时间序列预测是指预测时间序列数据(随时间定期收集的数据)的未来值的过程。 时间序列预测的简单方法使用需要预测其未来值的同一变量的历史值,而更复杂的基于机器学习 (ML) 的方法使用附加信息,例如相关变量的时间序列数据。
亚马逊预报 是一种基于 ML 的时间序列预测服务,包括基于 20 多年使用的预测经验的算法 Amazon.com,将亚马逊使用的相同技术作为完全托管服务提供给开发人员,从而消除了管理资源的需要。 Forecast 使用 ML 不仅学习每个项目的最佳算法,而且学习每个项目的最佳算法集合,自动为您的数据创建最佳模型。
这篇文章描述了如何在不使用代码的情况下部署循环预测工作负载(时间序列预测工作负载) AWS CloudFormation, AWS步骤功能及 AWS系统经理. 此处介绍的方法可帮助您构建一个管道,使您可以使用相同的工作流程,从时间序列预测实验的第一天开始,一直到将模型部署到生产环境中。
使用 Forecast 进行时间序列预测
Forecast 的工作流程涉及以下常见概念:
- 导入数据集 – 在预测中,一个 数据集组 是数据集、模式和预测结果的集合。 每个数据集组最多可以有三个数据集,每个数据集一个 数据集 类型:目标时间序列(TTS)、相关时间序列(RTS)和项目元数据。 数据集是包含与预测任务相关的数据的文件集合。 数据集必须符合 Forecast 中定义的模式。 有关详细信息,请参阅 导入数据集.
- 训练预测器 - A 预测因子 是一个预测训练模型,用于根据时间序列数据进行预测。 在训练期间,Forecast 计算您用来评估预测器并决定是否使用预测器生成预测的准确度指标。 有关详细信息,请参阅 训练预测器.
- 生成预测 – 然后,您可以使用经过训练的模型生成未来时间范围的预测,称为 预测范围. Forecast 提供各种指定分位数的预测。 例如,0.90 分位数的预测将在 90% 的时间内估计一个低于观察值的值。 默认情况下,Forecast 将以下值用于预测器预测类型:0.1 (P10)、0.5 (P50) 和 0.9 (P90)。 不同分位数的预测通常用于提供预测区间(预测的上限和下限)以说明预测的不确定性。
您可以通过以下方式在 Forecast 中实施此工作流 AWS管理控制台是, AWS命令行界面 (AWS CLI),通过 使用 Python 笔记本的 API 调用,或通过自动化解决方案。 这 领事 和 命令行界面 方法最适合快速实验,以检查使用您的数据进行时间序列预测的可行性。 Python 笔记本方法非常适合已经熟悉 Jupyter 笔记本和编码的数据科学家,并提供最大程度的控制和调整。 然而,基于笔记本的方法难以操作。 我们的自动化方法有助于快速实验,消除重复性任务,并允许在各种环境(开发、暂存、生产)之间更轻松地转换。
在这篇文章中,我们描述了一种使用 Forecast 的自动化方法,它允许您使用自己的数据并提供一个单一的工作流,您可以在预测解决方案开发的整个生命周期(从最初几天的实验到部署)中无缝使用该工作流生产环境中的解决方案。
解决方案概述
在以下部分中,我们将描述一个完整的端到端工作流,该工作流用作使用 Forecast 自动部署时间序列预测模型的模板。 该工作流从开源输入数据集创建预测数据点; 但是,您可以对自己的数据使用相同的工作流程,只要您可以根据本文中概述的步骤格式化数据即可。 上传数据后,我们将引导您完成创建预测数据集组、导入数据、训练 ML 模型以及根据原始数据在未来看不见的时间范围内生成预测数据点的步骤。 所有这一切都是可能的,而无需编写或编译代码。
下图说明了预测工作流程。
该解决方案使用两个 CloudFormation 模板进行部署:依赖项模板和工作负载模板。 CloudFormation 使您能够通过使用描述要部署的资源的模板以可预测和重复的方式执行 AWS 基础设施部署。 部署的模板称为 堆. 我们已经在提供的两个模板中为您定义了解决方案中的基础结构。 依赖项模板定义工作负载模板使用的先决条件资源,例如 亚马逊简单存储服务 (Amazon S3) 对象存储桶和 AWS身份和访问管理 (IAM) AWS API 操作的权限。 依赖项模板中定义的资源可以由多个工作负载模板共享。 工作负载模板定义用于摄取数据、训练预测器和生成预测的资源。
部署依赖项 CloudFormation 模板
首先,让我们部署依赖项模板来创建我们的先决条件资源。 依赖项模板部署了一个可选的 S3 存储桶, AWS Lambda 功能和 IAM 角色。 Amazon S3 是一种低成本、高可用性、有弹性的对象存储服务。 我们在此解决方案中使用 S3 存储桶来存储源数据并触发工作流,从而生成预测。 Lambda 是一种无服务器、事件驱动的计算服务,让您无需预置或管理服务器即可运行代码。 依赖项模板包括执行诸如在 Forecast 中创建数据集组和在删除存储桶之前清除 S3 存储桶中的对象等操作的函数。 IAM 角色为用户和服务定义 AWS 内的权限。 依赖项模板部署了一个供 Lambda 使用的角色和另一个供 Step Functions 使用的角色,Step Functions 是一种工作流管理服务,将协调数据摄取和处理任务,以及使用 Forecast 进行预测器训练和推理。
完成以下步骤以部署依赖项模板:
- 在控制台上,选择所需的 预测支持的区域 用于解决方案部署。
- 在AWS CloudFormation控制台上,选择 堆栈 在导航窗格中。
- 创建堆栈 并选择 使用新资源(标准).
- 针对 模板来源, 选择 亚马逊 S3 网址.
- 输入模板网址:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - 下一页.
- 针对 堆栈名称,输入
forecast-mlops-dependency
. - 下 参数,选择使用现有 S3 存储桶或创建新存储桶,然后提供存储桶的名称。
- 下一页.
- 下一页 接受默认堆栈选项。
- 选中复选框以确认堆栈创建 IAM 资源,然后选择 创建堆栈 部署模板。
您应该看到模板部署为 forecast-mlops-dependency
堆。 当状态变为 CREATE_COMPLETE
,您可以进入下一步。
部署工作负载 CloudFormation 模板
接下来,让我们部署工作负载模板来创建我们的必备资源。 工作负载模板部署了用于工作流管理的 Step Functions 状态机, AWS Systems Manager参数存储 用于存储来自 AWS CloudFormation 的参数值并通知工作流的参数,一个 亚马逊简单通知服务 (Amazon SNS) 工作流通知主题和工作流服务权限的 IAM 角色。
该解决方案创建了五个状态机:
- 创建数据集组状态机 – 为要导入的数据创建一个预测数据集组。
- 创建导入数据集状态机 – 将源数据从 Amazon S3 导入数据集组进行训练。
- 创建预测状态机 – 管理训练预测器和生成预测所需的任务。
- 雅典娜连接器状态机 – 使您能够使用 亚马逊雅典娜 连接到 Amazon S3 中的数据。 这是一个可选过程,通过使用 Athena 而不是在 Amazon S3 中手动放置文件来获取 Forecast 所需格式的历史数据。
- StepFunction工作流状态机 – 协调调用其他四个状态机并管理整个工作流程。
Parameter Store 是 Systems Manager 的一项功能,可提供安全的分层存储以及配置数据管理和机密管理的编程检索。 Parameter Store 用于存储工作负载堆栈中设置的参数以及工作流使用的其他参数。
完成以下步骤以部署工作负载模板:
- 在AWS CloudFormation控制台上,选择 堆栈 在导航窗格中。
- 创建堆栈 并选择 使用新资源(标准).
- 针对 模板来源, 选择 亚马逊 S3 网址.
- 输入模板网址:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - 下一页.
- 针对 堆栈名称,输入名称。
- 接受默认值或修改参数。
请务必从依赖项堆栈中输入 S3 存储桶名称 S3水桶 和一个有效的电子邮件地址 SNS端点 即使您接受默认参数值。
下表描述了每个参数。
产品型号 | 课程描述 | 更多信息 |
DatasetGroupFrequencyRTS |
RTS 数据集的数据收集频率。 | . |
DatasetGroupFrequencyTTS |
TTS 数据集的数据收集频率。 | . |
DatasetGroupName |
数据集组的简称,一个独立的工作负载。 | 创建数据集组 |
DatasetIncludeItem |
指定是否要为此用例提供项目元数据。 | . |
DatasetIncludeRTS |
指定是否要为此用例提供相关时间序列。 | . |
ForecastForecastTypes |
当 CreateForecast 作业运行时,这会声明要为哪些分位数生成预测。 您最多可以在此数组中选择五个值。 根据需要编辑此值以包括值。 | 创建预测 |
PredictorAttributeConfigs |
对于 TTS 中的目标变量和 RTS 数据集中的每个数字字段,必须为每个项目的每个时间间隔创建一条记录。 此配置有助于确定如何填充缺失的记录:使用 0、NaN 或其他。 我们建议使用 NaN 而不是 0 来填补 TTS 中的空白。使用 0,模型可能会错误地学习将预测偏向 0。NaN 是提供指导的方式。 如有任何问题,请咨询您的 AWS 解决方案架构师。 | 创建自动预测器 |
PredictorExplainPredictor |
有效值为 TRUE 或 FALSE。 这些确定是否为您的预测器启用了可解释性。 这可以帮助您了解 RTS 和项目元数据中的值如何影响模型。 | 可解释性 |
PredictorForecastDimensions |
您可能希望以比 item 更精细的粒度进行预测。 在这里,您可以指定维度,例如位置、成本中心或您需要的任何内容。 这需要与您的 RTS 和 TTS 中的维度一致。 请注意,如果您没有维度,则正确的参数本身为空且全部小写。 null 是一个保留字,它让系统知道维度没有参数。 | 创建自动预测器 |
PredictorForecastFrequency |
定义生成模型和预测的时间尺度,例如每天、每周或每月。 下拉菜单可帮助您选择允许的值。 如果您使用的是 RTS,这需要与您的 RTS 时间尺度一致。 | 创建自动预测器 |
PredictorForecastHorizon |
模型预测的时间步数。 预测范围也称为 预测长度. | 创建自动预测器 |
PredictorForecastOptimizationMetric |
定义用于优化预测器的准确性指标。 下拉菜单将帮助您选择高估或低估的加权分位数损失余额。 RMSE 与单位有关,而 WAPE/MAPE 与百分比误差有关。 | 创建自动预测器 |
PredictorForecastTypes |
当 CreateAutoPredictor 作业运行,这声明了哪些分位数用于训练预测点。 您最多可以在此数组中选择五个值,以平衡预测过高和过低的情况。 根据需要编辑此值以包括值。 |
创建自动预测器 |
S3Bucket |
为此工作负载写入输入数据和输出数据的 S3 存储桶的名称。 | . |
SNSEndpoint |
一个有效的电子邮件地址,用于在预测器和预测作业完成时接收通知。 | . |
SchemaITEM |
这定义了项目元数据数据集的物理顺序、列名称和数据类型。 这是解决方案示例中提供的可选文件。 | 创建数据集 |
SchemaRTS |
这定义了 RTS 数据集的物理顺序、列名和数据类型。 尺寸必须与您的 TTS 一致。 该文件的时间粒度决定了可以进行预测的时间粒度。 这是解决方案示例中提供的可选文件。 | 创建数据集 |
SchemaTTS |
这定义了 TTS 数据集(唯一需要的数据集)的物理顺序、列名和数据类型。 该文件必须至少包含目标值、时间戳和项目。 | 创建数据集 |
TimestampFormatRTS |
定义 RTS 文件中提供的时间戳格式。 | 创建数据集导入作业 |
TimestampFormatTTS |
定义 TTS 文件中提供的时间戳格式。 | 创建数据集导入作业 |
- 下一页 接受默认堆栈选项。
- 选中复选框以确认堆栈创建 IAM 资源,然后选择 创建堆栈 部署模板。
您应该看到模板部署为您之前选择的堆栈名称。 当状态变为 CREATE_COMPLETE
,您可以转到数据上传步骤。
上传数据
在上一节中,您提供了堆栈名称和 S3 存储桶。 本节介绍如何存放公开可用的数据集 粮食需求 在这个桶里。 如果您使用自己的数据集,请参阅 数据集 以部署期望的格式准备数据集。 数据集需要至少包含目标时间序列,以及可选的相关时间序列和项目元数据:
- TTS 是包含您要为其生成预测的字段的时间序列数据; 这个领域被称为 目标领域
- RTS 是不包含目标字段但包含相关字段的时间序列数据
- 项目数据文件不是时间序列数据,但包含有关 TTS 或 RTS 数据集中项目的元数据信息
完成以下步骤:
- 如果您使用提供的示例数据集,请下载数据集 粮食需求 到您的计算机并解压缩文件,这会在三个目录中创建三个文件(
rts
,tts
,item
). - 在 Amazon S3 控制台上,导航到您之前创建的存储桶。
- 创建文件夹.
- 使用与您的工作负载堆栈名称相同的字符串作为文件夹名称。
- 上传.
- 选择三个数据集文件夹,然后选择 上传.
上传完成后,您应该会看到类似以下屏幕截图的内容。 对于这个例子,我们的文件夹是 aiml42
.
创建预测数据集组
完成本节中的步骤,为每个工作负载创建一个数据集组作为一次性事件。 展望未来,您应该计划运行导入数据,创建预测器,并根据您的日程安排(可以是每天、每周或其他时间)作为一个系列,适当地创建预测步骤。
- 在 Step Functions 控制台上,找到包含
Create-Dataset-Group
. - 在状态机详细信息页面上,选择 开始执行.
- 开始执行 再次确认。
状态机运行大约需要 1 分钟。 完成后,值低于 执行状态 应该从 运行 至 得手
将数据导入 Forecast
按照本节中的步骤将您上传到 S3 存储桶的数据集导入数据集组:
- 在 Step Functions 控制台上,找到包含
Import-Dataset
. - 在状态机详细信息页面上,选择 开始执行.
- 开始执行 再次确认。
状态机运行所需的时间取决于正在处理的数据集。
- 运行时,在您的浏览器中打开另一个选项卡并导航至预测控制台。
- 在“预测”控制台上,选择 查看数据集组 并导航到具有指定名称的数据集组
DataGroupName
从您的工作负载堆栈。 - 查看数据集.
您应该看到正在进行的数据导入。
当状态机为 Import-Dataset
完成后,您可以继续下一步来构建您的时间序列数据模型。
创建 AutoPredictor(训练时间序列模型)
本节介绍如何使用 Forecast 训练初始预测器。 您可以选择创建一个新的预测器(您的第一个基线预测器)或在每个生产周期(可以是每天、每周或其他时间)重新训练预测器。 您也可以选择不在每个周期创建预测器,而是依靠预测器监控来指导您何时创建预测器。 下图可视化了创建生产就绪 Forecast 预测器的过程。
要创建新的预测器,请完成以下步骤:
- 在 Step Functions 控制台上,找到包含
Create-Predictor
. - 在状态机详细信息页面上,选择 开始执行.
- 开始执行 再次确认。
运行时间的长短取决于正在处理的数据集。 这可能需要一个小时或更长时间才能完成。 - 运行时,在您的浏览器中打开另一个选项卡并导航至预测控制台。
- 在“预测”控制台上,选择 查看数据集组 并导航到具有指定名称的数据集组
DataGroupName
从您的工作负载堆栈。 - 查看预测变量.
您应该看到正在进行的预测器训练(训练状态显示“正在创建……”)。
当状态机为 Create-Predictor
完成后,您可以评估其性能。
作为状态机的一部分,系统创建一个预测器并运行一个 BacktestExport
将时间序列级别的预测指标写入 Amazon S3 的作业。 这些文件位于以下两个 S3 文件夹中 backtest-export
文件夹:
- 准确性指标值 – 提供项目级准确性指标计算,以便您了解单个时间序列的性能。 这使您可以调查价差,而不是只关注全球指标。
- 预测值 – 为回测窗口中的每个时间序列提供阶梯级预测。 这使您能够将来自坚持测试集的实际目标值与预测分位数值进行比较。 回顾这一点有助于形成关于如何在 RTS 或项目元数据中提供额外数据特征的想法,以帮助更好地估计未来价值,进一步减少损失。 您可以下载
backtest-export
来自 Amazon S3 的文件或使用 Athena 就地查询它们。
对于您自己的数据,您需要仔细检查预测器结果,并使用回测导出数据确保指标符合您的预期结果。 满意后,您可以开始生成未来日期的预测,如下一节所述。
生成预测(关于未来时间范围的推断)
本节介绍如何使用 Forecast 生成预测数据点。 展望未来,您应该从源系统收集新数据,将数据导入 Forecast,然后生成预测数据点。 或者,您也可以在导入之后和预测之前插入一个新的预测器创建。 下图可视化了使用 Forecast 创建生产时间序列预测的过程。
完成以下步骤:
- 在 Step Functions 控制台上,找到包含
Create-Forecast
. - 在状态机详细信息页面上,选择 开始执行.
- 开始执行 再次确认。
该状态机很快完成,因为系统未配置为生成预测。 它不知道您批准了哪个预测模型进行推理。
让我们配置系统以使用您经过训练的预测器。 - 在 Forecast 控制台上,找到您的预测器的 ARN。
- 复制 ARN 以在后续步骤中使用。
- 在您的浏览器中,打开另一个选项卡并导航到 Systems Manager 控制台。
- 在 Systems Manager 控制台上,选择 参数存储 在导航窗格中。
- 找到与您的堆栈相关的参数(
/forecast/<StackName>/Forecast/PredictorArn
). - 输入您为预测器复制的 ARN。
这就是您将训练有素的预测器与 Forecast 的推理函数相关联的方式。 - 定位参数
/forecast/<StackName>/Forecast/Generate
并编辑值,替换FALSE
TRUE
.
现在您已准备好为此数据集组运行预测作业。 - 在 Step Functions 控制台上,运行
Create-Forecast
状态机。
这一次,作业按预期运行。 作为状态机的一部分,系统创建一个预测和一个 ForecastExport
作业,它将时间序列预测写入 Amazon S3。 这些文件位于 forecast
夹
里面的 forecast
文件夹中,您会发现项目的预测,这些预测位于许多 CSV 或 Parquet 文件中,具体取决于您的选择。 每个时间步长和所选时间序列的预测都存在,每个记录都包含您选择的分位数。 您可以从 Amazon S3 下载这些文件,使用 Athena 就地查询它们,或者选择其他策略来使用数据。
这结束了整个工作流程。 您现在可以使用您选择的任何可视化工具来可视化您的输出,例如 亚马逊QuickSight. 或者,数据科学家可以使用 pandas 生成他们自己的图。 如果您选择使用 QuickSight,您可以 将您的预测结果连接到 QuickSight 执行数据转换,创建一个或多个数据分析,以及 创建可视化.
这个过程提供了一个可以遵循的模板。 您将需要根据您的用例调整样本以适应您的模式,设置预测范围、时间分辨率等。 您还需要设置一个循环计划,从源系统收集数据、导入数据并生成预测。 如果需要,您可以在导入和预测步骤之间插入一个预测器任务。
重新训练预测器
我们已经完成了训练新预测器的过程,但是如何重新训练预测器呢? 重新训练预测器是减少在最新可用数据上训练预测器所涉及的成本和时间的一种方法。 与其创建一个新的预测器并在整个数据集上对其进行训练,我们还可以通过仅提供自预测器上次训练以来可用的新增量数据来重新训练现有的预测器。 让我们来看看如何使用自动化解决方案重新训练预测器:
- 在“预测”控制台上,选择 查看数据集组.
- 选择与您要重新训练的预测变量关联的数据集组。
- 查看预测变量,然后选择您要重新训练的预测变量。
- 点击 个人设置 选项卡,复制预测器 ARN。
我们需要更新工作流使用的参数来识别要重新训练的预测变量。 - 在 Systems Manager 控制台上,选择 参数存储 在导航窗格中。
- 定位参数
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - 在参数详细信息页面上,选择 编辑.
- 针对 值, 输入预测器 ARN。
这确定了要重新训练的工作流的正确预测器。 接下来,我们需要更新工作流使用的参数来更改训练策略。 - 定位参数
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - 在参数详细信息页面上,选择编辑。
- 对于值,输入
RETRAIN
.
工作流默认训练一个新的预测器; 但是,我们可以修改该行为以重新训练现有预测器,或者通过将此值设置为来简单地重用现有预测器而不进行重新训练NONE
. 如果您的数据相对稳定或者您正在使用 自动预测器监控 决定何时需要再培训。 - 将增量训练数据上传到 S3 存储桶。
- 在 Step Functions 控制台上,找到状态机
<STACKNAME>-Create-Predictor
. - 在状态机详细信息页面上,选择 开始执行 开始再培训。
重新训练完成后,工作流将结束,您将收到一封 SNS 电子邮件通知,该通知会发送到工作负载模板参数中提供的电子邮件地址。
清理
完成此解决方案后,请按照本节中的步骤删除相关资源。
删除 S3 存储桶
- 在Amazon S3控制台上,选择 水桶 在导航窗格中。
- 选择上传数据的桶并选择 空的 删除与解决方案关联的所有数据,包括源数据。
- 输入
permanently delete
永久删除存储桶内容。 - 点击 水桶 页面,选择存储桶并选择 删除.
- 输入存储桶的名称以确认删除并选择 删除存储桶.
删除预测资源
- 在“预测”控制台上,选择 查看数据集组.
- 选择与解决方案关联的数据集组名称,然后选择 删除.
- 输入
delete
删除数据集组和关联的预测变量、预测变量回测导出作业、预测和预测导出作业。 - 删除 进行确认。
删除 CloudFormation 堆栈
- 在AWS CloudFormation控制台上,选择 堆栈 在导航窗格中。
- 选择工作负载堆栈并选择 删除.
- 删除堆栈 确认删除堆栈和所有相关资源。
- 删除完成后,选择依赖项堆栈并选择 删除.
- 删除 进行确认。
结论
在这篇文章中,我们讨论了一些开始使用 Forecast 的不同方法。 我们介绍了一个基于 AWS CloudFormation 的自动预测解决方案,以实现从数据摄取到推理的预测管道的快速、可重复的解决方案部署,几乎不需要基础设施知识。 最后,我们了解了如何使用 Lambda 来自动化模型再训练,从而降低成本和训练时间。
现在是开始使用 Forecast 进行预测的最佳时机。 要开始构建和部署自动化工作流程,请访问 亚马逊预测资源. 预报快乐!
作者简介
亚伦费根 是纽约 AWS 的首席专家解决方案架构师。 他擅长帮助客户构建机器学习和云安全方面的解决方案。
拉朱帕蒂尔 是 AWS 专业服务的数据科学家。 他构建和部署 AI/ML 解决方案以帮助 AWS 客户克服业务挑战。 他在 AWS 的参与涵盖了广泛的 AI/ML 使用案例,例如计算机视觉、时间序列预测和预测分析等,涉及众多行业,包括金融服务、电信、医疗保健等。 在此之前,他曾领导广告技术的数据科学团队,并为计算机视觉和机器人技术的众多研发计划做出了重大贡献。 工作之余,他喜欢摄影、远足、旅行和美食探索。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- 柏拉图爱流。 Web3 数据智能。 知识放大。 访问这里。
- 与 Adryenn Ashley 一起铸造未来。 访问这里。
- 使用 PREIPO® 买卖 PRE-IPO 公司的股票。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 1
- 10
- 100
- 11
- 20
- 20 年
- 2022
- 7
- 8
- 9
- a
- 关于
- 接受
- ACCESS
- 根据
- 账号管理
- 承认
- 横过
- 行动
- 适应
- 额外
- 附加信息
- 地址
- 广告
- 后
- 再次
- AI / ML
- 算法
- 算法
- 所有类型
- 允许
- 允许
- 单
- 已经
- 还
- Amazon
- 亚马逊预报
- 量
- an
- 检测值
- 分析
- 和
- 另一个
- 任何
- API
- 的途径
- 适当
- 批准
- 保健
- 排列
- AS
- 协助
- 律师
- 相关
- At
- 自动化
- 自动化
- 自动
- 自动化和干细胞工程
- 可使用
- AWS
- AWS CloudFormation
- AWS专业服务
- 回溯测试
- 当前余额
- 结余
- 基于
- 底线
- BE
- 因为
- before
- 开始
- 作为
- 最佳
- 更好
- 之间
- 偏见
- 界
- 盒子
- 瞻
- 浏览器
- 建立
- 建筑物
- 建立
- 商业
- 但是
- by
- 计算
- 被称为
- 呼叫
- CAN
- 关心
- 案件
- 例
- Center
- 挑战
- 更改
- 更改
- 查
- 选择
- 选择
- 选择
- 密切
- 云端技术
- 云安全
- 码
- 编码
- 采集
- 柱
- COM的
- 相当常见
- 比较
- 完成
- 复杂
- 计算
- 计算
- 一台
- 计算机视觉
- 概念
- 关心
- 配置
- 确认
- 安慰
- 包含
- Contents
- 捐款
- 控制
- 协调
- 正确
- 价格
- 可以
- 覆盖
- 创建信息图
- 创建
- 创建
- 创造
- 创建
- 合作伙伴
- 周期
- 周期性
- 每天
- data
- 数据管理
- 数据点
- 数据科学
- 数据科学家
- 数据集
- 数据集
- 天
- 一年中的
- 决定
- 声明
- 默认
- 默认
- 定义
- 定义
- 定义
- 提升
- 根据
- 依靠
- 部署
- 部署
- 部署
- 部署
- 部署
- 部署
- 定金
- 描述
- 描述
- 期望
- 细节
- 详情
- 确定
- 开发
- 研发支持
- 不同
- 难
- 尺寸
- 尺寸
- 目录
- 讨论
- do
- 不会
- 完成
- 下载
- ,我们将参加
- 每
- 此前
- 更容易
- 或
- 消除
- 邮箱地址
- 启用
- 使
- 结束
- 端至端
- 确保
- 输入
- 整个
- 环境
- 环境中
- 故障
- 评估
- 等
- 评估
- 甚至
- 活动
- 例子
- 执行
- 存在
- 现有
- 预期
- 期待
- 体验
- 出口
- 功能有助于
- false
- 熟悉
- 特征
- 部分
- 数字
- 文件
- 档
- 备案
- 满
- 终于
- 金融
- 金融服务
- 找到最适合您的地方
- (名字)
- 聚焦
- 遵循
- 以下
- 针对
- 收益预测
- 预测
- 格式
- 向前
- 向前
- 四
- 频率
- 止
- 充分
- 功能
- 功能
- 进一步
- 未来
- 生成
- 产生
- 发电
- 得到
- 全球
- Go
- 去
- 统治
- 图形
- 大
- 团队
- 组的
- 指导
- 指南
- 快乐
- 收成
- 有
- 有
- he
- 健康管理
- 卫生保健
- 帮助
- 帮助
- 帮助
- 相关信息
- 高度
- 他的
- 历史的
- 地平线
- 视野
- 小时
- 创新中心
- How To
- 但是
- HTML
- HTTP
- HTTPS
- 思路
- 识别
- 鉴定
- 身分
- if
- 说明
- 实施
- 进口
- 进口
- in
- 包括
- 包括
- 包含
- 行业
- 影响
- 通知
- 信息
- 基础设施
- 初始
- 项目
- 输入
- 代替
- 成
- 调查
- 参与
- IT
- 项目
- 它的
- 本身
- 工作
- 工作机会
- JPG
- 知道
- 知识
- 已知
- 土地
- (姓氏)
- 后来
- 最新
- 学习用品
- 学习
- 最少
- 导致
- 数据
- 让
- 生命周期
- 喜欢
- Line
- 小
- 位于
- 圖書分館的位置
- 长
- 离
- 廉价
- 降低
- 机
- 机器学习
- 机
- 制成
- 制作
- 管理
- 管理
- 颠覆性技术
- 经理
- 管理
- 管理的
- 手动
- 许多
- 最多
- 可能..
- 满足
- 菜单
- 元数据
- 方法
- 方法
- 公
- 指标
- 可能
- 最低限度
- 分钟
- 失踪
- ML
- 模型
- 模型
- 修改
- 监控
- 每月一次
- 更多
- 移动
- 多
- 必须
- 姓名
- 名称
- 导航
- 旅游导航
- 必要
- 需求
- 需要
- 全新
- 纽约
- 下页
- 没有
- 笔记本
- 通知
- 通知
- 现在
- 数
- 众多
- 对象
- 对象
- 获得
- of
- on
- 一
- 仅由
- 打开
- 开放源码
- 优化
- 附加选项
- or
- 秩序
- 其他名称
- 除此以外
- 我们的
- 输出
- 结果
- 概述
- 产量
- 学校以外
- 超过
- 最划算
- 己
- 页
- 大熊猫
- 面包
- 参数
- 参数
- 部分
- 百分
- 演出
- 性能
- 永久
- 权限
- 摄影
- 的
- 管道
- 地方
- 配售
- 计划
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 点
- 可能
- 帖子
- 都曾预测
- 预测
- 预测
- 预测
- 预测分析
- 预报器
- 预测
- Prepare
- 当下
- 呈现
- 以前
- 校长
- 先
- 过程
- 处理
- 处理
- 生产
- 生产
- 所以专业
- 程序化
- 进展
- 提供
- 提供
- 提供
- 优
- 公然
- 蟒蛇
- 查询
- 有疑问吗?
- 快速
- 很快
- 范围
- 快
- 宁
- 原
- 准备
- 接收
- 建议
- 记录
- 记录
- 经常性
- 减少
- 减少
- 简称
- 指
- 定期
- 有关
- 相对
- 相应
- 依靠
- 删除
- 可重复的
- 反复
- 重复的
- 必须
- 研究
- 研究和开发
- 保留的
- 弹性
- 分辨率
- 资源
- 导致
- 成果
- 重用
- 回顾
- 机器人
- 角色
- 角色
- 运行
- 运行
- 同
- 样本数据集
- 满意
- 鳞片
- 始你
- 科学
- 科学家
- 科学家
- 无缝
- 部分
- 部分
- 安全
- 保安
- 看到
- 选
- 选择
- 系列
- 无服务器
- 服务器
- 服务
- 服务
- 特色服务
- 集
- 设置
- 共用的,
- 短
- 应该
- 作品
- 显著
- 简易
- 只是
- 自
- 单
- So
- 方案,
- 解决方案
- 一些
- 东西
- 来源
- 专家
- 专业
- 指定
- 传播
- 稳定
- 堆
- 分期
- 标准
- 开始
- 开始
- 开始
- 州/领地
- Status
- 步
- 步骤
- 存储
- 商店
- 策略
- 串
- 结构体
- 这样
- 支持
- 系统
- 产品
- 表
- 采取
- 需要
- 目标
- 任务
- 任务
- 队
- 专业技术
- 电信
- 模板
- 模板
- test
- 比
- 这
- 国家
- 其
- 他们
- 然后
- 那里。
- 博曼
- 事
- Free Introduction
- 三
- 通过
- 始终
- 次
- 时间序列
- 时间戳
- 至
- 一起
- 工具
- 主题
- 对于
- 培训
- 熟练
- 产品培训
- 转换
- 过渡
- 旅行
- 触发
- true
- 二
- 类型
- 类型
- 一般
- 不确定
- 下
- 理解
- 单位
- 更新
- 上传
- 网址
- 使用
- 用例
- 用过的
- 用户
- 运用
- 折扣值
- 价值观
- 各个
- 非常
- 通过
- 愿景
- 参观
- 可视化
- 走
- 想
- 是
- 方法..
- 方法
- we
- 每周
- 井
- 什么是
- ,尤其是
- 是否
- 这
- 宽
- 大范围
- 将
- 中
- 也完全不需要
- Word
- 工作
- 写
- 书面
- 年
- 纽约
- 完全
- 您一站式解决方案
- 和风网
- 压缩