Soovitussüsteemid on üks enimkasutatud masinõppe (ML) tehnoloogiaid reaalsetes rakendustes, alates sotsiaalvõrgustikest kuni e-kaubanduse platvormideni. Paljude veebisüsteemide kasutajad loodavad soovitussüsteemidele, et luua uusi sõprussuhteid, avastada uut muusikat soovitatud muusikaloendite järgi või isegi teha e-poe ostuotsuseid soovitatud toodete põhjal. Sotsiaalvõrgustikes on üheks levinud kasutusjuhtumiks kasutajale uute sõprade soovitamine kasutajate muude ühenduste põhjal. Ühiste sõpradega kasutajad tunnevad üksteist tõenäoliselt. Seetõttu peaks neil olema kõrgem skoor, et soovitada, kui nad pole veel ühendatud.
Sotsiaalseid võrgustikke saab loomulikult väljendada graafikuna, kus sõlmed esindavad inimesi ja inimestevahelised sidemed, näiteks sõprus või töökaaslased, on esindatud servadega. Järgnev illustreerib üht sellist sotsiaalvõrgustikku. Kujutagem ette, et meil on sotsiaalne võrgustik, mille liikmed (sõlmed) Bill, Terry, Henry, Gary ja Alistair. Nende suhteid esindab link (serv) ja iga inimese huvid, nagu sport, kunst, mängud ja koomiksid, on esindatud sõlme omadustega.
Siin on eesmärk ennustada, kas liikmete vahel on võimalik puuduv lüli. Näiteks kas me peaksime soovitama Henry ja Terry vahelist ühendust? Graafikut vaadates näeme, et neil on kaks ühist sõpra, Gary ja Alistair. Seetõttu on suur tõenäosus, et Henry ja Terry kas juba tundsid teineteist või saavad peagi tuttavaks. Aga Henry ja Bill? Neil ei ole ühiseid sõpru, kuid neil on oma sõprade sidemete kaudu nõrk side. Lisaks on neil mõlemal sarnased huvid kunstide, koomiksite ja mängude vastu. Kas peaksime seda ühendust edendama? Kõik need küsimused ja intuitsioonid on sotsiaalsete võrgustike soovitussüsteemide põhiloogika.
Üks võimalik viis seda teha on graafiku uurimisel põhinevate seoste soovitamine. Graafikupäringu keeltes, nt Apache TinkerPop Gremlin, on reeglikomplektide (nt ühiste sõprade loendamine) rakendamine suhteliselt lihtne ning selle abil saab kindlaks teha seose Henry ja Terry vahel. Need reeglistikud on aga väga keerulised, kui tahame võtta arvesse muid atribuute, nagu sõlme omadused, ühenduse tugevus jne. Kujutagem ette reeglikomplekti, mis määrab seose Henry ja Billi vahel. See reeglistik peab arvestama nende ühiseid huve ja nõrku seoseid graafiku teatud radade kaudu. Tugevuse suurendamiseks peame võib-olla lisama ka kauguse teguri, et eelistada tugevaid ühendusi ja karistada nõrku. Samamoodi sooviksime tegurit, mis soodustaks ühiseid huve. Varsti muutub keeruliseks peidetud mustreid paljastavate reeglite loetlemine võimatuks.
ML-tehnoloogia võimaldab meil avastada peidetud mustreid õppimisalgoritmide abil. Üks näide on XGBoost, mida kasutatakse laialdaselt klassifitseerimis- või regressiooniülesannete jaoks. Kuid sellised algoritmid nagu XGBoost kasutavad tavalist ML-lähenemist, mis põhineb tabeliandmete vormingul. Need lähenemisviisid ei ole graafiku andmestruktuuride jaoks optimeeritud ja nende andmemustritega toimetulemiseks on vaja keerukat funktsioonide insenerit.
Eelmises sotsiaalvõrgustiku näites on graafiku interaktsiooniteave soovituste täpsuse parandamiseks kriitilise tähtsusega. Graafiku närvivõrk (GNN) on süvaõppe (DL) raamistik, mida saab rakendada graafiku andmetele, et täita servatasemel, sõlme tasemel või graafiku tasemel ennustusülesandeid. GNN-id võivad graafiku esituse ja selle aluseks olevate mustrite õppimisel kasutada nii üksikute sõlmede omadusi kui ka graafiku struktuuri teavet. Seetõttu on viimastel aastatel GNN-põhised meetodid seadnud uued standardid paljudele soovitussüsteemide võrdlusalustele. Vaadake täpsemat teavet viimastest uurimistöödest: Põhjalik uuring graafiliste närvivõrkude kohta ja Graafikuõppel põhinevad soovitussüsteemid: ülevaade.
Järgmine on üks kuulus näide sellisest kasutusjuhtumist. Pinteresti teadlased ja insenerid on koolitanud Graafika konvolutsioonilised närvivõrgud veebiskaala soovitussüsteemide jaoks, nimega PinSage, millel on kolm miljardit tihvti ja tahvlit esindavat sõlme ning 18 miljardit serva. PinSage loob kvaliteetseid manuseid, mis esindavad tihvte (veebisisu visuaalsed järjehoidjad). Neid saab kasutada mitmesuguste allavoolu soovitustoimingute jaoks, näiteks lähima naabri otsimiseks õpitud manustamisruumis sisu leidmiseks ja soovitusteks.
Selles postituses tutvustame teile, kuidas kasutada GNN-e soovituslike kasutusjuhtumite jaoks, esitades selle lingi ennustamise probleemina. Samuti illustreerime, kuidas Neptune ML võib juurutamist hõlbustada. Pakume ka näidiskood GitHubis et treenida oma esimest GNN-i Neptune ML-iga ja teha demograafi kohta soovituslikke järeldusi linkide ennustamise ülesannete kaudu.
Linkige ennustus graafiku närvivõrkudega
Arvestades eelmist sotsiaalvõrgustiku näidet, soovitame Henryle uusi sõpru. Nii Terry kui ka Bill oleksid head kandidaadid. Terryl on Henryga rohkem ühiseid sõpru (Gary, Alistair), kuid puuduvad ühised huvid. Kuigi Billil on Henryga ühised huvid (kunst, koomiksid, mängud), kuid tal pole ühiseid sõpru. Kumb oleks parem soovitus? Kui see on kujundatud lingi ennustamise probleemina, on ülesandeks määrata kahe sõlme vahelisele võimalikule lingile skoor. Mida kõrgem on lingi skoor, seda tõenäolisemalt see soovitus läheneb. Graafikus juba olemasolevate lingistruktuuride õppimisel saab lingi ennustusmudel üldistada uusi lingiprognoose, mis graafiku "täiendavad".
Funktsiooni parameetrid f
mis ennustab, et lingi skoori õpitakse koolitusfaasis. Alates funktsioonist f
teeb ennustuse graafiku mis tahes kahe sõlme kohta, on sõlmedega seotud tunnusvektorid õppeprotsessi jaoks olulised. Henry ja Billi vahelise seose skoori ennustamiseks on meil toorandmete (kunstid, koomiksid, mängud) kogum, mis võib Henryt ja Billi esindada. Teisendame selle koos graafiku ühendustega, kasutades GNN-võrku, et moodustada uusi esitusi, mida nimetatakse sõlmede manustamiseks. Samuti saame esialgseid töötlemata funktsioone täiendada või asendada vektoritega manustamisotsingu tabelist, mida saab koolitusprotsessi käigus õppida. Ideaalis peaksid Henry ja Billi manustatud funktsioonid esindama nii nende huve kui ka topoloogilist teavet graafikust.
Kuidas GNN-id töötavad
GNN teisendab algsed sõlme funktsioonid sõlme manusteks, kasutades tehnikat nimega sõnumi edastamine. Sõnumi edastamise protsess on illustreeritud järgmisel joonisel. Alguses teisendatakse sõlme atribuudid või tunnused numbrilisteks atribuutideks. Meie puhul kodeerime kategoorilisi tunnuseid (Henry huvid: kunst, koomiksid, mängud) ühekordselt. Seejärel koondab GNN-i esimene kiht kõik naabrite (Gary ja Alistair) töötlemata funktsioonid (mustalt), et moodustada uus funktsioonide komplekt (kollane). Levinud lähenemisviis on kõigi naaberomaduste lineaarne teisendamine, seejärel koondada need normaliseeritud summa kaudu ja tulemused edastada mittelineaarsesse aktiveerimisfunktsiooni, näiteks ReLU, et luua uus vektorkomplekt. Järgmine joonis illustreerib, kuidas sõnumi edastamine sõlme jaoks töötab Henry. H, GNN-i sõnumi edastamise algoritm, arvutab kõigi graafiku sõlmede esitused. Neid kasutatakse hiljem teise kihi sisendfunktsioonidena.
GNN-i teine kiht kordab sama protsessi. See võtab sisendiks eelnevalt arvutatud tunnuse (kollasega) esimesest kihist, koondab kõik Gary ja Alistairi naabrite uued manustatud funktsioonid ning genereerib Henry jaoks teise kihi funktsioonivektorid (oranžis). Nagu näete, laiendasime sõnumi edastamise mehhanismi kordamisega funktsioonide koondamist kahe hüppega naabritele. Oma illustratsioonil piirdume 2-hop naabritega, kuid laienemist 2-hop naabriteks saab teha samal viisil, lisades teise GNN-i kihi.
Hinde arvutamisel kasutatakse Henry ja Billi lõplikke manuseid (oranžis). Treeningprotsessi ajal määratletakse lingi skoor kui 1, kui kahe sõlme vahel on serv (positiivne valim), ja kui 0, kui kahe sõlme vahelisi servi pole (negatiivne valim). Seejärel viga või kaotus tegeliku skoori ja ennustuse vahel f(e1,e2)
levitatakse tagasi eelmistesse kihtidesse, et kohandada kaalu. Kui koolitus on lõppenud, saame tugineda iga sõlme manustatud funktsioonivektoritele, et arvutada nende linkide hinded meie funktsiooniga f
.
Selles näites lihtsustasime õppeülesannet a homogeenne graafik, kus kõik sõlmed ja servad on sama tüüpi. Näiteks kõik graafiku sõlmed on tüüpi "Inimesed" ja kõik servad on tüüpi "sõbrad". Kuid õppealgoritm toetab ka heterogeenseid graafikuid, millel on erinevad sõlme- ja servatüübid. Saame laiendada eelmist kasutusjuhtumit, et soovitada tooteid erinevatele kasutajatele, kellel on sarnane suhtlus ja huvid. Lisateavet leiate sellest uurimistööst: Relatsiooniandmete modelleerimine graafiku konvolutsioonivõrkudega.
AWS-is re:Invent 2020 tutvustasime Amazon Neptune ML, mis võimaldab meie klientidel koolitada ML-mudeleid graafikuandmete põhjal, ilma et neil oleks tingimata sügavaid ML-teadmisi. Selles näites näitame teile Neptune ML-i abiga, kuidas luua graafikuandmetele oma soovitussüsteem.
Treenige oma Graph Convolution Networki Amazon Neptune ML-iga
Neptune ML kasutab graafi närvivõrgu tehnoloogiat ML-mudelite automaatseks loomiseks, treenimiseks ja juurutamiseks teie graafikuandmetele. Neptune ML toetab tavalisi graafiku ennustamise ülesandeid, nagu sõlmede klassifitseerimine ja regressioon, servade klassifitseerimine ja regressioon ning linkide ennustamine.
Selle toiteallikaks on:
- Amazon Neptuun: kiire, usaldusväärne ja täielikult hallatav graafikute andmebaas, mis on optimeeritud miljardite suhete salvestamiseks ja millisekundite latentsusega graafiku päringute tegemiseks. Amazon Neptune toetab graafikurakenduste koostamiseks kolme avatud standardit: Apache TinkerPop Gremlin, RDF SPARQL ja openCypher. Lisateavet leiate aadressilt Ülevaade Amazon Neptune'i funktsioonidest.
- Amazon SageMaker: täielikult hallatav teenus, mis annab igale arendajale ja andmeteadlasele võimaluse ML-mudeleid kiiresti ette valmistada, koolitada ja juurutada.
- Deep Graph Library (DGL): a avatud lähtekoodiga, suure jõudlusega ja skaleeritav Pythoni pakett DL-i jaoks graafikutel. See pakub kiireid ja mälutõhusaid sõnumiedastusprimitiive graafiku närvivõrkude treenimiseks. Neptune ML kasutab DGL-i, et valida ja treenida automaatselt teie töökoormuse jaoks parim ML-mudel. See võimaldab teha ML-põhiseid ennustusi graafikuandmete põhjal tundides, mitte nädalates.
Lihtsaim viis Neptune ML-iga alustamiseks on kasutada AWS CloudFormationi kiirkäivitusmall. Mall installib kõik vajalikud komponendid, sealhulgas Neptune DB klastri, ja seadistab võrgukonfiguratsioonid, IAM-i rollid ja seotud SageMakeri sülearvuti eksemplari Neptune ML-i eeltäidetud sülearvuti näidistega.
Järgmine joonis illustreerib erinevaid samme Neptune ML-i jaoks GNN-põhise soovitussüsteemi koolitamiseks. Suumime iga sammu sisse ja uurime, mida see hõlmab:
-
Andmete ekspordi konfiguratsioon
Meie Neptune ML-i protsessi esimene samm on graafiku andmete eksportimine Neptune'i klastrist. Peame määrama andmete ekspordiülesande parameetrid ja mudeli konfiguratsiooni. Me kasutame Neptune'i töölauda kõigi konfiguratsioonide ja soovituste jaoks. Töölaud võimaldab meil töötada Neptune DB klastriga, kasutades Amazon SageMakeri hostitud Jupyteri märkmikke. Lisaks pakub see sülearvutites mitmeid võlukäske, mis säästavad palju aega ja vaeva. Siin on meie näide ekspordiparameetritest:
In export_params
, peame konfigureerima põhiseadistuse, näiteks Neptune'i klastri ja väljundi Amazon Simple Storage Service (S3) eksporditud andmete salvestamise tee. Määratud konfiguratsioon additionalParams
on sooritatava ML-ülesande tüüp. Selles näites kasutatakse lingi ennustamist valikuliselt teatud servatüübi (kasutaja—SÕBER—kasutaja) ennustamiseks. Kui sihtmärgi tüüpi pole määratud, eeldab Neptune ML, et tegu on lingi ennustamisega. Parameetrid täpsustavad ka üksikasju meie graafikule salvestatud andmete kohta ja selle kohta, kuidas ML-mudel neid andmeid tõlgendab (meil on sõlm "Kasutaja" ja sõlme atribuudiks "huvid".
ML-i loomise protsessi iga etapi käivitamiseks kasutage lihtsalt Neptune'i töölaua käske. The Neptune töölaud sisaldab liinimaagiat ja rakumaagiat, mis säästab nende toimingute haldamisel palju aega. Andmete eksportimise käivitamiseks kasutage Neptune'i töölaua käsku: %neptune_ml export start
Kui eksportimine on lõpule jõudnud, ekspordime Neptuuni graafiku CSV-vormingusse ja salvestame S3 ämbrisse. Faile on kahte tüüpi: nodes.csv
ja edges.csv
. Fail nimega training-data-configuration.json
Samuti genereeritakse, millel on Neptune ML-i jaoks mudelitreeningu läbiviimiseks vajalik konfiguratsioon.
nägema Ekspordi andmed Neptune'ist Neptune ML-i jaoks rohkem informatsiooni.
-
Andmete eeltöötlemine
Neptune ML teostab andmetöötlusetappide osana funktsioonide ekstraheerimist ja kodeerimist. Levinud atribuutide eeltöötluse tüübid on järgmised: kategooriliste tunnuste kodeerimine ühe kiire kodeeringuga, numbriliste tunnuste lahterdamine või sõna2vec kasutamine stringi atribuudi või muude vabas vormis tekstiomaduste väärtuste kodeerimiseks.
Meie näites kasutame lihtsalt atribuuti "huvid". Neptune ML kodeerib väärtused mitme kategooriana. Kui aga kategooriline väärtus on keeruline (üle kolm sõna sõlme kohta), järeldab Neptune ML atribuuditüübiks tekst ja kasutab kodeeringut text_word2vec.
Andmete eeltöötluse käivitamiseks kasutage järgmist Neptune'i sülearvuti maagilist käsku: %neptune_ml dataprocessing start
Selle etapi lõpus luuakse eksporditud andmekogumist DGL-i graafik, mida kasutatakse mudeli koolitusetapi jaoks. Neptune ML häälestab mudelit automaatselt jaotises määratletud hüperparameetrite optimeerimise häälestustöödega training-data-configuration.json
. Saame selle faili alla laadida ja muuta, et häälestada mudeli hüperparameetreid, nagu näiteks partii suurus, peidetud arv, ajastute arv, katkestamine jne. Siin on Näidisfail configuration.json.
nägema Neptune'ist eksporditud graafikuandmete töötlemine koolituseks rohkem informatsiooni.
-
Modellikoolitus
Järgmine samm on GNN-mudeli automatiseeritud väljaõpe. Mudelkoolitus toimub kahes etapis. Esimeses etapis kasutatakse mudeli koolitusstrateegia loomiseks SageMakeri töötlemistööd. See on konfiguratsioonikomplekt, mis määrab, millist tüüpi mudelit ja mudeli hüperparameetrite vahemikke mudelikoolituses kasutatakse.
Seejärel käivitatakse SageMakeri hüperparameetrite häälestustöö. The SageMakeri hüperparameetrite häälestamise optimeerimise töö käivitab töödeldud andmetega eelnevalt kindlaksmääratud arvu mudelkoolituse töökatseid, proovib erinevaid hüperparameetrite kombinatsioone vastavalt model-hpo-configuration.json
faili ja salvestab koolituse käigus loodud mudeliartefaktid Amazon S3 väljundi asukohta.
Treeningetapi alustamiseks võite kasutada %neptune_ml training start
käsk
Kui kõik koolitustööd on lõpetatud, salvestab hüperparameetri häälestustöö kõige paremini toimiva mudeli artefaktid, mida kasutatakse järelduste tegemiseks.
Koolituse lõpus juhendab Neptune ML SageMakerit salvestama koolitatud mudeli, sõlmede ja servade jaoks arvutatud töötlemata manuseid ning manuste ja sõlmeindeksite vahelise kaardistamise teabe.
nägema Mudeli treenimine Neptune ML-i abil rohkem informatsiooni.
-
Looge Amazon SageMakeris järelduse lõpp-punkt
Nüüd, kui graafiku esitus on õpitud, saame juurutada õpitud mudeli lõpp-punkti taha, et teha järelduspäringuid. Mudelisisendiks on kasutaja, kelle jaoks peame genereerima sõprade soovitusi koos servatüübiga, ja väljundiks on selle kasutaja jaoks tõenäoliselt soovitatud sõprade loend.
Mudeli juurutamiseks SageMakeri lõpp-punkti eksemplarile kasutage %neptune_ml endpoint create
käsk
-
ML-mudeli päring, kasutades Gremlinit
Kui lõpp-punkt on valmis, saame seda kasutada graafiku järeldamispäringute jaoks. Neptune ML toetab graafilise järelduse päringuid Gremlinis või SPARQL-is. Meie näites saame nüüd kontrollida Neptune ML-i sõprade soovitust kasutajal Henry. See nõuab serva läbimiseks peaaegu sama süntaksit ja see loetleb teised kasutajad, kes on Henryga ühenduse FRIEND kaudu ühendatud.
Neptune#ml.prediction
tagastab Neptune ML ennustustega määratud ühenduse, kasutades mudelit, mille me just sotsiaalsel graafikul treenisime. Arve tagastatakse täpselt nagu meie ootus.
Siin on veel üks ennustuspäringu näidis, mida kasutatakse kaheksa suurima kasutaja ennustamiseks, kes kõige tõenäolisemalt Henryga ühenduse loovad.
Tulemused on järjestatud tugevamast ühendusest nõrgemani, kus link Henry — FRIEND — Colin and Henry — FRIEND — Terry
samuti pakutakse välja. See ettepanek on läbi graafikupõhise ML, kus saab uurida graafiku keerulisi interaktsioonimustreid.
nägema Gremlini järelduspäringud Neptune ML-is rohkem informatsiooni.
Mudeli teisendus või ümberõpe, kui graafiku andmed muutuvad
Teine küsimus, mille võiksite küsida, on järgmine: mis saab siis, kui mu sotsiaalvõrgustik muutub või kui ma tahan anda soovitusi äsja lisatud kasutajatele? Nendel stsenaariumidel, kus graafikud muutuvad pidevalt, peate võib-olla värskendama ML-prognoose uusimate graafikuandmetega. Pärast treeningut loodud mudeliartefaktid seotakse otse treeninggraafikuga. See tähendab, et järeldamise lõpp-punkti tuleb värskendada, kui algse treeninggraafiku olemid muutuvad.
Siiski ei pea te uuendatud graafiku põhjal prognooside tegemiseks kogu mudelit ümber õpetama. Täiendava mudeli järeldamise töövoo puhul peate eksportima ainult Neptune'i DB andmed, teostama andmete astmelise eeltöötluse, käivitama mudeli partii teisendustöö ja seejärel värskendama järelduse lõpp-punkti. Mudeli teisendamise samm võtab põhitöövoost väljaõppinud mudeli ja sisenditena andmete inkrementaalse eeltöötluse etapi tulemused. Seejärel väljastab see uue mudeliartefakti, mida kasutada järelduste tegemiseks. See uus mudeli artefakt luuakse ajakohaste graafikuandmete põhjal.
Üks eriline tähelepanu on siin mudeliteisenduse sammu käsul. See suudab arvutada mudeli artefakte graafikute andmete põhjal, mida ei kasutatud mudeli väljaõppeks. Sõlme manused arvutatakse ümber ja kõik olemasolevad sõlme manustused alistatakse. Neptune ML rakendab eelmisest koolitatud mudelist õpitud GNN-kooderit uutele graafiku andmesõlmedele koos nende uute funktsioonidega. Seetõttu tuleb uusi graafikuandmeid töödelda samade funktsioonide kodeeringutega ja need peavad järgima sama graafiku skeemi nagu algsed graafikuandmed. Lisateavet Neptune ML-i juurutamise üksikasjadest leiate aadressilt Uute mudeliartefaktide genereerimine.
Lisaks saate kogu mudelit ümber õpetada, kui graafik dramaatiliselt muutub või kui varem treenitud mudel ei suuda enam aluseks olevaid interaktsioone täpselt esitada. Sel juhul ei saa õpitud mudeli parameetrite taaskasutamine uuel graafikul tagada mudeli sarnast jõudlust. Peate oma mudeli uuel graafikul ümber õpetama. Hüperparameetrite otsimise kiirendamiseks saab Neptune ML kasutada eelmise mudeli treeningülesande teavet sooja algusega: eelmiste treeningtööde tulemusi kasutatakse heade hüperparameetrite kombinatsioonide valimiseks, et otsida uue häälestustöö järgi.
nägema töövood arenevate graafikute andmete käsitlemiseks rohkem üksikasju.
Järeldus
Selles postituses olete näinud, kuidas Neptune ML ja GNN võivad aidata teil graafikuandmete kohta soovitusi anda, kasutades lingi ennustamise ülesannet, kombineerides teavet graafiku keerukatest interaktsioonimustritest.
Linkide ennustamine on üks viis soovitussüsteemi rakendamiseks graafikul. Soovitajat saate koostada mitmel muul viisil. Saate kasutada lingi ennustamise koolituse käigus õpitud manuseid, et koondada sõlmed järelevalveta erinevatesse segmentidesse ja soovitada üksusi samasse segmenti kuuluvale. Lisaks saate hankida manused ja sisestada need sisendfunktsioonina allavoolu sarnasuspõhisesse soovitussüsteemi. Nüüd kodeerib see täiendav sisendfunktsioon ka graafikust tuletatud semantilist teavet ja võib oluliselt parandada süsteemi üldist täpsust. Lisateavet Amazon Neptune ML-i kohta leiate veebisaidilt veebisait või küsi julgelt küsimusi kommentaarides!
Autoritest
Yanwei Cui, PhD, on AWS-i masinõppe spetsialisti lahenduste arhitekt. Ta alustas masinõppe uurimist IRISA-s (Research Institute of Computer Science and Random Systems) ning tal on mitmeaastane kogemus tehisintellekti toega tööstuslike rakenduste loomisel arvutinägemise, loomuliku keele töötlemise ja veebipõhise kasutaja käitumise ennustamise vallas. AWS-is jagab ta domeeniteadmisi ja aitab klientidel avada äripotentsiaali ning saavutada mastaapse masinõppega teostatavaid tulemusi. Väljaspool tööd naudib ta lugemist ja reisimist.
Will Badr on peamine AI/ML-spetsialist SA, kes töötab ülemaailmse Amazoni masinõppe meeskonna osana. Will kasutab kirglikult tehnoloogiat uuenduslikel viisidel, et kogukonda positiivselt mõjutada. Vabal ajal meeldib talle sukelduda, jalgpalli mängida ja Vaikse ookeani saari uurida.
- '
- "
- 100
- 2020
- 7
- MEIST
- Vastavalt
- konto
- lisamine
- Täiendavad lisad
- algoritm
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- juba
- Amazon
- Amazoni masinõpe
- Amazon SageMaker
- Apache
- rakendused
- kunstlik
- tehisintellekti
- Arts
- Automatiseeritud
- AWS
- AWS re: leiutada
- Algus
- BEST
- arve
- Miljard
- Must
- ehitama
- Ehitus
- äri
- juhtudel
- väljakutseid
- klassifikatsioon
- kood
- ühine
- kogukond
- keeruline
- Arvutama
- Arvutiteadus
- Arvuti visioon
- arvutustehnika
- konfiguratsioon
- ühendus
- Side
- konsool
- sisu
- lähenema
- võiks
- Kliendid
- andmed
- andmeteadlane
- andmete salvestamine
- andmebaas
- tegelema
- sügav õpe
- arendaja
- erinev
- avastus
- kaugus
- pood
- serv
- Lõpp-punkt
- Inseneriteadus
- Inseneride
- jms
- näide
- kogemus
- uurimine
- eksport
- kaevandamine
- KIIRE
- tunnusjoon
- FUNKTSIOONID
- Joonis
- esimene
- Keskenduma
- vorm
- formaat
- Raamistik
- tasuta
- sõprus
- funktsioon
- Mängud
- tekitama
- Globaalne
- hea
- graafiline närvivõrgud
- suur
- Käsitsemine
- aitama
- aitab
- siin
- Kuidas
- Kuidas
- HTTPS
- IAM
- mõju
- rakendamisel
- Paranemist
- Kaasa arvatud
- Suurendama
- eraldi
- tööstus-
- info
- uuenduslik
- Intelligentsus
- suhtlemist
- el
- IT
- töö
- Tööturg
- keel
- Keeled
- Õppida
- õppinud
- õppimine
- Finantsvõimendus
- Raamatukogu
- joon
- LINK
- nimekiri
- Nimekirjad
- liising
- otsin
- lookup
- masinõpe
- liikmed
- millisekund
- ML
- mudel
- muusika
- Loomulik keel
- Natural Language Processing
- vaja
- naabrid
- võrk
- võrgustikud
- Neural
- Närvivõrgus
- närvivõrgud
- Uued funktsioonid
- sõlmed
- märkmikud
- Internetis
- avatud
- Muu
- Vaikne ookean
- Paber
- Inimesed
- jõudlus
- faas
- Platvormid
- mängima
- Täpsus
- ennustus
- Ennustused
- esitada
- Peamine
- Probleem
- protsess
- Toodet
- profiil
- edendama
- kinnisvara
- esitama
- anda
- annab
- ostma
- Python
- küsimus
- valik
- Töötlemata
- algandmed
- RE
- Lugemine
- regressioon
- Suhted
- asendama
- teadustöö
- Tulemused
- ümberõpe
- Tulu
- jooks
- salveitegija
- Skaala
- teadus
- Otsing
- komplekt
- Jaga
- Aktsiad
- sarnane
- lihtne
- väike
- jalgpall
- sotsiaalmeedia
- sotsiaalne graafik
- sotsiaalne võrgustik
- sotsiaalsed võrgustikud
- Lahendused
- Ruum
- sport
- Stage
- standardite
- algus
- alustatud
- ladustamine
- kauplustes
- Strateegia
- täiendamine
- Toetab
- Uuring
- süsteem
- süsteemid
- sihtmärk
- Tehnoloogiad
- Tehnoloogia
- Graafik
- Läbi
- aeg
- ülemine
- koolitus
- Muutma
- Transformation
- Värskendused
- us
- Kasutajad
- väärtus
- nägemus
- M
- WHO
- laialdaselt
- Wikipedia
- ilma
- sõnad
- Töö
- töövoog
- töötab
- oleks
- aastat
- zoom