تتزايد أهمية مخازن البيانات والتحليلات التي يتم إجراؤها على منصات مستودعات البيانات بشكل مطرد على مر السنين ، حيث أصبحت العديد من الشركات تعتمد على هذه الأنظمة باعتبارها مهمة حاسمة لاتخاذ القرارات التشغيلية قصيرة الأجل والتخطيط الاستراتيجي طويل الأجل. تقليديا ، يتم تحديث مستودعات البيانات في دورات مجمعة ، على سبيل المثال ، شهرية أو أسبوعية أو يومية ، بحيث يمكن للشركات استخلاص رؤى متنوعة منها.
تدرك العديد من المؤسسات أن استيعاب البيانات في الوقت الفعلي تقريبًا جنبًا إلى جنب مع التحليلات المتقدمة يفتح فرصًا جديدة. على سبيل المثال ، يمكن للمؤسسة المالية أن تتنبأ بما إذا كانت معاملة بطاقة الائتمان احتيالية عن طريق تشغيل برنامج اكتشاف الشذوذ في وضع شبه الوقت الحقيقي بدلاً من وضع الدُفعات.
في هذا المنشور ، نوضح كيف الأمازون الأحمر يمكن أن تقدم تنبؤات البث المباشر وتنبؤات التعلم الآلي (ML) في نظام أساسي واحد.
Amazon Redshift عبارة عن مستودع بيانات سحابي سريع وقابل للتطوير وآمن ومُدار بالكامل ، مما يجعل تحليل جميع بياناتك باستخدام لغة SQL القياسية أمرًا بسيطًا وفعالًا من حيث التكلفة.
أمازون Redshift ML يُسهل على محللي البيانات ومطوري قواعد البيانات إنشاء نماذج ML وتدريبها وتطبيقها باستخدام أوامر SQL المألوفة في مستودعات بيانات Amazon Redshift.
نحن متحمسون للانطلاق الأمازون الانزياح الأحمر المتدفق For الأمازون كينسيس دفق البيانات و Amazon Managed Streaming لأباتشي كافكا (Amazon MSK) ، والذي يمكّنك من استيعاب البيانات مباشرة من دفق بيانات Kinesis أو موضوع كافكا دون الحاجة إلى تنظيم البيانات في خدمة تخزين أمازون البسيطة (أمازون S3). يتيح لك العرض المتدفق في Amazon Redshift تحقيق زمن انتقال منخفض في غضون ثوانٍ أثناء استيعاب مئات الميجابايت من البيانات في مستودع البيانات الخاص بك.
يوضح هذا المنشور كيف يتيح لك Amazon Redshift ، مستودع البيانات السحابية ، إنشاء تنبؤات ML في الوقت الفعلي تقريبًا باستخدام عرض Amazon Redshift المتدفق وميزات Redshift ML مع لغة SQL مألوفة.
حل نظرة عامة
باتباع الخطوات الموضحة في هذا المنشور ، ستتمكن من إعداد تطبيق بث منتج على ملف الأمازون الحوسبة المرنة السحابية مثيل (Amazon EC2) الذي يحاكي معاملات بطاقات الائتمان ويدفع البيانات إلى Kinesis Data Streams في الوقت الفعلي. تقوم بإعداد عرض Amazon Redshift Streaming Ingestion على Amazon Redshift ، حيث يتم تلقي البيانات المتدفقة. أنت تدرب وتبني نموذج Redshift ML لتوليد استنتاجات في الوقت الفعلي مقابل بيانات التدفق.
يوضح الرسم البياني التالي البنية وتدفق العملية.
العملية خطوة بخطوة هي كما يلي:
- يحاكي مثيل EC2 تطبيق معاملات بطاقة الائتمان ، والذي يُدرج معاملات بطاقة الائتمان في تدفق بيانات Kinesis.
- يقوم دفق البيانات بتخزين بيانات معاملات بطاقة الائتمان الواردة.
- يتم إنشاء طريقة عرض Amazon Redshift Streaming المتدفقة أعلى تدفق البيانات ، والتي تستوعب البيانات المتدفقة تلقائيًا إلى Amazon Redshift.
- يمكنك إنشاء نموذج ML وتدريبه ونشره باستخدام Redshift ML. يتم تدريب نموذج Redshift ML باستخدام بيانات المعاملات التاريخية.
- يمكنك تحويل البيانات المتدفقة وإنشاء تنبؤات ML.
- يمكنك تنبيه العملاء أو تحديث التطبيق لتقليل المخاطر.
تستخدم هذه الإرشادات التفصيلية بيانات تدفق معاملات بطاقات الائتمان. بيانات معاملات بطاقة الائتمان وهمية وتستند إلى محاكاة. مجموعة بيانات العميل وهمية أيضًا ويتم إنشاؤها باستخدام بعض وظائف البيانات العشوائية.
المتطلبات الأساسية المسبقة
- قم بإنشاء مجموعة Amazon Redshift.
- تكوين الكتلة لاستخدام Redshift ML.
- إنشاء an إدارة الهوية والوصول AWS مستخدم (IAM).
- قم بتحديث دور IAM المرفق بمجموعة Redshift لتضمين أذونات الوصول إلى دفق بيانات Kinesis. لمزيد من المعلومات حول السياسة المطلوبة ، يرجى الرجوع إلى الشروع في البث المباشر.
- قم بإنشاء مثيل EC5.4 بحجم m2xlarge. اختبرنا تطبيق Producer باستخدام مثيل m5.4xlarge ولكن لك مطلق الحرية في استخدام نوع مثيل آخر. عند إنشاء المثيل ، استخدم amzn2-ami-kernel-5.10-hvm-2.0.20220426.0-x86_64-gp2 عامي.
- للتأكد من تثبيت Python3 في مثيل EC2 ، قم بتشغيل الأمر التالي للتحقق من إصدار Python الخاص بك (لاحظ أن البرنامج النصي لاستخراج البيانات يعمل فقط على Python 3):
- قم بتثبيت الحزم التابعة التالية لتشغيل برنامج المحاكاة:
- قم بتكوين Amazon EC2 باستخدام متغيرات مثل بيانات اعتماد AWS التي تم إنشاؤها لمستخدم IAM والتي تم إنشاؤها في الخطوة 3 أعلاه. تُظهر لقطة الشاشة التالية مثالاً باستخدام أوس تكوين.
قم بإعداد Kinesis Data Streams
Amazon Kinesis Data Streams هي خدمة دفق بيانات في الوقت الفعلي قابلة للتطوير بشكل كبير ودائم. يمكنه باستمرار التقاط عدد كبير من الجيجابايت من البيانات في الثانية من مئات الآلاف من المصادر ، مثل تدفق النقرات على موقع الويب ، وتدفقات أحداث قاعدة البيانات ، والمعاملات المالية ، وموجزات الوسائط الاجتماعية ، وسجلات تكنولوجيا المعلومات ، وأحداث تتبع الموقع. تتوفر البيانات التي تم جمعها بالمللي ثانية لتمكين حالات استخدام التحليلات في الوقت الفعلي مثل لوحات المعلومات في الوقت الفعلي واكتشاف الانحرافات في الوقت الفعلي والتسعير الديناميكي والمزيد. نحن نستخدم Kinesis Data Streams لأنه حل بدون خادم يمكنه التوسع بناءً على الاستخدام.
قم بإنشاء دفق بيانات Kinesis
أولاً ، تحتاج إلى إنشاء دفق بيانات Kinesis لتلقي البيانات المتدفقة:
- في وحدة تحكم Amazon Kinesis ، اختر تدفقات البيانات في جزء التنقل.
- اختار إنشاء دفق البيانات.
- في حالة اسم دفق البيانات، أدخل
cust-payment-txn-stream
. - في حالة وضع السعة، حدد على الطلب.
- بالنسبة لبقية الخيارات ، حدد الخيارات الافتراضية واتبع المطالبات لإكمال الإعداد.
- التقط ARN لتدفق البيانات الذي تم إنشاؤه لاستخدامه في القسم التالي عند تحديد سياسة IAM الخاصة بك.
قم بإعداد الأذونات
لكي يكتب تطبيق الدفق إلى Kinesis Data Streams ، يحتاج التطبيق إلى الوصول إلى Kinesis. يمكنك استخدام بيان السياسة التالي لمنح عملية المحاكاة التي أعددتها في القسم التالي الوصول إلى دفق البيانات. استخدم ARN لتدفق البيانات الذي قمت بحفظه في الخطوة السابقة.
تكوين منتج الدفق
قبل أن نتمكن من استهلاك البيانات المتدفقة في Amazon Redshift ، نحتاج إلى مصدر بيانات متدفق يكتب البيانات إلى دفق بيانات Kinesis. يستخدم هذا المنشور منشئ بيانات مخصصًا وملف AWS SDK لـ Python (Boto3) لنشر البيانات إلى دفق البيانات. للحصول على تعليمات الإعداد ، ارجع إلى منتج محاكاة. تنشر عملية المحاكاة هذه تدفق البيانات إلى دفق البيانات الذي تم إنشاؤه في الخطوة السابقة (cust-payment-txn-stream
).
تكوين مستهلك الدفق
يتحدث هذا القسم عن تكوين مستهلك البث (عرض البث المتدفق في Amazon Redshift).
يوفر Amazon Redshift Streaming Ingestion استيعابًا منخفضًا للكمون وعالي السرعة للبيانات المتدفقة من Kinesis Data Streams إلى طريقة عرض Amazon Redshift المادية. يمكنك تكوين مجموعة Amazon Redshift الخاصة بك لتمكين البث المتدفق وإنشاء عرض ملموس مع التحديث التلقائي ، باستخدام عبارات SQL ، كما هو موضح في إنشاء مناظر واقعية في Amazon Redshift. سوف تستوعب عملية التحديث التلقائي للعرض الفعلي تدفق البيانات بمئات الميجابايت من البيانات في الثانية من Kinesis Data Streams إلى Amazon Redshift. ينتج عن هذا وصول سريع إلى البيانات الخارجية التي يتم تحديثها بسرعة.
بعد إنشاء العرض المادي ، يمكنك الوصول إلى البيانات الخاصة بك من دفق البيانات باستخدام SQL وتبسيط خطوط أنابيب البيانات الخاصة بك عن طريق إنشاء عروض فعلية مباشرة أعلى الدفق.
أكمل الخطوات التالية لتكوين عرض متجسد يتدفق عبر Amazon Redshift:
- في وحدة تحكم IAM ، اختر السياسات في جزء التنقل.
- اختار إنشاء سياسة.
- قم بإنشاء سياسة IAM جديدة تسمى
KinesisStreamPolicy
. لتعريف سياسة التدفق ، انظر الشروع في البث المباشر. - في جزء التنقل ، اختر الأدوار.
- اختر إنشاء دور.
- أختار خدمة AWS واختر الانزياح الأحمر والانزياح الأحمر قابلان للتخصيص.
- قم بإنشاء دور جديد يسمى
redshift-streaming-role
وإرفاق السياسةKinesisStreamPolicy
. - قم بإنشاء مخطط خارجي للتعيين إلى Kinesis Data Streams:
يمكنك الآن إنشاء عرض ملموس لاستهلاك بيانات التدفق. يمكنك استخدام نوع بيانات SUPER لتخزين الحمولة كما هي ، بتنسيق JSON ، أو استخدام وظائف Amazon Redshift JSON لتحليل بيانات JSON في أعمدة فردية. في هذا المنشور ، نستخدم الطريقة الثانية لأن المخطط محدد جيدًا.
- إنشاء عرض واقعي للبث المتدفق
cust_payment_tx_stream
. من خلال تحديد AUTO REFRESH YES في الكود التالي ، يمكنك تمكين التحديث التلقائي لطريقة عرض البث المتدفقة ، مما يوفر الوقت عن طريق تجنب إنشاء خطوط أنابيب البيانات:
نلاحظ أن json_extract_path_text
له حد طول 64 كيلو بايت. أيضًا فلاتر from_varbye تسجل أكبر من 65 كيلوبايت.
- قم بتحديث البيانات.
يتم تحديث العرض الفعلي المتدفق عبر Amazon Redshift تلقائيًا بواسطة Amazon Redshift نيابة عنك. بهذه الطريقة ، لا داعي للقلق بشأن ثبات البيانات. من خلال التحديث التلقائي للعرض الفعلي ، يتم تحميل البيانات تلقائيًا في Amazon Redshift عندما تصبح متاحة في البث. إذا اخترت إجراء هذه العملية يدويًا ، فاستخدم الأمر التالي:
- الآن دعنا نستعلم عن العرض المادي المتدفق لرؤية عينة من البيانات:
- دعنا نتحقق من عدد السجلات الموجودة في طريقة العرض المتدفقة الآن:
لقد انتهيت الآن من إعداد عرض البث المتدفق في Amazon Redshift ، والذي يتم تحديثه باستمرار ببيانات معاملات بطاقة الائتمان الواردة. في الإعداد الخاص بي ، أرى أنه تم سحب حوالي 67,000 سجل إلى طريقة العرض المتدفقة في الوقت الذي قمت فيه بتشغيل استعلام حساب التحديد الخاص بي. قد يكون هذا الرقم مختلفًا بالنسبة لك.
الانزياح الأحمر ML
مع Redshift ML ، يمكنك إحضار نموذج ML مدرب مسبقًا أو إنشاء نموذج أصلي. لمزيد من المعلومات ، يرجى الرجوع إلى استخدام التعلم الآلي في Amazon Redshift.
في هذا المنشور ، نقوم بتدريب وبناء نموذج ML باستخدام مجموعة بيانات تاريخية. تحتوي البيانات على ملف tx_fraud
الحقل الذي يشير إلى معاملة تاريخية على أنها احتيالية أم لا. نقوم ببناء نموذج ML خاضع للإشراف باستخدام Redshift Auto ML ، والذي يتعلم من مجموعة البيانات هذه ويتنبأ بالمعاملات الواردة عندما يتم تشغيلها من خلال وظائف التنبؤ.
في الأقسام التالية ، نعرض كيفية إعداد مجموعة البيانات التاريخية وبيانات العميل.
قم بتحميل مجموعة البيانات التاريخية
يحتوي الجدول التاريخي على حقول أكثر مما يحتويه مصدر البيانات المتدفقة. تحتوي هذه الحقول على أحدث إنفاق للعميل ودرجة المخاطر النهائية ، مثل عدد المعاملات الاحتيالية المحسوبة عن طريق تحويل البيانات المتدفقة. هناك أيضًا متغيرات قاطعة مثل معاملات نهاية الأسبوع أو المعاملات الليلية.
لتحميل البيانات التاريخية ، قم بتشغيل الأوامر باستخدام ملف محرر استعلام Amazon Redshift.
قم بإنشاء جدول سجل المعاملات بالرمز التالي. يمكن أيضًا العثور على DDL على GitHub جيثب:.
دعنا نتحقق من عدد المعاملات التي تم تحميلها:
تحقق من اتجاه المعاملات الشهرية للاحتيال وغير الاحتيال:
إنشاء وتحميل بيانات العملاء
الآن نقوم بإنشاء جدول العملاء وتحميل البيانات ، والتي تحتوي على البريد الإلكتروني ورقم الهاتف الخاص بالعميل. تقوم الكود التالي بإنشاء الجدول وتحميل البيانات وأخذ عينات من الجدول. الجدول DDL متاح على GitHub جيثب:.
تضم بيانات الاختبار الخاصة بنا حوالي 5,000 عميل. تُظهر لقطة الشاشة التالية عينة من بيانات العملاء.
بناء نموذج ML
يحتوي جدول معاملات البطاقة التاريخية لدينا على 6 أشهر من البيانات ، والتي نستخدمها الآن لتدريب واختبار نموذج ML.
يأخذ النموذج الحقول التالية كمدخلات:
نحن نحصل tx_fraud
كإخراج.
نقوم بتقسيم هذه البيانات إلى مجموعات بيانات تدريب واختبار. المعاملات من 2022-04-01 إلى 2022-07-31 مخصصة لمجموعة التدريب. تم استخدام المعاملات من 2022-08-01 إلى 2022-09-30 لمجموعة الاختبار.
لنقم بإنشاء نموذج ML باستخدام لغة SQL المألوفة إنشاء بيان نموذج. نستخدم شكلاً أساسيًا من أمر Redshift ML. تستخدم الطريقة التالية Amazon SageMaker الطيار الآلي، والتي تقوم بإعداد البيانات وهندسة الميزات واختيار النموذج والتدريب تلقائيًا نيابة عنك. أدخل اسم حاوية S3 التي تحتوي على الرمز.
أسمي نموذج ML باسم Cust_cc_txn_fd
، ووظيفة التنبؤ كـ fn_customer_cc_fd
. تعرض عبارة FROM أعمدة الإدخال من الجدول التاريخي public.cust_payment_tx_history
. تم تعيين المعلمة الهدف على tx_fraud
، وهو المتغير المستهدف الذي نحاول توقعه. IAM_Role
تم تعيينه على الإعداد الافتراضي لأن الكتلة تم تكوينها بهذا الدور ؛ إذا لم يكن الأمر كذلك ، فيجب عليك تقديم دور IAM لمجموعة Amazon Redshift الخاصة بك ARN. أضع max_runtime
إلى 3,600 ثانية ، وهو الوقت الذي نعطيه لـ SageMaker لإكمال العملية. Redshift ML ينشر أفضل نموذج تم تحديده في هذا الإطار الزمني.
اعتمادًا على مدى تعقيد النموذج وكمية البيانات ، قد يستغرق توفر النموذج بعض الوقت. إذا وجدت أن اختيارك للطراز لم يكتمل ، فقم بزيادة قيمة max_runtime
. يمكنك تعيين قيمة قصوى قدرها 9999.
يتم تشغيل الأمر CREATE MODEL بشكل غير متزامن ، مما يعني أنه يعمل في الخلفية. يمكنك استخدام ال نموذج العرض الأمر لمعرفة حالة النموذج. عندما تظهر الحالة على أنها جاهزة ، فهذا يعني أن النموذج تم تدريبه ونشره.
تظهر لقطات الشاشة التالية مخرجاتنا.
من الإخراج ، أرى أنه تم التعرف على النموذج بشكل صحيح على أنه BinaryClassification
، و F1 كهدف. ال نتيجة F1 هو مقياس يأخذ في الاعتبار كليهما الدقة والاستدعاء. تقوم بإرجاع قيمة بين 1 (دقة واسترجاع مثالية) و 0 (أدنى درجة ممكنة). في حالتي ، تبلغ 0.91. كلما زادت القيمة ، كان أداء النموذج أفضل.
دعونا نختبر هذا النموذج مع مجموعة بيانات الاختبار. قم بتشغيل الأمر التالي ، الذي يسترد عينة من التنبؤات:
نرى أن بعض القيم متطابقة والبعض الآخر ليس كذلك. دعنا نقارن التنبؤات بالحقيقة الأساسية:
لقد تحققنا من أن النموذج يعمل وأن درجة F1 جيدة. دعنا ننتقل إلى إنشاء تنبؤات حول تدفق البيانات.
توقع المعاملات الاحتيالية
نظرًا لأن نموذج Redshift ML جاهز للاستخدام ، يمكننا استخدامه لتشغيل التنبؤات ضد تدفق البيانات المتدفقة. تحتوي مجموعة البيانات التاريخية على حقول أكثر مما لدينا في مصدر البيانات المتدفقة ، لكنها مجرد مقاييس حداثة وتكرار حول العميل والمخاطر النهائية لمعاملة احتيالية.
يمكننا تطبيق التحويلات أعلى البيانات المتدفقة بسهولة شديدة عن طريق تضمين SQL داخل طرق العرض. قم بإنشاء ملف أول رأي، والتي تجمع البيانات المتدفقة على مستوى العميل. ثم قم بإنشاء ملف الرأي الثاني، والذي يقوم بتجميع البيانات المتدفقة على مستوى المحطة الطرفية ، و المنظر الثالث، والتي تجمع بيانات المعاملات الواردة مع البيانات المجمعة للعميل والمحطة الطرفية وتستدعي وظيفة التنبؤ كلها في مكان واحد. كود العرض الثالث كالتالي:
قم بتشغيل عبارة SELECT في طريقة العرض:
أثناء تشغيل بيان SELECT بشكل متكرر ، تمر أحدث معاملات بطاقات الائتمان بتحولات وتوقعات ML في الوقت الفعلي تقريبًا.
يوضح هذا قوة Amazon Redshift - باستخدام أوامر SQL سهلة الاستخدام ، يمكنك تحويل البيانات المتدفقة عن طريق تطبيق وظائف نافذة معقدة وتطبيق نموذج ML للتنبؤ بالمعاملات الاحتيالية في خطوة واحدة ، دون إنشاء خطوط بيانات معقدة أو إنشاء وإدارة بنية تحتية إضافية.
قم بتوسيع الحل
نظرًا لأن تدفقات البيانات في وتوقعات ML يتم إجراؤها في الوقت الفعلي تقريبًا ، يمكنك إنشاء عمليات تجارية لتنبيه عميلك باستخدام خدمة إعلام أمازون البسيطة (Amazon SNS) ، أو يمكنك قفل حساب بطاقة ائتمان العميل في نظام تشغيلي.
لا يدخل هذا المنشور في تفاصيل هذه العمليات ، ولكن إذا كنت مهتمًا بمعرفة المزيد حول إنشاء حلول تعتمد على الأحداث باستخدام Amazon Redshift ، فارجع إلى ما يلي مستودع جيثب.
تنظيف
لتجنب تكبد رسوم في المستقبل ، احذف الموارد التي تم إنشاؤها كجزء من هذه المشاركة.
وفي الختام
في هذا المنشور ، أوضحنا كيفية إعداد دفق بيانات Kinesis ، وتكوين منتج ونشر البيانات إلى التدفقات ، ثم إنشاء طريقة عرض Amazon Redshift Streaming Ingestion والاستعلام عن البيانات في Amazon Redshift. بعد أن كانت البيانات في مجموعة Amazon Redshift ، أوضحنا كيفية تدريب نموذج ML وبناء وظيفة تنبؤ وتطبيقها على بيانات التدفق لإنشاء تنبؤات في الوقت الفعلي تقريبًا.
إذا كان لديك أي ملاحظات أو أسئلة ، فيرجى تركها في التعليقات.
حول المؤلف
بهانو بيتامبالي هو مهندس حلول متخصص في التحليلات مقره في دالاس. متخصص في بناء الحلول التحليلية. خلفيته في مستودعات البيانات - الهندسة المعمارية والتطوير والإدارة. يعمل في مجال البيانات والتحليلات منذ أكثر من 15 عامًا.
برافين كاديبيكوندا هو مهندس حلول متخصص أول في التحليلات في AWS ومقره في دالاس. إنه يساعد العملاء على بناء حلول تحليلية فعالة وذات أداء وقابلة للتطوير. عمل في بناء قواعد البيانات وحلول مستودعات البيانات لأكثر من 15 عامًا.
ريتيش كومار سينها هو مهندس حلول متخصص في التحليلات مقره في سان فرانسيسكو. لقد ساعد العملاء على بناء حلول تخزين البيانات الضخمة والقابلة للتطوير لأكثر من 16 عامًا. إنه يحب تصميم وبناء حلول شاملة فعالة على AWS. في أوقات فراغه ، يحب القراءة والمشي وممارسة اليوجا.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/big-data/near-real-time-fraud-detection-using-amazon-redshift-streaming-ingestion-with-amazon-kinesis-data-streams-and-amazon-redshift-ml/
- 000
- 000 عميل
- 1
- 10
- 100
- 11
- 15 سنة
- 67
- 7
- 9
- a
- ماهرون
- من نحن
- فوق
- الوصول
- حسابي
- التأهيل
- اكشن
- إضافي
- إدارة
- متقدم
- بعد
- ضد
- ملاحظه
- الكل
- يسمح
- أمازون
- Amazon EC2
- أمازون كينسيس
- كمية
- المحللين
- تحليلي
- تحليلات
- تحليل
- و
- إكتشاف عيب خلقي
- أباتشي
- تطبيق
- التقديم
- تطبيق
- هندسة معمارية
- حول
- يرفق
- السيارات
- أوتوماتيك
- تلقائيا
- متاح
- تجنب
- AWS
- خلفية
- على أساس
- الأساسية
- لان
- يصبح
- أفضل
- أفضل
- ما بين
- كبير
- البيانات الكبيرة
- جلب
- نساعدك في بناء
- ابني
- الأعمال
- العمليات التجارية
- الأعمال
- دعوة
- تسمى
- دعوات
- أسر
- فيزا وماستركارد
- حقيبة
- الحالات
- حرف
- اسعارنا محددة من قبل وزارة العمل
- التحقق
- اختار
- المدينة
- سحابة
- كتلة
- الكود
- الأعمدة
- يجمع بين
- آت
- تعليقات
- قارن
- إكمال
- الانتهاء
- مجمع
- تعقيد
- إحصاء
- وتعتبر
- كنسولات
- تستهلك
- مستهلك
- يحتوي
- فعاله من حيث التكلفه
- استطاع
- خلق
- خلق
- يخلق
- خلق
- أوراق اعتماد
- ائتمان
- بطاقة إئتمان
- زبون
- بيانات العميل
- العملاء
- دورات
- يوميا
- دالاس
- البيانات
- تحضير البيانات
- مستودع البيانات
- مستودعات البيانات
- قاعدة البيانات
- قواعد البيانات
- قواعد البيانات
- التاريخ
- اتخاذ القرار
- الترتيب
- تحديد
- نقل
- تظاهر
- تابع
- نشر
- نشر
- ينشر
- وصف
- تصميم
- تفاصيل
- كشف
- المطورين
- التطوير التجاري
- مختلف
- مباشرة
- لا
- فعل
- لا
- اتجاه
- ديناميكي
- بسهولة
- سهلة الاستخدام
- تأثير
- فعال
- البريد الإلكتروني
- تمكين
- تمكن
- النهائي إلى نهاية
- الهندسة
- أدخل
- الأثير (ETH)
- الحدث/الفعالية
- أحداث
- مثال
- متحمس
- خارجي
- استخلاص
- f1
- مألوف
- FAST
- الميزات
- المميزات
- ردود الفعل
- حقل
- مجال
- مرشحات
- مالي
- الأعلام
- تدفق
- اتباع
- متابعيك
- متابعات
- النموذج المرفق
- شكل
- وجدت
- FRAME
- فرانسيسكو
- احتيال
- الكشف عن الغش
- مجانا
- تردد
- تبدأ من
- تماما
- وظيفة
- وظائف
- مستقبل
- توليد
- ولدت
- توليد
- مولد كهربائي
- دولار فقط واحصل على خصم XNUMX% على جميع
- منح
- Go
- خير
- منح
- أرض
- تجمع
- وجود
- ساعد
- يساعد
- أعلى
- تسليط الضوء
- تاريخي
- تاريخ
- كيفية
- كيفية
- HTML
- HTTPS
- مئات
- IAM
- محدد
- هوية
- أهمية
- in
- تتضمن
- الوارد
- القيمة الاسمية
- في ازدياد
- فرد
- معلومات
- البنية التحتية
- إدخال
- إدراج
- رؤى
- تثبيت
- مثل
- معهد
- تعليمات
- يستفد
- IT
- الانضمام
- جسون
- كافكا
- تيارات بيانات Kinesis
- لغة
- أكبر
- كمون
- آخر
- إطلاق
- تعلم
- يترك
- الطول
- مستوى
- مما سيحدث
- تحديد
- تحميل
- الأحمال
- طويل الأجل
- منخفض
- آلة
- آلة التعلم
- صنع
- جعل
- يصنع
- تمكن
- إدارة
- يدويا
- كثير
- رسم خريطة
- نطاق واسع
- مطابقة
- matplotlib
- ماكس
- يعني
- الوسائط
- طريقة
- متري
- المقاييس
- تخفيف
- ML
- موضة
- نموذج
- عارضات ازياء
- شهريا
- المقبلة.
- الأكثر من ذلك
- أكثر
- خطوة
- الاسم
- قائمة الإختيارات
- حاجة
- إحتياجات
- جديد
- التالي
- إعلام
- عدد
- نمباي
- موضوعي
- ONE
- يفتح
- عملية
- تشغيل
- عمليات
- الفرص
- مزيد من الخيارات
- طلب
- المنظمات
- أخرى
- أوجز
- حزم
- الباندا
- خبز
- المعلمة
- جزء
- نفذ
- أداء
- ينفذ
- أذونات
- للهواتف
- المكان
- تخطيط
- المنصة
- منصات التداول
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- من فضلك
- سياسات الخصوصية والبيع
- سياسة
- ممكن
- منشور
- قوة
- دقة
- تنبأ
- تنبؤ
- تنبؤات
- تتوقع
- سابق
- التسعير
- عملية المعالجة
- العمليات
- منتج
- البرنامج
- تزود
- ويوفر
- جمهور
- نشر
- بايثون
- الأسئلة المتكررة
- بسرعة
- عشوائية
- نادي القراءة
- استعداد
- حقيقي
- في الوقت الحقيقي
- معلومات الوقت الحقيقي
- تحقيق
- تسلم
- تلقى
- الأخيرة
- المعترف بها
- تسجيل
- مرارا وتكرارا
- يحل محل
- مطلوب
- مورد
- الموارد
- REST
- النتائج
- عائدات
- المخاطرة
- النوع
- يجري
- تشغيل
- sagemaker
- سان
- سان فرانسيسكو
- تحجيم
- حجم
- لقطات
- الإستراحة
- سيبورن
- الثاني
- ثواني
- القسم
- أقسام
- تأمين
- مختار
- اختيار
- Serverless
- الخدمة
- طقم
- ضبط
- إعدادات
- الإعداد
- المدى القصير
- إظهار
- يظهر
- الاشارات
- تبسيط
- محاكاة
- So
- العدالة
- وسائل التواصل الاجتماعي
- حل
- الحلول
- بعض
- مصدر
- مصادر
- متخصص
- تتخصص
- أنفق
- انقسم
- SQL
- المسرح
- معيار
- بدأت
- الولايه او المحافظه
- ملخص الحساب
- البيانات
- الحالة
- خطوة
- خطوات
- تخزين
- متجر
- فروعنا
- إستراتيجي
- مجرى
- متدفق
- خدمة البث
- تيارات
- هذه
- فائق
- نظام
- أنظمة
- جدول
- أخذ
- يأخذ
- محادثات
- الهدف
- محطة
- تجربه بالعربي
- •
- الثالث
- الآلاف
- عبر
- الوقت
- الطابع الزمني
- إلى
- تيشرت
- موضوع
- تقليديا
- قطار
- متدرب
- قادة الإيمان
- صفقة
- المعاملات
- المعاملات
- تحول
- التحولات
- تحويل
- اكثر شيوعا
- تحديث
- تحديث
- الأستعمال
- تستخدم
- مستخدم
- التحقق من صحة
- قيمنا
- القيم
- مختلف
- حقيقة
- الإصدار
- المزيد
- الرؤى
- المشي
- تجول
- المخزن
- وحدات التخزين
- الموقع الإلكتروني
- نهاية الأسبوع
- أسبوعي
- ابحث عن
- التي
- في حين
- ويكيبيديا
- سوف
- بدون
- عمل
- عامل
- أعمال
- اكتب
- سنوات
- اليوغا
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت