У своїй книзі Книга Чому, Джудея Перл виступає за навчання принципів причини та наслідку для машин, щоб підвищити їхній інтелект. Досягнення глибокого навчання є, по суті, лише типом підгонки кривої, тоді як причинно-наслідковий зв’язок можна використовувати для виявлення взаємодії між системами світу за різних обмежень без прямої перевірки гіпотез. Це може дати відповіді, які приведуть нас до AGI (штучного узагальненого інтелекту).
Це рішення пропонує структуру причинного висновку з використанням байєсівських мереж для представлення причинно-наслідкових залежностей і отримання причинно-наслідкових висновків на основі спостережуваних супутникових зображень і даних експериментальних випробувань у формі змодельованих погодних умов і ґрунтових умов. The тематичне дослідження це причинно-наслідковий зв’язок між внесенням азотних добрив і врожайністю кукурудзи.
Супутникові знімки обробляються за допомогою спеціально створених Геопросторові можливості Amazon SageMaker і збагачений виготовленими на замовлення Обробка Amazon SageMaker операції. Механізм причинного висновку розгортається з Асинхронний висновок Amazon SageMaker.
У цій публікації ми демонструємо, як створити цей контрфактичний аналіз за допомогою Amazon SageMaker JumpStart рішень.
Огляд рішення
На наступній діаграмі показано архітектуру наскрізного робочого процесу.
Передумови
Вам потрібно Обліковий запис AWS використовувати це рішення.
Щоб запустити це рішення JumpStart 1P та розгорнути інфраструктуру у вашому обліковому записі AWS, вам потрібно створити активний Студія Amazon SageMaker примірник (див На борту до домену Amazon SageMaker). Коли ваш екземпляр Studio буде готовий, виконайте інструкції в SageMaker JumpStart щоб запустити рішення Crop Yield Counterfactuals.
Зауважте, що це рішення наразі доступне лише в Західному регіоні США (Орегон).
Причинний висновок
Причинно-наслідкові зв’язки пов’язані з розумінням змін, але як формалізувати це в статистиці та машинному навчанні (ML) – не тривіальна вправа.
У цьому дослідженні врожайності сільськогосподарських культур азот, доданий як добриво, і результати врожайності можуть бути сплутаними. Подібним чином, азот, доданий як добриво, і результати вимивання азоту також можуть бути сплутані в тому сенсі, що спільна причина може пояснити їх зв’язок. Однак асоціація не є причинно-наслідковим зв’язком. Якщо ми знаємо, які спостережувані фактори збивають асоціацію, ми враховуємо їх, але що, якщо існують інші приховані змінні, відповідальні за змішування? Зменшення кількості добрива не обов’язково зменшить залишковий азот; так само це може не різко зменшити врожайність, тоді як ґрунтові та кліматичні умови можуть бути спостережуваними факторами, які перешкоджають асоціації. Як впоратися зі змішуванням є центральною проблемою причинного висновку. Методика, введена Р. А. Фішером під назвою рандомізоване контрольоване випробування має на меті подолати можливу плутанину.
Однак за відсутності рандомізованих контрольних досліджень існує потреба в причинно-наслідкових висновках виключно на основі даних спостережень. Існують способи зв’язати причинно-наслідкові запитання з даними спостережних досліджень, написавши причинно-наслідкову графічну модель того, що ми постулюємо як те, як все відбувається. Це передбачає заяву про те, що відповідні обходи охоплюють відповідні залежності, водночас задовольняючи графічний критерій умовного ігнорування (до якої міри ми можемо розглядати причинно-наслідковий зв’язок як асоціацію на основі причинно-наслідкових припущень). Після того, як ми постулювали структуру, ми можемо використовувати неявну інваріантність, щоб вчитися на даних спостережень і вставляти питання про причинно-наслідкові зв’язки, роблячи висновок про причинні твердження без рандомізованих контрольних досліджень.
Це рішення використовує дані зі змодельованих рандомізованих контрольних досліджень (РКД), а також дані спостережень із супутникових зображень. Серія моделювань, проведених на тисячах полів і протягом багатьох років в штаті Іллінойс (Сполучені Штати), використовується для вивчення реакції кукурудзи на збільшення рівня азоту для широкого поєднання змін погоди та ґрунту, що спостерігаються в регіоні. Він усуває обмеження використання дослідних даних, обмежених кількістю ґрунтів і роками, які можна досліджувати, використовуючи симуляції врожаю в різних сценаріях землеробства та географії. Базу даних було відкалібровано та підтверджено з використанням даних із понад 400 досліджень у регіоні. Початкову концентрацію азоту в ґрунті встановлювали випадковим чином у прийнятному діапазоні.
Крім того, база даних доповнюється спостереженнями із супутникових зображень, тоді як зональна статистика виводиться зі спектральних індексів, щоб представити просторово-часові зміни рослинності, що спостерігаються в різних географічних регіонах і фенологічних фазах.
Причинний висновок за допомогою байєсівських мереж
Структурні причинно-наслідкові моделі (SCM) використовують графічні моделі для представлення причинно-наслідкових залежностей шляхом включення як даних, так і людських вхідних даних. Запропоновано особливий тип структурно-наслідкової моделі, званий байєсівськими мережами, для моделювання динаміки фенології врожаю за допомогою імовірнісних виразів шляхом представлення змінних у вигляді вузлів і зв’язків між змінними у вигляді країв. Вузли є індикаторами росту культур, ґрунту та погодних умов, а межі між ними представляють просторово-часові причинно-наслідкові зв’язки. Батьківські вузли – це параметри, пов’язані з полем (включаючи день посіву та посівну площу), а дочірні вузли – це показники врожайності, поглинання азоту та вимивання азоту.
Для отримання додаткової інформації див характеристика бази даних і керівництво для визначення стадій росту кукурудзи.
Щоб побудувати модель байєсівських мереж (з CausalNex), перш ніж ми зможемо використовувати його для контрфактичного та інтервенційного аналізу. Структуру причинно-наслідкової моделі спочатку вивчають із даних, тоді як експертиза предмета (надійна література чи емпіричні переконання) використовується для постулювання додаткових залежностей і незалежностей між випадковими змінними та змінними втручання, а також для твердження про причинність структури.
використання БЕЗ СЛІЗ, алгоритм безперервної оптимізації для вивчення структури, структура графа, що описує умовні залежності між змінними, вивчається з даних із набором обмежень, накладених на ребра, батьківські та дочірні вузли, які не допускаються в причинно-наслідковій моделі. Це зберігає часові залежності між змінними. Перегляньте наступний код:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
Наступний крок кодує знання предметної області в моделях і фіксує фенологічну динаміку, уникаючи при цьому помилкових зв’язків. Аналіз мультиколінеарності, аналіз факторів варіаційної інфляції та використання глобальної важливості ознак ФОРМА аналізи проводяться, щоб отримати інформацію та обмеження щодо змінних водного стресу (розширення, фенологія та фотосинтез навколо цвітіння), змінних погоди та ґрунту, спектральних індексів та індикаторів на основі азоту:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Байєсовські мережі в CausalNex підтримують лише дискретні розподіли. Будь-які безперервні функції або особливості з великою кількістю категорій дискретизуються перед підгонкою до байєсівської мережі:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
Після перегляду структури умовний розподіл ймовірностей кожної змінної, заданої її батьками, можна дізнатися з даних на етапі, який називається оцінка ймовірності:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Нарешті, структура та ймовірності використовуються для виконання спостережних висновків на льоту, слідуючи детерміністичному Алгоритм Junction Tree (JTA), а також втручання з використанням до-числення. Асинхронний висновок SageMaker дозволяє поставити вхідні запити в чергу та обробляти їх асинхронно. Цей варіант ідеально підходить як для сценаріїв спостережень, так і для контрфактичних висновків, коли процес не можна розпаралелити, що вимагає значного часу для оновлення ймовірностей у всій мережі, хоча кілька запитів можна запускати паралельно. Перегляньте наступний код:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Для отримання додаткової інформації зверніться до сценарій висновку.
Причинно-наслідкова модель ноутбук це покроковий посібник із виконання попередніх кроків.
Обробка геопросторових даних
Робота зі спостереження Землі (EOJ) об’єднані разом для отримання та трансформації супутникових зображень, тоді як спеціально створені операції та попередньо навчені моделі використовуються для видалення хмар, мозаїки, операцій смугової математики та повторної вибірки. У цьому розділі ми більш детально обговорюємо кроки геопросторової обробки.
Сфера інтересів
На наступному малюнку зелені багатокутники — вибрані округи, помаранчева сітка — карта бази даних (сітка з комірок 10 x 10 км, де проводяться випробування в регіоні), а сітка квадратів у відтінках сірого — це 100 км x 100 км. Мозаїчна сітка Sentinel-2 UTM.
Просторові файли використовуються для відображення змодельованої бази даних із відповідними супутниковими зображеннями, накладаючи полігони 10 км на 10 км, які поділяють штат Іллінойс (де проводяться випробування в регіоні), полігони округів і 100 км на 100 км. 2 плитки UTM. Щоб оптимізувати конвеєр обробки геопросторових даних, спочатку вибирається кілька сусідніх плиток Sentinel-2. Далі агреговані геометрії плиток і комірок накладаються, щоб отримати область інтересу (RoI). Округи та ідентифікатори комірок, які повністю дотримуються в RoI, вибираються для формування геометрії полігону, що передається на EOJ.
Часовий діапазон
Для цієї вправи фенологічний цикл кукурудзи розділений на три етапи: вегетативні етапи від v5 до R1 (сходи, шийки листя та утворення китиць), репродуктивні етапи від R1 до R4 (шовкування, пухирі, молоко та тісто) та репродуктивні етапи R5 (зубчастий) і R6 (фізіологічна зрілість). Послідовні супутникові візити отримуються для кожного фенологічного етапу протягом 2 тижнів і попередньо визначеної області інтересу (вибрані округи), що дає змогу просторово-часовий аналіз супутникових зображень. Наступний малюнок ілюструє ці показники.
Видалення хмари
Видалення хмар для даних Sentinel-2 використовує модель семантичної сегментації на основі ML для ідентифікації хмар на зображенні, де хмарні пікселі замінюються на значення -9999 (значення nodata):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Після створення EOJ ARN повертається та використовується для виконання наступної операції геомозаїки.
Щоб отримати статус роботи, можна бігти sg_client.get_earth_observation_job(Arn = response['Arn']).
Геомозаїка
Геомозаїчний EOJ використовується для об’єднання зображень із кількох відвідувань супутників у велику мозаїку шляхом перезапису вузлів або прозорих пікселів (включаючи хмарні пікселі) пікселями з інших часових позначок:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Після створення EOJ повертається ARN і використовується для виконання наступної операції повторної вибірки.
Перестановка
Перевибірка використовується для зменшення роздільної здатності геопросторового зображення, щоб відповідати роздільній здатності масок обрізання (перемасштабування роздільної здатності 10–30 м):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Після створення EOJ повертається ARN і використовується для виконання наступної математичної операції діапазону.
Смугова математика
Смугові математичні операції використовуються для перетворення спостережень із кількох спектральних смуг в одну смугу. Він включає наступні спектральні показники:
- EVI2 – Двосмуговий розширений індекс рослинності
- DGVI – Узагальнений різницевий індекс рослинності
- NDMI – Нормований індекс різниці вологості
- NDVI – Нормований індекс різниці рослинності
- NDWI – Індекс нормалізованої різниці води
Дивіться наступний код:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Зональна статистика
Спектральні показники додатково збагачуються за допомогою Обробка Amazon SageMaker, де спеціальна логіка на основі GDAL використовується для виконання наступних дій:
- Об'єднати спектральні показники в єдину багатоканальну мозаїку
- Перепроектуйте мозаїку на кроп маскапроекція
- Застосуйте маску кадрування та повторно спроектуйте мозаїку на CRC клітинок багатокутників
- Обчислити зональну статистику для вибраних полігонів (комірки 10 км x 10 км)
При розпаралеленому розподілі даних файли маніфесту (для кожної фенологічної стадії культури) розподіляються між кількома примірниками за допомогою ShardedByS3Key
Тип розподілу даних S3. Для отримання додаткової інформації зверніться до сценарій вилучення функції.
Геопросторова обробка ноутбук це покроковий посібник із виконання попередніх кроків.
На наступному малюнку показано RGB-канали послідовних супутникових візитів, що представляють вегетативні та репродуктивні стадії фенологічного циклу кукурудзи, з (праворуч) і без (ліворуч) масок культури (CW 20, 26 і 33, 2018, Центральний Іллінойс).
На наступному малюнку спектральні індекси (NDVI, EVI2, NDMI) послідовних супутникових візитів представляють вегетативні та репродуктивні стадії фенологічного циклу кукурудзи (CW 20, 26 і 33, 2018, Центральний Іллінойс).
Прибирати
Якщо ви більше не хочете використовувати це рішення, ви можете видалити створені ним ресурси. Після розгортання рішення в Studio виберіть Видалити всі ресурси для автоматичного видалення всіх стандартних ресурсів, які були створені під час запуску рішення, включаючи сегмент S3.
Висновок
Це рішення надає схему для випадків використання, коли причинно-наслідковий висновок із байєсівськими мережами є кращою методологією для відповіді на причинно-наслідкові запитання на основі комбінації даних і людського введення. Робочий процес включає ефективну реалізацію механізму логічного висновку, який ставить у чергу вхідні запити та втручання та обробляє їх асинхронно. Модульний аспект дозволяє повторно використовувати різноманітні компоненти, включаючи геопросторову обробку за допомогою спеціально створених операцій і попередньо навчених моделей, збагачення супутникових зображень за допомогою спеціально створених операцій GDAL і багатомодальне проектування функцій (спектральні індекси та табличні дані).
Крім того, ви можете використовувати це рішення як шаблон для побудови сіткових моделей сільськогосподарських культур, у яких проводиться аналіз використання азотних добрив і екологічної політики.
Для отримання додаткової інформації зверніться до Шаблони рішень і дотримуйтесь керівництво для запуску рішення Crop Yield Counterfactuals у Західному регіоні США (Орегон). Код доступний у GitHub репо.
Цитати
Герман Мандрині, Сотіріос В. Архонтуліс, Камерон М. Піттелков, Таро Мієно, Ніколас Ф. Мартін,
Змодельований набір даних про реакцію кукурудзи на азот за тисячі полів і кілька років в Іллінойсі,
Коротко про дані, том 40, 2022, 107753, ISSN 2352-3409
Корисні ресурси
Про авторів
Пол Барна є старшим спеціалістом із обробки даних у Лабораторіях прототипування машинного навчання в AWS.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :є
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- МЕНЮ
- досягнення
- рахунки
- набувати
- придбаний
- через
- активний
- доданий
- доповнення
- Додатковий
- адреси
- прихильники
- після
- AGI
- Цілі
- алгоритм
- ВСІ
- дозволяє
- хоча
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- серед
- кількість
- аналіз
- та
- Відповіді
- де-небудь
- додаток
- архітектура
- ЕСТЬ
- ПЛОЩА
- навколо
- AS
- зовнішній вигляд
- Затвердження
- Асоціація
- At
- автоматично
- доступний
- уникає
- AWS
- BAND
- заснований
- Байєсівський
- BE
- перед тим
- між
- синій
- книга
- Перерва
- широкий
- будувати
- Створюємо
- by
- званий
- CAN
- можливості
- захоплення
- захвати
- випадків
- категорії
- Викликати
- Клітини
- центральний
- прикутий
- зміна
- Зміни
- канали
- дитина
- Вибирати
- стверджуючи,
- претензій
- хмара
- код
- Нашийники
- поєднання
- загальний
- Компоненти
- концентрація
- Умови
- проводиться
- З'єднуватися
- поспіль
- обмеження
- безперервний
- контроль
- контроль
- Відповідний
- може
- створювати
- створений
- урожай
- В даний час
- крива
- виготовлений на замовлення
- Побудований на замовлення
- цикл
- дані
- обробка даних
- вчений даних
- керовані даними
- Database
- день
- глибокий
- глибоке навчання
- демонструвати
- розгорнути
- Отриманий
- деталь
- деталі
- різниця
- безпосередньо
- обговорювати
- розподілений
- розподіл
- Розподілу
- розділений
- домен
- різко
- малювати
- динаміка
- кожен
- ефект
- поява
- дозволяє
- дозволяє
- кінець в кінець
- двигун
- Машинобудування
- підвищена
- Збагачений
- навколишній
- Екологічна політика
- по суті
- Здійснювати
- розширення
- експерт
- експертиза
- Пояснювати
- дослідити
- вирази
- розширення
- витяг
- фактори
- сільське господарство
- особливість
- риси
- кілька
- Поля
- Рисунок
- стежити
- після
- для
- форма
- Рамки
- від
- повністю
- далі
- породжувати
- географії
- отримати
- GitHub
- даний
- Глобальний
- графік
- Відтінки сірого
- зелений
- сітка
- Зростання
- керівництво
- обробляти
- траплятися
- Мати
- прихований
- Як
- How To
- Однак
- HTML
- HTTP
- HTTPS
- людина
- ідеальний
- ідентифікувати
- ідентифікує
- Іллінойс
- зображення
- зображень
- Impact
- реалізація
- мається на увазі
- імпорт
- значення
- накладений
- накладення
- in
- includes
- У тому числі
- Вхідний
- включення
- зростаючий
- індикатори
- індекси
- інформація
- Інфраструктура
- початковий
- спочатку
- розуміння
- екземпляр
- інструкції
- Інтелект
- Взаємодії
- інтерес
- втручання
- введені
- IT
- ЙОГО
- робота
- Знати
- знання
- Labs
- великий
- запуск
- запуск
- вести
- УЧИТЬСЯ
- вчений
- вивчення
- обмеження
- обмеженою
- літератури
- довше
- машина
- навчання за допомогою машини
- Машинки для перманенту
- made
- Робить
- управління
- карта
- Мартін
- маска
- маски
- матч
- математики
- Матерія
- зрілість
- Злиття
- Методологія
- Метрика
- може бути
- Молоко
- ML
- модель
- Моделі
- модульний
- більше
- множинний
- ім'я
- НАСА
- Близько
- обов'язково
- Необхідність
- мережу
- мереж
- наступний
- Нікола
- вузол
- Розподіл вузлів
- вузли
- номер
- отримувати
- of
- on
- операція
- операції
- оптимізація
- Оптимізувати
- варіант
- помаранчевий
- порядок
- Орегон
- Інше
- Паралельні
- параметри
- батьки
- приватність
- Пройшов
- Виконувати
- Фотосинтез
- трубопровід
- plato
- Інформація про дані Платона
- PlatoData
- штекер
- політика
- Багатокутник
- це можливо
- пошта
- переважним
- Принципи
- попередній
- Проблема
- процес
- Оброблено
- процеси
- обробка
- властивості
- власність
- запропонований
- пропонує
- макетування
- забезпечувати
- забезпечує
- суто
- питань
- випадковий
- Рандомізований
- діапазон
- ставки
- готовий
- розумний
- червоний
- зменшити
- зниження
- регіон
- відносини
- Відносини
- видалення
- замінити
- представляти
- представляє
- запитів
- вимагається
- дозвіл
- ресурси
- відповідь
- відповідальний
- відгуки
- RGB
- ROI
- прогін
- біг
- мудрець
- супутник
- сценарії
- вчений
- розділ
- сегментація
- обраний
- старший
- сенс
- Серія
- комплект
- кілька
- Шоу
- Аналогічно
- один
- рішення
- Рішення
- деякі
- просторовий
- Спектральний
- квадрати
- Стажування
- етапи
- standard
- стан
- Штати
- статистика
- Статус
- Крок
- заходи
- стрес
- структура
- Дослідження
- студія
- Вивчення
- тема
- наступні
- підтримка
- Systems
- взяття
- таро
- Навчання
- шаблон
- Тестування
- Що
- Команда
- Графік
- Держава
- світ
- їх
- Їх
- тим самим
- Ці
- речі
- тисячі
- три
- через
- по всьому
- час
- до
- разом
- поїзд
- Перетворення
- перетворення
- прозорий
- лікувати
- суд
- випробування
- Довірений
- UCLA
- розкрити
- при
- розуміння
- блок
- United
- Сполучені Штати
- Оновити
- оновлення
- us
- використання
- підтверджено
- значення
- різний
- Відвідувань
- обсяг
- вода
- способи
- погода
- тижня
- ДОБРЕ
- West
- Що
- який
- в той час як
- волі
- з
- в
- без
- світ
- лист
- X
- років
- вихід
- врожайність
- Ти
- вашу
- зефірнет