در بسیاری از صنایع، از جمله خدمات مالی، بانکداری، مراقبت های بهداشتی، حقوقی و املاک و مستغلات، مدیریت خودکار اسناد بخشی ضروری از خدمات تجاری و مشتریان است. علاوه بر این، مقررات سختگیرانه انطباق، برای کسب و کارها لازم است اسناد حساس، به ویژه داده های مشتری را به درستی مدیریت کنند. اسناد میتوانند در قالبهای مختلف، از جمله فرمهای دیجیتال یا اسناد اسکنشده (پیدیاف یا تصویر)، و میتوانند شامل فرمها و جداول تایپشده، دستنویس یا تعبیهشده باشند. استخراج دستی داده ها و بینش از این اسناد می تواند مستعد خطا، پرهزینه، وقت گیر باشد و برای حجم بالایی از اسناد مقیاس پذیر نباشد.
فناوری تشخیص کاراکتر نوری (OCR) برای تشخیص کاراکترهای تایپ شده سالهاست که وجود دارد. بسیاری از شرکتها به صورت دستی دادهها را از اسناد اسکن شده مانند PDF، تصاویر، جداول و فرمها یا از طریق نرمافزار ساده OCR استخراج میکنند که نیاز به پیکربندی دستی دارد، که اغلب در صورت تغییر فرم نیاز به پیکربندی مجدد دارد.
سند دیجیتال اغلب اسکن یا تصویر یک سند است و بنابراین میتوانید از مدلهای یادگیری ماشینی (ML) برای استخراج خودکار متن و اطلاعات (مانند جداول، تصاویر، زیرنویسها و مقادیر جفت کلید) از سند استفاده کنید. مثلا، متن آمازونیک سرویس مبتنی بر هوش مصنوعی مبتنی بر API، چنین قابلیتهایی را با مدلهای آموزشدیده داخلی ارائه میدهد که میتوانید بدون نیاز به مهارت ML در برنامهها از آنها استفاده کنید. در همان زمان، مدلهای سفارشی ML از تکنیکهای بینایی کامپیوتری (CV) برای استخراج خودکار متن از تصاویر استفاده میکنند. این به ویژه زمانی مفید است که متن دست نویس نیاز به استخراج داشته باشد، که یک مشکل چالش برانگیز است. این همچنین به عنوان تشخیص دست خط (HWR) یا تشخیص متن دست نویس (HTR) شناخته می شود. HTR میتواند منجر به جستجوی اسناد با محتوای دستنویس یا برای ذخیره محتوای اسناد و فرمهای قدیمیتر در پایگاههای داده مدرن شود.
بر خلاف تشخیص متن استاندارد که می تواند بر روی اسناد با محتوای تایپ شده یا مجموعه داده های مصنوعی که تولید آسان و ارزان است آموزش داده شود، HWR با چالش های زیادی همراه است. این چالش ها شامل تنوع در سبک های نوشتاری، کیفیت پایین اسناد اسکن شده قدیمی، و جمع آوری مجموعه داده های آموزشی برچسب دار با کیفیت خوب است که می تواند گران یا سخت باشد.
در این پست، فرآیندها، اسکریپتها و بهترین روشها برای توسعه یک مدل ML سفارشی را به اشتراک میگذاریم آمازون SageMaker که تکنیک های یادگیری عمیق (DL) را بر اساس مفهوم بیان شده در مقاله اعمال می کند GNHK: مجموعه داده ای برای دست خط انگلیسی در طبیعت برای رونویسی متن در تصاویر متن های دست نویس به رشته ها. اگر داده های خود را دارید، می توانید از این راه حل برای برچسب گذاری داده های خود و آموزش مدل جدیدی با آن استفاده کنید. این راه حل همچنین مدل های آموزش دیده را به عنوان نقاط پایانی به کار می گیرد که می توانید از آنها برای انجام استنتاج بر روی اسناد واقعی و تبدیل اسکریپت دست خط به متن استفاده کنید. ما توضیح می دهیم که چگونه می توانید با استفاده از آن یک دروازه عمومی امن به نقطه پایانی خود ایجاد کنید دروازه API آمازون.
پیش نیازها
برای امتحان کردن راه حل در حساب کاربری خود، مطمئن شوید که موارد زیر را در محل خود دارید:
توصیه می کنیم از راه حل JumpStart استفاده کنید، که منابع را به درستی تنظیم و پیکربندی می کند تا راه حل را با موفقیت اجرا کند.
همچنین میتوانید از دادههای خود برای آموزش مدلها استفاده کنید، در این صورت باید تصاویری از متن دستنویس ذخیره شده در سرویس ذخیره سازی ساده آمازون (Amazon S3).
بررسی اجمالی راه حل
در بخشهای بعدی، شما را در هر مرحله از ایجاد منابع مشخص شده در معماری زیر راهنمایی میکنیم. با این حال، راهاندازی راهحل با SageMaker JumpStart در حساب خود، به طور خودکار این منابع را برای شما ایجاد میکند.
راهاندازی این راهحل، منابع متعددی را در حساب شما ایجاد میکند، از جمله هفت دفترچه یادداشت نمونه، چندین اسکریپت سفارشی همراه که ما در مدلهای آموزشی و استنتاج استفاده میکنیم، و دو نقطه پایانی از پیش ساختهشده که میتوانید برای استنتاج بلادرنگ استفاده کنید. برای انجام آموزش و هاست انتها به انتها. دفترچه ها به شرح زیر است:
- نوت بوک نمایشی - به شما نشان می دهد که چگونه از نقاط پایانی نمایشی برای تشخیص متن دست نویس بلادرنگ استفاده کنید
- معرفی – معماری و مراحل مختلف حل را توضیح می دهد
- برچسب گذاری داده های خود - نحوه استفاده را به شما نشان می دهد Amazon SageMaker Ground Truth برای برچسب گذاری مجموعه داده های خود
- تجسم داده ها - نتایج برچسب گذاری داده ها را تجسم می کند
- آموزش مدل – آموزش مدل های سفارشی PyTorch با داده های GNHK
- آموزش مدل سازی با داده های خودتان - به شما امکان می دهد از داده های برچسب گذاری شده خود برای مدل های آموزشی استفاده کنید
- نقاط پایان - نقاط پایانی SageMaker را با مدل های آموزش دیده سفارشی ایجاد می کند
نمای کلی داده های GNHK
این راه حل از مجموعه دستنویس GoodNotes (GNHK) مجموعه داده منتشر شده توسط خوشگله ها زیر مجوز CC-BY-4.0. این مجموعه داده در مقاله ای با عنوان ارائه شده است GNHK: مجموعه داده ای برای دست خط انگلیسی در طبیعت در کنفرانس بین المللی تحلیل و شناسایی اسناد (ICDAR) در سال 2021 با استناد زیر:
مجموعه داده GNHK شامل تصاویری از متن دستنویس انگلیسی است تا به پزشکان و محققان ML اجازه دهد تا تکنیکهای جدید تشخیص متن دستنویس را بررسی کنند. می توانید داده ها را دانلود کنید آموزش و تست SageMaker در قالب مانیفست، که شامل تصاویر، مختصات جعبه مرزی و رشته های متنی برای هر کادر محدود می شود. شکل زیر یکی از تصاویر را نشان می دهد که بخشی از مجموعه داده آموزشی است.
از مجموعه داده های برچسب گذاری شده خود استفاده کنید
اگر نمی خواهید از مجموعه داده GNHK برای آموزش استفاده کنید، می توانید مدل ها را با داده های خود آموزش دهید. اگر داده های شما با مختصات جعبه مرزی برچسب گذاری شده است، می توانید یک فایل آموزشی مانیفست سفارشی با فرمت زیر ایجاد کنید و به راحتی از آن برای آموزش مدل ها استفاده کنید. در این فرمت فایل مانیفست، هر خط یک JSON است که شامل محتوای زیر است:
داده های خام خود را با استفاده از Ground Truth برچسب گذاری کنید
اگر مجموعه داده آموزشی دارای برچسب ندارید، می توانید از Ground Truth برای برچسب گذاری داده های خود با استفاده از نیروی کار خصوصی یا منابع خارجی مانند آمازون مکانیک ترک. Ground Truth یک سرویس برچسب گذاری داده کاملاً مدیریت شده است که ساخت مجموعه داده های آموزشی بسیار دقیق برای ML را آسان می کند. Ground Truth گردشهای کاری داخلی را ارائه میکند که از موارد استفاده مختلفی از جمله متن، تصاویر و ویدیو پشتیبانی میکند. علاوه بر این، Ground Truth برچسبگذاری خودکار دادهها را ارائه میکند که از یک مدل ML برای برچسبگذاری دادههای شما استفاده میکند. شکل زیر نحوه عملکرد Ground Truth را نشان می دهد.
راه حل JumpStart که در حساب شما راه اندازی می شود یک دفترچه یادداشت نمونه ایجاد می کند (label_own_data.ipynb
) که به شما امکان می دهد مشاغل برچسب گذاری Ground Truth را برای برچسب گذاری داده های خود با استفاده از نیروی کار خصوصی خود ایجاد کنید. برای جزئیات در مورد نحوه تنظیم مشاغل برچسبگذاری برای تصاویر و همچنین منابع آموزشی و آموزشی، رجوع کنید SageMaker Ground Truth Data Labeling Resources.
وقتی برچسب گذاری داده ها کامل شد، می توانید از همراه استفاده کنید data_visualization.ipynb
نوت بوک برای تجسم نتایج برچسب گذاری داده ها.
آموزش تقسیم بندی کلمات و مدل های تشخیص متن دست خط
اکنون که دادههای برچسبگذاریشده آماده شدهاند، میتوانید از آن برای آموزش مدلی استفاده کنید که بتواند متنهای دستنویس را تشخیص دهد و معادلهای رشته متن را برگرداند. در این بخش، شما را در این فرآیند راهنمایی می کنیم و هر مرحله از ساخت و آموزش مدل ها را توضیح می دهیم. ما استفاده می کنیم PyTorch برای استفاده از چارچوب های پیشرفته برای تشخیص اشیا و تشخیص متن. شما همچنین می توانید همین رویکرد را با استفاده از سایر چارچوب های یادگیری عمیق، مانند TensorFlow or MXNet. SageMaker تصاویر از پیش ساخته شده Docker را ارائه می دهد که شامل کتابخانه های چارچوب یادگیری عمیق و سایر وابستگی های مورد نیاز برای آموزش و استنتاج است. برای لیست کاملی از تصاویر از پیش ساخته شده Docker، نگاه کنید تصاویر ظروف یادگیری عمیق موجود.
آموزش و آزمایش مجموعه داده ها
قبل از شروع آموزش مدل، باید یک مجموعه داده آموزشی و یک مجموعه داده آزمایشی (یا اعتبارسنجی) داشته باشیم تا عملکرد مدل آموزش دیده را تأیید کنیم. مجموعه داده GNHK در حال حاضر دو مجموعه داده جداگانه را برای آن ارائه می دهد آموزش و آزمایش در قالب مانیفست SageMaker، و این راه حل از این مجموعه داده ها استفاده می کند. اگر میخواهید از مجموعه داده برچسبگذاریشده خود استفاده کنید، سادهترین راه این است که یک فایل مانیفست داده برچسبگذاری شده را به مجموعههای قطار و آزمایش تقسیم کنید (مثلاً 80٪ آموزش و 20٪ آزمایش).
SageMaker مجموعه داده های آموزشی و آزمایشی را از Amazon S3 می خواند. پس از تقسیم داده ها، باید فایل های مانیفست و تصاویر مربوطه را در آمازون S3 ذخیره کنید و سپس از پیوندهای URI در اسکریپت های آموزشی استفاده کنید، همانطور که در بخش های زیر توضیح داده شده است.
مدل تقسیم بندی کلمه را آموزش دهید
برای استنباط در مورد تصاویر متن دست نویس که از چند خط و هر خط از چند کلمه تشکیل شده است، باید دو مدل ایجاد کنیم. اولین مدل با استفاده از پیشبینی جعبه محدود (یا محلیسازی) تصویر را به تک کلمات تقسیم میکند. مدل دوم یک تشخیص متن را در هر بخش به طور جداگانه اجرا می کند. هر مدل در نقطه پایانی استنتاج SageMaker برای استنتاج بلادرنگ میزبانی می شود. هر دو مدل استفاده می کنند کانتینرهای چارچوب PyTorch برای نسخه 1.6.0. برای جزئیات بیشتر در مورد آموزش و استقرار مدلها با PyTorch، از جمله الزامات آموزش و اسکریپتهای استنتاج، رجوع کنید به از PyTorch با SageMaker Python SDK استفاده کنید. برای اهداف آموزشی، ما از کلاس تخمینگر SageMaker PyTorch. برای جزئیات بیشتر ، مراجعه کنید به یک برآوردگر ایجاد کنید. برای آموزش، شما نیاز به یک اسکریپت آموزشی سفارشی به عنوان نقطه ورود هنگام راه اندازی این راه حل JumpStart در حساب کاربری خود، SageMaker به طور خودکار تمام آموزش های سفارشی و کدهای استنتاج همراه را به فایل های شما اضافه می کند. برای مدل محلی سازی، از سفارشی استفاده می کنیم 1_train_localisation.py
کد زیر src_localisation
پوشه برآوردگر از یک نمونه مبتنی بر GPU برای اهداف آموزشی استفاده می کند.
در قطعه کد زیر، معیارهای عملکرد مدل را تعریف میکنیم و یک کلاس تخمینگر PyTorch ایجاد میکنیم که نقطه ورودی آن به دایرکتوری اسکریپت آموزشی در مخزن کد هدایت میشود. در پایان با فراخوانی آموزش را راه اندازی می کنیم .fit
روش بر روی برآوردگر با مجموعه داده آموزشی و اعتبار سنجی روی مجموعه داده آزمایشی.
آموزش مدل تشخیص متن دست خط
بعد از اینکه بخشهای کلمه توسط مدل قبلی مشخص شد، قطعه بعدی خط لوله استنتاج اجرای استنتاج تشخیص دستنویس در هر بخش است. روند یکسان است، اما این بار ما از یک اسکریپت آموزشی سفارشی متفاوت استفاده می کنیم 2_train_recogniser.py
اسکریپت زیر src_recognition
به عنوان نقطه ورود برای برآوردگر، و آموزش یک مدل جدید. مشابه مدل قبلی، این مدل نیز مدل را بر روی مجموعه داده قطار آموزش می دهد و عملکرد آن را روی مجموعه داده آزمایشی ارزیابی می کند. اگر راه حل JumpStart را در حساب خود راه اندازی کنید، SageMaker به طور خودکار این کدهای منبع را به فایل های شما در دامنه استودیو شما اضافه می کند.
بعد، ما برآوردگرها را به مشاغل آموزشی متصل کنیدو منتظر بمانید تا آموزش کامل شود قبل از استقرار مدل ها. هدف از ضمیمه کردن این است که اگر وضعیت کار آموزشی Completed باشد، می توان آن را برای ایجاد یک نقطه پایانی SageMaker و بازگرداندن یک پیش بینی کننده، مستقر کرد، اما اگر کار آموزشی در حال انجام باشد، پیوست، پیام های گزارش کار آموزشی را مسدود کرده و نمایش می دهد. ، تا پایان کار آموزشی. تکمیل هر کار آموزشی ممکن است حدود 1 ساعت طول بکشد.
هنگامی که آموزش هر دو مدل کامل شد، می توانید به مرحله بعدی بروید، که با استفاده از دو مدلی که به تازگی آموزش دادیم، یک نقطه پایانی برای استنتاج بلادرنگ بر روی تصاویر ایجاد می کنید.
نقاط پایانی SageMaker را برای استنتاج بلادرنگ ایجاد کنید
گام بعدی در ساخت این راه حل، ایجاد نقاط پایانی با مدل های آموزش دیده است که می توانیم برای استنتاج بلادرنگ روی متن دست نویس استفاده کنیم. ما شما را از طریق مراحل دانلود مصنوعات مدل، ایجاد کانتینرهای مدل، استقرار کانتینرها و در نهایت استفاده از مدلهای مستقر برای استنتاج بلادرنگ بر روی یک تصویر آزمایشی یا تصویر خود راهنمایی میکنیم.
ابتدا باید مصنوعات مدل آموزش دیده از Amazon S3 را تجزیه کنیم. پس از هر کار آموزشی، SageMaker مدل آموزش دیده را به شکل یک توپ تار (.tar.gz
) در Amazon S3 که می توانید برای استفاده در داخل یا خارج از SageMaker دانلود کنید. برای این منظور، قطعه کد زیر از سه تابع ابزار (get_latest_training_job
, get_model_data
و parse_model_data
) از sm_utils
پوشه ای که با راه اندازی راه حل JumpStart در حساب کاربری خود به طور خودکار به فایل های شما در Studio اضافه می شود. این اسکریپت نشان میدهد که چگونه میتوان دادههای مدل تقسیمبندی کلمه PyTorch (یا محلیسازی) را دانلود کرد، آنها را در یک توپ تار فشرده کرد و آن را در Amazon S3 کپی کرد تا مدل بعداً ساخته شود. می توانید این فرآیند را برای مدل تشخیص متن تکرار کنید.
اکنون که فایلهای مدل آموزشدیده را داریم، ایجاد یک ظرف مدل در SageMaker آسان است. از آنجایی که ما مدل را با کلاس تخمینگر PyTorch آموزش دادیم، میتوانیم از کلاس مدل PyTorch برای ایجاد یک ظرف مدل استفاده کنیم که از یک اسکریپت استنتاج سفارشی استفاده میکند. دیدن پیادهسازی مدلهای PyTorch برای جزئیات بیشتر پس از ایجاد مدل، میتوانیم با استقرار مدل به عنوان نقطه پایانی برای استنتاج بلادرنگ، یک پیشبین ایجاد کنیم. میتوانید تعداد نمونهها را برای نقطه پایانی خود تغییر دهید یا نمونه دیگری از محاسبات تسریع شده (GPU) را از لیست نمونه های موجود برای استنتاج بلادرنگ. کلاس مدل PyTorch از inference.py
اسکریپت برای هر مدلی که هنگام راه اندازی راه حل JumpStart در دامنه استودیو خود به فایل های شما اضافه می شود. در کد زیر مدل تقسیم بندی کلمه را ایجاد می کنیم. شما می توانید همین رویکرد را برای ایجاد مدل تشخیص متن دنبال کنید.
اکنون می توانیم نقطه پایانی را با فراخوانی بسازیم .deploy
روش در حالت و ایجاد یک پیش بینی. سپس سریالساز و deserializer را به نقطه پایانی متصل میکنیم. شما می توانید همین رویکرد را برای حالت دوم، برای تشخیص متن، دنبال کنید.
ایجاد نقطه پایانی باید حدود 6 تا 7 دقیقه طول بکشد. کد زیر منتظرهایی را برای ایجاد نقطه پایانی ایجاد می کند و پس از اتمام آنها کامل نشان داده می شود.
وقتی استقرار مدل کامل شد، میتوانید تصویری از یک متن دستنویس را به اولین نقطه پایانی ارسال کنید تا کادرهای مرزبندی و مختصات آنها را برای هر کلمه دریافت کنید. سپس از آن مختصات برای برش هر کادر محدود استفاده کنید و آنها را جداگانه به نقطه پایانی دوم ارسال کنید و رشته متن شناخته شده را برای هر کادر محدود دریافت کنید. سپس میتوانید خروجیهای دو نقطه پایانی را بگیرید و کادرهای مرزی و متن را روی تصویر خام قرار دهید، یا از خروجیها در فرآیندهای پاییندست خود استفاده کنید.
نمودار زیر روند کلی فرآیند را نشان می دهد.
گسترش دهنده ها
اکنون که نقاط پایانی کاری دارید که در زمان واقعی استنتاج می کنند، می توانید از آنها برای برنامه های کاربردی یا وب سایت خود استفاده کنید. با این حال، نقاط پایانی SageMaker شما هنوز هم عمومی نیستند. شما باید API Gateways بسازید تا به ترافیک خارجی به نقاط پایانی SageMaker شما اجازه دهد. API Gateway یک سرویس کاملاً مدیریت شده است که ایجاد، انتشار، نگهداری، نظارت و ایمن کردن API ها را در هر مقیاسی برای توسعه دهندگان آسان می کند. میتوانید از API Gateway برای ارائه یک نقطه ورود خارجی برای نقاط پایانی SageMaker و ارائه امنیت، throttling، احراز هویت، فایروال استفاده کنید که توسط AWS WAF، و خیلی بیشتر. با الگوهای نقشه برداری API Gateway, می توانید نقطه پایانی SageMaker خود را با یک درخواست REST API فراخوانی کنید و پاسخ API را دریافت کنید. قالبهای نقشهبرداری به شما امکان میدهند دروازه API خود را مستقیماً با نقاط پایانی SageMaker بدون نیاز به هیچ واسطهای ادغام کنید. AWS لامبدا عملکرد، برنامه های آنلاین شما را سریع تر و ارزان تر می کند. برای ایجاد یک دروازه API و استفاده از آن برای استنتاج بلادرنگ با نقاط پایانی SageMaker خود (مانند معماری زیر)، رجوع کنید به ایجاد یک REST API مبتنی بر یادگیری ماشینی با الگوهای نقشه برداری Amazon API Gateway و Amazon SageMaker.
نتیجه
در این پست راه حلی را برای تشخیص متن دست نویس با استفاده از مدل های سفارشی SageMaker توضیح دادیم. این راه حل شامل برچسب گذاری داده های آموزشی با استفاده از Ground Truth، آموزش داده ها با کلاس های تخمینگر PyTorch و اسکریپت های سفارشی، و ایجاد نقاط پایانی SageMaker برای استنتاج بلادرنگ بود. ما همچنین توضیح دادیم که چگونه میتوانید یک دروازه API عمومی ایجاد کنید که میتواند به طور ایمن با برنامههای تلفن همراه یا وبسایت خود استفاده شود.
برای نمونههای بیشتر SageMaker، به سایت مراجعه کنید مخزن GitHub. علاوه بر این، می توانید موارد بیشتری را پیدا کنید PyTorch نمونه های اسکریپت خود را می آورد.
برای مثالهای بیشتر SageMaker Python برای MXNet، TensorFlow و PyTorch، به سایت مراجعه کنید. کانتینرهای چارچوب از پیش ساخته شده Amazon SageMaker و Python SDK.
برای نمونههای بیشتر Ground Truth، بازدید کنید مقدمه ای بر مشاغل برچسب گذاری حقیقت پایه. اطلاعات بیشتر در مورد SageMaker را می توان در این قسمت یافت مستندات فنی
درباره نویسنده
جاناتان چانگ یک دانشمند کاربردی در فناوری Halo Health است. او روی استفاده از تکنیک های پردازش سیگنال کلاسیک و یادگیری عمیق در سری های زمانی و داده های بیومتریک کار می کند. قبلاً او یک دانشمند کاربردی در AWS بود. او از آشپزی و بازدید از شهرهای تاریخی سراسر جهان لذت می برد.
دکتر نیک مینایی، مدیر علم داده و هوش تجاری در آمازون است که پیشرو توسعه محصول یادگیری ماشینی نوآورانه برای تیم زمان و حضور آمازون است. پیش از این، او بهعنوان معمار ارشد راهحلهای AI/ML در AWS خدمت میکرد و به مشتریان در سفرشان به راهحلهای یادگیری ماشینی با معماری خوب در مقیاس کمک میکرد. نیک در اوقات فراغت خود از اوقات فراغت خانوادگی، نقاشی انتزاعی و کاوش در طبیعت لذت می برد.
دکتر لی ژانگ یک مدیریت فنی اصلی برای آمازون SageMaker JumpStart و الگوریتمهای داخلی Amazon SageMaker است، سرویسی که به دانشمندان داده و متخصصان یادگیری ماشین کمک میکند آموزش و استقرار مدلهای خود را شروع کنند و از یادگیری تقویتی با Amazon SageMaker استفاده کنند. کارهای قبلی او به عنوان یک کارمند اصلی پژوهشی و مخترع اصلی در IBM Research برنده جایزه آزمون زمان کاغذ در IEEE INFOCOM شده است.
Shenghua Yue مهندس توسعه نرم افزار در Amazon SageMaker است. او بر ساخت ابزارها و محصولات یادگیری ماشین برای مشتریان تمرکز دارد. در خارج از محل کار، او از فضای باز، یوگا و پیاده روی لذت می برد.
- '
- "
- 100
- 11
- 2021
- حساب
- اضافه
- اضافی
- مزیت - فایده - سود - منفعت
- الکس
- الگوریتم
- معرفی
- آمازون
- دروازه API آمازون
- آمازون SageMaker
- تحلیل
- آپاچی
- API
- رابط های برنامه کاربردی
- برنامه های کاربردی
- معماری
- دور و بر
- تصدیق
- AWS
- بانکداری
- بهترین
- بهترین شیوه
- بیومتریک
- جعبه
- ساختن
- بنا
- کسب و کار
- هوش تجاری
- کسب و کار
- صدا
- نوشتن شرح تصاویر و
- موارد
- چالش ها
- تغییر دادن
- شخصیت شناسی
- شهرستانها
- رمز
- جمع آوری
- شرکت
- انطباق
- چشم انداز کامپیوتر
- محاسبه
- کنفرانس
- پیکر بندی
- ظرف
- ظروف
- محتوا
- پخت و پز
- ایجاد
- محصول
- خدمات مشتری
- مشتریان
- داده ها
- علم اطلاعات
- پایگاه های داده
- یادگیری عمیق
- استقرار
- کشف
- توسعه
- توسعه دهندگان
- پروژه
- دیجیتال
- کارگر بارانداز
- اسناد و مدارک
- نقطه پایانی
- مهندس
- انگلیسی
- به خصوص
- املاک
- مثال
- استخراج
- نما
- خانواده
- سریعتر
- شکل
- سرانجام
- مالی
- خدمات مالی
- نام خانوادگی
- مناسب
- به دنبال
- فرم
- قالب
- چارچوب
- تابع
- توابع
- تولید می کنند
- خوب
- GPU
- اداره
- سلامتی
- سلامتی فناوری
- بهداشت و درمان
- زیاد
- پیاده روی
- میزبانی وب
- چگونه
- چگونه
- HTTPS
- آی بی ام
- IEEE
- تصویر
- مشمول
- از جمله
- لوازم
- اطلاعات
- ابتکاری
- اطلاعات
- بررسی
- IT
- کار
- شغل ها
- برچسب
- راه اندازی
- رهبری
- برجسته
- یادگیری
- قانونی
- لاین
- فهرست
- بومی سازی
- فراگیری ماشین
- ساخت
- متریک
- ML
- موبایل
- برنامه های موبایل
- مدل
- حرکت
- ضروری
- نوت بوک
- تشخیص شی
- OCR
- پیشنهادات
- آنلاین
- دیگر
- خارج از منزل
- بسته بندی
- نقاشی
- مقاله
- کارایی
- چند ضلعی
- پیش گویی
- در حال حاضر
- اصلی
- خصوصی
- محصول
- توسعه محصول
- محصولات
- ارائه
- فراهم می کند
- عمومی
- منتشر کردن
- پــایتــون
- مارماهی
- کیفیت
- خام
- داده های خام
- املاک و مستغلات
- زمان واقعی
- مقررات
- تقویت یادگیری
- مورد نیاز
- تحقیق
- منابع
- پاسخ
- REST
- نتایج
- دویدن
- حکیم ساز
- مقیاس
- اسکن
- علم
- دانشمندان
- تیم امنیت لاتاری
- سلسله
- خدمات
- تنظیم
- اشتراک گذاری
- ساده
- مهارت ها
- نرم افزار
- توسعه نرم افزار
- مزایا
- انشعاب
- آغاز شده
- وضعیت
- ذخیره سازی
- opbevare
- پرده
- پشتیبانی
- فن آوری
- تکنیک
- پیشرفته
- جریان تنسور
- آزمون
- تست
- جهان
- از طریق
- زمان
- ابزار
- ترافیک
- آموزش
- قطار
- آموزش
- URI
- سودمندی
- تصویری
- دید
- حجم
- W
- صبر کنيد
- سایت اینترنتی
- بدون
- کلمات
- مهاجرت کاری
- گردش کار
- نیروی کار
- با این نسخهها کار
- جهان
- نوشته
- X
- سال
- ریاضت