صورة من Bing Image Creator
تحليل البيانات الاستكشافية (EDA) هو أهم مهمة يجب إجراؤها في بداية كل مشروع علم بيانات.
في جوهرها ، يتضمن فحصًا شاملاً لبياناتك وتوصيفها من أجل العثور على أساسها الخصائص، ممكن الشذوذو مخفي أنماط و العلاقات .
هذا الفهم لبياناتك هو ما سيحدث في النهاية توجه من خلال الخطوات التالية من خط أنابيب التعلم الآلي ، من المعالجة المسبقة للبيانات إلى بناء النماذج وتحليل النتائج.
تتكون عملية أكاديمية الإمارات الدبلوماسية بشكل أساسي من ثلاث مهام رئيسية:
- خطوة 1 نظرة عامة على مجموعة البيانات والإحصاءات الوصفية
- خطوة 2 تقييم الميزات والتصورو
- خطوة 3 تقييم جودة البيانات
كما قد تكون خمنت ، قد تستلزم كل مهمة من هذه المهام قدرًا شاملاً من التحليلات ، والتي ستحصل عليها بسهولة تشريح إطارات بيانات الباندا وطباعتها وتخطيطها كالمجنون.
ما لم تختر الأداة المناسبة للوظيفة.
في هذه المقالة، سنغوص فيه كل خطوة من خطوات عملية EDA الفعالة، وناقش لماذا يجب أن تستدير التنميط ydata في متجرك الشامل لإتقانها.
إلى عرض أفضل الممارسات واستقصاء الرؤى، سنستخدم ملف مجموعة بيانات تعداد البالغين، متاح مجانًا على Kaggle أو UCI Repository (الترخيص: CC0: المجال العام).
عندما نضع أيدينا لأول مرة على مجموعة بيانات غير معروفة ، هناك فكرة تلقائية تنبثق على الفور: ما الذي أعمل معه؟
نحن بحاجة إلى فهم عميق لبياناتنا للتعامل معها بكفاءة في مهام التعلم الآلي المستقبلية
كقاعدة عامة ، نبدأ تقليديًا بتوصيف البيانات نسبيًا لعدد ملاحظاتورقم و أنواع الميزات، شاملة معدل مفقودونسبة مئوية من تكرار الملاحظات.
مع بعض التلاعب بالباندا وورقة الغش الصحيحة ، يمكننا في النهاية طباعة المعلومات المذكورة أعلاه ببعض المقتطفات القصيرة من التعليمات البرمجية:
نظرة عامة على مجموعة البيانات: مجموعة بيانات التعداد للبالغين. عدد الملاحظات والمعالم وأنواع المعالم والصفوف المكررة والقيم المفقودة. مقتطف من المؤلف.
بشكل عام ، تنسيق الإخراج ليس مثاليًا ... إذا كنت معتادًا على الباندا ، فستعرف أيضًا المعيار طريقة عملها لبدء عملية EDA - df.describe()
:
مجموعة البيانات للبالغين: الإحصائيات الرئيسية المقدمة مع df.describe (). صورة المؤلف.
هذا مع ذلك ، يعتبر فقط الميزات الرقمية. يمكننا استخدام ملف df.describe(include='object')
لطباعة بعض المعلومات الإضافية حول السمات الفئوية (العد ، الفريد ، الوضع ، التكرار) ، لكن الفحص البسيط للفئات الموجودة قد يتضمن شيئًا أكثر تفصيلاً:
نظرة عامة على مجموعة البيانات: مجموعة بيانات التعداد للبالغين. طباعة الفئات الحالية والترددات الخاصة بكل ميزة فئوية في البيانات. مقتطف من المؤلف.
ومع ذلك ، يمكننا القيام بذلك - وخمن ماذا ، كل مهام أكاديمية الإمارات الدبلوماسية اللاحقة! - في سطر واحد من التعليمات البرمجية، وذلك باستخدام التنميط ydata:
تقرير التنميط لمجموعة بيانات تعداد البالغين ، باستخدام التنميط ydata. مقتطف من المؤلف.
يُنشئ الكود أعلاه تقريرًا توصيفًا كاملاً للبيانات، والتي يمكننا استخدامها لتحريك عملية EDA بشكل أكبر ، دون الحاجة إلى كتابة أي كود إضافي!
سنتصفح أقسام التقرير المختلفة في الأقسام التالية. فيما يتعلق ب الخصائص العامة للبيانات، كل المعلومات التي كنا نبحث عنها مضمنة في ملف نبذة قسم:
التنميط ydata: تقرير تكوين البيانات - نظرة عامة على مجموعة البيانات. صورة المؤلف.
يمكننا أن نرى أن مجموعة البيانات الخاصة بنا تتألف من 15 ميزة و 32561 ملاحظة ، مع 23 سجلاً مكررًا ، ومعدل إجمالي مفقود يبلغ 0.9٪.
بالإضافة إلى ذلك ، تم تحديد مجموعة البيانات بشكل صحيح على أنها ملف مجموعة البيانات المجدولة، وغير متجانسة ، تقدم كلاهما السمات العددية والفئوية. إلى بيانات السلاسل الزمنية، التي تعتمد على الوقت وتقدم أنواعًا مختلفة من الأنماط ، ydata-profiling
سوف تدمج إحصاءات وتحليلات أخرى في التقرير.
يمكننا فحص البيانات الخام والسجلات المكررة الموجودة للحصول على فهم شامل للميزات ، قبل الخوض في تحليل أكثر تعقيدًا:
إنشاء ملفات تعريف ydata: تقرير إنشاء ملفات تعريف البيانات - معاينة نموذجية. صورة المؤلف.
من معاينة العينة الموجزة من عينة البيانات ، يمكننا أن نرى على الفور أنه على الرغم من أن مجموعة البيانات بها نسبة منخفضة من البيانات المفقودة بشكل عام ، قد تتأثر بعض الميزات به اكثر من الاخرين. يمكننا أيضا تحديد بالأحرى عدد كبير من الفئات بالنسبة لبعض الميزات والميزات ذات القيمة الصفرية (أو على الأقل مع مقدار كبير من الصفر).
ydata-profiling: تقرير تكوين البيانات - معاينة الصفوف المكررة. صورة المؤلف.
بخصوص الصفوف المكررة، لن يكون من الغريب العثور على ملاحظات "متكررة" نظرًا لأن معظم الميزات تمثل فئات قد "يتناسب معها" العديد من الأشخاص في وقت واحد.
ومع ذلك ، ربما يكون ملف "رائحة البيانات" يمكن أن تكون هذه الملاحظات تشترك في نفس الشيء age
القيم (وهو أمر معقول) ونفس الشيء بالضبط fnlwgt
التي يبدو من الصعب تصديقها ، بالنظر إلى القيم المقدمة. لذلك ستكون هناك حاجة إلى مزيد من التحليل ، ولكن ينبغي علينا ذلك على الأرجح إسقاط هذه التكرارات في وقت لاحق.
بشكل عام ، قد تكون النظرة العامة على البيانات تحليلاً بسيطًا ، لكن واحدًا مؤثرة للغاية، حيث سيساعدنا ذلك في تحديد المهام القادمة في خط أنابيبنا.
بعد إلقاء نظرة خاطفة على واصفات البيانات الإجمالية ، نحتاج إلى ذلك قم بتكبير ميزات مجموعة البيانات الخاصة بنا، من أجل الحصول على بعض الأفكار حول ممتلكاتهم الفردية - تحليل أحادي أو عديد المتغير - وكذلك تفاعلاتهم وعلاقاتهم - تحليل متعدد المتغيرات.
كلتا المهمتين تعتمدان بشكل كبير على التحقيق في الإحصائيات والتصورات المناسبة، والتي يجب أن تكون مصممة لنوع الميزة في متناول اليد (على سبيل المثال ، رقمي ، فئوي) ، والسلوك نحن نتطلع إلى تشريح (على سبيل المثال ، التفاعلات والارتباطات).
دعنا نلقي نظرة على أفضل الممارسات لكل مهمة.
تحليل أحادي أو عديد المتغير
يعد تحليل الخصائص الفردية لكل ميزة أمرًا بالغ الأهمية لأنه سيساعدنا في اتخاذ قرار بشأنها أهمية التحليل و نوع إعداد البيانات قد يحتاجون إليها لتحقيق أفضل النتائج.
على سبيل المثال ، قد نجد قيمًا خارج النطاق تمامًا وقد نشير إليها التناقضات or القيم المتطرفة. قد نحتاج إلى توحيد عددي البيانات أو أداء ترميز قاطع واحد ساخن الميزات ، اعتمادًا على عدد الفئات الموجودة. أو قد نضطر إلى إجراء تحضير إضافي للبيانات للتعامل مع الميزات الرقمية الموجودة منقول أو منحرف ، إذا كانت خوارزمية التعلم الآلي التي نعتزم استخدامها تتوقع توزيعًا معينًا (عادةً غاوسي).
لذلك فإن أفضل الممارسات تتطلب إجراء تحقيق شامل في الخصائص الفردية مثل الإحصاء الوصفي وتوزيع البيانات.
ستبرز هذه الحاجة إلى المهام اللاحقة للإزالة الخارجية ، والتوحيد القياسي ، وترميز الملصقات ، واحتساب البيانات ، وزيادة البيانات ، وأنواع أخرى من المعالجة المسبقة.
دعنا نتحرى race
و capital.gain
بتفاصيل اكثر. ما الذي يمكننا اكتشافه على الفور؟
ydata- التنميط: تقرير التنميط (العرق و capital.gain). صورة المؤلف.
تقييم مكاسب رأس المال واضح ومباشر:
بالنظر إلى توزيع البيانات ، قد نتساءل عما إذا كانت الميزة تضيف أي قيمة إلى تحليلنا ، حيث أن 91.7٪ من القيم هي "0".
تحليل سباق أكثر تعقيدًا بقليل:
هناك نقص واضح في تمثيل الأجناس بخلاف White
. هذا يعيد إلى الأذهان مسألتان رئيسيتان:
- الأول هو الاتجاه العام لخوارزميات التعلم الآلي إلى التغاضي عن المفاهيم الأقل تمثيلاً، والمعروفة باسم مشكلة مفارز صغيرة، مما يؤدي إلى انخفاض أداء التعلم ؛
- الآخر مشتق إلى حد ما من هذه المشكلة: نظرًا لأننا نتعامل مع ميزة حساسة ، فقد يكون لهذا "الميل المتجاهل" عواقب تتعلق مباشرة انحياز و الإنصاف مسائل. شيء لا نريد بالتأكيد التسلل إلى نماذجنا.
مع أخذ هذا في الاعتبار ، ربما ينبغي علينا ذلك النظر في إجراء زيادة البيانات مشروطة بالفئات الممثلة تمثيلا ناقصا ، وكذلك النظر المقاييس المدركة للعدالة لتقييم النموذج، للتحقق من وجود أي اختلافات في الأداء تتعلق بـ race
القيم.
سنقوم بمزيد من التفاصيل حول خصائص البيانات الأخرى التي يجب معالجتها عندما نناقش أفضل ممارسات جودة البيانات (الخطوة 3). يوضح هذا المثال فقط مقدار الأفكار التي يمكننا الحصول عليها فقط من خلال تقييم كل ميزة على حدة HAS.
أخيرًا ، لاحظ كيف تستدعي أنواع الميزات المختلفة ، كما ذكرنا سابقًا ، إحصاءات واستراتيجيات تصور مختلفة:
- ميزات رقمية غالبًا ما تشتمل على معلومات تتعلق بالمتوسط والانحراف المعياري والانحراف والتفرطح والإحصاءات الكمية الأخرى ، ويتم تمثيلها بشكل أفضل باستخدام مخططات الرسم البياني ؛
- الميزات الفئوية عادةً ما يتم وصفها باستخدام جداول الأسلوب والوسيط والتردد ، ويتم تمثيلها باستخدام مخططات الأعمدة لتحليل الفئة.
ydata- التنميط: تقرير التنميط. يتم تعديل الإحصائيات والتصورات المقدمة لكل نوع من أنواع المعالم. Screencast بواسطة المؤلف.
سيكون مثل هذا التحليل التفصيلي مرهقًا لإجراء التلاعب العام بالباندا ، ولكن لحسن الحظ ydata-profiling
كل هذه الوظائف مضمنة في ProfileReport
لراحتنا: لم تتم إضافة أسطر إضافية من التعليمات البرمجية إلى المقتطف!
تحليل متعدد المتغيرات
بالنسبة للتحليل متعدد المتغيرات ، تركز أفضل الممارسات بشكل أساسي على استراتيجيتين: تحليل التفاعلات بين الميزات وتحليل الارتباطات.
تحليل التفاعلات
التفاعلات دعونا استكشف بصريًا كيف يتصرف كل زوج من الميزات، أي كيف ترتبط قيم ميزة ما بقيم الميزة الأخرى.
على سبيل المثال ، قد يعرضون إيجابي or سلبي العلاقات ، اعتمادًا على ما إذا كانت زيادة قيم المرء مرتبطة بزيادة أو نقصان قيم الآخر ، على التوالي.
التنميط ydata: تقرير التنميط - التفاعلات. صورة المؤلف.
أخذ التفاعل بين age
و hours.per.week
على سبيل المثال ، يمكننا أن نرى أن الغالبية العظمى من القوى العاملة تعمل بمعيار 40 ساعة. ومع ذلك ، هناك بعض "النحل المشغول" الذي يعمل بعد ذلك (حتى 60 أو حتى 65 ساعة) بين سن 30 و 45. الأشخاص في العشرينات هم أقل عرضة للإرهاق ، وقد يكون لديهم جدول عمل أكثر خفة في بعض أسابيع.
تحليل الارتباطات
على غرار التفاعلات ، الارتباطات دعونا تحليل العلاقة بين الميزات. ومع ذلك ، فإن الارتباطات "تضع قيمة" عليها ، بحيث يسهل علينا تحديد "قوة" تلك العلاقة.
هذه "القوة" تقاس بمعاملات الارتباط ويمكن تحليلها إما عدديًا (على سبيل المثال ، فحص أ مصفوفة الارتباط) أو ب خريطة الحرارة، التي تستخدم اللون والتظليل لإبراز الأنماط الشيقة بشكل مرئي:
التنميط ydata: تقرير التنميط - مخطط التمثيل اللوني ومصفوفة الارتباط. Screencast بواسطة المؤلف.
فيما يتعلق بمجموعة البيانات الخاصة بنا ، لاحظ كيفية الارتباط بين education
و education.num
يقف خارجا. في الحقيقة، لديهم نفس المعلوماتو education.num
هي مجرد مجموعة من education
القيم.
النمط الآخر الذي يلفت الأنظار هو الارتباط بين sex
و relationship
على الرغم من أنه ليس مفيدًا مرة أخرى: بالنظر إلى قيم كلتا الميزتين ، فإننا ندرك أن هذه الميزات مرتبطة على الأرجح بسبب male
و female
سوف تتوافق مع husband
و wife
، على التوالي.
قد يتم التحقق من هذا النوع من التكرار لمعرفة ما إذا كان يمكننا إزالة بعض هذه الميزات من التحليل (marital.status
يرتبط أيضًا بـ relationship
و sex
; native.country
و race
على سبيل المثال ، من بين أمور أخرى).
التنميط ydata: تقرير التنميط - الارتباطات. صورة المؤلف.
ومع ذلك ، هناك ارتباطات أخرى بارزة ويمكن أن تكون مثيرة للاهتمام لغرض تحليلنا.
على سبيل المثال ، العلاقة بينsex
و occupation
الطرق أو sex
و hours.per.week
.
أخيرًا ، الارتباطات بين income
والميزات المتبقية مفيدة حقًا, خاصة إذا كنا نحاول تحديد مشكلة التصنيف. معرفة ما هي ملفات الأكثر ارتباطًا ميزات لفئتنا المستهدفة تساعدنا على تحديد الأكثر تمييزًا بالإضافة إلى العثور على عوامل تسريب البيانات المحتملة التي قد تؤثر على نموذجنا.
من خريطة الحرارة ، يبدو أن marital.status
or relationship
من بين أهم المتنبئين ، بينما fnlwgt
على سبيل المثال ، لا يبدو أن لها تأثير كبير على النتيجة.
على غرار واصفات البيانات والتصورات ، تحتاج التفاعلات والارتباطات أيضًا إلى الاهتمام بأنواع الميزات الموجودة.
بمعنى آخر ، سيتم قياس مجموعات مختلفة بمعامِلات ارتباط مختلفة. بشكل افتراضي، ydata-profiling
يدير الارتباطات auto
، مما يعنى:
- رقمي مقابل رقمي يتم قياس الارتباطات باستخدام رتبة سبيرمان معامل الارتباط؛
- فئوية مقابل فئوية يتم قياس الارتباطات باستخدام كرامر الخامس;
- رقمية مقابل فئوية تستخدم الارتباطات أيضًا Cramer V ، حيث يتم تحديد الميزة الرقمية أولاً ؛
وإذا كنت تريد التحقق معاملات الارتباط الأخرى (على سبيل المثال ، بيرسون ، كيندال ، فاي) يمكنك ذلك بسهولة تكوين معلمات التقرير.
بينما ننتقل نحو أ نموذج متمحور حول البيانات في تطوير الذكاء الاصطناعي ، على رأس قائمة العوامل المعقدة المحتملة التي تنشأ في بياناتنا أمر ضروري.
مع "العوامل المعقدة" ، نشير إلى أخطاء التي قد تحدث أثناء جمع البيانات للمعالجة ، أو الخصائص الجوهرية للبيانات التي هي مجرد انعكاس ل طبيعة من البيانات.
وتشمل هذه مفقود البيانات، غير متوازن البيانات، ثابت القيم، التكرارات، للغاية المترابطة or زائد الميزات، صاخبة البيانات ، من بين أمور أخرى.
قضايا جودة البيانات: الأخطاء وخصائص البيانات الجوهرية. صورة المؤلف.
يعد العثور على مشكلات جودة البيانات هذه في بداية المشروع (ومراقبتها باستمرار أثناء التطوير) أمرًا بالغ الأهمية.
إذا لم يتم تحديدها ومعالجتها قبل مرحلة بناء النموذج ، فيمكن أن تعرض للخطر خط أنابيب ML بأكمله والتحليلات والاستنتاجات اللاحقة التي قد تنجم عنه.
بدون عملية آلية ، ستُترك القدرة على تحديد هذه المشكلات ومعالجتها بالكامل للتجربة الشخصية والخبرة الشخصية للشخص الذي يجري تحليل EDA ، وهو أمر واضح ليس مثاليًا. بالإضافة إلى ذلك ، ما هو الوزن الذي يجب أن يتحمله المرء ، لا سيما بالنظر إلى مجموعات البيانات عالية الأبعاد. قادم تنبيه الكابوس!
هذه هي واحدة من أكثر الميزات التي تحظى بتقدير كبير ydata-profiling
أطلقت حملة التوليد التلقائي لتنبيهات جودة البيانات:
تنميط ydata: تقرير التوصيف - تنبيهات جودة البيانات. صورة المؤلف.
ينتج ملف التعريف ما لا يقل عن 5 أنواع مختلفة من مشكلات جودة البيانات، أي duplicates
, high correlation
, imbalance
, missing
و zeros
.
في الواقع ، لقد حددنا بالفعل بعضًا من هذه من قبل ، كما مررنا بالخطوة 2: race
هي ميزة غير متوازنة للغاية و capital.gain
يسكنها في الغالب 0. لقد رأينا أيضًا الارتباط الوثيق بين education
و education.num
و relationship
و sex
.
تحليل أنماط البيانات المفقودة
من بين النطاق الشامل للتنبيهات التي تم النظر فيها ، ydata-profiling
مفيد بشكل خاص في تحليل أنماط البيانات المفقودة.
نظرًا لأن البيانات المفقودة هي مشكلة شائعة جدًا في مجالات العالم الحقيقي وقد تعرض تطبيق بعض المصنفات للخطر تمامًا أو تؤدي إلى تحيز شديد في تنبؤاتها ، أفضل ممارسة أخرى هي تحليل البيانات المفقودة بعناية النسبة المئوية والسلوك الذي قد تعرضه ميزاتنا:
التنميط ydata: تقرير التوصيف - تحليل القيم المفقودة. Screencast بواسطة المؤلف.
من قسم تنبيهات البيانات ، عرفنا ذلك بالفعل workclass
, occupation
و native.country
كان لديه ملاحظات غائبة. تخبرنا الخريطة الحرارية كذلك أن هناك علاقة مباشرة مع النمط المفقود in occupation
و workclass
: عند وجود قيمة مفقودة في إحدى الميزات ، ستفقد الأخرى أيضًا.
رؤى أساسية: تنميط البيانات يتجاوز أكاديمية الإمارات الدبلوماسية!
حتى الآن ، كنا نناقش المهام التي تشكل عملية EDA الشاملة وكيف تقييم قضايا جودة البيانات وخصائصها - عملية يمكن أن نشير إليها باسم تنميط البيانات - هي بالتأكيد أفضل ممارسة.
ومع ذلك ، من المهم توضيح ذلك التنميط البيانات يتجاوز أكاديمية الإمارات الدبلوماسية. في حين أننا نحدد بشكل عام EDA كخطوة استكشافية وتفاعلية قبل تطوير أي نوع من خطوط أنابيب البيانات ، تنميط البيانات هي عملية تكرارية يجب أن تحدث في كل خطوة للمعالجة المسبقة للبيانات وبناء النماذج.
تضع أكاديمية الإمارات الدبلوماسية الفعالة الأساس لخط أنابيب ناجح للتعلم الآلي.
إنه يشبه إجراء تشخيص لبياناتك ، وتعلم كل ما تحتاج لمعرفته حول ما تنطوي عليه - إنه HAS, العلاقات , مسائل - حتى تتمكن من معالجتها لاحقًا بأفضل طريقة ممكنة.
إنها أيضًا بداية مرحلة الإلهام لدينا: من أكاديمية الإمارات الدبلوماسية تبدأ الأسئلة والفرضيات في الظهور ، ويتم التخطيط للتحليل للتحقق من صحتها أو رفضها على طول الطريق.
خلال المقال ، قمنا بتغطية الخطوات الأساسية الثلاث التي ستوجهك عبر أكاديمية الإمارات الدبلوماسية الفعالة ، وناقشوا تأثير امتلاك أداة من الدرجة الأولى - ydata-profiling
- لتوجيهنا في الاتجاه الصحيح ، و يوفر علينا قدرًا هائلاً من الوقت والعبء العقلي.
آمل أن يساعدك هذا الدليل في إتقان فن "لعب مخبر البيانات" وكما هو الحال دائمًا ، تحظى التعليقات والأسئلة والاقتراحات بتقدير كبير. اسمحوا لي أن أعرف ما هي الموضوعات الأخرى التي تود مني أن أكتب عنها ، أو الأفضل من ذلك ، تعال وقابلني في مجتمع الذكاء الاصطناعي المرتكز على البيانات ودعونا نتعاون!
ميريام سانتوس التركيز على تثقيف مجتمعات علوم البيانات والتعلم الآلي حول كيفية الانتقال من البيانات الخام أو القذرة أو "السيئة" أو غير الكاملة إلى البيانات الذكية والذكية وعالية الجودة ، مما يتيح لمصنفات التعلم الآلي استخلاص استنتاجات دقيقة وموثوقة عبر العديد من الصناعات (Fintech والرعاية الصحية والأدوية والاتصالات والبيع بالتجزئة).
أصلي. تم إعادة النشر بإذن.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- تمويل EVM. واجهة موحدة للتمويل اللامركزي. الوصول هنا.
- مجموعة كوانتوم ميديا. تضخيم IR / PR. الوصول هنا.
- أفلاطونايستريم. ذكاء بيانات Web3. تضخيم المعرفة. الوصول هنا.
- المصدر https://www.kdnuggets.com/2023/06/data-scientist-essential-guide-exploratory-data-analysis.html?utm_source=rss&utm_medium=rss&utm_campaign=a-data-scientists-essential-guide-to-exploratory-data-analysis
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 30
- 40
- 60
- 65
- 91
- a
- القدرة
- من نحن
- فوق
- غائب
- حسابي
- دقيق
- التأهيل
- في
- وأضاف
- إضافي
- معلومات اضافية
- العنوان
- يضيف
- تعديل
- بالغ
- تؤثر
- مرة أخرى
- الأعمار
- AI
- تنبيهات
- خوارزمية
- خوارزميات
- الكل
- على طول
- سابقا
- أيضا
- بالرغم ان
- تماما
- دائما
- am
- من بين
- وسط
- كمية
- an
- تحليل
- تحليل
- حلل
- تحليل
- و
- أي وقت
- تطبيق
- هي
- فنـون
- البند
- AS
- تقييم
- التقييم المناسبين
- أسوشيتد
- At
- حضر
- المؤلفة
- الآلي
- أوتوماتيك
- متاح
- بعيدا
- سيئة
- شريط
- BE
- كان
- قبل
- البداية
- يجري
- اعتقد
- أفضل
- أفضل الممارسات
- أفضل
- ما بين
- Beyond
- انحياز
- بنج
- على حد سواء
- يجلب
- ابني
- بنيت
- عبء
- لكن
- by
- دعوة
- CAN
- الموارد
- بعناية
- حمل
- حقيبة
- الفئات
- الفئة
- التعداد السكاني
- الخصائص
- التحقق
- التحقق
- فئة
- تصنيف
- واضح
- الكود
- مجموعة شتاء XNUMX
- اللون
- تركيبات
- تأتي
- مشترك
- المجتمعات
- إكمال
- مجمع
- شامل
- يتألف
- حل وسط
- اهتمامات
- إدارة
- إجراء
- النتائج
- نظرت
- النظر
- بشكل متواصل
- ملاءمة
- ارتباط
- معامل الارتباط
- استطاع
- حرج
- حاسم
- البيانات
- تحليل البيانات
- تحضير البيانات
- جودة البيانات
- علم البيانات
- قواعد البيانات
- تعامل
- تقرر
- تخفيض
- عميق
- الترتيب
- قطعا
- التبعية
- اعتمادا
- المشتق
- وصف
- التفاصيل
- مفصلة
- حدد
- تطوير
- التطوير التجاري
- الانحراف
- التشخيص
- مختلف
- مباشرة
- اتجاه
- مباشرة
- بحث
- ناقش
- مناقشة
- العرض
- توزيع
- do
- هل
- المجالات
- لا
- رسم
- قطرة
- أثناء
- e
- كل
- أسهل
- بسهولة
- تعليم
- الطُرق الفعّالة
- فعال
- بكفاءة
- إما
- تمكين
- تماما
- أخطاء
- خاصة
- جوهر
- أساسي
- الأثير (ETH)
- حتى
- في النهاية
- كل
- كل شىء
- دراسة
- مثال
- القائمة
- تتوقع
- الخبره في مجال الغطس
- خبرة
- تحليل البيانات استكشافية
- اكتشف
- احتفل على
- جدا
- عين
- حقيقة
- مألوف
- بعيدا
- الميزات
- المميزات
- ردود الفعل
- FINTECH
- الاسم الأول
- تركز
- متابعيك
- في حالة
- القوة
- شكل
- دورة تأسيسية
- تردد
- تبدأ من
- وظيفة
- أساسي
- في الأساس
- إضافي
- مستقبل
- ربح
- العلاجات العامة
- على العموم
- يولد
- جيل
- دولار فقط واحصل على خصم XNUMX% على جميع
- GIF
- معطى
- Go
- يذهب
- الذهاب
- عظيم
- خمنت
- توجيه
- كان
- يد
- مقبض
- العناية باليد
- يملك
- وجود
- الرعاية الصحية
- بشكل كبير
- مساعدة
- مفيد
- يساعد
- عالي الجودة
- تسليط الضوء
- جدا
- عقد
- أمل
- ساعات العمل
- كيفية
- كيفية
- لكن
- HTTPS
- i
- المثالي
- محدد
- تحديد
- if
- صورة
- فورا
- التأثير
- أهمية
- in
- شامل
- دخل
- الوارد
- القيمة الاسمية
- فرد
- الصناعات
- معلومات
- بالمعلومات
- تبصر
- رؤى
- إلهام
- مثل
- ذكي
- تعتزم
- تفاعل
- التفاعلات
- التفاعلية
- وكتابة مواضيع مثيرة للاهتمام
- إلى
- جوهري
- بحث
- تحقيق
- تنطوي
- قضية
- مسائل
- IT
- انها
- يعرض للخطر
- وظيفة
- JPG
- م
- KD nuggets
- كيندال
- علم
- معرفة
- معروف
- التفرطح
- تُشير
- الى وقت لاحق
- يضع
- يؤدي
- تعلم
- الأقل
- اليسار
- أقل
- حقوق الملكية الفكرية
- ضوء
- مثل
- على الأرجح
- خط
- خطوط
- لينكدين:
- القليل
- بحث
- أبحث
- منخفض
- آلة
- آلة التعلم
- الرئيسية
- في الأساس
- أغلبية
- جعل
- تلاعب
- رسم خريطة
- رئيسي
- مصفوفة
- مايو..
- me
- تعني
- يعني
- قياس
- تعرف علي
- عقلي
- المذكورة
- المقاييس
- ربما
- مانع
- مفقود
- ML
- موضة
- نموذج
- عارضات ازياء
- مراقبة
- الأكثر من ذلك
- أكثر
- خطوة
- كثيرا
- التنقل
- حاجة
- لا
- عادة
- يلاحظ..
- عدد
- موضوع
- واضح
- حدث
- of
- غالبا
- on
- ONE
- فقط
- الأمثل
- or
- طلب
- أخرى
- أخرى
- لنا
- خارج
- نتيجة
- الناتج
- الكلي
- نظرة عامة
- زوج
- الباندا
- خاص
- الماضي
- نمط
- أنماط
- مجتمع
- نسبة مئوية
- نفذ
- أداء
- أداء
- ربما
- إذن
- شخص
- الشخصية
- فارما
- مرحلة جديدة
- اختيار
- خط أنابيب
- مخطط
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- معقول
- البوينت
- الملوثات العضوية الثابتة
- مأهول
- ممكن
- ممارسة
- الممارسات
- تنبؤات
- في الغالب
- قدم
- الهدايا
- أرسال
- سابقا
- طباعة
- الطباعة
- قبل
- المشكلة
- عملية المعالجة
- معالجة
- ملفي الشخصي
- جانبي
- تنفيذ المشاريع
- HAS
- جمهور
- غرض
- جودة
- سؤال
- الأسئلة المتكررة
- سباق
- نطاق
- معدل
- بدلا
- الخام
- العالم الحقيقي
- أدرك
- تسجيل
- عقار مخفض
- انعكاس
- بخصوص
- ذات صلة
- صلة
- العلاقات
- نسبيا
- الخدمة الموثوقة
- اعتمد
- المتبقية
- إزالة
- إزالة
- تقرير
- مستودع
- مثل
- ممثلة
- تطلب
- مطلوب
- هؤلاء
- على التوالي
- النتائج
- بيع بالتجزئة
- حق
- قاعدة
- تشغيل
- نفسه
- جدول
- علوم
- نطاق
- القسم
- أقسام
- انظر تعريف
- بدا
- يبدو
- رأيت
- حساس
- عدة
- بقسوة
- مشاركة
- تسوق
- قصير
- ينبغي
- إظهار
- هام
- الاشارات
- ببساطة
- معا
- عزباء
- سمارت
- So
- بعض
- شيء
- قليلا
- بقعة
- المسرح
- موقف
- معيار
- المدرجات
- بداية
- ابتداء
- إحصائيات
- خطوة
- خطوات
- صريح
- استراتيجيات
- لاحق
- ناجح
- هذه
- أخذ
- الهدف
- مهمة
- المهام
- يروي
- من
- أن
- •
- المعلومات
- من مشاركة
- منهم
- هناك.
- وبالتالي
- تشبه
- هم
- بعناية
- فكر
- ثلاثة
- عبر
- الوقت
- إلى
- أداة
- تيشرت
- المواضيع
- نحو
- تقليديا
- هائل
- حقا
- اثنان
- نوع
- أنواع
- ناقصا
- فهم
- فريد من نوعه
- غير معروف
- حتى
- المقبلة
- us
- تستخدم
- يستخدم
- استخدام
- عادة
- التحقق من صحة
- قيمنا
- القيم
- مختلف
- مقابل
- جدا
- التصور
- تريد
- طريق..
- we
- أسابيع
- وزن
- حسن
- ذهب
- كان
- ابحث عن
- متى
- سواء
- التي
- كامل
- لماذا
- ويكيبيديا
- سوف
- مع
- بدون
- كلمات
- للعمل
- عامل
- أعمال
- سوف
- اكتب
- حتى الآن
- لصحتك!
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت
- زوم