امروز ما RStudio را در Amazon SageMaker اعلام کرد، اولین محیط توسعه یکپارچه یادگیری ماشین (ML) در ابر برای دانشمندان داده که در R. زبان منبع باز کار می کنند. R و اکوسیستم غنی آن با بیش از بسته های 18,000 یک انتخاب برتر برای آماردانان، تحلیلگران کمیت، دانشمندان داده و مهندسان ML بوده است. RStudio در SageMaker انجام تجزیه و تحلیل آماری، ساخت مدل های ML و ایجاد محتوای علم داده در یک محیط متمرکز برای تیم را بدون نگرانی در مورد زیرساخت محاسباتی برای دانشمندان داده آسان می کند.
همراه با RStudio Workbench به عنوان بخشی از مجموعه RStudio برای توسعه دهندگان R، RStudio Connect و RStudio Package Manager هستند. اتصال RStudio آشکارسازی بینشهای ML و علم داده از کار پیچیده دانشمندان داده را آسان میکند و آن را در اختیار تصمیمگیرندگان قرار میدهد. RStudio Connect طوری طراحی شده است که به دانشمندان داده اجازه می دهد اطلاعات بینش، داشبورد و برنامه های کاربردی وب را منتشر کنند. RStudio Connect همچنین میزبانی و مدیریت محتوا را برای مصرف گسترده ساده و مقیاس پذیر می کند.
مدیر بسته RStudio به سازماندهی و متمرکز کردن بسته های R در بین تیم ها و سازمان های ML کمک می کند. همانطور که دانشمندان داده مدلهای ML خود را توسعه میدهند، به بستههای مختلف با قابلیتهای مختلف برای موارد استفاده ML خود در RStudio نیاز دارند. مدیریت منابع و نسخه های این بسته ها و مخازن عمومی متعدد به صورت دستی برای کاربران سازمانی مستعد خطا و همچنین زمان بر است. RStudio Package Manager با مدیریت مخزن بسته به صورت مرکزی برای سازمان شما این مشکلات را کاهش می دهد تا دانشمندان داده بتوانند بسته ها را سریع و ایمن نصب کنند و از تکرارپذیری و تکرار پروژه اطمینان حاصل کنند. امنیت و تکرارپذیری مهمترین جنبه در صنایع تحت نظارت مانند مراقبت های بهداشتی و مالی است.
در این پست، ابتدا به شما نشان میدهیم که چگونه RStudio Connect و RStudio Package Manager را با یک راهحل کاملاً معمارانه در AWS معماری و استقرار دهید. سپس به شما نشان می دهیم که چگونه از RStudio Connect و RStudio Package Manager از RStudio در SageMaker استفاده کنید. ما از یک استفاده می کنیم مجموعه داده سرطان پستان UCI برای ساخت چندین نوع محتوای ML به زبان R در RStudio در SageMaker. محتوای ML که در این پست نشان می دهیم شامل R Markdown و یک برنامه R Shiny است
بررسی اجمالی راه حل
معماری راه حل مبتنی بر نسخه های حرفه ای کانتینرهای RStudio Connect و RStudio Package Manager Docker است. RStudio Connect و RStudio Package Manager روی دو پیکربندی شده اند مناطق در دسترس برای در دسترس بودن بالا هر دو کانتینر RStudio Connect و RStudio Package Manager از مقیاس خودکار برای مدیریت ترافیک ورودی بسته به تعداد درخواستهای دریافتی، حافظه و استفاده از CPU در کانتینرها پشتیبانی میکنند.
تصاویر کانتینر ذخیره شده و از آن واکشی می شوند رجیستری ظروف الاستیک آمازون (Amazon ECR) با اسکن آسیب پذیری فعال است. مشکلات آسیب پذیری باید قبل از استقرار تصاویر برطرف شود.
نمودار زیر معماری راه حل را نشان می دهد.
مراحل زیر در گردش کار راه حل هستند:
- کاربران R از طریق به RStudio Connect و RStudio Package Manager دسترسی دارند مسیر آمازون 53. Route 53 یک سرویس DNS برای درخواست های دریافتی است.
- مسیر 53 درخواستهای دریافتی را حل میکند و آنها را به آنها ارسال میکند AWS WAF برای بررسی های امنیتی
- درخواست های معتبر به یک Application Load Balancer (ALB)، که اینها را به سرویس کانتینر الاستیک آمازون خوشه (Amazon ECS). ALB درخواست های دریافتی برای گواهی HTTPS را بررسی می کند که توسط آن صادر و تایید می شود مدیر گواهی AWS.
- آمازون ECS ظروف را در یک خوشه کنترل می کند ابر محاسبه الاستیک آمازون (آمازون EC2) نمونه (نوع پرتاب EC2) در یک گروه مقیاس خودکار و مسئول بزرگ کردن و کاهش تعداد ظروف در صورت نیاز با استفاده از یک است ارائه دهنده ظرفیت آمازون ECS.
- درخواستهای دریافتی توسط سرور RStudio Connect روی هر یک از کانتینرهای موجود RStudio Connect پردازش میشوند. کاربران احراز هویت می شوند و برنامه ها در مرورگر وب ارائه می شوند. درخواستهای RStudio Package Manager به کانتینر Package Manager هدایت میشوند.
- Amazon Aurora بدون سرور پایگاه های داده PostgreSQL برای ارائه دسترسی بالا با استفاده از کانتینرهای متعدد برای RStudio Connect و RStudio Package Manager استفاده می شود. Aurora از پایگاه داده های خوشه بدون سرور به طور خودکار نسخه پشتیبان تهیه می کند. داده ها در Aurora در حالت استراحت با استفاده از رمزگذاری می شوند سرویس مدیریت کلید AWS (AWS KMS).
- سیستم فایل الاستیک آمازون (Amazon EFS) سیستم فایل پایدار مورد نیاز RStudio Connect و RStudio Package Manager را فراهم می کند. داده های Amazon EFS در حالت استراحت با استفاده از AWS KMS رمزگذاری می شوند. Amazon EFS یک سیستم فایل NFS است که داده ها را در چندین منطقه در دسترس ذخیره می کند منطقه AWS برای دوام داده ها و در دسترس بودن بالا. فایلهای ایجاد شده در کانتینر RStudio Connect و RStudio Package Manager Amazon EFS به طور خودکار توسط Amazon EFS پشتیبانگیری میشوند.
- اگر جلسه کاربر با اینترنت عمومی ارتباط برقرار کند، درخواست های خروجی به a ارسال می شود دروازه NAT از زیر شبکه کانتینر خصوصی
- دروازه NAT درخواست های خروجی را می فرستد تا از طریق یک پردازش شوند دروازه اینترنت. مسیرهای دسترسی به اینترنت را نیز می توان توسط AWS Transit Gateway.
استفاده می کنیم کیت توسعه ابری AWS (AWS CDK) برای پایتون برای توسعه کد زیرساخت و ذخیره کد در یک AWS CodeCommit مخزن، به طوری که AWS CodePipeline می تواند پشته های AWS CDK را برای ساخت های خودکار یکپارچه کند.
کد استقرار استفاده می کند مسیر 53 مناطق میزبان عمومی برای سرویس RStudio Connect و RStudio Package Manager در URL های قابل دسترسی عمومی. شما می توانید استفاده کنید مسیر 53 مناطق میزبان خصوصی برای کانتینرهای RStudio Connect و RStudio Package Manager با یک ALB داخلی، که نقاط پایانی خصوصی را برای کاربرانی که از RStudio در SageMaker در حالت اتصال فقط VPC میآیند، فراهم میکند. این بدان معنی است که شما نیازی به یک دامنه عمومی از قبل موجود در حساب AWS خود ندارید. با این حال، شما باید تصاویر عمومی Docker را واکشی کنید (اتصال RStudio, مدیر بسته RStudio) و آنها را در یک مخزن خصوصی Amazon ECR ذخیره کنید و کد استقرار را به آن تصاویر برای ساخت زیرساخت نشان دهید.
اگر تمام ارتباطات بین سرویسهای AWS باید در AWS باقی بماند، میتوانید استفاده کنید AWS PrivateLink برای پیکربندی نقاط پایانی VPC برای خدمات AWS. AWS PrivateLink اطمینان حاصل می کند که ترافیک بین سرویس برای نقاط پایانی سرویس AWS در معرض اینترنت قرار نمی گیرد.
شما همچنین می توانید به مراجعه کنید راه حل تیم RStudio از RStudio برای یادگیری نحوه استقرار پشته فناوری RStudio در Amazon EC2 در AWS به عنوان جایگزینی برای راه حل مورد بحث در این پست.
پیش نیازها
برای استقرار پشته های AWS CDK از کد منبع، باید پیش نیازهای توضیح داده شده در همراه را بررسی و انجام دهید. مخزن GitHub تا مطمئن شوید که منابع لازم برای ادامه کار را دارید.
راه حل را راه اندازی کنید
- کلون کنید مخزن GitHub، بررسی کنید شاخه rsc-rspmو وارد پوشه aws-fargate-with-rstudio-open-source شوید.
- یک مخزن CodeCommit ایجاد کنید برای نگه داشتن کد منبع برای نصب RStudio Connect/RStudio Package Manager با دستور زیر:
- پارامترهای مورد نیاز را وارد کنید cdk.json زیر مرحله 3 در مراحل نصب و راه اندازی بخش از صفحهی راهنمای ترجمهها فایل.
- نصب الزامات بسته برای برنامه AWS CDK:
- قبل از اینکه کد را در مخزن CodeCommit قرار دهید، پشته های AWS CDK را ترکیب کنید. این اطمینان حاصل می کند که تمام مقادیر زمینه لازم در آن پر شده است
cdk.context.json
فایل و از نگاشت مقادیر ساختگی جلوگیری می کند. - تغییرات را در مخزن CodeCommit ایجاد کنید. مرحله 5 را دنبال کنید مراحل نصب و راه اندازی اگر در مورد دستورات Git به کمک نیاز دارید، از readme استفاده کنید.
- پشته های AWS CDK را برای نصب RStudio Connect/RStudio Package Manager با استفاده از CodePipeline مستقر کنید. این مرحله حدود 30 دقیقه طول می کشد.
- حرکت به کنسول CodePipeline (لینک شما را به
us-west-2
منطقه). خط لوله را نظارت کنید و تأیید کنید که خدمات با موفقیت ساخته شده اند.
نام خط لوله است RSC-RSPM-App-Pipeline-<instance>
. از این نقطه به بعد، خط لوله بر روی commit هایی به مخزن CodeCommit که شما ایجاد کرده اید راه اندازی می شود. نیازی به دویدن نیست cdk deploy
(مرحله 7) دیگر.
- هنگامی که نصب خط لوله کامل شد، می توانید با استفاده از URL های زیر به RStudio Connect و RStudio Package Manager دسترسی داشته باشید.
r53_base_domain
وinstance
پارامترهایی هستند که شما از آنها عبور کرده اید cdk.json:https://connect.<instance>.<r53_base_domain>
https://package.<instance>.<r53_base_domain>
- شما می توانید آمازون ECS Exec برای ورود به کانتینرهای RStudio Connect و RStudio Package Manager. دنبال کن صفحهی راهنمای ترجمهها برای دستورالعمل
مدیریت بسته ها با RStudio Package Manager
RStudio Package Manager به ایجاد ثبات و استانداردسازی بستههای R در سراسر یک سازمان کمک میکند. در RStudio Package Manager، یک مدیر فناوری اطلاعات می تواند یک بسته تایید شده را در مخزن قرار دهد. می توان گروه های متعددی ایجاد کرد تا به بسته ها یا نسخه های بسته های مختلف دسترسی داشته باشند. RStudio Package Manager همچنین تمام به روز رسانی و نسخه سازی بسته ها را انجام می دهد. سرپرست میتواند بهروزرسانیهای خودکار بستهها را فعال کند، یا همچنین میتواند RStudio Package Manager را به گونهای پیکربندی کند که بستهها فقط بهصورت دستی بهروزرسانی شوند، که انزوای بیشتری را بین RStudio Package Manager و سرویس CRAN فراهم میکند.
RStudio Package Manager را پیکربندی کنید
ما می توانیم یک مخزن ایجاد کنیم که بسته ها را از RStudio CRAN با استفاده از دستورات زیر. برای اجرای این دستورات باید با استفاده از Amazon ECS Exec در RStudio Package Manager SSH کنیم.
دستورات یک مخزن ایجاد می کنند و آن را در منبع داخلی به نام مشترک می کنند cran
. وقتی این کامل شد، dev-cran
همانطور که در تصویر زیر نشان داده شده است، مخزن در رابط وب RStudio Package Manager موجود است. این رابط وب توسط مدیر و همچنین کاربرانی که URL آن را دارند قابل دسترسی است.
علاوه بر ارائه بستههای CRAN، میتوان مخازنی برای توزیع بستههای محلی، بستههای Git، بستههای محلی به همراه بستههای CRAN، زیرمجموعهای از بستههای CRAN و محلی تأیید شده و بستههای لبه خونریزی از GitHub ایجاد کرد. برای جزئیات بیشتر در مورد نحوه ایجاد مخازن، نگاه کنید خدمات بسته های کران. علاوه بر این، RStudio Package Manager پشتیبانی می کند زیست رسانا. Bioconductor یک اکوسیستم متداول از بسته های R در علوم زیستی است. ما می توانیم بسته های Bioconductor را با CRAN و همچنین بسته های محلی در RStudio Package Manager ترکیب کنیم.
نسخه های بسته RStudio Package Manager
در رابط وب RStudio Package Manager، در برپایی برگه، می توانید یک مخزن را بر اساس تاریخ در نمای تقویم انتخاب کنید. همچنین میتوانید انتخاب کنید که آیا از آخرین نسخه بستهها استفاده کنید یا بستهها را در یک عکس فوری خاص ثابت کنید، همانطور که در تصویر زیر نشان داده شده است.
بر برپایی تب، ما همچنین می توانیم ببینیم که چه پیش نیازهای سیستمی ممکن است برای بسته های مخزن به همراه دستورات نصب آنها مورد نیاز باشد.
پیکربندی یک RStudio در دامنه SageMaker برای استفاده از RStudio Connect و RStudio Package Manager
هنگام ایجاد دامنه SageMaker با RStudio، گزینه ای برای تنظیم یک سرور پیش فرض RStudio Connect و مخزن RStudio Package Manager برای همه کاربران در دامنه SageMaker خود دارید. در طی فرآیند ایجاد دامنه SageMaker، همانطور که در قسمت توضیح داده شده است یک دامنه SageMaker با RStudio ایجاد کنید بخش در شروع کار با RStudio در Amazon SageMaker، می توانید URL های پیش فرض RStudio Connect و RStudio Package Manager را برای همه نمایه های کاربر در مرحله 3: تنظیمات RStudio. برای اتصال RStudio، آدرس سرور RStudio Connect را وارد کنید. برای مدیر بسته RStudio، یک مخزن CRAN یا Bioconductor وارد کنید.
URL های پیش فرض پیکربندی و ذخیره می شوند /etc/rstudio/rsession.conf
برای همه کاربران در RStudio در SageMaker. میتوانید مخزن پیشفرض در کنسول R را تأیید کنید options('repos')
. شما باید یک مخزن را ببینید که به مدیر بسته RStudio شما اشاره می کند. در مورد URL پیشفرض RStudio Connect، هنگامی که با یک کلیک یک قطعه از محتوای R را منتشر میکنید، به طور خودکار پر میشود.
به روز رسانی یک مخزن از RStudio Package Manager در یک جلسه R
اگر قبلاً یک RStudio در حال کار بر روی SageMaker دارید و میخواهید از مخزن دیگری استفاده کنید، میتوانید جلسه R خود را در RStudio در SageMaker پیکربندی کنید تا با مراحل زیر از یک مخزن از RStudio Package Manager خود استفاده کنید:
- در یک جلسه R، در ابزار منو ، انتخاب کنید گزینه های جهانی.
- را انتخاب کنید بسته و سپس انتخاب کنید تغییر دادن.
- در سفارشی فیلد، URL را برای مخزن انتخابی وارد کنید (موجود در برپایی تب رابط وب RStudio Package Manager)، و انتخاب کنید OK.
- را انتخاب کنید OK دوباره، و ما تمام شد!
اکنون، بسته هایی که در RStudio نصب می کنیم، از مخزن انتخابی سرور بسته مدیریت RStudio شما منبع می شوند. می توانید آن را تأیید کنید options('repos')
یا با نصب یک پکیج و ببینید از کجا می کشد. برای جزئیات بیشتر، نگاه کنید بررسی موفقیت.
حساب RStudio Connect را در یک جلسه R به روز کنید
اگر قبلاً یک RStudio در حال کار در SageMaker دارید و میخواهید از سرور RStudio Connect متفاوت از سرور پیشفرض استفاده کنید، مراحل زیر را انجام دهید:
- بر ابزار منو ، انتخاب کنید گزینه های جهانی.
- را انتخاب کنید انتشار.
- را انتخاب کنید اتصال.
- را انتخاب کنید اتصال RStudio.
- URL عمومی سرور خود را وارد کنید، برای مثال،
https://xxxx.rstudioconnect.com
، و انتخاب کنید بعدی.
صفحه جدیدی ظاهر می شود که از شما می خواهد در صورتی که برای اولین بار است با یک حساب وارد شوید.
- را انتخاب کنید اتصال برای ادامه.
- را انتخاب کنید اتصال حساب در گفتگو در RStudio.
شما باید نمایه کاربر RStudio Connect و URL سرور خود را در لیست مشاهده کنید.
برای اطلاعات بیشتر، نگاه کنید به حساب RStudio خود را وصل کنیدو اتصال: RStudio IDE.
اکنون سرور RStudio Connect با موفقیت به RStudio در Amazon SageMaker متصل شده است. ما آماده ساختن محتوای عالی و انتشار هستیم.
محتوای ML را در RStudio در Amazon SageMaker بسازید
شما به راحتی می توانید یک تحلیل در RStudio در Amazon SageMaker ایجاد کنید و آن را با دکمه فشاری در RStudio Connect خود منتشر کنید تا همکاران شما بتوانند تحلیل شما را مصرف کنند. برای این پست از a استفاده می کنیم مجموعه داده سرطان پستان UCI از جانب mlbench
برای مرور برخی از موارد استفاده رایج از انتشار: R Markdown و برنامه درخشان.
R Markdown
R Markdown یک ابزار عالی برای اجرای تجزیه و تحلیل های خود در R به عنوان بخشی از یک فایل علامت گذاری و اشتراک گذاری در RStudio Connect است. که در rsconnect_rmarkdown/breast_cancer_eda.Rmd
، ما دو تجزیه و تحلیل ساده و رسم نمودار را روی مجموعه داده به همراه متون در علامت گذاری انجام می دهیم:
با انتخاب می توانیم پیش نمایش فایل را مشاهده کنیم بافتن و با انتخاب آن در RStudio Connect منتشر کنید منتشر کردن.
علاوه بر R Markdown، بیشتر اوقات، شما در حال ساخت یک برنامه یا داشبورد تعاملی با Shiny هستید. بیایید ببینیم چگونه میتوانیم اپلیکیشنهای Shiny را از RStudio در Amazon SageMaker به RStudio Connect منتشر کنیم.
نرم افزار براق
زرق و برق دار یک بسته R است که ایجاد برنامه های کاربردی وب تعاملی را به صورت برنامه ای آسان می کند. در میان دانشمندان داده رایج است که تجزیه و تحلیل ها و مدل های خود را از طریق یک برنامه کاربردی Shiny با سهامداران خود به اشتراک بگذارند. که در rsconnect_shiny/breast-cancer-app/
، ما یک مدل ML را توسعه می دهیم breast_cancer_modeling.r
و یک برنامه وب ایجاد کنید تا کاربران بتوانند با مدل داده و ML تعامل داشته باشند.
برای انتشار، باز کنید app.R
و انتخاب کنید منتشر کردن. هر دو را انتخاب کنید app.R
و breast_cancer_modeling.r
انتشار.
در این برنامه، میتوانید دو ویژگی را برای تجسم در طرح تغییر دهید و نقاط داده را در نمودار انتخاب کنید تا دادههای واقعی و مدلسازی پیشبینیهای خوشخیم یا بدخیم بودن آنها را ببینید. با لغزش آستانه احتمال، می توانید با مدل تعامل داشته باشید و تعداد طبقه بندی متفاوتی بدست آورید. در تصویر زیر می توانید داشبورد را در حال عمل مشاهده کنید.
نتیجه
در این پست، نحوه استقرار سرورهای RStudio Connect و RStudio Package Manager در AWS با معماری مبتنی بر AWS Fargate و Amazon ECS را با استفاده از AWS CDK به شما نشان دادیم. با اجرای RStudio Connect و RStudio Package Manager در فضای ابری، نحوه استفاده از آنها را از RStudio در Amazon SageMaker به شما نشان دادیم. سپس نحوه استقرار مواد مبتنی بر R مانند برنامههای R Markdown و Shiny را در نمونه RStudio Connect بر اساس یک مورد استفاده از پیشبینی سرطان سینه نشان دادیم.
وجود یک نمونه RStudio Connect در فضای ابری نه تنها به تیمهای ML و علم داده شما امکان میدهد به طور مؤثرتری با یکدیگر همکاری کنند، بلکه اشتراکگذاری بینش ML را بین سهامداران و واحدهای تجاری بسیار آسانتر میکند. این به نوبه خود استفاده از ML را در سازمان شما برای یک نتیجه تجاری بهتر ترویج می کند. با RStudio Package Manager، می توانید به سرعت و ایمن بسته های R را از منابع قابل اعتماد مدیریت، سرویس و نصب کنید تا از تکرارپذیری پروژه اطمینان حاصل کنید.
می توانید از دیدگاه یک دانشمند داده در این پست درباره RStudio در SageMaker اطلاعات بیشتری کسب کنید اعلام RStudio کاملاً مدیریت شده در Amazon SageMaker برای دانشمندان داده. همچنین میتوانید در این پست درباره نحوه راهاندازی و مدیریت RStudio در SageMaker اطلاعات بیشتری کسب کنید شروع کار با RStudio در Amazon SageMaker. برای کسب اطلاعات بیشتر در مورد Amazon SageMaker Studio، اولین IDE برای ML در فضای ابری، ببینید Amazon SageMaker Studio.
درباره نویسنده
مایکل هسیه یک معمار ارشد راه حل های تخصصی AI/ML است. او با مشتریان همکاری می کند تا سفر ML خود را با ترکیبی از پیشنهادات یادگیری ماشین آمازون و دانش دامنه ML خود پیش ببرند. به عنوان پیوند سیاتل، او عاشق کاوش در طبیعت مادر بزرگی است که این منطقه ارائه می دهد، مانند مسیرهای پیاده روی، کایاک سواری با مناظر در SLU، و غروب خورشید در خلیج شیلشول.
چایان پاندا یک معمار زیرساخت ابری است. او خدمات مشاوره ای و رهبری فکری را به مشتریان AWS در مورد طراحی راه حل های قوی برای مهاجرت های ابری، زیرساخت های ابری (امنیت، شبکه، DevOps)، پیاده سازی پلت فرم Greenfield، داده های بزرگ/AI/ML، و راه حل های بدون سرور و پایگاه داده ارائه می دهد. وقتی در مورد مشتریان وسواس ندارد، از یک دویدن کوتاه، موسیقی، کتاب یا مسافرت با خانواده لذت می برد.
فاروق صابر یک معمار ارشد راه حل های تخصصی AI/ML است. او به مشتریان کمک می کند تا مشکلات تجاری خود را با استفاده از علم داده، یادگیری ماشین و هوش مصنوعی حل کنند.
- '
- 000
- 100
- 7
- 9
- دسترسی
- حساب
- عمل
- مشاوره
- معرفی
- آمازون
- آمازون EC2
- آموزش ماشین آمازون
- آمازون SageMaker
- در میان
- تحلیل
- نرم افزار
- کاربرد
- برنامه های کاربردی
- برنامه های
- معماری
- دور و بر
- هوش مصنوعی
- شفق قطبی
- خودکار
- دسترس پذیری
- AWS
- سرخ مایل به قرمز
- سیاه پوست
- خونریزی لبه
- سرطان پستان
- مرورگر
- ساختن
- بنا
- کسب و کار
- تقویم
- سرطان
- ظرفیت
- موارد
- گواهی نامه
- تغییر دادن
- چک
- طبقه بندی
- ابر
- زیرساخت های ابری
- رمز
- آینده
- مشترک
- ارتباطات
- محاسبه
- اتصال
- مصرف
- مصرف
- ظرف
- ظروف
- محتوا
- ایجاد
- مشتریان
- داشبورد
- داده ها
- علم اطلاعات
- پایگاه داده
- پایگاه های داده
- طرح
- توسعه
- توسعه دهندگان
- پروژه
- DevOps
- دی ان اس
- کارگر بارانداز
- اکوسیستم
- لبه
- مورد تأیید
- سرمایه گذاری
- محیط
- خانواده
- امکانات
- سرمایه گذاری
- نام خانوادگی
- بار اول
- به دنبال
- منجمد
- GIF
- رفتن
- GitHub
- بزرگ
- بهداشت و درمان
- زیاد
- پیاده روی
- نگه داشتن
- میزبانی وب
- چگونه
- چگونه
- HTTPS
- ICS
- لوازم
- اطلاعات
- شالوده
- بینش
- اطلاعات
- تعاملی
- اینترنت
- انزوا
- مسائل
- IT
- کلید
- دانش
- زبان
- آخرین
- راه اندازی
- رهبری
- یاد گرفتن
- یادگیری
- علوم زندگی
- ارتباط دادن
- فهرست
- بار
- محلی
- فراگیری ماشین
- مدیریت
- مصالح
- ML
- مدل
- مادر
- حرکت
- موسیقی
- شبکه
- ارائه
- پیشنهادات
- باز کن
- گزینه
- کدام سازمان ها
- سازمان های
- چشم انداز
- سکو
- محبوب
- پیش گویی
- پیش بینی
- پیش نمایش
- خصوصی
- مشخصات
- پروفایل
- پروژه
- عمومی
- منتشر کردن
- کشیدن
- پــایتــون
- مانند
- مورد نیاز
- منابع
- REST
- این فایل نقد می نویسید:
- مسیر
- دویدن
- در حال اجرا
- حکیم ساز
- مقیاس گذاری
- اسکن
- علم
- علوم
- دانشمندان
- سیاتل
- تیم امنیت لاتاری
- انتخاب شد
- بدون سرور
- خدمات
- خدمت
- تنظیم
- اشتراک گذاری
- کوتاه
- ساده
- عکس فوری
- So
- مزایا
- حل
- آغاز شده
- ماندن
- opbevare
- پرده
- غروب
- پشتیبانی
- پشتیبانی از
- سطح
- سیستم
- پیشرفته
- منبع
- رهبری فکر
- زمان
- بالا
- ترافیک
- عبور
- سفر
- به روز رسانی
- کاربران
- چشم انداز
- آسیب پذیری
- وب
- برنامه های وب
- مرورگر وب
- WHO
- در داخل
- مهاجرت کاری
- گردش کار
- با این نسخهها کار