تشخیص کاراکتر نوری (OCR)، روش تبدیل متون دستنویس/چاپ شده به متن رمزگذاریشده با ماشین، به دلیل کاربردهای متعدد آن در حوزههای مختلف، همیشه یکی از حوزههای اصلی تحقیق در بینایی کامپیوتر بوده است. دولت ها از OCR برای مجموعه های بازخورد نظرسنجی استفاده می کنند.
با توجه به تنوع در دستنویسی و سبکهای متن چاپی، رویکردهای اخیر OCR از یادگیریهای عمیق برای دستیابی به دقت بالاتر استفاده میکنند. از آنجایی که یادگیری عمیق به مقادیر زیادی داده برای آموزش مدل نیاز دارد، شرکت هایی مانند Google در تولید نتایج امیدوارکننده با خدمات OCR خود پیشی می گیرند.
این مقاله به جزئیات Google Vision OCR می پردازد، از جمله یک آموزش ساده در پایتون، طیف وسیعی از برنامه ها، قیمت گذاری، و جایگزین های دیگر.
- Google Cloud Vision OCR چیست؟
- یک آموزش ساده
- چرا OCR؟
- موارد استفاده مثال
- قیمت گذاری
- ویژگی های برجسته Google Cloud Vision OCR
- جایگزین
- مسائل مشترک
Google Cloud Vision چیست؟
Google Cloud Vision OCR بخشی از Google cloud vision API برای استخراج متن از تصاویر است. به طور خاص، دو حاشیه برای کمک به تشخیص شخصیت وجود دارد:
- متن_ حاشیه نویسی: متنهای کدگذاری شده با ماشین را از هر تصویری استخراج و خروجی میدهد (مثلاً عکسهای مناظر خیابان یا مناظر). از آنجایی که در ابتدا برای قابل استفاده در شرایط نوری مختلف طراحی شده بود، این مدل به نوعی در خواندن کلمات با سبک های مختلف قوی تر است، اما فقط در سطح پراکنده تر. فایل JSON بازگردانده شده شامل کل رشته ها و همچنین کلمات مجزا و کادرهای محدود مربوط به آنها می شود.
- Document_Text_Annotation: این به ویژه برای اسناد متنی با ارائه متراکم طراحی شده است (مانند کتاب های اسکن شده). بنابراین، در حالی که از خواندن متون کوچکتر و متمرکزتر پشتیبانی می کند، سازگاری کمتری با تصاویر درون طبیعت دارد. اطلاعاتی مانند پاراگراف ها، بلوک ها و شکست ها در فایل JSON خروجی گنجانده شده است.
به دنبال راه حل OCR هستید که بر کاستی های Google Cloud Vision یا OCR ناحیه ای? نانوشبکه بدهید™ چرخشی برای دقت بالاتر، انعطاف پذیری بیشتر، و انواع اسناد گسترده تر!
یک آموزش ساده
بخش زیر یک آموزش ساده برای شروع با Google Vision API، به ویژه نحوه استفاده از آن برای سرویس Google Cloud Vision OCR را معرفی می کند.
بررسی اجمالی ساده
ایده پشت این بسیار شهودی و ساده است.
1) شما اساساً یک تصویر (از راه دور یا از حافظه محلی خود) به Google Cloud Vision API ارسال می کنید.
2) تصویر از راه دور در Google Cloud پردازش میشود و فرمتهای JSON مربوطه را با توجه به عملکردی که فراخوانی کردهاید تولید میکند.
3) فایل JSON پس از فراخوانی تابع به عنوان خروجی برگردانده می شود.
راه اندازی Google Cloud Vision API
برای استفاده از هر سرویس ارائه شده توسط Google Vision API، باید Google Cloud Console را پیکربندی کرده و یک سری مراحل را برای احراز هویت انجام دهید. در زیر مروری گام به گام از نحوه راه اندازی کل سرویس Vision API ارائه شده است.
- ایجاد یک پروژه در Google Cloud Console — برای شروع استفاده از هر سرویس Vision، باید پروژه ای ایجاد شود. این پروژه منابعی مانند همکاران، APIها و اطلاعات قیمت را سازماندهی می کند.
- فعال کردن صورتحساب - برای فعال کردن vision API، ابتدا باید صورتحساب را برای پروژه خود فعال کنید. جزئیات قیمت در بخش های بعدی بیان خواهد شد.
- Vision API را فعال کنید
- ایجاد حساب سرویس — یک حساب سرویس ایجاد کنید و به پروژه ایجاد شده پیوند دهید، سپس یک کلید حساب سرویس ایجاد کنید. کلید خروجی خواهد شد و به عنوان یک فایل JSON در رایانه شما دانلود می شود.
- تنظیم متغیر محیطی GOOGLE_APPLICATION_CREDENTIALS. برای تنظیم این متغیر محیطی، این را در Mac/Linux یا Windows اجرا کنید.
- بلوک های کد برای مک / لینوکس
- بلوک های کد برای ویندوز
یک روش دقیق تر از مراحل فوق را می توانید از اسناد رسمی ارائه شده توسط Google Cloud از اینجا بیابید:
https://cloud.google.com/vision/docs/quickstart-client-libraries
عملکرد ساده Google Vision OCR در پایتون
Google Cloud Vision API با زبانهای محبوب متعددی از جاوا، Node.js، Python گرفته تا زبان خود گوگل، Go، کار میکند. برای سادگی، یک روش فراخوانی ساده در پایتون معرفی می کنیم.
به عبارت دیگر، متد در نتیجه تابع را فراخوانی می کند text_annotation، سپس پاسخ ها را بیشتر استخراج کرده و اطلاعات را چاپ کنید. document_text_annotation همچنین می توان با استفاده از روش مشابه برای بازیابی متون متراکم تماس گرفت. همچنین می توان تصاویر را از راه دور با تنظیم تصویر از طریق:
image.source.image_uri = uri
جایی که uri uri تصویر است.
جزئیات بیشتر کدها را می توان در اینجا بازیابی کرد:
https://cloud.google.com/vision
به دنبال راه حل OCR هستید که بر کاستی های Google Cloud Vision غلبه کند؟ نانو شبکه بدهید™ چرخشی برای دقت بالاتر، انعطاف پذیری بیشتر، و انواع اسناد گسترده تر!
سطح خروجی ارائه شده
برای کمک به تجزیه و تحلیل بیشتر دادههای متن، دو تابع Google OCR سطوح مختلفی از خروجی را برای استفاده کاربران فراهم میکنند: text_annotation، هم کل رشته ها (اگر توسط گوگل به عنوان یک جمله یا عبارت در نظر گرفته شود) و هم تک تک کلمات داخل. برای document_text_annotation، از آنجایی که مدل برای متن متراکم بهینه شده است، صفحه، بلوک، پاراگراف، کلمه و شکست همگی به عنوان بخشی از خروجی ارائه می شوند.
با این حال چقدر خوب کار می کند؟
مدل ها چقدر قوی هستند؟
همانطور که قبلا ذکر شد، گوگل دو عملکرد را برای OCR در دو موقعیت مختلف ارائه می دهد. در زیر قابلیت دو تابع در بازیابی انواع مختلف داده ها توضیح داده شده است.
داده های چاپ شده
ساده ترین نوع داده برای تفسیر، داده های متنی چاپ شده است، به عنوان مثال، متن نوشته شده توسط رایانه چاپ و اسکن می شود. OCR زمانی مورد نیاز است که ما فقط نسخه چاپی این داده ها را به جای متون اصلی رمزگذاری شده توسط ماشین داشته باشیم. از آنجایی که اکثر این متون فشرده و در صفحات بسته بندی شده اند، document_text_annotation گزینه بهتری خواهد بود
داده های دست نویس
محتوا ممکن است حاوی متن دستنویس باشد و سبکهای دادههای دستنویس میتواند به شدت متفاوت باشد. با این وجود، Google Vision OCR دقت مناسبی را ارائه میکند تا زمانی که یادداشتهای دستنویس خیلی آشفته نباشند. بسته به اینکه رسانه داده های دست نویس چقدر بسته بندی شده است، ما از یکی از این دو تابع بر اساس مورد به مورد استفاده می کنیم.
داده های چرخشی/در وحشی
هنگامی که تصاویر یا عکسهای اسکن شده در زوایای نامتعارف یا بدون تراز ارائه میشوند، آنها را به عنوان دادههای درون وحشی در نظر میگیریم. تشخیص متون در وهله اول ممکن است دشوارتر باشد، و از این رو ما معمولاً از آن استفاده می کنیم text_annotation تابعی که در وهله اول برای پردازش داده های درون وحشی طراحی شده بود. بر اساس برخی آزمایشهای عبور از متون عمودی و علائم جادهای که در زوایای مختلف ثبت شدهاند، نشان میدهیم که Google Vision OCR در واقع بر روی دادههای محیطهای مختلف عملکرد مناسبی دارد.
چرا OCR؟
بسیاری از دادههایی که امروزه در اختیار داریم در قالب بدون ساختار هستند. به عنوان مثال، با توجه به یک تصویر، یک سند اسکن شده، یا یک عکس، در حالی که انسان ها می توانند به سرعت متون را تشخیص دهند و معانی را بیشتر تفسیر کنند، تمام داده های متنی صرفاً پیکسل هایی با رنگ هستند و هیچ معنای واقعی برای ماشین ها ارائه نمی دهند.
وقتی شرکتها یا شرکتهای بزرگ با حجم انبوهی از کاغذبازی سروکار دارند، حجم زیاد دادهها انجام هر گونه طبقهبندی یا پردازش دادهها را صرفاً با تلاش انسانی غیرممکن میسازد – این زمانی است که متن کدگذاری شده توسط ماشین مفید میشود.
پس از تبدیل OCR، بسته به ماهیت داده ها، اطلاعات را می توان با چندین روش مختلف تجزیه و تحلیل کرد:
- برای دادههای عددی، روشهای آماری را میتوان مستقیماً برای تجزیه و تحلیل هر گونه همبستگی به کار برد. ما همچنین میتوانیم روشهای یادگیری ماشین سنتی (مانند KNN، K-Means، رگرسیون خطی) یا رویکردهای یادگیری عمیق را برای ایجاد مدلهای پیشبینی برای رگرسیون و/یا طبقهبندی اتخاذ کنیم.
- برای داده های متنی، ممکن است به مراحل بیشتری از پردازش نیاز باشد. فرآیند تجزیه و تحلیل و تفسیر داده های متنی به آمار معنی دار اغلب به عنوان پردازش زبان طبیعی (NLP) شناخته می شود. به طور خاص، ما می توانیم اعداد یا حتی معنایی / جو را بر اساس محتوای داده شده استخراج کنیم.
همه این تحلیلها میتوانند به شرکتها، بهویژه آنهایی که روزانه مقادیر زیادی دادههای جدید دارند، اجازه ایجاد مدلهای قوی و حتی خودکارسازی بسیاری از فرآیندها و جایگزینی رویکردهای سنتی سختگیرانه و پرخطا را بدهند. بخش زیر به چند نمونه دقیق از نحوه استفاده از OCR می پردازد.
به دنبال راه حل OCR هستید که بر کاستی های Google Cloud Vision غلبه کند؟ نانو شبکه بدهید™ چرخشی برای دقت بالاتر، انعطاف پذیری بیشتر، و انواع اسناد گسترده تر!
موارد استفاده مثال
پلاک خوانی
شاید یکی از رایج ترین کاربردهای OCR امروزه کاربرد در پلاک خوانی باشد. در کشورهای توسعه یافته، پارکینگ ها اغلب با مدل های پلاک خوانی همراه هستند تا زمان ورود، زمان خروج و حتی محل دقیق پارک خودرو را مشخص کنند. برخی از پارکینگها حتی به شبکه دولتی متصل هستند تا هزینههای پارکینگ را مستقیماً از خانوادهها دریافت کنند - همه اینها تلاشهای زائد انسانی را کاهش میدهد.
مدلهای OCR پلاک را میتوان برای تشخیص تخلفات رانندگی نیز استفاده کرد و زمان کلید زدن دستی اطلاعات خودروی متخلف را برای پلیس کاهش میدهد.
اسکن رسید و فاکتور
پیش بینی های مالی و ایجاد تعادل بین دارایی ها و بدهی های شرکت ها از فعالیت های مهم برای هر شرکتی است. از آنجایی که شرکتهای بزرگ در طول سال خریدهای زیادی را از بخشهای مختلف انجام میدهند، باید هنگام تهیه صورتهای مالی، تمام فاکتورها و رسیدها را با دقت جمعآوری و پردازش کنند.
با کمک OCR، ما می توانیم خطوط لوله خودکار ایجاد کنیم تعدادی از فرمت های فاکتور را تشخیص دهد و آنها را به اعداد تبدیل کنید. تلاش نیروی کار فقط برای بررسی لازم است، و داده ها و اعداد ساختاریافته می توانند به شرکت اجازه دهند تا به سرعت جریان های ورودی و خروجی را متعادل کند، پیش بینی های مالی ایجاد کند و همچنین مراقب هرگونه دستکاری مخرب در امور مالی شرکت باشد.
مدارک پزشکی برق
بسته به سبک زندگی افراد، داده های بیماران اغلب در یک منطقه، کشور یا حتی در سراسر کشورها پراکنده است. با توجه به سبکهای متفاوت کلینیکها و بیمارستانها (بیمارستانهای بزرگ ممکن است پایگاههای اطلاعاتی سازماندهی شده داشته باشند، در حالی که پزشکان در کلینیکهای کوچکتر ممکن است سوابق را با دست یادداشت کنند)، سن بیماران (بیماران مسنتر ممکن است قبل از نوسازی و ادغام در یک پایگاه داده خاص درج شوند. کامپیوترها) و مکان افراد (افراد ممکن است به شهر دیگری یا حتی خارج از کشور نقل مکان کنند)، حفظ یک پزشکی جهانی در واقع ممکن است بسیار دشوار باشد.
بنابراین، یک OCR به خوبی آموزش دیده هنگام انتقال EMR از یک بیمارستان به بیمارستان دیگر، یا تبدیل داده های دست نویس به متن ماشینی مفید می شود - که هر دو می توانند روند درک تاریخچه پزشکی بیماران را به شیوه ای سریع و مختصر تسریع کنند.
فرم ها و نظرسنجی ها
سازمانها (چه دولتی و چه غیردولتی) ممکن است اغلب به بازخورد مشتریان یا شهروندان برای بهبود برنامهها و محصولات تبلیغاتی فعلی خود نیاز داشته باشند. از آنجایی که فرم ها معمولاً با دست نوشته می شوند، انجام هر گونه تحلیل آماری مستقیم بالقوه دشوار خواهد بود. بنابراین، فرآیند تبدیل داده های بدون ساختار و بررسی های دست نویس به ارقام عددی برای تسهیل محاسبات می تواند توسط OCR کمک و تسریع شود.
به دنبال راه حل OCR هستید که بر کاستی های Google Cloud Vision غلبه کند؟ نانو شبکه بدهید™ چرخشی برای دقت بالاتر، انعطاف پذیری بیشتر، و انواع اسناد گسترده تر!
قیمت گذاری Cloud Vision
به گفته گوگل سایت اینترنتی، هر دو text_annotation و document_text_annotation در همان سطح قیمتی با موارد زیر ارائه می شود:
برای هر ماه، 1000 واحد اول رایگان داده می شود که 1000-5000000 آن 1.5 دلار در هر 1000 واحد است. پس از رسیدن به علامت 5000000، قیمت به 0.6 دلار در هر 1000 واحد کاهش می یابد (هر تصویر ارسال شده از طریق Google Vision API به عنوان یک واحد در نظر گرفته می شود).
قیمت بالا نشان می دهد که خدمات OCR هم برای شرکت های کوچک با استفاده کمتر و هم برای شرکت های بزرگ که در آنها بیش از 5000000 بار در ماه به خدمات نیاز دارند نسبتاً مقرون به صرفه است.
ویژگی های برجسته Google Cloud Vision OCR
Google OCR دارای مزایای مختلفی است که در اینجا برخی از مهم ترین مزایا را شرح می دهیم:
- تنومند - این دو عملکرد، که به دو نوع سند متنی وابسته به تصمیم کاربران ارائه میشوند، Google Vision OCR را نسبتاً قویتر از موتورهای OCR تک مدلی میسازد.
- پشتیبانی از زبان - با شاید بزرگترین پایگاه داده زبان، گوگل توصیه کرده است که OCR آن برای بیش از 60 زبان قابل استفاده است، چند ده زبان دیگر را آزمایش می کند، و بسیاری از بقیه را به کد زبان دیگری یا شناسه زبان عمومی نگاشت می کند.
- سهولت استفاده - خود مدل بخشی از کتابخانه داخلی Google Vision است. پس از فرآیند کمی آزاردهندهتر پیکربندی کلید API (که تقریباً برای همه موتورهای OCR مورد نیاز است)، روش فراخوانی تابع را میتوان در بسیاری از زبانها به روشی بسیار ساده استفاده کرد.
- مقیاس پذیری - استراتژی قیمتگذاری گوگل، کاربران را تشویق میکند تا استفاده از API را افزایش دهند، زیرا استفاده بیشتر منجر به میانگین قیمت ارزانتر میشود.
- سرعت - پلت فرم ذخیره سازی Google Cloud به طرز شگفت انگیزی با استفاده از API همراه است. با آپلود تصاویر در درایو، زمان پاسخ API می تواند بسیار سریع و مقیاس پذیر باشد.
به دنبال راه حل OCR هستید که بر کاستی های Google Cloud Vision غلبه کند؟ نانو شبکه بدهید™ چرخشی برای دقت بالاتر، انعطاف پذیری بیشتر، و انواع اسناد گسترده تر!
جایگزین
در زیر برخی از خدمات جایگزین OCR به غیر از Google Vision API به همراه مزایا و معایب هر سرویس آورده شده است.
ابی
ABBYY FineReader PDF یک OCR است که توسط ABBYY توسعه یافته است که به ویژه بر خواندن pdf تمرکز دارد.
- مزایا: ABBYY برای کاربران فردی بسیار مقرون به صرفه تر است زیرا قیمت گذاری به بخش های کوچکتر (1000، 2000 صفحه و غیره) تقسیم می شود. همچنین به سمت مشتریان غیرمهندسی هدایت می شود زیرا یک برنامه تجاری سازی شده است.
- منفی: این نرم افزار فقط بر روی فرمت PDF تمرکز می کند و هنگام انجام OCR در مقیاس بزرگ قیمت آن بسیار گران می شود.
- چه موقع باید استفاده کرد: برای کاربران فردی که فقط میخواهند به سرعت فایلهای PDF را مدیریت کنند، ABBYY ممکن است گزینه مناسبتری نسبت به Google Vision API باشد که انعطافپذیری بیشتری میدهد اما به کدهای اضافی نیاز دارد.
مایکروسافت
Microsoft Azure همچنین Read API را برای OCR ارائه می دهد.
- مزایا: مایکروسافت قیمت ارزان تری را برای تعداد بیشتری از داده ها ارائه می دهد. ذخیره سازی ابری Azure خدمات مشابه Google Cloud را ارائه می دهد.
- منفی: هیچ لایه رایگان وجود ندارد، در حالی که گزینه های دیگر تماس های API رایگان را برای استفاده کم فراهم می کنند.
- چه موقع باید استفاده کرد: خطوط لوله تولید OCR در مقیاس بزرگ می تواند از قیمت گذاری مایکروسافت بهره مند شود.
کوفاکس
مانند ABBYY، Kofax همچنین خواندن OCR PDF را ارائه می دهد
- مزایا: قیمت برای استفاده فردی ثابت است و تخفیف برای شرکت ها ارائه می شود. پشتیبانی 24/7 مشتری نیز ارائه می شود.
- منفی: ادعا می شود که کیفیت به اندازه ABBYY نیست.
- چه موقع باید استفاده کرد: شرکت های کوچک با نیازهای استفاده کم.
متن AWS
AWS Textract نقش بسیار مشابهی را در مقایسه با Google Vision API ایفا می کند. خدمات و قیمت آنها بسیار مشابه است، و بنابراین اینکه کدام یک را انتخاب کنید کاملاً بر اساس ترجیحات مشتری است.
نانوت
برخلاف سرویسهایی که قبلاً مورد بحث قرار گرفت، OCRهای نانوشبکه به دستههای خاصی دستهبندی میشوند، با مدلهای قوی که در هر نوع داده (مانند رسید، فاکتور، گواهینامه رانندگی) آموزش دیدهاند.
- مزایا: OCR های دسته بندی خاص، بنابراین زمانی که شرکت ها برای برنامه های کاربردی خاص به OCR نیاز دارند، نتایج بهتری را از نظر دقت ارائه می دهند.
- منفی: OCR نانوشبکهها ممکن است به دلیل مدلهای بسیار خاص و سفارشی، کمتر برای تنظیمات درون طبیعت کاربرد داشته باشد.
- چه موقع باید استفاده کرد: اگر شرکتها به OCR برای نوع خاصی از دادهها مانند فاکتورها نیاز دارند، نانو شبکهها ممکن است گزینهای مقرونبهصرفه و بسیار دقیق باشد.
تو می توانی Nanonets Online OCR را در اینجا امتحان کنید.
مشکلات رایج در Cloud Vision
در این بخش آخر، قصد داریم به برخی از سوالات Stackoverflow در مورد اسکن سند و OCR بپردازیم
شناسایی اسناد با استفاده از شبکه های عصبی
این دقیقاً کاربرد Google OCR است! مراحل بالا را برای اسکن اسناد و انجام بازیابی متن دنبال کنید.
گرفتن مهم ترین جزئیات بعد از OCR
ایده تجزیه معنادارترین مطالب در هر سندی را پردازش زبان طبیعی می نامند. از آنجایی که هر سند حاوی چنین اطلاعاتی در قالبهای مختلف است، توصیه میشود برخی از رویکردهای ML را برای انجام این کار اتخاذ کنید. البته، اگر همه کارتها در قالب یکسانی باشند، روشهای مبتنی بر قانون برای بازیابی متون با کاراکترهای کلیدی خاص (مثلاً اگر حاوی @ باشد، یک ایمیل است) نیز باید کار کند.
آیا می تواند به صورت آفلاین اجرا شود؟
ارتباط دادن: https://stackoverflow.com/questions/63315520/google-cloud-vision-api-can-it-run-offline
متاسفانه نه. API از راه دور با Google Cloud OCR تماس می گیرد و شما نمی توانید به صورت آفلاین کار کنید زیرا API هزینه دارد.
آیا می تواند تشخیص دهد که یک متن به صورت پررنگ یا مورب است؟
خیر. Google OCR به احتمال زیاد محتوای متن را حتی زمانی که به صورت پررنگ یا مورب باشد تشخیص می دهد، اما مدل OCR برای درک انواع فونت طراحی نشده است.
به روز رسانی: اطلاعات بیشتر بر اساس پرس و جو از خوانندگان اضافه شده است.
- &
- a
- تسریع شد
- حساب
- دقیق
- در میان
- فعالیت ها
- نشانی
- مزایای
- معرفی
- جایگزین
- جایگزین
- همیشه
- مقدار
- تحلیل
- تحلیل
- دیگر
- API
- رابط های برنامه کاربردی
- نرم افزار
- مربوط
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- رویکردها
- محدوده
- دور و بر
- مقاله
- دارایی
- تصدیق
- خودکار بودن
- خودکار
- میانگین
- لاجوردی
- لاجوردی ابر
- زمینه
- بانک
- اساس
- قبل از
- سود
- مزایای
- صدور صورت حساب
- مسدود کردن
- جسور
- کتاب
- مرز
- می شکند
- ماشین
- کارت ها
- معین
- کاراکتر
- بار
- متهم
- ارزان تر
- بررسی
- شهر:
- طبقه بندی
- ابر
- فضای ذخیره ابری
- رمز
- مشترک
- شرکت
- شرکت
- مقایسه
- به طور کامل
- کامپیوتر
- کامپیوتر
- متصل
- در نظر بگیرید
- کنسول
- شامل
- محتوا
- محتویات
- تبدیل
- شرکت ها
- متناظر
- هزینه
- میتوانست
- کشور
- کشور
- ایجاد
- ایجاد شده
- ایجاد
- جاری
- مشتری
- پشتیبانی مشتریان
- مشتریان
- داده ها
- تحلیل داده ها
- پردازش داده ها
- پایگاه داده
- پایگاه های داده
- روز
- معامله
- تصمیم
- عمیق
- وابسته
- بستگی دارد
- توصیف
- طراحی
- دقیق
- جزئیات
- شناسایی شده
- مشخص کردن
- توسعه
- مختلف
- مشکل
- مستقیم
- مستقیما
- تنوع
- پزشکان
- اسناد و مدارک
- حوزه
- پایین
- راندن
- رانندگی
- هر
- تسکین دهنده
- لبه
- تلاش
- تلاش
- پست الکترونیک
- ظهور
- قادر ساختن
- تشویق می کند
- شرکت
- محیط
- به خصوص
- اساسا
- و غیره
- مثال ها
- خروج
- عصاره ها
- خانواده
- FAST
- امکانات
- باز خورد
- هزینه
- امور مالی
- مالی
- شرکت
- نام خانوادگی
- ثابت
- انعطاف پذیری
- تمرکز
- به دنبال
- پیروی
- قالب
- اشکال
- یافت
- رایگان
- از جانب
- تابع
- توابع
- بیشتر
- سوالات عمومی
- گرفتن
- گوگل
- دولتی
- دولت ها
- بیشتر
- دسته
- کمک
- اینجا کلیک نمایید
- زیاد
- بالاتر
- خیلی
- تاریخ
- بیمارستان ها
- چگونه
- چگونه
- HTTPS
- انسان
- انسان
- اندیشه
- تصویر
- تصاویر
- مهم
- غیر ممکن
- بهبود
- مشمول
- شامل
- از جمله
- فرد
- افراد
- اطلاعات
- اطلاعات
- نمونه
- حسی
- مسائل
- IT
- خود
- جاوه
- نگهداری
- کلید
- کار
- زبان
- زبان ها
- بزرگ
- بزرگتر
- بزرگترین
- منجر می شود
- یادگیری
- سطح
- سطح
- کتابخانه
- مجوز
- مجوزها
- سبک زندگی
- احتمالا
- ارتباط دادن
- محلی
- محل
- مکان
- طولانی
- دستگاه
- فراگیری ماشین
- ماشین آلات
- عمده
- ساخت
- روش
- دستی
- نقشه ها
- علامت
- عظیم
- معنی
- معنی دار
- پزشکی
- متوسط
- ذکر شده
- روش
- مایکروسافت
- ML
- مدل
- مدل
- پول
- ماه
- بیش
- اکثر
- حرکت
- چندگانه
- طبیعی
- طبیعت
- نیازهای
- شبکه
- با این اوصاف
- یادداشت
- عدد
- تعداد
- متعدد
- ارائه شده
- پیشنهادات
- رسمی
- آنلاین نیست.
- آنلاین
- بهینه
- گزینه
- گزینه
- سفارش
- سازمان یافته
- دیگر
- خود
- بسته بندی شده
- پارکینگ
- بخش
- ویژه
- ویژه
- عبور
- مردم
- شاید
- برنامه
- سکو
- پلیس
- محبوب
- قوی
- قیمت
- قیمت گذاری
- روند
- فرآیندهای
- در حال پردازش
- تولید
- محصولات
- پروژه
- پیش بینی
- امید بخش
- تبلیغاتی
- ارائه
- ارائه
- فراهم می کند
- ارائه
- خرید
- کیفیت
- به سرعت
- محدوده
- اعم
- RE
- خوانندگان
- مطالعه
- اخیر
- شناختن
- سوابق
- با توجه
- منطقه
- دور
- نیاز
- ضروری
- مورد نیاز
- نیاز
- تحقیق
- منابع
- پاسخ
- REST
- نتایج
- جاده
- نقش
- دویدن
- همان
- مقیاس پذیر
- مقیاس
- اسکن
- پویش
- بخش ها
- حس
- سلسله
- سرویس
- خدمات
- خدمت
- تنظیم
- محیط
- قابل توجه
- نشانه ها
- مشابه
- ساده
- پس از
- کوچک
- So
- نرم افزار
- جامد
- راه حل
- برخی از
- خاص
- به طور خاص
- چرخش
- مراحل
- آغاز شده
- اظهارات
- آماری
- ارقام
- ذخیره سازی
- استراتژی
- خیابان
- ساخت یافته
- پشتیبانی
- پشتیبانی از
- بررسی
- قوانین و مقررات
- La
- از این رو
- از طریق
- سراسر
- زمان
- بار
- امروز
- طرف
- سنتی
- ترافیک
- آموزش
- انتقال
- تبدیل شدن
- انواع
- زیر
- فهمیدن
- درک
- واحد
- جهانی
- استفاده کنید
- کاربران
- معمولا
- مختلف
- دید
- حجم
- تماشا کردن
- چه
- در حین
- WHO
- گسترده تر
- پنجره
- در داخل
- کلمات
- مهاجرت کاری
- با این نسخهها کار
- خواهد بود
- X
- سال
- شما