Trình sắp xếp dữ liệu Amazon SageMaker là một giao diện trực quan duy nhất giúp giảm thời gian cần thiết để chuẩn bị dữ liệu và thực hiện kỹ thuật tính năng từ hàng tuần xuống còn vài phút với khả năng chọn và làm sạch dữ liệu, tạo tính năng và tự động hóa việc chuẩn bị dữ liệu trong quy trình học máy (ML) mà không cần viết bất kỳ mã nào.
SageMaker Data Wrangler hỗ trợ Snowflake, một nguồn dữ liệu phổ biến cho người dùng muốn thực hiện ML. Chúng tôi khởi chạy kết nối trực tiếp Snowflake từ SageMaker Data Wrangler để cải thiện trải nghiệm của khách hàng. Trước khi ra mắt tính năng này, quản trị viên phải thiết lập tích hợp bộ nhớ ban đầu để kết nối với Snowflake nhằm tạo các tính năng cho ML trong Data Wrangler. Điều này bao gồm việc cung cấp Dịch vụ lưu trữ đơn giản của Amazon thùng (Amazon S3), Quản lý truy cập và nhận dạng AWS (IAM) quyền truy cập, tích hợp lưu trữ Snowflake cho người dùng cá nhân và cơ chế liên tục để quản lý hoặc dọn dẹp các bản sao dữ liệu trong Amazon S3. Quy trình này không thể mở rộng đối với những khách hàng có quyền kiểm soát truy cập dữ liệu nghiêm ngặt và số lượng người dùng lớn.
Trong bài đăng này, chúng tôi chỉ ra cách kết nối trực tiếp của Snowflake trong SageMaker Data Wrangler đơn giản hóa trải nghiệm của quản trị viên và hành trình ML của nhà khoa học dữ liệu từ dữ liệu đến thông tin chi tiết về doanh nghiệp.
Tổng quan về giải pháp
Trong giải pháp này, chúng tôi sử dụng SageMaker Data Wrangler để tăng tốc độ chuẩn bị dữ liệu cho ML và Amazon SageMaker Tự động lái để tự động xây dựng, đào tạo và tinh chỉnh các mô hình ML dựa trên dữ liệu của bạn. Cả hai dịch vụ đều được thiết kế đặc biệt để tăng năng suất và rút ngắn thời gian tạo ra giá trị cho những người hành nghề ML. Chúng tôi cũng trình bày cách truy cập dữ liệu được đơn giản hóa từ SageMaker Data Wrangler đến Snowflake với kết nối trực tiếp để truy vấn và tạo các tính năng cho ML.
Tham khảo sơ đồ bên dưới để biết tổng quan về quy trình ML mã thấp với Snowflake, SageMaker Data Wrangler và SageMaker Autopilot.
Quy trình làm việc bao gồm các bước sau:
- Điều hướng đến SageMaker Data Wrangler để chuẩn bị dữ liệu và các nhiệm vụ kỹ thuật tính năng của bạn.
- Thiết lập kết nối Snowflake với SageMaker Data Wrangler.
- Khám phá các bảng Snowflake của bạn trong SageMaker Data Wrangler, tạo tập dữ liệu ML và thực hiện kỹ thuật tính năng.
- Huấn luyện và kiểm tra các mô hình bằng SageMaker Data Wrangler và SageMaker Autopilot.
- Tải mô hình tốt nhất đến điểm cuối suy luận thời gian thực để dự đoán.
- Sử dụng sổ ghi chép Python để gọi điểm cuối suy luận thời gian thực đã khởi chạy.
Điều kiện tiên quyết
Đối với bài đăng này, quản trị viên cần các điều kiện tiên quyết sau:
Các nhà khoa học dữ liệu nên có các điều kiện tiên quyết sau
Cuối cùng, bạn nên chuẩn bị dữ liệu của mình cho Snowflake
- Chúng tôi sử dụng dữ liệu giao dịch thẻ tín dụng từ Kaggle để xây dựng các mô hình ML nhằm phát hiện các giao dịch thẻ tín dụng gian lận, để khách hàng không bị tính phí cho các mặt hàng mà họ không mua. Bộ dữ liệu bao gồm các giao dịch thẻ tín dụng vào tháng 2013 năm XNUMX được thực hiện bởi chủ thẻ Châu Âu.
- Bạn nên sử dụng ứng dụng khách SnowSQL và cài đặt nó trong máy cục bộ của bạn để bạn có thể sử dụng nó để tải tập dữ liệu lên bảng Snowflake.
Các bước sau đây cho biết cách chuẩn bị và tải tập dữ liệu vào cơ sở dữ liệu Snowflake. Đây là thiết lập một lần.
Bảng bông tuyết và chuẩn bị dữ liệu
Hoàn thành các bước sau cho thiết lập một lần này:
- Trước tiên, với tư cách là quản trị viên, hãy tạo kho ảo, người dùng và vai trò của Snowflake, đồng thời cấp quyền truy cập cho những người dùng khác, chẳng hạn như các nhà khoa học dữ liệu để tạo cơ sở dữ liệu và dữ liệu giai đoạn cho các trường hợp sử dụng ML của họ:
- Là nhà khoa học dữ liệu, giờ hãy tạo cơ sở dữ liệu và nhập các giao dịch thẻ tín dụng vào cơ sở dữ liệu Snowflake để truy cập dữ liệu từ SageMaker Data Wrangler. Để minh họa, chúng tôi tạo cơ sở dữ liệu Bông tuyết có tên
SF_FIN_TRANSACTION
: - Tải tệp CSV tập dữ liệu xuống máy cục bộ của bạn và tạo một giai đoạn để tải dữ liệu vào bảng cơ sở dữ liệu. Cập nhật đường dẫn tệp để trỏ đến vị trí tập dữ liệu đã tải xuống trước khi chạy lệnh PUT để nhập dữ liệu vào giai đoạn đã tạo:
- Tạo một bảng có tên
credit_card_transactions
: - Nhập dữ liệu vào bảng đã tạo từ giai đoạn:
Thiết lập kết nối SageMaker Data Wrangler và Snowflake
Sau khi chúng tôi chuẩn bị tập dữ liệu để sử dụng với SageMaker Data Wrangler, hãy tạo một kết nối Snowflake mới trong SageMaker Data Wrangler để kết nối với sf_fin_transaction
cơ sở dữ liệu trong Snowflake và truy vấn credit_card_transaction
bàn:
- Chọn Snowflake trên SageMaker Data Wrangler Kết nối .
- Cung cấp một tên để xác định kết nối của bạn.
- Chọn phương thức xác thực của bạn để kết nối với cơ sở dữ liệu Snowflake:
- Nếu sử dụng xác thực cơ bản, hãy cung cấp tên người dùng và mật khẩu được chia sẻ bởi quản trị viên Snowflake của bạn. Đối với bài đăng này, chúng tôi sử dụng xác thực cơ bản để kết nối với Snowflake bằng thông tin xác thực người dùng mà chúng tôi đã tạo ở bước trước.
- Nếu bạn đang sử dụng OAuth, hãy cung cấp thông tin xác thực nhà cung cấp danh tính của bạn.
SageMaker Data Wrangler theo mặc định truy vấn dữ liệu của bạn trực tiếp từ Snowflake mà không tạo bất kỳ bản sao dữ liệu nào trong bộ chứa S3. Cải tiến khả năng sử dụng mới của SageMaker Data Wrangler sử dụng Apache Spark để tích hợp với Snowflake nhằm chuẩn bị và tạo liền mạch tập dữ liệu cho hành trình ML của bạn.
Cho đến nay, chúng tôi đã tạo cơ sở dữ liệu trên Snowflake, nhập tệp CSV vào bảng Snowflake, tạo thông tin đăng nhập Snowflake và tạo trình kết nối trên SageMaker Data Wrangler để kết nối với Snowflake. Để xác thực kết nối Bông tuyết đã định cấu hình, hãy chạy truy vấn sau trên bảng Bông tuyết đã tạo:
Lưu ý rằng tùy chọn tích hợp bộ nhớ được yêu cầu trước đây giờ là tùy chọn trong cài đặt nâng cao.
Khám phá dữ liệu Snowflake
Sau khi bạn xác thực kết quả truy vấn, hãy chọn Nhập khẩu để lưu kết quả truy vấn dưới dạng tập dữ liệu. Chúng tôi sử dụng tập dữ liệu được trích xuất này để phân tích dữ liệu khám phá và kỹ thuật tính năng.
Bạn có thể chọn lấy mẫu dữ liệu từ Snowflake trong giao diện người dùng SageMaker Data Wrangler. Một tùy chọn khác là tải xuống dữ liệu hoàn chỉnh cho các trường hợp sử dụng đào tạo mô hình ML của bạn bằng cách sử dụng các công việc xử lý SageMaker Data Wrangler.
Thực hiện phân tích dữ liệu khám phá trong SageMaker Data Wrangler
Dữ liệu trong Data Wrangler cần được thiết kế trước khi có thể đào tạo. Trong phần này, chúng tôi trình bày cách thực hiện kỹ thuật tính năng trên dữ liệu từ Snowflake bằng các khả năng tích hợp sẵn của SageMaker Data Wrangler.
Đầu tiên, chúng ta hãy sử dụng Data Quality and Insights Report
tính năng trong SageMaker Data Wrangler để tạo báo cáo nhằm tự động xác minh chất lượng dữ liệu và phát hiện những bất thường trong dữ liệu từ Snowflake.
Bạn có thể sử dụng báo cáo để giúp bạn làm sạch và xử lý dữ liệu của mình. Nó cung cấp cho bạn thông tin như số lượng giá trị bị thiếu và số lượng giá trị ngoại lai. Nếu bạn gặp vấn đề với dữ liệu của mình, chẳng hạn như rò rỉ hoặc mất cân bằng mục tiêu, thì báo cáo thông tin chi tiết có thể giúp bạn lưu ý những vấn đề đó. Để hiểu chi tiết báo cáo, tham khảo Tăng tốc chuẩn bị dữ liệu với chất lượng dữ liệu và thông tin chi tiết trong Amazon SageMaker Data Wrangler.
Sau khi bạn kiểm tra đối sánh kiểu dữ liệu do SageMaker Data Wrangler áp dụng, hãy hoàn thành các bước sau:
- Chọn dấu cộng bên cạnh Loại dữ liệu Và chọn Thêm phân tích.
- Trong Loại phân tích, chọn Báo cáo chất lượng dữ liệu và thông tin chi tiết.
- Chọn Tạo.
- Tham khảo chi tiết Báo cáo thông tin chi tiết và chất lượng dữ liệu để kiểm tra các cảnh báo có mức độ ưu tiên cao.
Bạn có thể chọn giải quyết các cảnh báo được báo cáo trước khi tiếp tục hành trình ML của mình.
cột mục tiêu Class
được dự đoán được phân loại là một chuỗi. Trước tiên, hãy áp dụng một phép biến đổi để loại bỏ các ký tự trống cũ.
- Chọn Thêm bước Và chọn Định dạng chuỗi.
- Trong danh sách các biến đổi, chọn Dải trái và phải.
- Nhập các ký tự để loại bỏ và chọn Thêm.
Tiếp theo, chúng tôi chuyển đổi cột mục tiêu Class
từ kiểu dữ liệu chuỗi sang Boolean vì giao dịch là hợp pháp hoặc gian lận.
- Chọn Thêm bước.
- Chọn Phân tích cú pháp cột dưới dạng loại.
- Đối với Cột, hãy chọn
Class
. - Trong Từ, chọn Chuỗi.
- Trong Đến, chọn Boolean.
- Chọn Thêm.
Sau khi chuyển đổi cột mục tiêu, chúng tôi giảm số lượng cột đối tượng địa lý vì có hơn 30 đối tượng địa lý trong tập dữ liệu gốc. Chúng tôi sử dụng Phân tích thành phần chính (PCA) để giảm kích thước dựa trên tầm quan trọng của tính năng. Để hiểu thêm về PCA và giảm kích thước, hãy tham khảo Thuật toán phân tích thành phần chính (PCA).
- Chọn Thêm bước.
- Chọn Giảm kích thước.
- Trong Chuyển đổi, chọn Phân tích thành phần chính.
- Trong Các cột đầu vào, chọn tất cả các cột ngoại trừ cột mục tiêu
Class
. - Chọn dấu cộng bên cạnh Dòng dữ liệu Và chọn Thêm phân tích.
- Trong Loại phân tích, chọn Mô hình nhanh.
- Trong Tên phân tích, nhập tên.
- Trong nhãn, chọn
Class
. - Chọn chạy.
Dựa trên kết quả PCA, bạn có thể quyết định sử dụng các tính năng nào để xây dựng mô hình. Trong ảnh chụp màn hình sau đây, biểu đồ hiển thị các tính năng (hoặc thứ nguyên) được sắp xếp dựa trên mức độ quan trọng cao nhất đến thấp nhất để dự đoán lớp mục tiêu, trong tập dữ liệu này là liệu giao dịch là gian lận hay hợp lệ.
Bạn có thể chọn giảm số lượng tính năng dựa trên phân tích này, nhưng đối với bài đăng này, chúng tôi để nguyên các giá trị mặc định.
Điều này kết thúc quy trình kỹ thuật tính năng của chúng tôi, mặc dù bạn có thể chọn chạy mô hình nhanh và tạo lại Báo cáo thông tin chi tiết và chất lượng dữ liệu để hiểu dữ liệu trước khi thực hiện các tối ưu hóa tiếp theo.
Xuất dữ liệu và đào tạo mô hình
Trong bước tiếp theo, chúng tôi sử dụng SageMaker Autopilot để tự động tạo, đào tạo và điều chỉnh các mô hình ML tốt nhất dựa trên dữ liệu của bạn. Với SageMaker Autopilot, bạn vẫn duy trì toàn quyền kiểm soát và khả năng hiển thị dữ liệu và mô hình của mình.
Bây giờ, chúng ta đã hoàn thành quá trình khám phá và kỹ thuật tính năng, hãy đào tạo một mô hình trên tập dữ liệu và xuất dữ liệu để đào tạo mô hình ML bằng cách sử dụng SageMaker Autopilot.
- trên Hội thảo tab, chọn Xuất khẩu và đào tạo.
Chúng tôi có thể theo dõi tiến trình xuất trong khi chờ hoàn tất.
Hãy định cấu hình SageMaker Autopilot để chạy công việc đào tạo tự động bằng cách chỉ định mục tiêu mà chúng tôi muốn dự đoán và loại sự cố. Trong trường hợp này, vì chúng tôi đang đào tạo tập dữ liệu để dự đoán liệu giao dịch là gian lận hay hợp lệ, nên chúng tôi sử dụng phân loại nhị phân.
- Nhập tên cho thử nghiệm của bạn, cung cấp dữ liệu vị trí S3 và chọn Tiếp theo: Mục tiêu và tính năng.
- Trong Mục tiêu, chọn
Class
như cột để dự đoán. - Chọn Tiếp theo: Phương pháp đào tạo.
Hãy cho phép SageMaker Autopilot quyết định phương pháp đào tạo dựa trên tập dữ liệu.
- Trong Phương pháp đào tạo và thuật toán, lựa chọn Tự động.
Để hiểu thêm về các chế độ đào tạo được hỗ trợ bởi SageMaker Autopilot, hãy tham khảo Chế độ đào tạo và thuật toán hỗ trợ.
- Chọn Tiếp theo: Triển khai và cài đặt nâng cao.
- Trong Tùy chọn triển khai, chọn Tự động triển khai mô hình tốt nhất với các biến đổi từ Data Wrangler, tải mô hình tốt nhất để suy luận sau khi thử nghiệm hoàn tất.
- Nhập tên cho điểm cuối của bạn.
- Trong Chọn loại sự cố học máy, chọn Phân loại nhị phân.
- Trong chỉ số phản đối, chọn F1.
- Chọn Tiếp theo: Xem lại và tạo.
- Chọn Tạo thử nghiệm.
Điều này bắt đầu một công việc SageMaker Autopilot tạo ra một tập hợp các công việc đào tạo sử dụng kết hợp các siêu tham số để tối ưu hóa chỉ số mục tiêu.
Đợi SageMaker Autopilot hoàn tất việc xây dựng mô hình và đánh giá mô hình ML tốt nhất.
Khởi chạy điểm cuối suy luận thời gian thực để kiểm tra mô hình tốt nhất
SageMaker Autopilot chạy các thử nghiệm để xác định mô hình tốt nhất có thể phân loại các giao dịch thẻ tín dụng là hợp pháp hoặc gian lận.
Khi SageMaker Autopilot hoàn thành thử nghiệm, chúng tôi có thể xem kết quả đào tạo với các chỉ số đánh giá và khám phá mô hình tốt nhất từ trang mô tả công việc SageMaker Autopilot.
- Chọn mô hình tốt nhất và chọn Triển khai mô hình.
Chúng tôi sử dụng điểm cuối suy luận thời gian thực để kiểm tra mô hình tốt nhất được tạo thông qua SageMaker Autopilot.
- Chọn Đưa ra dự đoán theo thời gian thực.
Khi có điểm cuối, chúng ta có thể truyền tải trọng và nhận kết quả suy luận.
Hãy khởi chạy sổ ghi chép Python để sử dụng điểm cuối suy luận.
- Trên bảng điều khiển SageMaker Studio, chọn biểu tượng thư mục trong ngăn điều hướng và chọn Tạo sổ ghi chép.
- Sử dụng mã Python sau để gọi điểm cuối suy luận thời gian thực đã triển khai:
Đầu ra cho thấy kết quả là false
, có nghĩa là dữ liệu tính năng mẫu không phải là gian lận.
Làm sạch
Để đảm bảo bạn không bị tính phí sau khi hoàn thành hướng dẫn này, tắt ứng dụng SageMaker Data Wrangler và tắt phiên bản máy tính xách tay được sử dụng để thực hiện suy luận. Bạn cũng nên xóa điểm cuối suy luận bạn đã tạo bằng cách sử dụng SageMaker Autopilot để tránh phải trả thêm phí.
Kết luận
Trong bài đăng này, chúng tôi đã trình bày cách đưa dữ liệu của bạn trực tiếp từ Snowflake mà không cần tạo bất kỳ bản sao trung gian nào trong quy trình. Bạn có thể lấy mẫu hoặc tải tập dữ liệu hoàn chỉnh của mình lên SageMaker Data Wrangler trực tiếp từ Snowflake. Sau đó, bạn có thể khám phá dữ liệu, làm sạch dữ liệu và thực hiện kỹ thuật làm nổi bật bằng giao diện trực quan của SageMaker Data Wrangler.
Chúng tôi cũng nhấn mạnh cách bạn có thể dễ dàng huấn luyện và điều chỉnh mô hình bằng SageMaker Autopilot trực tiếp từ giao diện người dùng SageMaker Data Wrangler. Với tích hợp SageMaker Data Wrangler và SageMaker Autopilot, chúng tôi có thể nhanh chóng xây dựng một mô hình sau khi hoàn thành kỹ thuật tính năng mà không cần viết bất kỳ mã nào. Sau đó, chúng tôi đã tham khảo mô hình tốt nhất của SageMaker Autopilot để chạy các suy luận bằng điểm cuối thời gian thực.
Hãy thử tích hợp trực tiếp Snowflake mới với SageMaker Data Wrangler ngay hôm nay để dễ dàng xây dựng các mô hình ML với dữ liệu của bạn bằng SageMaker.
Giới thiệu về tác giả
Hariharan Suresh là Kiến trúc sư giải pháp cấp cao tại AWS. Anh ấy đam mê cơ sở dữ liệu, học máy và thiết kế các giải pháp sáng tạo. Trước khi gia nhập AWS, Hariharan là kiến trúc sư sản phẩm, chuyên gia triển khai ngân hàng lõi và nhà phát triển, đồng thời làm việc với các tổ chức BFSI trong hơn 11 năm. Ngoài công nghệ, anh ấy thích dù lượn và đạp xe.
Aparajithan Vaidyanathan là Kiến trúc sư giải pháp doanh nghiệp chính tại AWS. Anh ấy hỗ trợ các khách hàng doanh nghiệp di chuyển và hiện đại hóa khối lượng công việc của họ trên đám mây AWS. Ông là Kiến trúc sư đám mây với hơn 23 năm kinh nghiệm thiết kế và phát triển các hệ thống phần mềm phân tán và doanh nghiệp quy mô lớn. Anh ấy chuyên về Học máy & Phân tích dữ liệu, tập trung vào lĩnh vực Kỹ thuật tính năng và dữ liệu. Anh ấy là một vận động viên marathon đầy tham vọng và sở thích của anh ấy là đi bộ đường dài, đạp xe và dành thời gian cho vợ và hai cậu con trai.
tim song là Kỹ sư phát triển phần mềm tại AWS SageMaker, với hơn 10 năm kinh nghiệm làm nhà phát triển phần mềm, nhà tư vấn và lãnh đạo công nghệ, anh ấy đã thể hiện khả năng cung cấp các sản phẩm đáng tin cậy và có thể mở rộng cũng như giải quyết các vấn đề phức tạp. Trong thời gian rảnh rỗi, anh ấy thích thiên nhiên, chạy bộ ngoài trời, đi bộ đường dài, v.v.
Bosco Albuquerque là Kiến trúc sư giải pháp đối tác cấp cao tại AWS và có hơn 20 năm kinh nghiệm làm việc với cơ sở dữ liệu và các sản phẩm phân tích từ các nhà cung cấp cơ sở dữ liệu doanh nghiệp và nhà cung cấp đám mây. Ông đã giúp các công ty công nghệ lớn thiết kế các giải pháp phân tích dữ liệu, đồng thời lãnh đạo các nhóm kỹ thuật thiết kế và triển khai các nền tảng phân tích dữ liệu cũng như các sản phẩm dữ liệu.
- 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/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- : có
- :là
- :không phải
- $ LÊN
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 20 năm
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- có khả năng
- Giới thiệu
- đẩy nhanh tiến độ
- truy cập
- Tài khoản
- thêm vào
- quản trị
- tiên tiến
- Sau
- một lần nữa
- AI / ML
- Tất cả
- cho phép
- Ngoài ra
- Mặc dù
- đàn bà gan dạ
- Amazon SageMaker
- Trình sắp xếp dữ liệu Amazon SageMaker
- Amazon Web Services
- số lượng
- an
- phân tích
- phân tích
- và
- Một
- bất kì
- Apache
- api
- áp dụng
- Đăng Nhập
- LÀ
- AS
- thuốc cam
- At
- sự chú ý
- Xác thực
- tự động hóa
- Tự động
- tự động
- có sẵn
- AWS
- Ngân hàng
- dựa
- cơ bản
- BE
- bởi vì
- trước
- phía dưới
- BEST
- BFSI
- thân hình
- cả hai
- mang lại
- xây dựng
- Xây dựng
- được xây dựng trong
- kinh doanh
- nhưng
- by
- CAN
- khả năng
- nắm bắt
- thẻ
- trường hợp
- trường hợp
- nhân vật
- tính phí
- tải
- kiểm tra
- Chọn
- tốt nghiệp lớp XNUMX
- phân loại
- phân loại
- Phân loại
- khách hàng
- đám mây
- mã
- Cột
- Cột
- kết hợp
- Các công ty
- hoàn thành
- Hoàn thành
- Hoàn thành
- hoàn thành
- phức tạp
- thành phần
- cấu hình
- Kết nối
- liên quan
- An ủi
- chuyên gia tư vấn
- tiếp tục
- điều khiển
- chuyển đổi
- Trung tâm
- Ngân hàng lõi
- tạo
- tạo ra
- tạo ra
- Tạo
- Credentials
- tín dụng
- thẻ tín dụng
- khách hàng
- kinh nghiệm khach hang
- khách hàng
- dữ liệu
- truy cập dữ liệu
- phân tích dữ liệu
- Phân tích dữ liệu
- Chuẩn bị dữ liệu
- nhà khoa học dữ liệu
- Cơ sở dữ liệu
- cơ sở dữ liệu
- quyết định
- Mặc định
- mặc định
- cung cấp
- chứng minh
- chứng minh
- triển khai
- triển khai
- triển khai
- Mô tả
- Thiết kế
- thiết kế
- thiết kế
- chi tiết
- Xác định
- Nhà phát triển
- phát triển
- Phát triển
- kích thước
- trực tiếp
- trực tiếp
- phân phối
- miền
- dont
- xuống
- tải về
- dễ dàng
- hay
- Điểm cuối
- ky sư
- Kỹ Sư
- đăng ký hạng mục thi
- Doanh nghiệp
- vv
- Châu Âu
- đánh giá
- Trừ
- tồn tại
- kinh nghiệm
- thử nghiệm
- thí nghiệm
- thăm dò
- Phân tích dữ liệu thăm dò
- khám phá
- xuất khẩu
- xa
- Đặc tính
- Tính năng
- Với
- Tập tin
- tài chính
- hoàn thành
- Tên
- Phao
- Tập trung
- tiếp theo
- Trong
- định dạng
- lừa đảo
- từ
- Full
- xa hơn
- tạo ra
- được
- cho
- cấp
- đồ thị
- Có
- he
- giúp đỡ
- đã giúp
- cao nhất
- Nhấn mạnh
- của mình
- Độ đáng tin của
- Hướng dẫn
- HTML
- http
- HTTPS
- ICON
- xác định
- Bản sắc
- if
- mất cân bằng
- thực hiện
- thực hiện
- nhập khẩu
- tầm quan trọng
- nhập khẩu
- nhập khẩu
- nâng cao
- in
- bao gồm
- bao gồm
- Tăng lên
- hệ thống riêng biệt,
- thông tin
- ban đầu
- sáng tạo
- những hiểu biết
- cài đặt, dựng lên
- tích hợp
- hội nhập
- Giao thức
- nội bộ
- trong
- các vấn đề
- IT
- mặt hàng
- Việc làm
- việc làm
- tham gia
- cuộc hành trình
- jpg
- json
- lớn
- quy mô lớn
- phóng
- phát động
- lãnh đạo
- học tập
- Rời bỏ
- Led
- trái
- hợp pháp
- cho phép
- Thư viện
- LIMIT
- Danh sách
- tải
- tải
- địa phương
- địa điểm thư viện nào
- thấp nhất
- máy
- học máy
- thực hiện
- duy trì
- làm cho
- quản lý
- Marathon
- phù hợp
- Có thể..
- cơ chế
- phương pháp
- số liệu
- Metrics
- di chuyển
- Phút
- mất tích
- ML
- kiểu mẫu
- mô hình
- hiện đại hóa
- chế độ
- Màn Hình
- chi tiết
- tên
- Được đặt theo tên
- Thiên nhiên
- THÔNG TIN
- nhu cầu
- Mới
- tiếp theo
- máy tính xách tay
- tại
- con số
- lời thề
- vật
- Mục tiêu
- of
- on
- đang diễn ra
- Tối ưu hóa
- Tùy chọn
- or
- gọi món
- tổ chức
- nguyên
- OS
- Nền tảng khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- đầu ra
- bên ngoài
- kết thúc
- tổng quan
- trang
- cửa sổ
- đối tác
- vượt qua
- đam mê
- Mật khẩu
- con đường
- Thực hiện
- biểu diễn
- quyền
- Nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- thêm
- Điểm
- Phổ biến
- Bài đăng
- dự đoán
- dự đoán
- Dự đoán
- chuẩn bị
- Chuẩn bị
- điều kiện tiên quyết
- ngăn chặn
- trước
- Hiệu trưởng
- In
- Trước khi
- Vấn đề
- vấn đề
- quá trình
- xử lý
- Sản phẩm
- năng suất
- Sản phẩm
- Tiến độ
- cho
- nhà cung cấp dịch vụ
- nhà cung cấp
- công khai
- mua
- mục đích
- đặt
- Python
- chất lượng
- truy vấn
- Nhanh chóng
- Mau
- thời gian thực
- giảm
- làm giảm
- giảm
- đáng tin cậy
- tẩy
- thay thế
- báo cáo
- Báo cáo
- Báo cáo
- yêu cầu
- cần phải
- phản ứng
- kết quả
- Kết quả
- xem xét
- đi
- Vai trò
- chạy
- Á hậu
- chạy
- s
- nhà làm hiền triết
- Lưu
- khả năng mở rộng
- Nhà khoa học
- các nhà khoa học
- liền mạch
- Phần
- gửi
- cao cấp
- Tháng Chín
- DỊCH VỤ
- định
- thiết lập
- thiết lập
- chia sẻ
- nên
- hiển thị
- Chương trình
- đăng ký
- Đơn giản
- đơn giản hóa
- duy nhất
- So
- Phần mềm
- phát triển phần mềm
- giải pháp
- Giải pháp
- động SOLVE
- bài hát
- nguồn
- Spark
- chuyên gia
- chuyên
- đặc biệt
- tốc độ
- Chi
- Traineeship
- bắt đầu
- Bước
- Các bước
- Vẫn còn
- là gắn
- hàng
- Nghiêm ngặt
- Chuỗi
- phòng thu
- trình
- thành công
- Thành công
- như vậy
- hỗ trợ
- Hỗ trợ
- Hỗ trợ
- hệ thống
- bàn
- Mục tiêu
- nhiệm vụ
- đội
- công nghệ cao
- Công nghệ
- công ty công nghệ
- thử nghiệm
- việc này
- Sản phẩm
- Đồ thị
- cung cấp their dịch
- sau đó
- Đó
- họ
- điều này
- những
- Thông qua
- thời gian
- đến
- bây giờ
- Train
- đào tạo
- Hội thảo
- giao dịch
- Giao dịch
- Chuyển đổi
- biến đổi
- đúng
- hướng dẫn
- hai
- kiểu
- ui
- hiểu
- Cập nhật
- us
- khả năng sử dụng
- sử dụng
- đã sử dụng
- người sử dang
- Giao diện người dùng
- Người sử dụng
- sử dụng
- sử dụng
- v1
- HIỆU LỰC
- giá trị
- Các giá trị
- nhà cung cấp
- xác minh
- Xem
- ảo
- khả năng hiển thị
- chờ đợi
- muốn
- là
- we
- web
- các dịch vụ web
- tuần
- là
- liệu
- cái nào
- trong khi
- CHÚNG TÔI LÀ
- vợ
- với
- ở trong
- không có
- Công việc
- làm việc
- quy trình làm việc
- Luồng công việc
- đang làm việc
- viết
- năm
- Bạn
- trên màn hình
- zephyrnet