حتى بعد أكثر من مائة عام من تقديمه ، لا يزال علم الأنسجة هو المعيار الذهبي في تشخيص الأورام والتنبؤ بها. يقوم اختصاصيو علم الأمراض التشريحي بتقييم الأنسجة لتقسيم مرضى السرطان إلى مجموعات مختلفة اعتمادًا على الأنماط الجينية للورم وأنماطهم الظاهرية ، ونتائجهم السريرية [1,2،3]. ومع ذلك ، فإن التقييم البشري للشرائح النسيجية غير موضوعي ولا يمكن تكراره [XNUMX]. علاوة على ذلك ، فإن التقييم النسيجي عملية تستغرق وقتًا طويلاً وتتطلب مهنيين مدربين تدريباً عالياً.
مع التقدم التكنولوجي الكبير في العقد الماضي ، أصبحت تقنيات مثل التصوير بالشرائح الكاملة (WSI) والتعلم العميق (DL) متاحة الآن على نطاق واسع. WSI هو مسح شرائح زجاجية مجهرية تقليدية لإنتاج صورة واحدة عالية الدقة من تلك الشرائح. يسمح هذا برقمنة وجمع مجموعات كبيرة من صور علم الأمراض ، والتي كانت ستستغرق وقتًا طويلاً ومكلفة. إن توفر مجموعات البيانات هذه يخلق طرقًا جديدة ومبتكرة لتسريع التشخيص باستخدام تقنيات مثل التعلم الآلي (ML) لمساعدة أخصائيي علم الأمراض على تسريع التشخيص من خلال تحديد الميزات المهمة بسرعة.
في هذا المنشور ، سوف نستكشف كيف يمكن للمطورين الذين ليس لديهم خبرة سابقة في ML تسميات Amazon Rekognition المخصصة لتدريب نموذج يصنف الميزات الخلوية. تعد Amazon Rekognition Custom Labels إحدى ميزات الأمازون إعادة الاعتراف التي تمكنك من بناء قدرات تحليل الصور الخاصة بك القائمة على ML لاكتشاف الكائنات والمشاهد الفريدة التي تشكل جزءًا لا يتجزأ من حالة الاستخدام المحددة الخاصة بك. على وجه الخصوص ، نستخدم مجموعة بيانات تحتوي على صور شرائح كاملة لسرطان الثدي في الكلاب [1] لتوضيح كيفية معالجة هذه الصور وتدريب نموذج يكتشف الأشكال الانقسامية. تم استخدام مجموعة البيانات هذه بإذن من البروفيسور الدكتور مارك أوبريفيل ، الذي وافق على السماح لنا باستخدامه في هذا المنشور. لمزيد من المعلومات ، راجع قسم "الشكر والتقدير" في نهاية هذا المنشور.
حل نظرة عامة
يتكون الحل من مكونين:
- نموذج Amazon Rekognition Custom Labels - لتمكين Amazon Rekognition من اكتشاف الأشكال الانقسامية ، نكمل الخطوات التالية:
- قم بتجربة مجموعة بيانات WSI لإنتاج صور ذات حجم مناسب باستخدام أمازون ساجميكر ستوديو ورمز Python يعمل على دفتر Jupyter. Studio عبارة عن بيئة تطوير متكاملة (IDE) قائمة على الويب لـ ML توفر جميع الأدوات التي تحتاجها لنقل نماذجك من التجربة إلى الإنتاج مع زيادة إنتاجيتك. سنستخدم الاستوديو لتقسيم الصور إلى صور أصغر لتدريب نموذجنا.
- تدريب نموذج Amazon Rekognition Custom Labels للتعرف على الأشكال الانقسامية في عينات الهيماتوكسيلين إيوزين باستخدام البيانات التي تم إعدادها في الخطوة السابقة.
- تطبيق الواجهة الأمامية - لتوضيح كيفية استخدام نموذج مثل النموذج الذي دربناه في الخطوة السابقة ، نكمل الخطوات التالية:
يوضح الرسم البياني التالي بنية الحل.
تتوفر جميع الموارد اللازمة لنشر التنفيذ الذي تمت مناقشته في هذا المنشور والرمز الخاص بالقسم بأكمله GitHub جيثب:. يمكنك استنساخ المستودع أو تفكيكه وإجراء أي تغييرات تريدها وتشغيله بنفسك.
في الخطوات التالية ، نسير عبر الكود لفهم الخطوات المختلفة المتضمنة في الحصول على البيانات وإعدادها ، وتدريب النموذج ، واستخدامه من نموذج التطبيق.
التكاليف
عند تنفيذ الخطوات الواردة في هذه الإرشادات التفصيلية ، فإنك تتحمل تكاليف صغيرة مقابل استخدام خدمات AWS التالية:
- الأمازون إعادة الاعتراف
- AWS فارجيت
- موازن تحميل التطبيق
- مدير أسرار AWS
بالإضافة إلى ذلك ، إذا لم تعد ضمن فترة أو شروط الطبقة المجانية ، فقد تتحمل تكاليف من الخدمات التالية:
- CodePipeline
- كود بيلد
- أمازون ECR
- الأمازون SageMaker
إذا أكملت خطوات التنظيف بشكل صحيح بعد الانتهاء من هذه الإرشادات التفصيلية ، فقد تتوقع أن تقل التكاليف عن 10 دولارات أمريكية ، إذا تم تشغيل نموذج Amazon Rekognition Custom Labels وتطبيق الويب لمدة ساعة واحدة أو أقل.
المتطلبات الأساسية المسبقة
لإكمال جميع الخطوات ، تحتاج إلى ما يلي:
تدريب نموذج تصنيف الشكل الانقسامي
نقوم بتنفيذ جميع الخطوات المطلوبة لتدريب النموذج من دفتر ملاحظات Studio. إذا لم تستخدم Studio من قبل ، فقد تحتاج إلى ذلك صعد على متنها أول. لمزيد من المعلومات، راجع على متن الطائرة بسرعة إلى Amazon SageMaker Studio.
تتطلب بعض الخطوات التالية ذاكرة وصول عشوائي (RAM) أكبر مما هو متوفر في كمبيوتر محمول قياسي ml.t3.medium. تأكد من تحديد دفتر ملاحظات بحجم ml.m5.large. يجب أن ترى إشارة 2 vCPU + 8 جيجا بايت في الزاوية اليمنى العليا من الصفحة.
رمز هذا القسم متاح كملف ملف دفتر جوبيتر.
بعد الانضمام إلى Studio ، اتبع هذه التعليمات لمنح Studio الأذونات اللازمة للاتصال بـ Amazon Rekognition نيابة عنك.
تبعيات
بادئ ذي بدء ، نحتاج إلى إكمال الخطوات التالية:
- قم بتحديث حزم Linux وقم بتثبيت التبعيات المطلوبة ، مثل OpenSlide:
- قم بتثبيت مكتبات Fastai و SlideRunner باستخدام Pip:
- قم بتنزيل مجموعة البيانات (نقدم برنامج نصي للقيام بذلك تلقائيًا):
معالجة مجموعة البيانات
سنبدأ باستيراد بعض الحزم التي نستخدمها طوال مرحلة إعداد البيانات. بعد ذلك ، نقوم بتنزيل قاعدة بيانات التعليقات التوضيحية لمجموعة البيانات هذه وتحميلها. تحتوي قاعدة البيانات هذه على المواضع في صور الشرائح الكاملة للأشكال الانقسامية (الميزات التي نريد تصنيفها). انظر الكود التالي:
نظرًا لأننا نستخدم SageMaker ، فقد أنشأنا SageMaker جديدًا الجلسة لتسهيل المهام مثل تحميل مجموعة البيانات الخاصة بنا إلى ملف خدمة تخزين أمازون البسيطة (Amazon S3) دلو. نستخدم أيضًا حاوية S3 التي ينشئها SageMaker افتراضيًا لتحميل ملفات الصور التي تمت معالجتها.
• slidelist_test
تحتوي المصفوفة على معرفات الشرائح التي نستخدمها كجزء من مجموعة بيانات الاختبار لتقييم أداء النموذج المدرب. انظر الكود التالي:
تتمثل الخطوة التالية في الحصول على مجموعة من مجالات التدريب وشرائح الاختبار ، جنبًا إلى جنب مع الملصقات الموجودة فيها ، والتي يمكننا من خلالها استخدام مناطق أصغر لاستخدامها في تدريب نموذجنا. رمز get_slides موجود في ملف sampling.py بتنسيق GitHub جيثب:.
نريد أن نأخذ عينة عشوائية من شرائح التدريب والاختبار. نستخدم قوائم شرائح التدريب والاختبار واختيار عشوائي n_training_images
مرة في ملف للتدريب ، و n_test_images
مرات ملف للاختبار:
بعد ذلك ، نقوم بإنشاء دليل لصور التدريب وآخر للصور التجريبية:
قبل أن ننتج الصور الأصغر اللازمة لتدريب النموذج ، نحتاج إلى بعض التعليمات البرمجية المساعدة التي تنتج البيانات الوصفية اللازمة لوصف بيانات التدريب والاختبار. يتأكد الكود التالي من أن المربع المحيط المحدد الذي يحيط بميزات الاهتمام (الأشكال الانقسامية) موجود جيدًا داخل المنطقة التي نقطعها ، وينتج سطرًا من JSON يصف الصورة والميزات الموجودة فيها الحقيقة الأمازون SageMaker الأرض التنسيق ، وهو التنسيق الذي تتطلبه Amazon Rekognition Custom Labels. لمزيد من المعلومات حول ملف البيان هذا لاكتشاف الكائن ، راجع توطين الكائن في ملفات البيان.
مع generate_annotations
تعمل في مكانها الصحيح ، يمكننا كتابة الكود لإنتاج صور التدريب والاختبار:
الخطوة الأخيرة نحو الحصول على جميع البيانات المطلوبة هي كتابة ملف manifest.json
ملف لكل مجموعة من مجموعات البيانات:
انقل الملفات إلى S3
نستخدم upload_data
الطريقة التي يعرضها كائن جلسة SageMaker لتحميل الصور وملفات البيان إلى دلو SageMaker S3 الافتراضي:
تدريب نموذج Amazon Rekognition Custom Labels
باستخدام البيانات الموجودة بالفعل في Amazon S3 ، يمكننا الحصول على تدريب نموذج مخصص. نستخدم مكتبة Boto3 لإنشاء عميل Amazon Rekognition وإنشاء مشروع:
مع استعداد المشروع للاستخدام ، أنت الآن بحاجة إلى إصدار مشروع يشير إلى مجموعات بيانات التدريب والاختبار في Amazon S3. يشير كل إصدار بشكل مثالي إلى مجموعات بيانات مختلفة (أو إصدارات مختلفة منها). يتيح لنا ذلك الحصول على إصدارات مختلفة من النموذج ، ومقارنة أدائها ، والتبديل بينها حسب الحاجة. انظر الكود التالي:
بعد إنشاء إصدار المشروع ، يبدأ Amazon Rekognition عملية التدريب تلقائيًا. يعتمد وقت التدريب على العديد من الميزات ، مثل حجم الصور وعددها وعدد الفصول الدراسية وما إلى ذلك. في هذه الحالة ، بالنسبة لـ 500 صورة ، يستغرق التدريب حوالي 90 دقيقة حتى ينتهي.
اختبر النموذج
بعد التدريب ، يكون كل نموذج في Amazon Rekognition Custom Labels في ملف STOPPED
حالة. لاستخدامها في الاستدلال ، عليك أن تبدأها. نحصل على إصدار المشروع ARN من وصف إصدار المشروع ونمرره إلى ملف start_project_version
. لاحظ ال MinInferenceUnits
معلمة - نبدأ بوحدة استدلال واحدة. يعتمد الحد الأقصى الفعلي لعدد المعاملات في الثانية (TPS) التي تدعمها وحدة الاستدلال هذه على مدى تعقيد نموذجك. لمعرفة المزيد حول TPS ، راجع هذا بلوق وظيفة.
عندما يتم سرد إصدار مشروعك باسم RUNNING
، يمكنك البدء في إرسال الصور إلى Amazon Rekognition للاستدلال.
نستخدم أحد الملفات في مجموعة بيانات الاختبار لاختبار النموذج الذي بدأ حديثًا. يمكنك استخدام أي ملف مناسب بتنسيق PNG أو JPEG بدلاً من ذلك.
تطبيق Streamlit
لإثبات التكامل مع Amazon Rekognition ، نستخدم تطبيق Python بسيطًا جدًا. نحن نستخدم ال انسيابي مكتبة لبناء واجهة مستخدم بسيطة ، حيث نطلب من المستخدم تحميل ملف صورة.
نستخدم مكتبة Boto3 و detect_custom_labels
طريقة ، جنبًا إلى جنب مع إصدار المشروع ARN ، لاستدعاء نقطة نهاية الاستنتاج. الاستجابة عبارة عن مستند JSON يحتوي على مواضع وفئات الكائنات المختلفة التي تم اكتشافها في الصورة. في حالتنا ، هذه هي الأرقام الانقسامية التي وجدتها الخوارزمية في الصورة التي أرسلناها إلى نقطة النهاية. انظر الكود التالي:
انشر التطبيق على AWS
لنشر التطبيق ، نستخدم برنامج AWS CDK النصي. يمكن العثور على المشروع بأكمله على GitHub جيثب: . لنلقِ نظرة على الموارد المختلفة التي ينشرها البرنامج النصي.
قم بإنشاء مستودع Amazon ECR
كخطوة أولى نحو إعداد النشر لدينا ، نقوم بإنشاء مستودع Amazon ECR ، حيث يمكننا تخزين صور حاوية التطبيق الخاصة بنا:
قم بإنشاء وتخزين رمز GitHub المميز في AWS Secrets Manager
يحتاج CodePipeline إلى GitHub Personal Access Token لمراقبة مستودع GitHub الخاص بك من أجل التغييرات وسحب الكود. لإنشاء الرمز المميز ، اتبع التعليمات الموجودة في ملف وثائق جيثب. يتطلب الرمز المميز نطاقات GitHub التالية:
- •
repo
النطاق ، والذي يستخدم للتحكم الكامل في قراءة وسحب القطع الأثرية من المستودعات العامة والخاصة إلى خط الأنابيب. - •
admin:repo_hook
النطاق ، والذي يستخدم للتحكم الكامل في خطاطيف المستودع.
بعد إنشاء الرمز المميز ، قم بتخزينه في سر جديد في مدير أسرار AWS كما يلي:
اكتب معلمات التكوين إلى متجر معلمات AWS Systems Manager
يقرأ البرنامج النصي لـ AWS CDK بعض معلمات التكوين من متجر معلمات مدير أنظمة AWS، مثل اسم ومالك مستودع GitHub والحساب المستهدف والمنطقة. قبل تشغيل البرنامج النصي AWS CDK ، تحتاج إلى إنشاء هذه المعلمات في حسابك الخاص.
يمكنك القيام بذلك باستخدام AWS CLI. ما عليك سوى استدعاء ملف put-parameter
أمر باسم وقيمة ونوع المعلمة:
فيما يلي قائمة بجميع المعلمات المطلوبة بواسطة البرنامج النصي AWS CDK. كلهم من النوع String
:
- / rek_wsi / prod / accountId - معرّف الحساب الذي ننشر فيه التطبيق.
- / rek_wsi / prod / ecr_repo_name - اسم مستودع Amazon ECR حيث يتم تخزين صور الحاوية.
- / rek_wsi / prod / github / Branch - الفرع الموجود في مستودع GitHub الذي يحتاج CodePipeline منه إلى سحب الكود.
- / rek_wsi / prod / github / owner - مالك مستودع GitHub.
- / rek_wsi / prod / github / repo - اسم مستودع GitHub حيث يتم تخزين الكود الخاص بنا.
- / rek_wsi / prod / github / token - الاسم أو ARN للسر في Secrets Manager الذي يحتوي على رمز مصادقة GitHub الخاص بك. يعد هذا ضروريًا لكي تتمكن CodePipeline من التواصل مع GitHub.
- / rek_wsi / prod / region - المنطقة التي سننشر فيها التطبيق.
تلاحظ prod
المقطع في جميع أسماء المعلمات. على الرغم من أننا لا نحتاج إلى هذا المستوى من التفاصيل لمثل هذا المثال البسيط ، إلا أنه سيمكننا من إعادة استخدام هذا النهج مع مشاريع أخرى حيث قد تكون البيئات المختلفة ضرورية.
الموارد التي تم إنشاؤها بواسطة البرنامج النصي AWS CDK
نحتاج إلى تطبيقنا ، الذي يعمل في مهمة Fargate ، للحصول على أذونات لاستدعاء Amazon Rekognition. لذلك نقوم أولاً بإنشاء ملف إدارة الهوية والوصول AWS (IAM) دور المهمة مع RekognitionReadOnlyPolicy
السياسة المرفقة به. لاحظ أن ملف assumed_by
المعلمة في التعليمات البرمجية التالية تأخذ ecs-tasks.amazonaws.com
مدير الخدمة. هذا لأننا نستخدم Amazon ECS كمنسق ، لذلك نحتاج إلى Amazon ECS لتولي الدور وتمرير بيانات الاعتماد إلى مهمة Fargate.
بمجرد إنشائها ، توضع صورة حاوية التطبيق الخاصة بنا في مستودع Amazon ECR خاص. نحتاج إلى كائن يصفه ويمكننا اجتيازه عند إنشاء خدمة Fargate:
نقوم بإنشاء VPC ومجموعة جديدة لهذا التطبيق. يمكنك تعديل هذا الجزء لاستخدام VPC الخاص بك باستخدام ملف from_lookup
طريقة Vpc
صف دراسي:
الآن بعد أن أصبح لدينا VPC ومجموعة للنشر ، نقوم بإنشاء خدمة Fargate. نستخدم 0.25 vCPU و 512 ميغابايت من ذاكرة الوصول العشوائي لهذه المهمة ، ونضع موازن تحميل التطبيق العام (ALB) أمامه. بمجرد النشر ، نستخدم ALB CNAME للوصول إلى التطبيق. انظر الكود التالي:
لإنشاء ونشر صورة حاوية جديدة تلقائيًا في كل مرة نقوم فيها بدفع الكود إلى فرعنا الرئيسي ، نقوم بإنشاء خط أنابيب بسيط يتكون من إجراء مصدر GitHub وخطوة بناء. هنا نستخدم الأسرار التي قمنا بتخزينها في AWS Secrets Manager و AWS Systems Manager Parameter Store في الخطوات السابقة.
يحتاج CodeBuild إلى أذونات لدفع صور الحاوية إلى Amazon ECR. لمنح هذه الأذونات ، نضيف الامتداد AmazonEC2ContainerRegistryFullAccess
السياسة لدور IAM مفصل يمكن أن يفترضه مدير خدمة CodeBuild:
يسجّل مشروع CodeBuild الدخول إلى مستودع Amazon ECR الخاص ، ويبني صورة Docker باستخدام تطبيق Streamlit ، ويدفع الصورة إلى المستودع جنبًا إلى جنب مع appspec.yaml
و imagedefinitions.json
ملف.
• appspec.yaml
يصف الملف المهمة (المنفذ ، إصدار نظام Fargate ، وما إلى ذلك) ، في حين أن ملف imagedefinitions.json
يقوم الملف بتعيين أسماء صور الحاوية إلى Amazon ECR URI المقابل لها. انظر الكود التالي:
أخيرًا ، نضع مراحل خط الأنابيب المختلفة معًا. الإجراء الأخير هو EcsDeployAction
، والتي تأخذ صورة الحاوية التي تم إنشاؤها في المرحلة السابقة وتقوم بتحديث متجدد للمهام في مجموعة ECS الخاصة بنا:
تنظيف
لتجنب تكبد تكاليف مستقبلية ، قم بتنظيف الموارد التي قمت بإنشائها كجزء من هذا الحل.
نموذج Amazon Rekognition Custom Labels
قبل إيقاف تشغيل دفتر Studio الخاص بك ، تأكد من إيقاف نموذج Amazon Rekognition Custom Labels. إذا لم تقم بذلك ، فستستمر في تحمل التكاليف.
بدلاً من ذلك ، يمكنك استخدام وحدة تحكم Amazon Rekognition لإيقاف الخدمة:
- في وحدة تحكم Amazon Rekognition ، اختر استخدم التسميات المخصصة في جزء التنقل.
- اختار المشاريع في جزء التنقل.
- اختر الإصدار 1 من
rek-mitotic-figures-workshop
مشروع. - على استخدم النموذج علامة التبويب، اختر قلة النوم.
تطبيق Streamlit
لتدمير جميع الموارد المرتبطة بتطبيق Streamlit ، قم بتشغيل الكود التالي من دليل تطبيق AWS CDK:
مدير أسرار AWS
لحذف رمز GitHub المميز ، اتبع الإرشادات الموجودة في ملف توثيق.
وفي الختام
في هذا المنشور ، تابعنا الخطوات اللازمة لتدريب نموذج Amazon Rekognition Custom Labels لتطبيق علم الأمراض الرقمي باستخدام بيانات العالم الحقيقي. ثم تعلمنا كيفية استخدام النموذج من تطبيق بسيط تم نشره من خط أنابيب CI / CD إلى Fargate.
تمكّنك Amazon Rekognition Custom Labels من إنشاء تطبيقات رعاية صحية تدعم ML والتي يمكنك إنشاؤها ونشرها بسهولة باستخدام خدمات مثل Fargate و CodeBuild و CodePipeline.
هل يمكنك التفكير في أي تطبيقات لمساعدة الباحثين أو الأطباء أو مرضاهم لجعل حياتهم أسهل؟ إذا كان الأمر كذلك ، فاستخدم الكود الموجود في هذه الإرشادات لإنشاء تطبيقك التالي. وإذا كان لديك أي أسئلة ، يرجى مشاركتها في قسم التعليقات.
شكر وتقدير
نود أن نشكر الأستاذ الدكتور مارك أوبريفيل على التكرم بإعطائنا الإذن باستخدام مجموعة بيانات MITOS_WSI_CMC لنشر هذه المدونة. يمكن العثور على مجموعة البيانات على GitHub جيثب:.
مراجع حسابات
[1] Aubreville، M.، Bertram، CA، Donovan، TA et al. مجموعة بيانات صور شرائح كاملة مشروحة بالكامل لسرطان الثدي في الكلاب للمساعدة في أبحاث سرطان الثدي البشري. Sci Data 7 ، 417 (2020). https://doi.org/10.1038/s41597-020-00756-z
[2] خيند ، م ، كوري ، أ ، راجكومار ، هـ. وآخرون. إطار عمل التعلم العميق المعمم لتجزئة الصورة بأكملها وتحليلها. جمهورية التشيك 11 11579 (2021). https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS 27 مارس 2018 115 (13) E2970-E2979 ؛ نُشر لأول مرة في 12 مارس 2018 ؛ https://doi.org/10.1073/pnas.1717139115
عن المؤلف
بابلو نونيز بولشر ماجستير ، مهندس حلول أول يعمل مع فريق القطاع العام مع Amazon Web Services. يركز Pablo على مساعدة عملاء القطاع العام للرعاية الصحية على بناء منتجات جديدة ومبتكرة على AWS وفقًا لأفضل الممارسات. حصل على درجة الماجستير. في العلوم البيولوجية من جامعة بوينس آيرس. في أوقات فراغه ، يستمتع بركوب الدراجات والعبث بالأجهزة المضمنة التي تدعم ML.
رزفان إيوناسك، دكتوراه ، ماجستير في إدارة الأعمال ، هو الرائد التقني للرعاية الصحية في Amazon Web Services في أوروبا والشرق الأوسط وأفريقيا. يركز عمله على مساعدة عملاء الرعاية الصحية في حل مشاكل العمل من خلال الاستفادة من التكنولوجيا. في السابق ، كان رزفان هو الرئيس العالمي لمنتجات الذكاء الاصطناعي (AI) في شركة سيمنز هيلثينيرز المسؤول عن رفيق AI-Rad ، وهي عائلة الحلول الصحية الرقمية القائمة على الذكاء الاصطناعي والقائمة على السحابة للتصوير. وهو حاصل على أكثر من 30 براءة اختراع في AI / ML للتصوير الطبي ونشر أكثر من 70 منشورًا تقنيًا وسريريًا راجعه النظراء حول رؤية الكمبيوتر والنمذجة الحاسوبية وتحليل الصور الطبية. حصل رازفان على درجة الدكتوراه في علوم الكمبيوتر من جامعة ميونيخ التقنية وماجستير إدارة الأعمال من جامعة كامبريدج ، كلية جادج للأعمال.
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- من نحن
- تسريع
- الوصول
- حسابي
- اكشن
- أفريقيا
- AI
- خوارزمية
- الكل
- سابقا
- بالرغم ان
- أمازون
- الأمازون إعادة الاعتراف
- الأمازون SageMaker
- أمازون ويب سيرفيسز
- تحليل
- تطبيق
- التطبيقات
- APT
- هندسة معمارية
- مصطنع
- الذكاء الاصطناعي
- الذكاء الاصطناعي (منظمة العفو الدولية)
- ممتلكات
- التحقّق من المُستخدم
- توفر
- متاح
- AWS
- موازن
- أفضل
- أفضل الممارسات
- المدونة
- تعزيز
- صندوق
- سرطان الثدي
- نساعدك في بناء
- الأعمال
- دعوة
- كامبردج
- يستطيع الحصول على
- السرطان.
- أبحاث السرطان
- تهمة
- تصنيف
- الكود
- مجموعة شتاء XNUMX
- تعليقات
- علوم الكمبيوتر
- رؤية الكمبيوتر
- الثقة
- الاعداد
- كنسولات
- وعاء
- حاويات
- يحتوي
- تواصل
- التكاليف
- خلق
- أوراق اعتماد
- العملاء
- البيانات
- قاعدة البيانات
- قواعد البيانات
- التعلم العميق
- هدم
- التفاصيل
- كشف
- المطورين
- التطوير التجاري
- الأجهزة
- مختلف
- رقمي
- الصحة الرقمية
- رقمنة
- عامل في حوض السفن
- الأطباء
- إلى أسفل
- بسهولة
- صدى
- نقطة النهاية
- البيئة
- أوروبا
- مثال
- الخبره في مجال الغطس
- تصدير
- للعائلات
- الميزات
- المميزات
- الشكل
- الاسم الأول
- اتباع
- شوكة
- شكل
- وجدت
- الإطار
- مجانًا
- بالإضافة إلى
- وظيفة
- مستقبل
- توليد
- علم الهندسة
- GitHub جيثب:
- إعطاء
- العالمية
- ذهبي
- منح
- منح
- وجود
- رئيس
- صحة الإنسان
- الرعاية الصحية
- مساعدة
- هنا
- كيفية
- كيفية
- HTTPS
- IAM
- هوية
- صورة
- تحليل الصور
- تقطيع الصورة
- التصوير
- استيراد
- معلومات
- مبتكرة
- متكامل
- التكامل
- رؤيتنا
- مصلحة
- عالميا
- المشاركة
- IT
- مفكرة Jupyter
- ملصقات
- كبير
- آخر
- إطلاق
- تعلم
- تعلم
- تعلم
- مستوى
- المكتبة
- خط
- لينكس
- قائمة
- قوائم
- تحميل
- التعريب
- آلة التعلم
- برنامج Maps
- مارس
- طبي
- التصوير الطبي
- متوسط
- الشرق الأوسط
- ML
- نموذج
- تصميم
- عارضات ازياء
- الأكثر من ذلك
- ميونيخ
- أسماء
- قائمة الإختيارات
- بحاجة
- كشف الكائن
- التأهيل ل
- أخرى
- كاتوا ديلز
- محاكاة الصوم
- علم الأمراض
- المرضى
- أداء
- الشخصية
- المنصة
- سياسة
- رئيسي
- خاص
- عملية المعالجة
- الإنتــاج
- إنتاجية
- المنتجات
- المهنيين
- تنفيذ المشاريع
- مشروع ناجح
- تزود
- ويوفر
- جمهور
- القطاع العام
- المنشورات
- بايثون
- رامات
- بحث
- الموارد
- استجابة
- يجري
- تشغيل
- sagemaker
- مسح
- المدرسة
- علوم
- علوم
- القطاع
- مختار
- خدمات
- طقم
- ضبط
- مشاركة
- سيمنز
- هام
- الاشارات
- مقاس
- صغير
- So
- الحلول
- حل
- الفضاء
- متخصص
- انقسم
- المسرح
- بداية
- بدأت
- الولايه او المحافظه
- الحالة
- تخزين
- متجر
- ستوديو
- الدعم
- مفاتيح
- أنظمة
- الهدف
- تقني
- تقنيات
- تكنولوجيا
- تجربه بالعربي
- المصدر
- عبر
- الوقت
- استهلاك الوقت
- سويا
- رمز
- أدوات
- تيشرت
- قادة الإيمان
- المعاملات
- فريد من نوعه
- جامعة
- جامعة كامبريدج
- تحديث
- URI
- us
- USD
- قيمنا
- الإصدار
- رؤيتنا
- W
- الويب
- خدمات ويب
- على شبكة الإنترنت
- ابحث عن
- ما هي تفاصيل
- من الذى
- على نحو واسع
- في غضون
- بدون
- للعمل
- عامل
- سوف
- جاري الكتابة
- X
- سنوات
- موقع YouTube