Harcama
- Spot
- yığın
- Yığınları
- standart
- başladı
- XNUMX dakika içinde!
- Açıklama
- istatistik
- Durum
- adım
- Basamaklar
- mağaza
- saklı
- Stratejik
- kolaylaştırmak
- stüdyo
- altağlar
- sonraki
- Başarılı olarak
- böyle
- destekli
- Sürdürülebilirlik
- sistem
- tablo
- TAG
- Bizi daha iyi tanımak için
- alır
- alma
- görevleri
- Teknik
- Teknolojileri
- şablon
- şablonları
- Teşekkür
- o
- The
- ve bazı Asya
- Onları
- Bunlar
- üçüncü şahıslara ait
- İçinden
- zaman
- için
- bugün
- birlikte
- üst
- Tren
- Eğitim
- Dönüştürmek
- dönüşümler
- ui
- altında
- anlayış
- benzersiz
- Evrensel
- Güncelleme
- URL
- us
- kullanım
- kullanıcı
- genellikle
- değer
- Değerler
- çeşitlilik
- çeşitli
- üzerinden
- Görüntüle
- beklemek
- Yol..
- Haftalar
- İYİ
- hangi
- süre
- DSÖ
- geniş
- Vikipedi
- irade
- ile
- içinde
- olmadan
- İş
- çalışır
- olur
- yazmak
- kod yaz
- yazı yazıyor
- tatlım
- Sen
- zefirnet