AutoML дозволяє отримати швидку загальну інформацію з ваших даних прямо на початку життєвого циклу проекту машинного навчання (ML). Попереднє розуміння того, які методи попередньої обробки та типи алгоритмів забезпечують найкращі результати, скорочує час на розробку, навчання та розгортання правильної моделі. Він відіграє вирішальну роль у процесі розробки кожної моделі та дозволяє дослідникам обробки даних зосередитися на найперспективніших методах машинного навчання. Крім того, AutoML забезпечує продуктивність базової моделі, яка може слугувати орієнтиром для команди з обробки даних.
Інструмент AutoML застосовує до ваших даних комбінацію різних алгоритмів і різноманітних методів попередньої обробки. Наприклад, він може масштабувати дані, виконувати однофакторний вибір ознак, проводити PCA на різних порогових рівнях дисперсії та застосовувати кластеризацію. Такі методи попередньої обробки можуть застосовуватися окремо або об’єднуватися в конвеєр. Згодом інструмент AutoML навчатиме різні типи моделей, як-от лінійна регресія, еластична мережа або випадковий ліс, на різних версіях попередньо обробленого набору даних і виконуватиме оптимізацію гіперпараметрів (HPO). Автопілот Amazon SageMaker усуває важку роботу під час створення моделей ML. Після надання набору даних SageMaker Autopilot автоматично досліджує різні рішення, щоб знайти найкращу модель. Але що, якщо ви хочете розгорнути свою адаптовану версію робочого процесу AutoML?
У цій публікації показано, як створити власний робочий процес AutoML Amazon SageMaker використання Автоматичне налаштування моделі Amazon SageMaker із зразком коду, доступним у a Репо GitHub.
Огляд рішення
Для цього випадку використання припустімо, що ви є частиною групи наукових даних, яка розробляє моделі в спеціалізованій області. Ви розробили набір спеціальних методів попередньої обробки та вибрали низку алгоритмів, які зазвичай добре працюватимуть із вашою проблемою ML. Працюючи над новими варіантами використання ML, ви хотіли б спочатку виконати AutoML, використовуючи свої методи попередньої обробки та алгоритми, щоб звузити коло потенційних рішень.
У цьому прикладі ви не використовуєте спеціалізований набір даних; замість цього ви працюєте з набором даних California Housing, з якого будете імпортувати Служба простого зберігання Amazon (Amazon S3). Основна увага зосереджена на демонстрації технічної реалізації рішення за допомогою SageMaker HPO, яке пізніше можна застосувати до будь-якого набору даних і домену.
На наступній діаграмі представлено загальний робочий процес рішення.
Передумови
Нижче наведено передумови для проходження покрокового керівництва в цій публікації:
Реалізуйте рішення
Повний код доступний у GitHub репо.
Кроки для впровадження рішення (як зазначено на схемі робочого процесу) такі:
- Створіть екземпляр блокнота і вкажіть наступне:
- для Тип екземпляра ноутбукавиберіть ml.t3.середній.
- для Еластичний висновоквиберіть ніхто.
- для Ідентифікатор платформивиберіть Amazon Linux 2, Jupyter Lab 3.
- для Роль IAM, виберіть значення за умовчанням
AmazonSageMaker-ExecutionRole
. Якщо він не існує, створіть новий Управління ідентифікацією та доступом AWS (IAM) роль і приєднати Політика AmazonSageMakerFullAccess IAM.
Зауважте, що ви повинні створити роль виконання та політику з мінімальною областю дії у виробництві.
- Відкрийте інтерфейс JupyterLab для свого екземпляра ноутбука та клонуйте репо GitHub.
Ви можете зробити це, запустивши новий термінальний сеанс і запустивши git clone <REPO>
або за допомогою функцій інтерфейсу користувача, як показано на наступному знімку екрана.
- Відкрийте
automl.ipynb
файл блокнота, виберітьconda_python3
ядра та дотримуйтесь інструкцій, щоб запустити a комплект робочих місць ГПО.
Щоб запустити код без змін, вам потрібно збільшити квоту служби для ml.m5.large для використання в навчанні та Кількість екземплярів у всіх навчальних роботах. AWS за замовчуванням дозволяє лише 20 паралельних навчальних завдань SageMaker для обох квот. Вам потрібно подати запит на збільшення квоти до 30 для обох. Обидві зміни квоти зазвичай мають бути затверджені протягом кількох хвилин. Відноситься до Запит на збільшення квоти для отримання додаткової інформації.
Якщо ви не хочете змінювати квоту, ви можете просто змінити значення MAX_PARALLEL_JOBS
змінна в сценарії (наприклад, до 5).
- Кожне завдання HPO завершить набір навчальна робота випробувань і вкажіть модель з оптимальними гіперпараметрами.
- Проаналізуйте результати і розгорнути найефективнішу модель.
Це рішення призведе до витрат у вашому обліковому записі AWS. Вартість цього рішення буде залежати від кількості та тривалості навчальних робіт HPO. Зі збільшенням цих показників зростатиме й вартість. Ви можете зменшити витрати, обмеживши час навчання та налаштування TuningJobCompletionCriteriaConfig
відповідно до інструкцій, наведених далі в цьому дописі. Інформацію про ціни див Ціни на Amazon SageMaker.
У наступних розділах ми докладніше обговорюємо ноутбук із прикладами коду та етапами аналізу результатів і вибору найкращої моделі.
Початкова установка
Почнемо з запуску Імпорт і налаштування розділ в custom-automl.ipynb
блокнот. Він встановлює та імпортує всі необхідні залежності, створює екземпляр сеансу SageMaker і клієнта, а також встановлює регіон і сегмент S3 за замовчуванням для зберігання даних.
Підготовка даних
Завантажте набір даних California Housing і підготуйте його, запустивши Завантажити дані розділ зошита. Набір даних розбивається на тренувальні та тестові фрейми даних і завантажується в стандартний сегмент S3 сеансу SageMaker.
Весь набір даних містить 20,640 9 записів і XNUMX стовпців, включаючи ціль. Мета полягає в тому, щоб передбачити середню вартість будинку (medianHouseValue
колонка). На наступному знімку екрана показані верхні рядки набору даних.
Шаблон навчального сценарію
Робочий процес AutoML у цій публікації базується на scikit-вчитися конвеєри та алгоритми попередньої обробки. Мета полягає в тому, щоб створити велику комбінацію різних конвеєрів і алгоритмів попередньої обробки, щоб знайти найкраще налаштування. Почнемо зі створення загального навчального сценарію, який зберігається локально в екземплярі ноутбука. У цьому скрипті є два порожніх блоки коментарів: один для введення гіперпараметрів, а інший для об’єкта конвеєра моделі попередньої обробки. Вони будуть динамічно впроваджуватися для кожної моделі-кандидата попередньої обробки. Метою наявності одного загального сценарію є збереження реалізації DRY (не повторюйтеся).
Створення попередньої обробки та комбінацій моделей
Команда preprocessors
словник містить специфікацію методів попередньої обробки, застосованих до всіх вхідних функцій моделі. Кожен рецепт визначається за допомогою a Pipeline
або FeatureUnion
об’єкт із scikit-learn, який об’єднує окремі перетворення даних і збирає їх разом. Наприклад, mean-imp-scale
це простий рецепт, який гарантує, що відсутні значення приписуються за допомогою середніх значень відповідних стовпців і що всі функції масштабуються за допомогою StandardScaler. На противагу цьому mean-imp-scale-pca
рецепт об’єднує ще кілька операцій:
- Приписуйте відсутні значення в стовпцях із їх середнім значенням.
- Застосуйте масштабування функції за допомогою середнього значення та стандартного відхилення.
- Обчисліть PCA поверх вхідних даних із заданим пороговим значенням дисперсії та об’єднайте його разом із умовними та масштабованими вхідними характеристиками.
У цьому дописі всі функції введення є числовими. Якщо у вашому вхідному наборі даних є більше типів даних, вам слід вказати складніший конвеєр, де різні гілки попередньої обробки застосовуються до різних наборів типів функцій.
Команда models
словник містить специфікації різних алгоритмів, до яких ви адаптуєте набір даних. Кожен тип моделі має таку специфікацію в словнику:
- script_output – Вказує на розташування навчального сценарію, який використовує оцінювач. Це поле заповнюється динамічно, коли
models
словник поєднується зpreprocessors
словник. - вставки – Визначає код, який буде вставлено в
script_draft.py
і згодом збережено підscript_output
. Ключ“preprocessor”
навмисно залишено порожнім, оскільки це місце заповнено одним із препроцесорів для створення кількох комбінацій модель-препроцесор. - гіперпараметри – Набір гіперпараметрів, які оптимізуються завданням HPO.
- include_cls_metadata – Для SageMaker потрібні додаткові деталі конфігурації
Tuner
клас.
Повний приклад models
словник доступний у репозиторії GitHub.
Далі перебираємо preprocessors
та models
словники та створювати всі можливі комбінації. Наприклад, якщо ваш preprocessors
словник містить 10 рецептів, а у вас є 5 визначень моделей models
словник, щойно створений словник конвеєрів містить 50 конвеєрів моделі препроцесора, які оцінюються під час HPO. Зауважте, що на даний момент окремі сценарії конвеєра ще не створено. Наступний блок коду (комірка 9) блокнота Jupyter повторює всі об’єкти препроцесорної моделі в pipelines
словник, вставляє всі відповідні частини коду та зберігає специфічну для конвеєра версію сценарію локально в блокноті. Ці сценарії використовуються на наступних кроках під час створення окремих оцінювачів, які ви підключаєте до завдання HPO.
Дайте визначення оцінок
Тепер ви можете працювати над визначенням оцінювачів SageMaker, які використовує завдання HPO після того, як сценарії будуть готові. Почнемо зі створення класу-оболонки, який визначає деякі загальні властивості для всіх оцінювачів. Він успадковується від SKLearn
клас і визначає роль, кількість екземплярів і тип, а також стовпці, які використовуються сценарієм як функції та ціль.
Давайте побудуємо estimators
словник, перебираючи всі сценарії, створені раніше та розташовані в scripts
каталог. Ви створюєте новий засіб оцінки за допомогою SKLearnBase
класу з унікальним іменем оцінювача та одним зі сценаріїв. Зверніть увагу, що estimators
словник має два рівні: верхній рівень визначає a pipeline_family
. Це логічне групування на основі типу моделей, які потрібно оцінити, і дорівнює довжині models
словник. Другий рівень містить індивідуальні типи препроцесорів, поєднані з заданими pipeline_family
. Це логічне групування необхідне під час створення завдання HPO.
Визначте аргументи тюнера HPO
Щоб оптимізувати передачу аргументів у HPO Tuner
клас, то HyperparameterTunerArgs
клас даних ініціалізується аргументами, потрібними для класу HPO. Він поставляється з набором функцій, які гарантують, що аргументи HPO повертаються у форматі, очікуваному під час розгортання кількох визначень моделі одночасно.
Наступний блок коду використовує введений раніше HyperparameterTunerArgs
клас даних. Ви створюєте ще один словник під назвою hp_args
і генерувати набір вхідних параметрів, специфічних для кожного estimator_family
від estimators
словник. Ці аргументи використовуються на наступному кроці під час ініціалізації завдань HPO для кожної сімейства моделей.
Створення об'єктів тюнера HPO
На цьому кроці ви створюєте індивідуальні тюнери для кожного estimator_family
. Чому ви створюєте три окремі завдання HPO замість того, щоб запускати лише одне для всіх оцінювачів? The HyperparameterTuner
клас обмежений 10 визначеннями моделі, доданими до нього. Таким чином, кожен HPO відповідає за пошук найефективнішого препроцесора для певного сімейства моделей і налаштування гіперпараметрів цього сімейства моделей.
Нижче наведено ще кілька моментів щодо налаштування:
- Стратегія оптимізації є байєсовською, що означає, що HPO активно відстежує ефективність усіх випробувань і спрямовує оптимізацію до більш перспективних комбінацій гіперпараметрів. Слід налаштувати ранню зупинку від or Авто при роботі з байєсівською стратегією, яка сама обробляє цю логіку.
- Кожне завдання HPO виконує максимум 100 завдань і виконує 10 завдань паралельно. Якщо ви маєте справу з більшими наборами даних, ви можете збільшити загальну кількість завдань.
- Крім того, ви можете використовувати налаштування, які контролюють тривалість виконання завдання та кількість завдань, які запускає ваш HPO. Один із способів зробити це — встановити максимальний час виконання в секундах (для цього допису ми встановили його на 1 годину). Інший - використовувати нещодавно випущений
TuningJobCompletionCriteriaConfig
. Він пропонує набір налаштувань, які відстежують хід ваших завдань і визначають, чи ймовірно, що додаткові завдання покращать результат. У цій публікації ми встановлюємо максимальну кількість навчальних завдань, які не покращуються, до 20. Таким чином, якщо оцінка не покращується (наприклад, із сорокового випробування), вам не доведеться платити за решту випробувань доmax_jobs
досягнуто.
Тепер давайте повторимо tuners
та hp_args
словники та запускати всі завдання HPO в SageMaker. Зверніть увагу на те, що для аргументу очікування встановлено значення False
, що означає, що ядро не чекатиме завершення результатів, і ви можете запускати всі завдання одночасно.
Цілком імовірно, що не всі навчальні роботи будуть завершені, і деякі з них можуть бути зупинені роботою HPO. Причиною цього є TuningJobCompletionCriteriaConfig
—оптимізація завершується, якщо виконується будь-який із зазначених критеріїв. У цьому випадку, коли критерій оптимізації не покращується протягом 20 послідовних робіт.
Проаналізуйте результати
Комірка 15 блокнота перевіряє, чи виконано всі завдання HPO, і об’єднує всі результати у формі кадру даних панди для подальшого аналізу. Перш ніж детально аналізувати результати, давайте розглянемо консоль SageMaker на високому рівні.
У верхній частині Роботи з налаштування гіперпараметрів ви можете побачити три запущені вакансії HPO. Всі вони закінчили достроково і не виконали всі 100 навчальних робіт. На наступному знімку екрана ви можете побачити, що сімейство моделей Elastic-Net завершило найбільшу кількість випробувань, тоді як іншим не потрібно було стільки навчальних завдань, щоб отримати найкращий результат.
Ви можете відкрити завдання HPO, щоб отримати доступ до додаткових відомостей, таких як окремі навчальні завдання, конфігурація завдань, а також інформація про найкраще навчальне завдання та продуктивність.
Давайте створимо візуалізацію на основі результатів, щоб отримати більше уявлень про продуктивність робочого циклу AutoML у всіх сімействах моделей.
З наступного графіка можна зробити висновок, що Elastic-Net
Продуктивність моделі коливалася між 70,000 80,000 і XNUMX XNUMX RMSE і зрештою зупинилася, оскільки алгоритм не зміг покращити свою продуктивність, незважаючи на спроби різних методів попередньої обробки та значень гіперпараметрів. Також здається, що RandomForest
продуктивність сильно змінювалася залежно від набору гіперпараметрів, дослідженого HPO, але, незважаючи на численні випробування, вона не могла опуститися нижче помилки 50,000 XNUMX RMSE. GradientBoosting
досягла найкращих показників уже з самого початку, знизившись нижче 50,000 XNUMX RMSE. HPO намагався покращити цей результат, але не зміг досягти кращої продуктивності в інших комбінаціях гіперпараметрів. Загальний висновок для всіх завдань HPO полягає в тому, що потрібно було не так багато завдань, щоб знайти найефективніший набір гіперпараметрів для кожного алгоритму. Щоб ще більше покращити результат, вам потрібно буде поекспериментувати зі створенням додаткових функцій і розробкою додаткових функцій.
Ви також можете розглянути більш детальний вигляд комбінації модель-препроцесор, щоб зробити висновки щодо найбільш перспективних комбінацій.
Виберіть найкращу модель і розгорніть її
Наведений нижче фрагмент коду вибирає найкращу модель на основі найменшого досягнутого цільового значення. Потім ви можете розгорнути модель як кінцеву точку SageMaker.
Прибирати
Щоб запобігти небажаним стягненням плати з вашого облікового запису AWS, ми рекомендуємо видалити ресурси AWS, які ви використовували в цій публікації:
- На консолі Amazon S3 очистьте дані з відра S3, де зберігалися навчальні дані.
- На консолі SageMaker зупиніть екземпляр блокнота.
- Видаліть кінцеву точку моделі, якщо ви її розгорнули. Кінцеві точки слід видаляти, коли вони більше не використовуються, оскільки вони оплачуються за часом розгортання.
Висновок
У цій публікації ми показали, як створити спеціальне завдання HPO в SageMaker за допомогою спеціального вибору алгоритмів і методів попередньої обробки. Зокрема, цей приклад демонструє, як автоматизувати процес генерації багатьох навчальних сценаріїв і як використовувати структури програмування Python для ефективного розгортання кількох паралельних завдань оптимізації. Ми сподіваємося, що це рішення стане основою для будь-яких завдань налаштування індивідуальних моделей, які ви розгортатимете за допомогою SageMaker, щоб досягти вищої продуктивності та прискорити робочі процеси ML.
Ознайомтеся з наступними ресурсами, щоб ще більше поглибити свої знання про використання SageMaker HPO:
Про авторів
Конрад Семш є старшим архітектором рішень ML у команді Amazon Web Services Data Lab. Він допомагає клієнтам використовувати машинне навчання для вирішення їхніх бізнес-завдань за допомогою AWS. Йому подобається винаходити та спрощувати, щоб надати клієнтам прості та прагматичні рішення для їхніх проектів AI/ML. Він найбільше захоплюється MlOps і традиційною наукою про дані. Поза роботою він великий шанувальник віндсерфінгу та кайтсерфінгу.
Тунець Ерсой є старшим архітектором рішень в AWS. Її основним завданням є допомога клієнтам у державному секторі запровадити хмарні технології для своїх робочих навантажень. Вона має досвід розробки додатків, корпоративної архітектури та технологій контакт-центру. Її інтереси включають безсерверні архітектури та AI/ML.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- : має
- :є
- : ні
- :де
- $UP
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- 15%
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- Здатний
- МЕНЮ
- доступ
- За
- рахунки
- Achieve
- досягнутий
- через
- активно
- Додатковий
- Додатково
- прийняти
- після
- AI / ML
- мета
- алгоритм
- алгоритми
- ВСІ
- Дозволити
- дозволяє
- вже
- Також
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- аналіз
- аналізувати
- Аналізуючи
- та
- Інший
- будь-який
- додаток
- Розробка додатка
- прикладної
- застосовується
- Застосовувати
- затверджений
- архітектура
- ЕСТЬ
- аргумент
- аргументація
- AS
- припустити
- At
- приєднувати
- автоматичний
- автоматизувати
- автоматичний
- автоматично
- AutoML
- доступний
- AWS
- фон
- база
- заснований
- Базова лінія
- Байєсівський
- BE
- оскільки
- перед тим
- початок
- нижче
- КРАЩЕ
- Краще
- між
- Великий
- Блокувати
- блоки
- обидва
- гілки
- будувати
- Створюємо
- бізнес
- але
- button
- by
- Каліфорнія
- call
- званий
- CAN
- кандидат
- випадок
- випадків
- Центр
- ланцюга
- проблеми
- зміна
- Зміни
- вантажі
- Перевірки
- Вибирати
- клас
- CFL
- клієнт
- хмара
- кластер
- Кластеризація
- код
- Колонка
- Колони
- поєднання
- комбінації
- комбінований
- комбінати
- приходить
- коментар
- загальний
- повний
- Зроблено
- завершення
- складний
- укладає
- висновок
- Проводити
- конфігурація
- поспіль
- Консоль
- контакт
- контакт-центр
- містить
- контрастність
- контроль
- Коштувати
- витрати
- може
- створювати
- створений
- створення
- Критерії
- вирішальне значення
- В даний час
- виготовлений на замовлення
- Клієнти
- дані
- наука про дані
- набори даних
- справу
- вирішувати
- Поглибити
- дефолт
- певний
- Визначає
- визначаючи
- Визначення
- демонструвати
- демонструє
- залежати
- залежно
- Залежно
- розгортання
- розгорнути
- розгортання
- розгортання
- дрейф
- Незважаючи на
- деталь
- докладно
- деталі
- розвивати
- розвиненою
- розробка
- розвивається
- відхилення
- DICT
- різний
- каталоги
- обговорювати
- обговорювалися
- do
- Ні
- домен
- Не знаю
- вниз
- малювати
- висушити
- тривалість
- під час
- динамічно
- кожен
- Рано
- ефективний
- Усуває
- включіть
- Кінцева точка
- Машинобудування
- забезпечувати
- гарантує
- підприємство
- Весь
- повністю
- рівним
- помилка
- оцінювати
- оцінюється
- врешті-решт
- Кожен
- досліджувати
- приклад
- Приклади
- виконання
- існувати
- очікувати
- очікуваний
- експеримент
- пояснені
- Розвіданий
- досліджує
- false
- сімей
- сім'я
- вентилятор
- особливість
- риси
- кілька
- поле
- філе
- заповнений
- знайти
- виявлення
- Перший
- відповідати
- п'ять
- Сфокусувати
- стежити
- після
- слідує
- для
- ліс
- форма
- формат
- FRAME
- від
- перед
- Повний
- функція
- функціональність
- Функції
- далі
- Загальне
- породжувати
- генерується
- породжує
- отримати
- Git
- GitHub
- даний
- Go
- мета
- буде
- графік
- рука
- Ручки
- Мати
- має
- he
- важкий
- важкий підйом
- допомогу
- допомагає
- її
- на вищому рівні
- вище
- найвищий
- надія
- годину
- будинок
- домашні господарства
- житло
- Як
- How To
- HTML
- HTTP
- HTTPS
- Оптимізація гіперпараметрів
- Налаштування гіперпараметрів
- Особистість
- if
- здійснювати
- реалізація
- імпорт
- імпорт
- удосконалювати
- поліпшення
- in
- включати
- У тому числі
- Augmenter
- вказувати
- індивідуальний
- Індивідуально
- інформація
- вхід
- витрати
- Вставки
- розуміння
- екземпляр
- замість
- інструкції
- інтеграція
- навмисно
- інтереси
- інтерфейс
- в
- введені
- IT
- ЙОГО
- сам
- робота
- Джобс
- JPG
- просто
- тільки один
- тримати
- ключ
- знання
- lab
- великий
- більше
- пізніше
- запущений
- запуск
- вивчення
- залишити
- довжина
- рівень
- рівні
- Життєвий цикл
- підйомний
- як
- Ймовірно
- обмежуючий
- Linux
- загрузка
- локально
- розташований
- розташування
- логіка
- логічний
- Довго
- довше
- подивитися
- серія
- найнижчий
- машина
- навчання за допомогою машини
- багато
- максимальний
- Може..
- значити
- засоби
- Злиття
- зустрів
- Метрика
- може бути
- хвилин
- відсутній
- ML
- MLOps
- модель
- Моделі
- змінювати
- монітор
- монітори
- більше
- найбільш
- множинний
- ім'я
- вузький
- навігації
- Необхідність
- Нові
- нещодавно
- наступний
- немає
- ніхто
- ноутбук
- зазначив,
- зараз
- номер
- нумпі
- об'єкт
- мета
- об'єкти
- of
- від
- Пропозиції
- on
- один раз
- ONE
- тільки
- відкрити
- операції
- оптимальний
- оптимізація
- Оптимізувати
- оптимізований
- or
- порядок
- OS
- Інше
- інші
- з
- вихід
- поза
- над
- загальний
- сторінка
- панди
- Паралельні
- параметри
- частина
- приватність
- Проходження
- пристрасний
- шлях
- Платити
- Виконувати
- продуктивність
- виконанні
- зберігається
- частин
- трубопровід
- plato
- Інформація про дані Платона
- PlatoData
- відіграє
- штекер
- точка
- точок
- політика
- населення
- це можливо
- пошта
- потенціал
- прагматичний
- передбачати
- Прогноз
- Готувати
- передумови
- подарунки
- запобігати
- раніше
- ціни без прихованих комісій
- первинний
- друк
- Проблема
- процес
- виробляти
- Production
- Програмування
- прогрес
- проект
- проектів
- перспективний
- властивості
- забезпечувати
- забезпечує
- забезпечення
- громадськість
- мета
- Python
- випадковий
- швидко
- досяг
- готовий
- причина
- нещодавно
- рецепт
- рекомендувати
- облік
- зменшити
- знижує
- послатися
- посилання
- про
- regex
- регіон
- випущений
- доречний
- решті
- видаляти
- повторювати
- Сховище
- запросити
- вимагати
- вимагається
- ресурси
- ті
- відповідальний
- обмежений
- результат
- результати
- повертати
- право
- Роль
- прогін
- біг
- пробіжки
- час виконання
- мудрець
- Автоматичне налаштування моделі SageMaker
- зберігаються
- шкала
- Масштабування
- наука
- Вчені
- scikit-вчитися
- сфера
- рахунок
- сценарій
- scripts
- другий
- seconds
- розділ
- розділам
- сектор
- побачити
- Здається,
- обраний
- вибір
- SELF
- старший
- окремий
- служити
- Без сервера
- обслуговування
- Послуги
- Сесія
- комплект
- набори
- налаштування
- установка
- вона
- Повинен
- продемонстрований
- показаний
- Шоу
- простий
- спрощення
- просто
- уривок
- So
- рішення
- Рішення
- ВИРІШИТИ
- деякі
- спеціалізований
- конкретний
- специфікація
- специфікації
- зазначений
- швидкість
- розкол
- стек
- standard
- старт
- Починаючи
- Статус
- Крок
- заходи
- Стоп
- зупинений
- зупинка
- зберігання
- зберігати
- зберігання
- Стратегія
- структура
- структур
- Згодом
- такі
- Підтриманий
- таблиця
- з урахуванням
- Приймати
- Мета
- команда
- технічний
- методи
- Технології
- термінал
- тест
- Тестування
- Що
- Команда
- їх
- Їх
- потім
- Там.
- отже
- Ці
- вони
- це
- ті
- три
- поріг
- через
- час
- до
- разом
- інструмент
- топ
- Усього:
- до
- традиційний
- поїзд
- Навчання
- перетворень
- суд
- випробування
- намагався
- викликати
- спрацьовує
- спрацьовування
- намагається
- настройка
- два
- тип
- Типи
- типово
- ui
- при
- розуміння
- створеного
- до
- небажаний
- завантажено
- Використання
- використання
- використання випадку
- використовуваний
- використовує
- використання
- ПЕРЕВІР
- значення
- Цінності
- змінна
- різноманітний
- різний
- версія
- версії
- вид
- візуалізації
- W
- чекати
- покрокове керівництво
- хотіти
- було
- шлях..
- we
- Web
- веб-сервіси
- ДОБРЕ
- були
- Що
- коли
- в той час як
- Чи
- який
- чому
- волі
- з
- в
- без
- Work
- робочий
- Робочі процеси
- робочий
- б
- запис
- ще
- Ти
- вашу
- себе
- зефірнет