Chuẩn bị dữ liệu là một bước quan trọng trong bất kỳ dự án dựa trên dữ liệu nào và việc có các công cụ phù hợp có thể nâng cao đáng kể hiệu quả hoạt động. Trình sắp xếp dữ liệu Amazon SageMaker giảm thời gian tổng hợp và chuẩn bị dữ liệu dạng bảng và hình ảnh cho máy học (ML) từ vài tuần xuống còn vài phút. Với SageMaker Data Wrangler, bạn có thể đơn giản hóa quy trình chuẩn bị dữ liệu và kỹ thuật tính năng cũng như hoàn thành từng bước của quy trình chuẩn bị dữ liệu, bao gồm chọn dữ liệu, làm sạch, khám phá và trực quan hóa từ một giao diện trực quan duy nhất.
Trong bài đăng này, chúng tôi khám phá các tính năng mới nhất của SageMaker Data Wrangler được thiết kế đặc biệt để cải thiện trải nghiệm vận hành. Chúng tôi đi sâu vào sự hỗ trợ của Dịch vụ lưu trữ đơn giản (Amazon S3) biểu hiện tệp, tạo phẩm suy luận trong luồng dữ liệu tương tác và tích hợp liền mạch với JSON (Ký hiệu đối tượng JavaScript) định dạng để suy luận, làm nổi bật cách những cải tiến này giúp cho việc chuẩn bị dữ liệu dễ dàng và hiệu quả hơn.
Giới thiệu các tính năng mới
Trong phần này, chúng tôi thảo luận về các tính năng mới của SageMaker Data Wrangler để chuẩn bị dữ liệu tối ưu.
Hỗ trợ tệp kê khai S3 với SageMaker Autopilot cho suy luận ML
SageMaker Data Wrangler cho phép một chuẩn bị dữ liệu thống nhất và đào tạo mô hình kinh nghiệm với Amazon SageMaker Tự động lái chỉ trong một vài cú nhấp chuột. Bạn có thể sử dụng SageMaker Autopilot để tự động đào tạo, điều chỉnh và triển khai các mô hình trên dữ liệu mà bạn đã chuyển đổi trong luồng dữ liệu của mình.
Trải nghiệm này hiện được đơn giản hóa hơn nữa với hỗ trợ tệp kê khai S3. Tệp kê khai S3 là tệp văn bản liệt kê các đối tượng (tệp) được lưu trữ trong bộ chứa S3. Nếu tập dữ liệu đã xuất của bạn trong SageMaker Data Wrangler khá lớn và được chia thành các tệp dữ liệu gồm nhiều phần trong Amazon S3, thì giờ đây, SageMaker Data Wrangler sẽ tự động tạo một tệp kê khai trong S3 đại diện cho tất cả các tệp dữ liệu này. Tệp kê khai đã tạo này hiện có thể được sử dụng với Giao diện người dùng SageMaker Autopilot trong SageMaker Data Wrangler để chọn tất cả dữ liệu được phân vùng để đào tạo.
Trước khi ra mắt tính năng này, khi sử dụng các mô hình SageMaker Autopilot được đào tạo dựa trên dữ liệu đã chuẩn bị từ SageMaker Data Wrangler, bạn chỉ có thể chọn một tệp dữ liệu, tệp này có thể không đại diện cho toàn bộ tập dữ liệu, đặc biệt nếu tập dữ liệu rất lớn. Với trải nghiệm tệp kê khai mới này, bạn không bị giới hạn ở một tập hợp con của tập dữ liệu của mình. Bạn có thể xây dựng một mô hình ML với SageMaker Autopilot đại diện cho tất cả dữ liệu của bạn bằng cách sử dụng tệp kê khai và sử dụng mô hình đó để suy luận ML và triển khai sản xuất. Tính năng này nâng cao hiệu quả hoạt động bằng cách đơn giản hóa các mô hình ML đào tạo với SageMaker Autopilot và hợp lý hóa quy trình xử lý dữ liệu.
Đã thêm hỗ trợ cho luồng suy luận trong các tạo phẩm được tạo
Khách hàng muốn thực hiện các phép biến đổi dữ liệu mà họ đã áp dụng cho dữ liệu đào tạo mô hình của mình, chẳng hạn như mã hóa một lần nóng, PCA và quy các giá trị bị thiếu, đồng thời áp dụng các phép biến đổi dữ liệu đó cho suy luận thời gian thực hoặc suy luận hàng loạt trong quá trình sản xuất. Để làm như vậy, bạn phải có một phần mềm suy luận SageMaker Data Wrangler, được mô hình SageMaker sử dụng.
Trước đây, các tạo phẩm suy luận chỉ có thể được tạo từ giao diện người dùng khi xuất sang chương trình đào tạo SageMaker Autopilot hoặc xuất sổ ghi chép quy trình suy luận. Điều này không mang lại sự linh hoạt nếu bạn muốn đưa các luồng SageMaker Data Wrangler của mình ra bên ngoài Xưởng sản xuất Amazon SageMaker môi trường. Giờ đây, bạn có thể tạo một phần mềm suy luận cho bất kỳ tệp dòng tương thích nào thông qua tác vụ xử lý SageMaker Data Wrangler. Điều này cho phép các luồng MLOps có lập trình, từ đầu đến cuối với SageMaker Data Wrangler dành cho các cá nhân MLOps đầu tiên dùng mã, cũng như một đường dẫn trực quan, không dùng mã để nhận một phần mềm suy luận bằng cách tạo một công việc từ giao diện người dùng.
Hợp lý hóa việc chuẩn bị dữ liệu
JSON đã trở thành định dạng được áp dụng rộng rãi để trao đổi dữ liệu trong hệ sinh thái dữ liệu hiện đại. Sự tích hợp của SageMaker Data Wrangler với định dạng JSON cho phép bạn xử lý liền mạch dữ liệu JSON để chuyển đổi và làm sạch. Bằng cách cung cấp hỗ trợ riêng cho JSON, SageMaker Data Wrangler đơn giản hóa quy trình làm việc với dữ liệu có cấu trúc và bán cấu trúc, cho phép bạn trích xuất thông tin chuyên sâu có giá trị và chuẩn bị dữ liệu một cách hiệu quả. SageMaker Data Wrangler hiện hỗ trợ định dạng JSON cho cả triển khai điểm cuối suy luận hàng loạt và thời gian thực.
Tổng quan về giải pháp
Đối với trường hợp sử dụng của chúng tôi, chúng tôi sử dụng mẫu Bộ dữ liệu đánh giá khách hàng của Amazon để cho biết cách SageMaker Data Wrangler có thể đơn giản hóa nỗ lực vận hành để xây dựng một mô hình ML mới bằng SageMaker Autopilot. Bộ dữ liệu đánh giá của khách hàng Amazon chứa các đánh giá sản phẩm và siêu dữ liệu từ Amazon, bao gồm 142.8 triệu đánh giá kéo dài từ tháng 1996 năm 2014 đến tháng XNUMX năm XNUMX.
Ở cấp độ cao, chúng tôi sử dụng SageMaker Data Wrangler để quản lý tập dữ liệu lớn này và thực hiện các hành động sau:
- Phát triển một mô hình ML trong SageMaker Autopilot bằng cách sử dụng tất cả tập dữ liệu, không chỉ một mẫu.
- Xây dựng một quy trình suy luận thời gian thực với phần mềm suy luận được tạo bởi SageMaker Data Wrangler và sử dụng định dạng JSON cho đầu vào và đầu ra.
Hỗ trợ tệp kê khai S3 với SageMaker Autopilot
Khi tạo thử nghiệm SageMaker Autopilot bằng SageMaker Data Wrangler, trước đây bạn chỉ có thể chỉ định một tệp CSV hoặc Parquet. Giờ đây, bạn cũng có thể sử dụng tệp kê khai S3, cho phép bạn sử dụng lượng lớn dữ liệu cho các thử nghiệm SageMaker Autopilot. SageMaker Data Wrangler sẽ tự động phân vùng các tệp dữ liệu đầu vào thành nhiều tệp nhỏ hơn và tạo một tệp kê khai có thể được sử dụng trong thử nghiệm SageMaker Autopilot để lấy tất cả dữ liệu từ phiên tương tác, không chỉ một mẫu nhỏ.
Hoàn thành các bước sau:
- Nhập dữ liệu đánh giá của khách hàng Amazon từ tệp CSV vào SageMaker Data Wrangler. Đảm bảo tắt tính năng lấy mẫu khi nhập dữ liệu.
- Chỉ định các phép biến đổi chuẩn hóa dữ liệu. Đối với ví dụ này, hãy xóa các ký hiệu và chuyển đổi mọi thứ thành chữ thường bằng cách sử dụng các phép biến đổi tích hợp sẵn của SageMaker Data Wrangler.
- Chọn Mô hình tàu hỏa để bắt đầu đào tạo.
Để đào tạo một mô hình với SageMaker Autopilot, SageMaker sẽ tự động xuất dữ liệu sang bộ chứa S3. Đối với các tập dữ liệu lớn như tập dữ liệu này, nó sẽ tự động chia tệp thành các tệp nhỏ hơn và tạo một tệp kê khai bao gồm vị trí của các tệp nhỏ hơn.
- Đầu tiên, chọn dữ liệu đầu vào của bạn.
Trước đó, SageMaker Data Wrangler không có tùy chọn tạo tệp kê khai để sử dụng với SageMaker Autopilot. Hôm nay, với việc phát hành hỗ trợ tệp kê khai, SageMaker Data Wrangler sẽ tự động xuất tệp kê khai sang Amazon S3, điền trước vị trí S3 của khóa đào tạo SageMaker Autopilot với vị trí S3 của tệp kê khai và chuyển đổi tùy chọn tệp kê khai thành Có. Không cần làm gì để tạo hoặc sử dụng tệp kê khai.
- Định cấu hình thử nghiệm của bạn bằng cách chọn mục tiêu để mô hình dự đoán.
- Tiếp theo, chọn một phương pháp đào tạo. Trong trường hợp này, chúng tôi chọn Tự động và để SageMaker Autopilot quyết định phương pháp đào tạo tốt nhất dựa trên kích thước tập dữ liệu.
- Chỉ định cài đặt triển khai.
- Cuối cùng, hãy xem lại cấu hình công việc và gửi thử nghiệm SageMaker Autopilot để đào tạo. Khi SageMaker Autopilot hoàn thành thử nghiệm, bạn có thể xem kết quả đào tạo và khám phá mô hình tốt nhất.
Nhờ hỗ trợ tệp kê khai, bạn có thể sử dụng toàn bộ tập dữ liệu của mình cho thử nghiệm SageMaker Autopilot, chứ không chỉ một tập hợp con dữ liệu của bạn.
Để biết thêm thông tin về cách sử dụng SageMaker Autopilot với SageMaker Data Wrangler, hãy xem Chuẩn bị dữ liệu thống nhất và đào tạo mô hình với Amazon SageMaker Data Wrangler và Amazon SageMaker Autopilot.
Tạo các tạo phẩm suy luận từ các công việc Xử lý SageMaker
Bây giờ, hãy xem cách chúng ta có thể tạo các tạo phẩm suy luận thông qua cả giao diện người dùng SageMaker Data Wrangler và sổ ghi chép SageMaker Data Wrangler.
Giao diện người dùng sắp xếp dữ liệu SageMaker
Đối với trường hợp sử dụng của chúng tôi, chúng tôi muốn xử lý dữ liệu của mình thông qua giao diện người dùng, sau đó sử dụng dữ liệu kết quả để đào tạo và triển khai một mô hình thông qua bảng điều khiển SageMaker. Hoàn thành các bước sau:
- Mở luồng dữ liệu mà bạn đã tạo trong phần trước.
- Chọn dấu cộng bên cạnh biến đổi cuối cùng, chọn Thêm điểm đến, và lựa chọn Amazon S3. Đây sẽ là nơi lưu trữ dữ liệu đã xử lý.
- Chọn Tạo việc làm.
- Chọn Tạo các tạo phẩm suy luận trong phần Tham số suy luận để tạo một phần mềm suy luận.
- Đối với Tên phần mềm suy luận, hãy nhập tên của phần mềm suy luận của bạn (với .tar.gz là phần mở rộng tệp).
- Đối với nút đầu ra Suy luận, hãy nhập nút đích tương ứng với các biến đổi được áp dụng cho dữ liệu đào tạo của bạn.
- Chọn Định cấu hình công việc.
- Theo cấu hình công việc, nhập đường dẫn cho Vị trí S3 của tệp lưu lượng. Một thư mục có tên
data_wrangler_flows
sẽ được tạo dưới vị trí này và tạo phẩm suy luận sẽ được tải lên thư mục này. Để thay đổi vị trí tải lên, hãy đặt một vị trí S3 khác. - Để mặc định cho tất cả các tùy chọn khác và chọn Tạo để tạo công việc xử lý.
Công việc xử lý sẽ tạo ra mộttarball (.tar.gz)
chứa tệp luồng dữ liệu đã sửa đổi với phần suy luận mới được thêm vào cho phép bạn sử dụng nó để suy luận. Bạn cần mã định danh tài nguyên thống nhất (URI) S3 của phần mềm suy luận để cung cấp phần mềm đó cho mô hình SageMaker khi triển khai giải pháp suy luận của bạn. URI sẽ ở dạng{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - Nếu bạn không lưu ý các giá trị này trước đó, bạn có thể chọn liên kết đến công việc đang xử lý để tìm các chi tiết liên quan. Trong ví dụ của chúng tôi, URI là
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- Sao chép giá trị của xử lý hình ảnh; chúng tôi cũng cần URI này khi tạo mô hình của mình.
- Giờ đây, chúng tôi có thể sử dụng URI này để tạo mô hình SageMaker trên bảng điều khiển SageMaker, sau này chúng tôi có thể triển khai mô hình này cho công việc chuyển đổi hàng loạt hoặc điểm cuối.
- Theo cài đặt mô hình¸ nhập tên kiểu máy và chỉ định vai trò IAM của bạn.
- Trong Tùy chọn đầu vào vùng chứa, lựa chọn Cung cấp các vật phẩm mô hình và vị trí hình ảnh suy luận.
- Trong Vị trí của hình ảnh mã suy luận, hãy nhập URI hình ảnh đang xử lý.
- Trong Vị trí của các hiện vật mô hình, hãy nhập URI tạo tác suy luận.
- Ngoài ra, nếu dữ liệu của bạn có một cột mục tiêu sẽ được mô hình ML đã đào tạo dự đoán, hãy chỉ định tên của cột đó bên dưới Biến môi trường, với
INFERENCE_TARGET_COLUMN_NAME
as Key và tên cột như Giá trị. - Kết thúc việc tạo mô hình của bạn bằng cách chọn Tạo mô hình.
Bây giờ chúng tôi có một mô hình mà chúng tôi có thể triển khai cho một công việc chuyển đổi hàng loạt hoặc điểm cuối.
Máy tính xách tay SageMaker Data Wrangler
Đối với cách tiếp cận ưu tiên mã để tạo tạo phẩm suy luận từ một tác vụ xử lý, chúng ta có thể tìm mã ví dụ bằng cách chọn Xuất khẩu sang trên menu nút và chọn một trong hai Amazon S3, Đường ống SageMaker, hoặc là Đường ống suy luận SageMaker. Chúng tôi chọn Đường ống suy luận SageMaker trong ví dụ này.
Trong cuốn sổ này, có một phần có tiêu đề Tạo bộ xử lý (điều này giống hệt trong sổ ghi chép SageMaker Pipelines, nhưng trong sổ ghi chép Amazon S3, mã tương đương sẽ nằm dưới Cấu hình công việc phần). Ở dưới cùng của phần này là một cấu hình cho tạo phẩm suy luận của chúng tôi được gọi là inference_params
. Nó chứa thông tin giống như chúng ta đã thấy trong giao diện người dùng, cụ thể là tên tạo phẩm suy luận và nút đầu ra suy luận. Các giá trị này sẽ được điền trước nhưng có thể được sửa đổi. Ngoài ra còn có một tham số gọi là use_inference_params
, cần được đặt thành True
để sử dụng cấu hình này trong công việc xử lý.
Xa hơn nữa là một phần có tiêu đề Xác định các bước quy trình, Onde o inference_params
cấu hình được thêm vào danh sách đối số công việc và được chuyển vào định nghĩa cho bước xử lý SageMaker Data Wrangler. Trong sổ ghi chép Amazon S3, job_arguments
được xác định ngay sau khi Cấu hình công việc phần.
Với các cấu hình đơn giản này, công việc xử lý được tạo bởi sổ ghi chép này sẽ tạo ra một phần mềm suy luận ở cùng vị trí S3 với tệp luồng của chúng tôi (được xác định trước đó trong sổ ghi chép của chúng tôi). Chúng tôi có thể lập trình xác định vị trí S3 này và sử dụng vật phẩm này để tạo mô hình SageMaker bằng cách sử dụng SDK Python của SageMaker, được thể hiện trong sổ ghi chép Đường ống suy luận SageMaker.
Cách tiếp cận tương tự có thể được áp dụng cho bất kỳ mã Python nào tạo tác vụ xử lý SageMaker Data Wrangler.
Hỗ trợ định dạng tệp JSON cho đầu vào và đầu ra trong quá trình suy luận
Việc các trang web và ứng dụng sử dụng JSON làm yêu cầu/phản hồi cho API là khá phổ biến để thông tin dễ dàng phân tích cú pháp bằng các ngôn ngữ lập trình khác nhau.
Trước đây, sau khi bạn có mô hình được đào tạo, bạn chỉ có thể tương tác với mô hình đó qua CSV dưới dạng định dạng đầu vào trong quy trình suy luận SageMaker Data Wrangler. Ngày nay, bạn có thể sử dụng JSON làm định dạng đầu vào và đầu ra, giúp linh hoạt hơn khi tương tác với các bộ chứa suy luận SageMaker Data Wrangler.
Để bắt đầu sử dụng JSON cho đầu vào và đầu ra trong sổ ghi chép quy trình suy luận, hãy hoàn thành các bước sau:
- Xác định tải trọng.
Đối với mỗi tải trọng, mô hình đang mong đợi một phiên bản có tên khóa. Giá trị là một danh sách các đối tượng, mỗi đối tượng là điểm dữ liệu riêng của nó. Các đối tượng yêu cầu một khóa được gọi là các tính năng và các giá trị phải là các tính năng của một điểm dữ liệu duy nhất được dự định gửi tới mô hình. Có thể gửi nhiều điểm dữ liệu trong một yêu cầu, tổng kích thước tối đa là 6 MB cho mỗi yêu cầu.
Xem mã sau đây:
- Xác định
ContentType
asapplication/json
. - Cung cấp dữ liệu cho mô hình và nhận suy luận ở định dạng JSON.
Xem Các định dạng dữ liệu chung cho suy luận cho các ví dụ JSON đầu vào và đầu ra mẫu.
Làm sạch
Khi bạn sử dụng xong SageMaker Data Wrangler, chúng tôi khuyên bạn nên tắt phiên bản mà nó đang chạy để tránh phát sinh thêm phí. Để biết hướng dẫn về cách tắt ứng dụng SageMaker Data Wrangler và phiên bản liên quan, hãy xem Tắt Data Wrangler.
Kết luận
Các tính năng mới của SageMaker Data Wrangler, bao gồm hỗ trợ tệp kê khai S3, khả năng suy luận và tích hợp định dạng JSON, chuyển đổi trải nghiệm vận hành của việc chuẩn bị dữ liệu. Những cải tiến này hợp lý hóa việc nhập dữ liệu, tự động chuyển đổi dữ liệu và đơn giản hóa việc làm việc với dữ liệu JSON. Với các tính năng này, bạn có thể nâng cao hiệu quả hoạt động của mình, giảm bớt công sức thủ công và dễ dàng trích xuất thông tin chuyên sâu có giá trị từ dữ liệu của mình. Nắm bắt sức mạnh của các tính năng mới của SageMaker Data Wrangler và khai thác toàn bộ tiềm năng của quy trình chuẩn bị dữ liệu của bạn.
Để bắt đầu với SageMaker Data Wrangler, hãy xem thông tin mới nhất về Trang sản phẩm SageMaker Data Wrangler.
Giới thiệu về tác giả
Munish Dabra là Kiến trúc sư giải pháp chính tại Amazon Web Services (AWS). Các lĩnh vực trọng tâm hiện tại của anh ấy là AI/ML và Khả năng quan sát. Anh ấy có nền tảng vững chắc về thiết kế và xây dựng các hệ thống phân tán có thể mở rộng. Anh ấy thích giúp khách hàng đổi mới và chuyển đổi hoạt động kinh doanh của họ trong AWS. LinkedIn: /mdabra
Patrick Lin là Kỹ sư phát triển phần mềm của Amazon SageMaker Data Wrangler. Ông cam kết biến Amazon SageMaker Data Wrangler trở thành công cụ chuẩn bị dữ liệu số một cho quy trình sản xuất ML được sản xuất hóa. Ngoài giờ làm việc, bạn có thể thấy anh ấy đọc sách, nghe nhạc, trò chuyện với bạn bè và phục vụ tại nhà thờ của anh ấy.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Ô tô / Xe điện, Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- BlockOffsets. Hiện đại hóa quyền sở hữu bù đắp môi trường. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- hành động
- thêm
- thêm vào
- Ngoài ra
- con nuôi
- Sau
- AI / ML
- Tất cả
- Cho phép
- cho phép
- Ngoài ra
- đàn bà gan dạ
- Amazon SageMaker
- Amazon SageMaker Tự động lái
- Trình sắp xếp dữ liệu Amazon SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- số lượng
- an
- và
- bất kì
- API
- ứng dụng
- các ứng dụng
- áp dụng
- Đăng Nhập
- phương pháp tiếp cận
- LÀ
- khu vực
- đối số
- AS
- liên kết
- At
- tự động hóa
- tự động
- tránh
- AWS
- lý lịch
- dựa
- BE
- trở nên
- được
- BEST
- lớn
- cả hai
- đáy
- Nghỉ giải lao
- xây dựng
- Xây dựng
- được xây dựng trong
- kinh doanh
- nhưng
- by
- gọi là
- CAN
- khả năng
- trường hợp
- thay đổi
- tải
- kiểm tra
- Chọn
- lựa chọn
- nhà thờ
- Làm sạch
- mã
- Cột
- cam kết
- Chung
- tương thích
- hoàn thành
- Hoàn thành
- Cấu hình
- An ủi
- tiêu thụ
- Container
- chứa
- cuộc hội thoại
- Tương ứng
- có thể
- tạo
- tạo ra
- tạo ra
- Tạo
- quan trọng
- Current
- khách hàng
- khách hàng
- dữ liệu
- Trao đổi dữ liệu
- điểm dữ liệu
- Chuẩn bị dữ liệu
- xử lý dữ liệu
- hướng dữ liệu
- bộ dữ liệu
- ngày
- quyết định
- mặc định
- xác định
- định nghĩa
- đào sâu
- chứng minh
- triển khai
- triển khai
- triển khai
- thiết kế
- thiết kế
- điểm đến
- chi tiết
- Xác định
- Phát triển
- khác nhau
- thảo luận
- phân phối
- hệ thống phân phối
- do
- xuống
- suốt trong
- mỗi
- Sớm hơn
- dễ dàng
- dễ dàng hơn
- dễ dàng
- Hệ sinh thái
- hiệu quả
- hiệu quả
- hiệu quả
- nỗ lực
- hay
- ôm hôn
- cho phép
- cho phép
- Cuối cùng đến cuối
- Điểm cuối
- ky sư
- Kỹ Sư
- nâng cao
- cải tiến
- Nâng cao
- đăng ký hạng mục thi
- Toàn bộ
- Môi trường
- Tương đương
- đặc biệt
- BAO GIỜ
- Mỗi
- mỗi ngày
- tất cả mọi thứ
- ví dụ
- ví dụ
- Sàn giao dịch
- mong đợi
- kinh nghiệm
- thử nghiệm
- thí nghiệm
- thăm dò
- khám phá
- xuất khẩu
- xuất khẩu
- mở rộng
- trích xuất
- Đặc tính
- Tính năng
- vài
- Tập tin
- Các tập tin
- Tìm kiếm
- Linh hoạt
- dòng chảy
- Chảy
- Tập trung
- theo
- tiếp theo
- Trong
- hình thức
- định dạng
- bạn bè
- từ
- Full
- xa hơn
- tạo ra
- tạo ra
- được
- rất nhiều
- có
- xử lý
- Có
- có
- he
- giúp đỡ
- Cao
- làm nổi bật
- anh ta
- của mình
- Độ đáng tin của
- Hướng dẫn
- HTML
- HTTPS
- i
- giống hệt nhau
- định danh
- if
- hình ảnh
- ngay
- nhập khẩu
- nhập khẩu
- nâng cao
- in
- bao gồm
- Bao gồm
- thông tin
- đổi mới
- đầu vào
- những hiểu biết
- ví dụ
- hướng dẫn
- hội nhập
- dự định
- tương tác
- tương tác
- tương tác
- Giao thức
- trong
- trực quan
- IT
- ITS
- JavaScript
- Việc làm
- jpg
- json
- Tháng Bảy
- chỉ
- Key
- Ngôn ngữ
- lớn
- Họ
- một lát sau
- mới nhất
- phóng
- học tập
- cho phép
- Cấp
- Lượt thích
- Hạn chế
- LINK
- Danh sách
- Listening
- Chức năng
- địa điểm thư viện nào
- Xem
- máy
- học máy
- làm cho
- Làm
- quản lý
- nhãn hiệu
- Có thể..
- Menu
- Siêu dữ liệu
- phương pháp
- Might
- triệu
- Phút
- mất tích
- ML
- MLOps
- kiểu mẫu
- mô hình
- hiện đại
- sửa đổi
- chi tiết
- hiệu quả hơn
- nhiều
- Âm nhạc
- phải
- tên
- Được đặt theo tên
- cụ thể là
- tự nhiên
- cần thiết
- Cần
- nhu cầu
- Mới
- Các tính năng mới
- mới
- tiếp theo
- Không
- nút
- máy tính xách tay
- tại
- con số
- vật
- đối tượng
- of
- on
- ONE
- có thể
- hoạt động
- tối ưu
- Tối ưu hóa
- Tùy chọn
- Các lựa chọn
- or
- Nền tảng khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- đầu ra
- bên ngoài
- riêng
- tham số
- thông số
- thông qua
- con đường
- mỗi
- Thực hiện
- chọn
- đường ống dẫn
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- thêm
- Điểm
- điểm
- Bài đăng
- tiềm năng
- quyền lực
- dự đoán
- dự đoán
- chuẩn bị
- Chuẩn bị
- chuẩn bị
- khá
- trước đây
- Hiệu trưởng
- quá trình
- Xử lý
- xử lý
- Sản phẩm
- Nhận xét sản phẩm
- Sản lượng
- lập trình
- Lập trình
- ngôn ngữ lập trình
- dự án
- cho
- cung cấp
- Python
- Reading
- thời gian thực
- nhận
- giới thiệu
- giảm
- làm giảm
- phát hành
- có liên quan
- tẩy
- đại diện
- đại diện
- yêu cầu
- yêu cầu
- tài nguyên
- kết quả
- Kết quả
- xem xét
- Đánh giá
- ngay
- Vai trò
- chạy
- s
- nhà làm hiền triết
- Suy luận của SageMaker
- Đường ống SageMaker
- tương tự
- thấy
- khả năng mở rộng
- liền mạch
- liền mạch
- Phần
- xem
- lựa chọn
- lựa chọn
- DỊCH VỤ
- phục vụ
- Phiên
- định
- thiết lập
- một số
- nên
- hiển thị
- Đóng cửa
- đăng ký
- Đơn giản
- đơn giản hóa
- đơn giản hóa
- đơn giản hóa
- duy nhất
- Kích thước máy
- nhỏ
- nhỏ hơn
- So
- Phần mềm
- phát triển phần mềm
- giải pháp
- Giải pháp
- Vôn
- đặc biệt
- chia
- Bắt đầu
- bắt đầu
- Bước
- Các bước
- là gắn
- lưu trữ
- hợp lý hóa
- tinh giản
- mạnh mẽ
- cấu trúc
- trình
- trình
- như vậy
- hỗ trợ
- Hỗ trợ
- chắc chắn
- hệ thống
- Hãy
- mất
- Mục tiêu
- việc này
- Sản phẩm
- thông tin
- cung cấp their dịch
- sau đó
- Đó
- Kia là
- điều này
- những
- Thông qua
- thời gian
- có tiêu đề
- đến
- bây giờ
- quá
- công cụ
- công cụ
- Tổng số:
- Train
- đào tạo
- Hội thảo
- Chuyển đổi
- Chuyển đổi
- biến đổi
- chuyển đổi
- biến đổi
- Hai lần
- ui
- Dưới
- mở khóa
- tải lên
- sử dụng
- ca sử dụng
- đã sử dụng
- sử dụng
- Quý báu
- giá trị
- Các giá trị
- rất
- thông qua
- Xem
- hình dung
- muốn
- muốn
- we
- web
- các dịch vụ web
- trang web
- tuần
- TỐT
- khi nào
- cái nào
- rộng rãi
- sẽ
- với
- Công việc
- quy trình làm việc
- Luồng công việc
- đang làm việc
- Bạn
- trên màn hình
- zephyrnet