Bài đăng này được viết với sự cộng tác của Brad Duncan, Rachel Johnson và Richard Alcock từ MathWorks.
MATLAB là một công cụ lập trình phổ biến cho nhiều ứng dụng, chẳng hạn như xử lý dữ liệu, tính toán song song, tự động hóa, mô phỏng, học máy và trí tuệ nhân tạo. Nó được sử dụng nhiều trong nhiều ngành công nghiệp như ô tô, hàng không vũ trụ, truyền thông và sản xuất. Trong những năm gần đây, MathWorks đã đưa nhiều sản phẩm lên đám mây, đặc biệt là trên Amazon Web Services (AWS). Để biết thêm chi tiết về các sản phẩm đám mây MathWorks, hãy xem MATLAB và Simulink trên đám mây or email Toán học.
Trong bài đăng này, chúng tôi đưa khả năng học máy của MATLAB vào Amazon SageMaker, có một số lợi ích đáng kể:
- Tài nguyên tính toán: Việc sử dụng môi trường điện toán hiệu năng cao do SageMaker cung cấp có thể tăng tốc độ đào tạo máy học.
- SỰ HỢP TÁC: MATLAB và SageMaker cùng nhau cung cấp một nền tảng mạnh mẽ mà các nhóm có thể sử dụng để cộng tác hiệu quả trong việc xây dựng, thử nghiệm và triển khai các mô hình học máy.
- Triển khai và khả năng tiếp cận: Các mô hình có thể được triển khai dưới dạng điểm cuối thời gian thực của SageMaker, giúp các ứng dụng khác có thể dễ dàng truy cập chúng để xử lý dữ liệu phát trực tiếp.
Chúng tôi sẽ hướng dẫn bạn cách đào tạo mô hình học máy MATLAB dưới dạng công việc đào tạo của SageMaker, sau đó triển khai mô hình này làm điểm cuối thời gian thực của SageMaker để mô hình có thể xử lý dữ liệu trực tiếp, truyền phát.
Để thực hiện việc này, chúng tôi sẽ sử dụng ví dụ bảo trì dự đoán trong đó chúng tôi phân loại lỗi trong một máy bơm đang vận hành đang truyền dữ liệu cảm biến trực tiếp. Chúng tôi có quyền truy cập vào một kho lưu trữ lớn dữ liệu được gắn nhãn được tạo từ một simulink mô phỏng có ba loại lỗi có thể xảy ra trong các kết hợp khác nhau có thể xảy ra (ví dụ: một trạng thái tốt và bảy trạng thái lỗi). Vì chúng ta có mô hình của hệ thống và hiếm khi xảy ra lỗi khi vận hành nên chúng ta có thể tận dụng dữ liệu mô phỏng để huấn luyện thuật toán của mình. Mô hình có thể được điều chỉnh để khớp với dữ liệu vận hành từ máy bơm thực của chúng tôi bằng cách sử dụng các kỹ thuật ước tính tham số trong MATLAB và Simulink.
Mục tiêu của chúng tôi là chứng minh sức mạnh tổng hợp của MATLAB và Amazon SageMaker bằng ví dụ phân loại lỗi này.
Chúng tôi bắt đầu bằng cách huấn luyện mô hình phân loại trên máy tính để bàn bằng MATLAB. Đầu tiên, chúng tôi trích xuất các tính năng từ một tập hợp con của tập dữ liệu đầy đủ bằng cách sử dụng Trình thiết kế tính năng chẩn đoán app, sau đó chạy đào tạo mô hình cục bộ bằng mô hình cây quyết định MATLAB. Khi đã hài lòng với cài đặt tham số, chúng ta có thể tạo hàm MATLAB và gửi công việc cùng với tập dữ liệu tới SageMaker. Điều này cho phép chúng tôi mở rộng quy trình đào tạo để chứa các bộ dữ liệu lớn hơn nhiều. Sau khi đào tạo mô hình của mình, chúng tôi triển khai mô hình đó dưới dạng điểm cuối trực tiếp có thể được tích hợp vào ứng dụng hoặc bảng điều khiển xuôi tuyến, chẳng hạn như Ứng dụng web MATLAB.
Ví dụ này sẽ tóm tắt từng bước, cung cấp hiểu biết thực tế về cách tận dụng MATLAB và Amazon SageMaker cho các tác vụ machine learning. Mã đầy đủ và mô tả cho ví dụ có sẵn trong tài liệu này kho.
Điều kiện tiên quyết
- Môi trường làm việc của MATLAB 2023a trở lên với Trình biên dịch MATLAB và Hộp công cụ Thống kê và Học máy trên Linux. Đây là hướng dẫn nhanh về cách chạy MATLAB trên AWS.
- Docker được thiết lập trong một Đám mây điện toán đàn hồi Amazon (Amazon EC2) trường hợp MATLAB đang chạy. Hoặc Ubuntu or Linux.
- Lắp đặt Giao diện dòng lệnh AWS (AWS CLI), Cấu hình AWSvà Con trăn3.
- AWS CLI, sẽ được cài đặt sẵn nếu bạn làm theo hướng dẫn cài đặt từ bước 1.
- Thiết lập cấu hình AWS để tương tác với các tài nguyên AWS.
- Xác minh cài đặt python3 của bạn bằng cách chạy
python -V
orpython --version
lệnh trên thiết bị đầu cuối của bạn. Cài đặt Python nếu cần thiết.
- Sao chép repo này vào một thư mục trong máy Linux của bạn bằng cách chạy:
- Kiểm tra quyền trên thư mục repo. Nếu nó không có quyền ghi, hãy chạy lệnh shell sau:
- Xây dựng vùng chứa đào tạo MATLAB và đẩy nó vào Cơ quan đăng ký vùng chứa đàn hồi của Amazon (Amazon ECR).
- Điều hướng đến thư mục
docker
- Tạo kho lưu trữ Amazon ECR bằng AWS CLI (thay REGION bằng khu vực AWS ưa thích của bạn)
- Chạy lệnh docker sau:
- Điều hướng đến thư mục
- Mở MATLAB và mở tập lệnh trực tiếp có tên
PumpFaultClassificationMATLABSageMaker.mlx
trong thư mụcexamples/PumpFaultClassification
. Đặt thư mục này làm thư mục làm việc hiện tại của bạn trong MATLAB.
Phần 1: Chuẩn bị dữ liệu và trích xuất đặc trưng
Bước đầu tiên trong bất kỳ dự án học máy nào là chuẩn bị dữ liệu của bạn. MATLAB cung cấp nhiều công cụ để nhập, làm sạch và trích xuất các tính năng từ dữ liệu của bạn.:
Sản phẩm SensorData.mat
tập dữ liệu chứa 240 bản ghi. Mỗi bản ghi có hai thời gian biểu: flow
và pressure
. Cột mục tiêu là faultcode
, là biểu diễn nhị phân của ba tổ hợp lỗi có thể xảy ra trong máy bơm. Đối với các bảng chuỗi thời gian đó, mỗi bảng có 1,201 hàng mô phỏng lưu lượng bơm và đo áp suất 1.2 giây với khoảng tăng 0.001 giây.
Tiếp theo, ứng dụng Trình thiết kế tính năng chẩn đoán cho phép bạn trích xuất, trực quan hóa và xếp hạng nhiều tính năng khác nhau từ dữ liệu. Ở đây, bạn sử dụng Tính năng tự động, nhanh chóng trích xuất một tập hợp rộng rãi các tính năng miền thời gian và tần số từ tập dữ liệu và xếp hạng các ứng cử viên hàng đầu để đào tạo mô hình. Sau đó, bạn có thể xuất hàm MATLAB để tính toán lại 15 tính năng được xếp hạng hàng đầu từ dữ liệu đầu vào mới. Hãy gọi hàm này extractFeaturesTraining
. Chức năng này có thể được cấu hình để lấy tất cả dữ liệu trong một đợt hoặc dưới dạng dữ liệu truyền phát.
Hàm này tạo ra một bảng các tính năng với các mã lỗi liên quan, như thể hiện trong hình sau:
Phần 2: Sắp xếp dữ liệu cho SageMaker
Tiếp theo, bạn cần sắp xếp dữ liệu theo cách mà SageMaker có thể sử dụng để đào tạo máy học. Thông thường, điều này liên quan đến việc chia dữ liệu thành các tập huấn luyện và xác thực cũng như tách dữ liệu dự đoán khỏi phản hồi mục tiêu.
Trong giai đoạn này, các hoạt động lọc và làm sạch dữ liệu phức tạp hơn có thể được yêu cầu. Trong ví dụ này, dữ liệu đã sạch. Có khả năng, nếu quá trình xử lý dữ liệu rất phức tạp và tốn thời gian, các công việc xử lý SageMaker có thể được sử dụng để chạy các công việc này ngoài việc đào tạo SageMaker để có thể tách chúng thành hai bước.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
Phần 3: Huấn luyện và thử nghiệm mô hình machine learning trong MATLAB
Trước khi chuyển sang SageMaker, bạn nên xây dựng và thử nghiệm mô hình máy học cục bộ trong MATLAB. Điều này cho phép bạn nhanh chóng lặp lại và gỡ lỗi mô hình. Bạn có thể thiết lập và huấn luyện trình phân loại cây quyết định đơn giản tại địa phương.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
Công việc đào tạo ở đây sẽ mất chưa đầy một phút để hoàn thành và tạo ra một số biểu đồ để biểu thị tiến độ đào tạo. Sau khi quá trình đào tạo kết thúc, mô hình học máy MATLAB sẽ được tạo ra. Các Người học phân loại app có thể được sử dụng để thử nhiều loại mô hình phân loại và điều chỉnh chúng để có hiệu suất tốt nhất, sau đó tạo mã cần thiết để thay thế mã đào tạo mô hình ở trên.
Sau khi kiểm tra số liệu chính xác cho mô hình được đào tạo tại địa phương, chúng tôi có thể chuyển hoạt động đào tạo sang Amazon SageMaker.
Phần 4: Huấn luyện mô hình trong Amazon SageMaker
Sau khi hài lòng với mô hình, bạn có thể huấn luyện mô hình đó trên quy mô lớn bằng SageMaker. Để bắt đầu gọi SDK SageMaker, bạn cần bắt đầu phiên SageMaker.
session = sagemaker.Session();
Chỉ định thực thi SageMaker Vai trò IAM công việc đào tạo và lưu trữ điểm cuối sẽ sử dụng.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
Từ MATLAB, lưu dữ liệu huấn luyện dưới dạng tệp .csv vào Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) Gầu múc.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Tạo Công cụ ước tính SageMaker
Tiếp theo, bạn cần tạo một công cụ ước tính SageMaker và chuyển tất cả các tham số cần thiết cho nó, chẳng hạn như hình ảnh docker huấn luyện, hàm huấn luyện, biến môi trường, kích thước phiên bản huấn luyện, v.v. URI hình ảnh đào tạo phải là URI Amazon ECR mà bạn đã tạo ở bước tiên quyết với định dạng ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. Chức năng đào tạo phải được cung cấp ở cuối tập lệnh trực tiếp MATLAB.
Gửi công việc đào tạo SageMaker
Gọi phương thức phù hợp từ công cụ ước tính sẽ gửi công việc đào tạo vào SageMaker.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
Bạn cũng có thể kiểm tra trạng thái công việc đào tạo từ bảng điều khiển SageMaker:
Sau khi công việc đào tạo kết thúc, việc chọn liên kết công việc sẽ đưa bạn đến trang mô tả công việc nơi bạn có thể xem mô hình MATLAB được lưu trong nhóm S3 chuyên dụng:
Phần 5: Triển khai mô hình làm điểm cuối SageMaker thời gian thực
Sau khi đào tạo, bạn có thể triển khai mô hình dưới dạng điểm cuối SageMaker thời gian thực mà bạn có thể sử dụng để đưa ra dự đoán trong thời gian thực. Để thực hiện việc này, hãy gọi phương thức triển khai từ công cụ ước tính. Đây là nơi bạn có thể thiết lập kích thước phiên bản mong muốn để lưu trữ tùy thuộc vào khối lượng công việc.
Phía sau, bước này xây dựng hình ảnh docker suy luận và đẩy nó vào kho lưu trữ Amazon ECR, người dùng không cần phải xây dựng vùng chứa suy luận. Hình ảnh chứa tất cả thông tin cần thiết để phục vụ yêu cầu suy luận, chẳng hạn như vị trí mô hình, thông tin xác thực MATLAB và thuật toán. Sau đó, Amazon SageMaker tạo cấu hình điểm cuối SageMaker và cuối cùng triển khai điểm cuối theo thời gian thực. Điểm cuối có thể được giám sát trong bảng điều khiển SageMaker và có thể bị chấm dứt bất kỳ lúc nào nếu không còn được sử dụng.
Phần 6: Kiểm tra điểm cuối
Bây giờ điểm cuối đã được thiết lập và đang chạy, bạn có thể kiểm tra điểm cuối bằng cách cung cấp cho nó một vài bản ghi để dự đoán. Sử dụng đoạn mã sau để chọn 10 bản ghi từ dữ liệu huấn luyện và gửi chúng đến điểm cuối để dự đoán. Kết quả dự đoán được gửi lại từ điểm cuối và hiển thị trong hình ảnh sau.
Phần 7: Tích hợp bảng điều khiển
Nhiều dịch vụ AWS gốc có thể gọi điểm cuối SageMaker. Nó cũng có thể được sử dụng như một API REST tiêu chuẩn nếu được triển khai cùng với một AWS Lambda chức năng và cổng API, có thể được tích hợp với bất kỳ ứng dụng web nào. Đối với trường hợp sử dụng cụ thể này, bạn có thể sử dụng tính năng truyền tải trực tuyến với Amazon SageMaker Feature Store và Amazon Managed Streaming cho Apache Kafka, MSK, để đưa ra các quyết định dựa trên máy học trong thời gian gần như thời gian thực. Một khả năng tích hợp khác là sử dụng kết hợp Amazon Kinesis, SageMaker và Apache Flink để xây dựng một ứng dụng được quản lý, đáng tin cậy, có thể mở rộng và có tính sẵn sàng cao, có khả năng suy luận theo thời gian thực trên luồng dữ liệu.
Sau khi các thuật toán được triển khai đến điểm cuối SageMaker, bạn có thể muốn trực quan hóa chúng bằng bảng thông tin hiển thị các dự đoán phát trực tuyến trong thời gian thực. Trong ứng dụng web MATLAB tùy chỉnh sau đây, bạn có thể xem dữ liệu áp suất và lưu lượng bằng máy bơm cũng như dự đoán lỗi trực tiếp từ mô hình đã triển khai.
Trong bảng thông tin này bao gồm mô hình tuổi thọ hữu ích còn lại (RUL) để dự đoán thời gian hỏng hóc của mỗi máy bơm được đề cập. Để tìm hiểu cách đào tạo thuật toán RUL, hãy xem Hộp công cụ bảo trì dự đoán.
Clean Up
Sau khi chạy giải pháp này, hãy đảm bảo bạn dọn sạch mọi tài nguyên AWS không cần thiết để tránh những chi phí không mong muốn. Bạn có thể dọn sạch các tài nguyên này bằng cách sử dụng SDK Python của SageMaker hoặc Bảng điều khiển quản lý AWS cho các dịch vụ cụ thể được sử dụng ở đây (SageMaker, Amazon ECR và Amazon S3). Bằng cách xóa các tài nguyên này, bạn sẽ tránh bị tính thêm phí đối với các tài nguyên mà bạn không còn sử dụng nữa.
Kết luận
Chúng tôi đã trình diễn cách bạn có thể đưa MATLAB vào SageMaker cho trường hợp sử dụng bảo trì dự đoán máy bơm với toàn bộ vòng đời máy học. SageMaker cung cấp một môi trường được quản lý hoàn toàn để chạy khối lượng công việc machine learning và triển khai các mô hình với nhiều lựa chọn phiên bản điện toán phục vụ nhiều nhu cầu khác nhau.
Từ chối trách nhiệm: Mã được sử dụng trong bài đăng này được MathWorks sở hữu và duy trì. Tham khảo các điều khoản cấp phép trong kho GitHub. Đối với bất kỳ vấn đề nào với mã hoặc yêu cầu tính năng, vui lòng mở vấn đề GitHub trong kho lưu trữ
dự án
Về các tác giả
Brad Ducan là người quản lý sản phẩm về khả năng học máy trong Hộp công cụ Thống kê và Học máy tại MathWorks. Anh làm việc với khách hàng để ứng dụng AI vào các lĩnh vực kỹ thuật mới như kết hợp cảm biến ảo trong các hệ thống được thiết kế, xây dựng các mô hình học máy có thể giải thích được và tiêu chuẩn hóa quy trình công việc AI bằng MATLAB và Simulink. Trước khi đến MathWorks, anh đã lãnh đạo các nhóm mô phỏng 3D và tối ưu hóa khí động học của xe, trải nghiệm người dùng cho mô phỏng 3D và quản lý sản phẩm cho phần mềm mô phỏng. Brad cũng là giảng viên khách mời tại Đại học Tufts trong lĩnh vực khí động học xe cộ.
Richard Alcock là giám đốc phát triển cấp cao về Tích hợp nền tảng đám mây tại MathWorks. Với vai trò này, anh là người có công trong việc tích hợp liền mạch các sản phẩm MathWorks vào nền tảng đám mây và vùng chứa. Ông tạo ra các giải pháp cho phép các kỹ sư và nhà khoa học khai thác toàn bộ tiềm năng của MATLAB và Simulink trong môi trường dựa trên đám mây. Trước đây anh là kỹ sư phần mềm tại MathWorks, phát triển các giải pháp hỗ trợ quy trình tính toán song song và phân tán.
Rachel Johnson là giám đốc sản phẩm về bảo trì dự đoán tại MathWorks và chịu trách nhiệm về chiến lược và tiếp thị sản phẩm tổng thể. Trước đây cô là kỹ sư ứng dụng trực tiếp hỗ trợ ngành hàng không vũ trụ trong các dự án bảo trì dự đoán. Trước MathWorks, Rachel là kỹ sư mô phỏng khí động học và động cơ đẩy cho Hải quân Hoa Kỳ. Cô cũng đã dành nhiều năm giảng dạy toán, vật lý và kỹ thuật.
Thuấn Mậu là Kiến trúc sư giải pháp đối tác AI/ML cấp cao trong nhóm Công nghệ mới nổi tại Amazon Web Services. Anh ấy đam mê làm việc với các khách hàng và đối tác doanh nghiệp để thiết kế, triển khai và mở rộng quy mô các ứng dụng AI/ML nhằm mang lại giá trị kinh doanh cho họ. Ngoài công việc, anh thích câu cá, du lịch và chơi bóng bàn.
Ramesh Jatiya là Kiến trúc sư giải pháp trong nhóm Nhà cung cấp phần mềm độc lập (ISV) tại Amazon Web Services. Anh ấy đam mê làm việc với các khách hàng của ISV để thiết kế, triển khai và mở rộng quy mô ứng dụng của họ trên đám mây nhằm thu được giá trị kinh doanh của họ. Anh cũng đang theo đuổi bằng MBA về Học máy và Phân tích Kinh doanh tại Đại học Babson, Boston. Ngoài công việc, anh thích chạy bộ, chơi tennis và nấu ăn.
- 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. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- Giới thiệu
- ở trên
- truy cập
- có thể truy cập
- chứa
- Tài khoản
- chính xác
- Lợi thế
- Không gian vũ trụ
- Sau
- AI
- AI / ML
- thuật toán
- thuật toán
- Tất cả
- cho phép
- dọc theo
- Đã
- Ngoài ra
- đàn bà gan dạ
- Amazon EC2
- Amazon SageMaker
- Amazon Web Services
- an
- phân tích
- và
- Một
- bất kì
- Apache
- ngoài
- api
- ứng dụng
- ứng dụng cho phép
- Các Ứng Dụng
- các ứng dụng
- Đăng Nhập
- LÀ
- KHU VỰC
- khu vực
- nhân tạo
- trí tuệ nhân tạo
- AS
- liên kết
- At
- Xác thực
- tự động
- Tự động hóa
- ô tô
- có sẵn
- tránh
- AWS
- Bảng điều khiển quản lý AWS
- babson
- trở lại
- BE
- bởi vì
- trước
- bắt đầu
- Lợi ích
- BEST
- boston
- đáy
- cây đinh mất đầu
- mang lại
- rộng
- Mang lại
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- by
- cuộc gọi
- gọi là
- gọi
- CAN
- ứng cử viên
- khả năng
- có khả năng
- trường hợp
- tải
- kiểm tra
- kiểm tra
- phân loại
- Phân loại
- giống cá lăng
- Làm sạch
- đám mây
- Nền tảng đám mây
- mã
- mã số
- hợp tác
- hợp tác
- Trường đại học
- Cột
- COM
- kết hợp
- kết hợp
- kết hợp
- đến
- Giao tiếp
- phức tạp
- Tính
- máy tính
- Cấu hình
- cấu hình
- An ủi
- tiêu thụ
- Container
- chứa
- Chi phí
- tạo
- tạo ra
- tạo ra
- Current
- khách hàng
- khách hàng
- bảng điều khiển
- dữ liệu
- Chuẩn bị dữ liệu
- xử lý dữ liệu
- bộ dữ liệu
- quyết định
- quyết định
- dành riêng
- chứng minh
- chứng minh
- Tùy
- triển khai
- triển khai
- triển khai
- triển khai
- lấy được
- Mô tả
- Thiết kế
- nhà thiết kế
- mong muốn
- máy tính để bàn
- chi tiết
- phát triển
- Phát triển
- chẩn đoán
- trực tiếp
- màn hình
- phân phối
- phân phối máy tính
- do
- phu bến tàu
- làm
- miền
- duncan
- mỗi
- hiệu quả
- hay
- mới nổi
- công nghệ mới nổi
- cho phép
- cuối
- Điểm cuối
- ky sư
- thiết kế
- Kỹ Sư
- Kỹ sư
- Doanh nghiệp
- Toàn bộ
- Môi trường
- môi trường
- đặc biệt
- ví dụ
- thực hiện
- kinh nghiệm
- xuất khẩu
- trích xuất
- Chất chiết xuất
- Không
- lỗi
- bị lỗi
- Đặc tính
- Tính năng
- vài
- Hình
- Tập tin
- lọc
- Cuối cùng
- hoàn thành
- Tên
- Đánh bắt cá
- phù hợp với
- dòng chảy
- sau
- tiếp theo
- sau
- Trong
- định dạng
- tần số
- từ
- Full
- đầy đủ
- chức năng
- xa hơn
- cửa ngõ
- tạo ra
- tạo ra
- tạo
- GitHub
- Cho
- tốt
- đồ thị
- tuyệt vời
- Khách
- hướng dẫn
- khai thác
- Có
- he
- cho sức khoẻ
- khỏe mạnh
- nặng nề
- tại đây
- hiệu suất cao
- cao
- lưu trữ
- Độ đáng tin của
- Hướng dẫn
- HTML
- HTTPS
- ý tưởng
- if
- hình ảnh
- nhập khẩu
- in
- bao gồm
- kết hợp
- tăng
- độc lập
- chỉ
- các ngành công nghiệp
- ngành công nghiệp
- thông tin
- bắt đầu
- đầu vào
- cài đặt, dựng lên
- cài đặt
- cài đặt
- ví dụ
- cụ
- tích hợp
- Tích hợp
- hội nhập
- tích hợp
- Sự thông minh
- tương tác
- Giao thức
- trong
- vấn đề
- các vấn đề
- isv
- IT
- Việc làm
- việc làm
- Johnson
- jpg
- lớn
- lớn hơn
- một lát sau
- mới nhất
- LEARN
- học tập
- Led
- ít
- Tỉ lệ đòn bẩy
- Giấy phép
- Cuộc sống
- vòng đời
- LINK
- linux
- sống
- tại địa phương
- địa điểm thư viện nào
- đăng nhập
- còn
- máy
- học máy
- bảo trì
- làm cho
- Làm
- quản lý
- quản lý
- giám đốc
- sản xuất
- nhiều
- Marketing
- Trận đấu
- toán học
- đo lường
- phương pháp
- Metrics
- Might
- phút
- ML
- kiểu mẫu
- mô hình
- Màn Hình
- theo dõi
- chi tiết
- di chuyển
- di chuyển
- nhiều
- Được đặt theo tên
- tự nhiên
- Gần
- cần thiết
- Cần
- cần thiết
- nhu cầu
- Mới
- Không
- không
- Mục tiêu
- of
- cung cấp
- Cung cấp
- on
- hàng loạt
- ONE
- mở
- hoạt động
- hoạt động
- Hoạt động
- tối ưu hóa
- or
- Nền tảng khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- đầu ra
- bên ngoài
- tổng thể
- sở hữu
- trang
- Song song
- tham số
- thông số
- riêng
- đối tác
- Đối tác
- vượt qua
- đam mê
- hiệu suất
- cho phép
- Vật lý
- nền tảng
- Nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- chơi
- xin vui lòng
- Phổ biến
- có thể
- Bài đăng
- tiềm năng
- có khả năng
- quyền lực
- Thực tế
- dự đoán
- dự đoán
- Dự đoán
- Predictor
- ưa thích
- chuẩn bị
- Chuẩn bị
- áp lực
- ngăn chặn
- trước đây
- Trước khi
- quá trình
- xử lý
- sản xuất
- Sản xuất
- sản xuất
- Sản phẩm
- quản lý sản phẩm
- giám đốc sản xuất
- Sản phẩm
- Lập trình
- Tiến độ
- dự án
- dự án
- sự đẩy tới
- cho
- cung cấp
- cung cấp
- cung cấp
- máy bơm
- Đẩy
- đẩy
- Python
- câu hỏi
- Mau
- phạm vi
- xếp hạng
- xếp hạng
- hàng ngũ
- HIẾM HOI
- sẵn sàng
- thực
- thời gian thực
- gần đây
- ghi
- hồ sơ
- xem
- khu
- đăng ký
- đáng tin cậy
- còn lại
- thay thế
- kho
- đại diện
- yêu cầu
- yêu cầu
- cần phải
- Thông tin
- phản ứng
- chịu trách nhiệm
- REST của
- kết quả
- Richard
- mạnh mẽ
- Vai trò
- chạy
- chạy
- nhà làm hiền triết
- hài lòng
- hài lòng với
- Lưu
- lưu
- khả năng mở rộng
- Quy mô
- cảnh
- các nhà khoa học
- kịch bản
- sdk
- liền mạch
- giây
- xem
- lựa chọn
- lựa chọn
- gửi
- cao cấp
- cảm biến
- gởi
- Loạt Sách
- phục vụ
- dịch vụ
- DỊCH VỤ
- phục vụ
- Phiên
- định
- bộ
- thiết lập
- XNUMX
- một số
- chị ấy
- Shell
- nên
- hiển thị
- thể hiện
- có ý nghĩa
- Đơn giản
- mô phỏng
- Kích thước máy
- So
- Phần mềm
- kỹ thuật phần mềm
- giải pháp
- Giải pháp
- một số
- riêng
- tốc độ
- tiêu
- Traineeship
- Tiêu chuẩn
- tiêu chuẩn hóa
- Bắt đầu
- Bang
- số liệu thống kê
- Trạng thái
- Bước
- Các bước
- là gắn
- hàng
- Chiến lược
- dòng
- trực tuyến
- như vậy
- tóm tắt
- hỗ trợ
- Hỗ trợ
- chắc chắn
- hệ thống
- hệ thống
- bàn
- TAG
- Hãy
- mất
- Mục tiêu
- nhiệm vụ
- Giảng dạy
- nhóm
- đội
- kỹ thuật
- Công nghệ
- Thiết bị đầu cuối
- về
- thử nghiệm
- Kiểm tra
- hơn
- việc này
- Sản phẩm
- Khu vực
- cung cấp their dịch
- Them
- sau đó
- Kia là
- họ
- điều này
- những
- số ba
- thời gian
- Chuỗi thời gian
- đến
- bên nhau
- công cụ
- Hộp công cụ
- công cụ
- hàng đầu
- Train
- Hội thảo
- Đi du lịch
- cây
- thử
- điều chỉnh
- điều chỉnh
- hai
- loại
- thường
- sự hiểu biết
- Bất ngờ
- trường đại học
- us
- sử dụng
- ca sử dụng
- đã sử dụng
- người sử dang
- Kinh nghiệm người dùng
- sử dụng
- xác nhận
- Các giá trị
- nhiều
- khác nhau
- xe
- nhà cung cấp
- rất
- ảo
- hình dung
- muốn
- là
- Đường..
- we
- web
- Ứng dụng web
- các dịch vụ web
- cái nào
- rộng
- Phạm vi rộng
- sẽ
- với
- Công việc
- Luồng công việc
- đang làm việc
- công trinh
- viết
- viết
- năm
- Bạn
- trên màn hình
- zephyrnet