Gambar dari Bing Image Creator
Exploratory Data Analysis (EDA) adalah satu-satunya tugas terpenting yang harus dilakukan di awal setiap proyek ilmu data.
Intinya, ini melibatkan pemeriksaan dan karakterisasi data Anda secara menyeluruh untuk menemukan dasarnya karakteristik, bisa jadi kelainan, dan tersembunyi pola dan hubungan.
Pemahaman tentang data Anda inilah yang pada akhirnya akan terjadi panduan melalui langkah-langkah berikut saluran pembelajaran mesin Anda, mulai dari prapemrosesan data hingga pembuatan model dan analisis hasil.
Proses EDA pada dasarnya terdiri dari tiga tugas utama:
- Langkah 1: Ikhtisar Kumpulan Data dan Statistik Deskriptif
- Langkah 2: Penilaian Fitur dan Visualisasi, dan
- Langkah 3: Evaluasi Kualitas Data
Seperti yang mungkin sudah Anda duga, masing-masing tugas ini mungkin memerlukan analisis yang cukup komprehensif, yang akan dengan mudah Anda lakukan mengiris, mencetak, dan memplot bingkai data panda Anda seperti orang gila.
Kecuali Anda memilih alat yang tepat untuk pekerjaan itu.
Dalam artikel ini, kita akan menyelami setiap langkah dari proses EDA yang efektif, dan diskusikan mengapa Anda harus berpaling profil data y ke toko serba ada Anda untuk menguasainya.
Untuk menunjukkan praktik terbaik dan menyelidiki wawasan, kita akan menggunakan Kumpulan Data Pendapatan Sensus Dewasa, tersedia secara gratis di Kaggle atau UCI Repository (Lisensi: CC0: Domain Publik).
Ketika kami pertama kali mendapatkan kumpulan data yang tidak diketahui, ada pemikiran otomatis yang langsung muncul: Dengan apa saya bekerja?
Kami perlu memiliki pemahaman yang mendalam tentang data kami untuk menanganinya secara efisien dalam tugas pembelajaran mesin di masa mendatang
Sebagai aturan praktis, kami secara tradisional memulai dengan mengkarakterisasi data relatif terhadap jumlah pengamatan, nomor dan jenis fitur, keseluruhan tingkat yang hilang, dan persentase dari duplikat pengamatan.
Dengan beberapa manipulasi panda dan lembar contekan yang tepat, kami akhirnya dapat mencetak informasi di atas dengan beberapa potongan kode singkat:
Ikhtisar Kumpulan Data: Kumpulan Data Sensus Dewasa. Jumlah observasi, fitur, tipe fitur, baris duplikat, dan nilai yang hilang. Cuplikan oleh Penulis.
Secara keseluruhan, format keluarannya tidak ideal… Jika Anda terbiasa dengan panda, Anda juga akan mengetahui standarnya modus operandi untuk memulai proses EDA — df.describe()
:
Kumpulan Data Dewasa: Statistik utama disajikan bersama df.deskripsi(). Gambar oleh Penulis.
Namun ini, hanya mempertimbangkan fitur numerik. Kita bisa menggunakan a df.describe(include='object')
untuk mencetak beberapa informasi tambahan tentang fitur kategoris (hitung, unik, mode, frekuensi), tetapi pemeriksaan sederhana terhadap kategori yang ada akan melibatkan sesuatu yang sedikit lebih bertele-tele:
Ikhtisar Kumpulan Data: Kumpulan Data Sensus Dewasa. Mencetak kategori yang ada dan frekuensi masing-masing untuk setiap fitur kategori dalam data. Cuplikan oleh Penulis.
Namun, kita bisa melakukan ini - dan coba tebak, semua tugas EDA berikutnya! - dalam satu baris kode, Menggunakan profil data y:
Profiling Report of the Adult Census Dataset, menggunakan ydata-profiling. Cuplikan oleh Penulis.
Kode di atas menghasilkan laporan profil lengkap dari data, yang dapat kita gunakan untuk melanjutkan proses EDA kita, tanpa perlu menulis kode lagi!
Kami akan membahas berbagai bagian laporan di bagian berikut. Dalam hal apa karakteristik data secara keseluruhan, semua informasi yang kami cari disertakan dalam Ringkasan bagian:
ydata-profiling: Laporan Pembuatan Profil Data — Ikhtisar Kumpulan Data. Gambar oleh Penulis.
Kita dapat melihat bahwa dataset kita terdiri dari 15 fitur dan 32561 pengamatan, dengan 23 rekaman duplikat, dan tingkat kehilangan keseluruhan sebesar 0.9%.
Selain itu, kumpulan data telah diidentifikasi dengan benar sebagai a kumpulan data tabular, dan agak heterogen, menghadirkan keduanya fitur numerik dan kategorikal. Forum data deret waktu, yang memiliki ketergantungan waktu dan menghadirkan berbagai jenis pola, ydata-profiling
akan menggabungkan statistik dan analisis lainnya dalam laporan.
Kami dapat memeriksa lebih lanjut data mentah dan catatan duplikat yang ada untuk memiliki pemahaman menyeluruh tentang fitur, sebelum masuk ke analisis yang lebih kompleks:
ydata-profiling: Data Profiling Report — Pratinjau sampel. Gambar oleh Penulis.
Dari pratinjau sampel singkat dari sampel data, kita dapat langsung melihat bahwa meskipun kumpulan data memiliki persentase data yang hilang yang rendah secara keseluruhan, beberapa fitur mungkin terpengaruh olehnya lebih dari yang lain. Kami juga dapat mengidentifikasi agak kategori yang cukup banyak untuk beberapa fitur, dan fitur bernilai 0 (atau setidaknya dengan jumlah 0 yang signifikan).
ydata-profiling: Data Profiling Report — Pratinjau baris duplikat. Gambar oleh Penulis.
Mengenai baris duplikat, tidaklah aneh untuk menemukan pengamatan "berulang" mengingat sebagian besar fitur mewakili kategori di mana beberapa orang mungkin "cocok" secara bersamaan.
Namun, mungkin a “bau data” bisa jadi bahwa pengamatan ini berbagi sama age
nilai-nilai (yang masuk akal) dan sama persis fnlwgt
yang, mengingat nilai-nilai yang disajikan, tampaknya lebih sulit dipercaya. Jadi analisis lebih lanjut akan diperlukan, tetapi kita harus melakukannya kemungkinan besar jatuhkan duplikat ini kemudian.
Secara keseluruhan, ikhtisar data mungkin merupakan analisis sederhana, tetapi satu sangat berdampak, karena ini akan membantu kami menentukan tugas yang akan datang dalam alur kami.
Setelah mengintip deskriptor data secara keseluruhan, kita perlu memperbesar fitur dataset kami, untuk mendapatkan beberapa wawasan tentang properti masing-masing — Analisis Univariat — serta interaksi dan hubungan mereka — Analisis Multivariat.
Kedua tugas sangat bergantung pada menyelidiki statistik dan visualisasi yang memadai, yang harus disesuaikan dengan jenis fitur di tangan (misalnya, numerik, kategorikal), dan perilaku kami sedang mencari untuk membedah (misalnya, interaksi, korelasi).
Mari kita lihat praktik terbaik untuk setiap tugas.
Analisis Univariat
Menganalisis karakteristik individu dari setiap fitur sangat penting karena akan membantu kami memutuskannya relevansi untuk analisis dan jenis persiapan data mereka mungkin memerlukan untuk mencapai hasil yang optimal.
Misalnya, kami mungkin menemukan nilai yang sangat di luar jangkauan dan mungkin merujuk inkonsistensi or pencilan. Kita mungkin perlu membakukan numerik data atau lakukan a pengkodean satu-panas dari kategorikal fitur, tergantung pada jumlah kategori yang ada. Atau kita mungkin harus melakukan persiapan data tambahan untuk menangani fitur numerik yang ada bergeser atau miring, jika algoritme pembelajaran mesin yang ingin kami gunakan mengharapkan distribusi tertentu (biasanya Gaussian).
Oleh karena itu, praktik terbaik memerlukan penyelidikan menyeluruh terhadap properti individual seperti statistik deskriptif dan distribusi data.
Ini akan menyoroti kebutuhan untuk tugas selanjutnya dari penghapusan outlier, standardisasi, pengkodean label, imputasi data, augmentasi data, dan jenis preprocessing lainnya.
Mari selidiki race
dan capital.gain
lebih detail. Apa yang bisa langsung kita temukan?
ydata-profiling: Profiling Report (race and capital.gain). Gambar oleh Penulis.
Penilaian keuntungan dalam bentuk uang langsung:
Mengingat distribusi data, kami mungkin mempertanyakan apakah fitur tersebut menambahkan nilai apa pun ke analisis kami, karena 91.7% nilainya adalah "0".
menganalisis ras sedikit lebih kompleks:
Ada perwakilan yang jelas dari ras selain White
. Ini membawa dua masalah utama ke pikiran:
- Salah satunya adalah kecenderungan umum dari algoritma pembelajaran mesin mengabaikan konsep yang kurang terwakili, dikenal sebagai masalah disjungsi kecil, yang menyebabkan berkurangnya prestasi belajar;
- Yang lain agak turunan dari masalah ini: karena kita berurusan dengan fitur sensitif, "kecenderungan mengabaikan" ini mungkin memiliki konsekuensi yang berhubungan langsung dengan prasangka dan keadilan masalah. Sesuatu yang kami pasti tidak ingin masuk ke dalam model kami.
Mempertimbangkan hal ini, mungkin kita harus pertimbangkan untuk melakukan augmentasi data dikondisikan pada kategori yang kurang terwakili, serta mempertimbangkan metrik sadar keadilan untuk evaluasi model, untuk memeriksa setiap ketidaksesuaian dalam performa yang terkait dengan race
nilai-nilai.
Kami akan menjelaskan lebih lanjut tentang karakteristik data lain yang perlu ditangani saat kami membahas praktik terbaik kualitas data (Langkah 3). Contoh ini hanya menunjukkan berapa banyak wawasan yang dapat kita ambil hanya dengan menilai setiap fitur properties.
Terakhir, perhatikan bagaimana, seperti yang disebutkan sebelumnya, tipe fitur yang berbeda membutuhkan statistik dan strategi visualisasi yang berbeda:
- Fitur numerik paling sering terdiri dari informasi mengenai rata-rata, standar deviasi, kemiringan, kurtosis, dan statistik kuantil lainnya, dan paling baik direpresentasikan menggunakan plot histogram;
- Fitur kategoris biasanya dijelaskan menggunakan tabel mode, median, dan frekuensi, dan direpresentasikan menggunakan diagram batang untuk analisis kategori.
ydata-profiling: Laporan Pembuatan Profil. Statistik dan visualisasi yang disajikan disesuaikan dengan masing-masing jenis fitur. Screencast oleh Penulis.
Analisis terperinci seperti itu akan sulit dilakukan dengan manipulasi panda umum, tetapi untungnya ydata-profiling
memiliki semua fungsi ini dibangun ke dalam ProfileReport
demi kenyamanan kami: tidak ada baris kode tambahan yang ditambahkan ke cuplikan!
Analisis Multivariat
Untuk Analisis Multivariat, praktik terbaik terutama berfokus pada dua strategi: menganalisis interaksi antara fitur, dan menganalisisnya korelasi.
Menganalisis Interaksi
Interaksi mari kita jelajahi secara visual bagaimana perilaku setiap pasangan fitur, yaitu, bagaimana nilai dari satu fitur berhubungan dengan nilai fitur lainnya.
Misalnya, mereka mungkin memamerkan positif or negatif hubungan, tergantung pada apakah peningkatan nilai seseorang dikaitkan dengan peningkatan atau penurunan nilai orang lain.
ydata-profiling: Profiling Report — Interaksi. Gambar oleh Penulis.
Mengambil interaksi antara age
dan hours.per.week
sebagai contoh, kita dapat melihat bahwa sebagian besar tenaga kerja bekerja dengan standar 40 jam. Namun, ada beberapa "lebah sibuk" yang bekerja melewati itu (hingga 60 atau bahkan 65 jam) antara usia 30 dan 45 tahun. Orang berusia 20-an cenderung tidak terlalu banyak bekerja, dan mungkin memiliki jadwal kerja yang lebih ringan pada beberapa orang. minggu.
Menganalisis Korelasi
Sama halnya dengan interaksi, korelasi mari kita menganalisis hubungannya antara fitur. Korelasi, bagaimanapun, "memberi nilai" padanya, sehingga lebih mudah bagi kita untuk menentukan "kekuatan" hubungan itu.
"Kekuatan" ini adalah diukur dengan koefisien korelasi dan dapat dianalisis baik secara numerik (misalnya, memeriksa a matriks korelasi) atau dengan a heatmap, yang menggunakan warna dan bayangan untuk menonjolkan pola yang menarik secara visual:
ydata-profiling: Laporan Pembuatan Profil — Peta Panas dan Matriks Korelasi. Screencast oleh Penulis.
Mengenai dataset kami, perhatikan bagaimana korelasi antara education
dan education.num
menonjol. Nyatanya, mereka menyimpan informasi yang sama, dan education.num
hanyalah sebuah binning dari education
nilai-nilai.
Pola lain yang menarik perhatian adalah korelasi antara sex
dan relationship
meskipun sekali lagi tidak terlalu informatif: melihat nilai dari kedua fitur, kami akan menyadari bahwa fitur ini kemungkinan besar terkait karena male
dan female
akan sesuai dengan husband
dan wife
, Masing-masing.
Jenis redudansi ini dapat diperiksa untuk melihat apakah kami dapat menghapus beberapa fitur ini dari analisis (marital.status
juga terkait dengan relationship
dan sex
; native.country
dan race
misalnya, antara lain).
ydata-profiling: Profiling Report — Korelasi. Gambar oleh Penulis.
Namun, ada korelasi lain yang menonjol dan menarik untuk tujuan analisis kami.
Misalnya, korelasi antarasex
dan occupation
, atau sex
dan hours.per.week
.
Akhirnya, korelasi antara income
dan fitur lainnya benar-benar informatif, khususnya jika kami mencoba memetakan masalah klasifikasi. Mengetahui apa saja paling berkorelasi fitur ke kelas target kami membantu kami mengidentifikasi paling diskriminatif fitur dan juga menemukan kemungkinan pembocor data yang dapat memengaruhi model kami.
Dari heatmapnya, sepertinya begitu marital.status
or relationship
adalah salah satu prediktor yang paling penting, sementara fnlwgt
misalnya, tampaknya tidak berdampak besar pada hasilnya.
Demikian pula dengan deskriptor dan visualisasi data, interaksi dan korelasi juga perlu memperhatikan jenis fitur yang ada.
Dengan kata lain, kombinasi yang berbeda akan diukur dengan koefisien korelasi yang berbeda. Secara default, ydata-profiling
menjalankan korelasi auto
, yang artinya:
- Numerik versus Numerik korelasi diukur menggunakan pangkat Spearman koefisien korelasi;
- Kategorikal versus Kategorikal korelasi diukur menggunakan V Cramer;
- Numerik versus Kategorikal korelasi juga menggunakan Cramer's V, di mana fitur numerik pertama kali didiskritisasi;
Dan jika Anda ingin memeriksa koefisien korelasi lainnya (misalnya, Pearson, Kendall, Phi) Anda dapat dengan mudah konfigurasikan parameter laporan.
Saat kita menavigasi menuju a paradigma data-sentris pengembangan AI, berada di atas kemungkinan faktor komplikasi yang muncul dalam data kami sangat penting.
Dengan "faktor rumit", kami mengacu pada kesalahan yang mungkin terjadi selama pengumpulan data pemrosesan, atau karakteristik intrinsik data yang hanya refleksi dari alam dari data.
Ini termasuk hilang data, tidak seimbang data, konstan nilai-nilai, duplikat, sangat berkorelasi or mubazir fitur, bising datanya antara lain.
Masalah Kualitas Data: Kesalahan dan Karakteristik Intrinsik Data. Gambar oleh Penulis.
Menemukan masalah kualitas data ini di awal proyek (dan memantaunya terus menerus selama pengembangan) sangatlah penting.
Jika tidak diidentifikasi dan ditangani sebelum tahap pembuatan model, hal tersebut dapat membahayakan keseluruhan alur ML dan analisis serta kesimpulan selanjutnya yang mungkin berasal darinya.
Tanpa proses otomatis, kemampuan untuk mengidentifikasi dan mengatasi masalah ini akan diserahkan sepenuhnya kepada pengalaman pribadi dan keahlian orang yang melakukan analisis EDA, yang jelas tidak ideal. Plus, betapa beratnya beban di pundak seseorang, terutama mengingat dataset dimensi tinggi. Peringatan mimpi buruk yang masuk!
Ini adalah salah satu fitur yang paling dihargai ydata-profiling
, yang pembuatan peringatan kualitas data secara otomatis:
ydata-profiling: Profiling Report — Peringatan Kualitas Data. Gambar oleh Penulis.
Profil menampilkan setidaknya 5 jenis masalah kualitas data yang berbeda, Yaitu duplicates
, high correlation
, imbalance
, missing
, dan zeros
.
Memang, kami telah mengidentifikasi beberapa di antaranya sebelumnya, saat kami melewati langkah 2: race
adalah fitur yang sangat tidak seimbang dan capital.gain
didominasi oleh 0. Kami juga telah melihat korelasi yang erat antara education
dan education.num
, dan relationship
dan sex
.
Menganalisis Pola Data yang Hilang
Di antara lingkup peringatan komprehensif yang dipertimbangkan, ydata-profiling
sangat membantu dalam menganalisis pola data yang hilang.
Karena data yang hilang adalah masalah yang sangat umum di domain dunia nyata dan dapat membahayakan penerapan beberapa pengklasifikasi sekaligus atau sangat membiaskan prediksi mereka, praktik terbaik lainnya adalah dengan hati-hati menganalisis data yang hilang persentase dan perilaku yang mungkin ditampilkan oleh fitur kami:
ydata-profiling: Profiling Report — Menganalisis Nilai yang Hilang. Screencast oleh Penulis.
Dari bagian peringatan data, kami sudah mengetahuinya workclass
, occupation
, dan native.country
tidak ada pengamatan. Peta panas selanjutnya memberi tahu kita bahwa ada hubungan langsung dengan pola yang hilang in occupation
dan workclass
: bila ada nilai yang hilang di satu fitur, fitur lainnya juga akan hilang.
Wawasan Utama: Pembuatan Profil Data melampaui EDA!
Sejauh ini, kita telah membahas tugas-tugas yang menyusun proses EDA menyeluruh dan caranya penilaian masalah dan karakteristik kualitas data - sebuah proses yang dapat kita sebut sebagai Data Profiling - jelas merupakan praktik terbaik.
Namun, penting untuk mengklarifikasi itu pembuatan profil data melampaui EDA. Sedangkan kami umumnya mendefinisikan EDA sebagai langkah eksplorasi dan interaktif sebelum mengembangkan jenis pipa data apa pun, pembuatan profil data adalah proses berulang yang harus terjadi pada setiap langkah preprocessing data dan pembuatan model.
EDA yang efisien meletakkan dasar dari saluran pembelajaran mesin yang sukses.
Ini seperti menjalankan diagnosis pada data Anda, mempelajari semua yang perlu Anda ketahui tentang apa yang diperlukan — itu properties, hubungan, masalah — sehingga nantinya Anda dapat mengatasinya dengan cara terbaik.
Ini juga merupakan awal dari fase inspirasi kami: dari EDA pertanyaan dan hipotesis mulai muncul, dan analisis direncanakan untuk memvalidasi atau menolaknya di sepanjang jalan.
Sepanjang artikel, kami telah membahasnya 3 langkah mendasar utama yang akan memandu Anda menjalani EDA yang efektif, dan membahas dampak memiliki alat terbaik — ydata-profiling
— untuk mengarahkan kita ke arah yang benar, dan menghemat banyak waktu dan beban mental.
Saya harap panduan ini akan membantu Anda menguasai seni "bermain detektif data" dan seperti biasa, umpan balik, pertanyaan, dan saran sangat kami hargai. Beri tahu saya topik lain apa yang ingin saya tulis, atau lebih baik lagi, temui saya di Komunitas AI Pusat Data dan mari berkolaborasi!
Maryam Santos fokus mendidik Komunitas Ilmu Data & Pembelajaran Mesin tentang cara beralih dari data mentah, kotor, “buruk” atau tidak sempurna menjadi data cerdas, cerdas, berkualitas tinggi, memungkinkan pengklasifikasi pembelajaran mesin menarik kesimpulan yang akurat dan andal di beberapa industri (Fintech , Perawatan Kesehatan & Farmasi, Telekomunikasi, dan Ritel).
Original. Diposting ulang dengan izin.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Keuangan EVM. Antarmuka Terpadu untuk Keuangan Terdesentralisasi. Akses Di Sini.
- Grup Media Kuantum. IR/PR Diperkuat. Akses Di Sini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://www.kdnuggets.com/2023/06/data-scientist-essential-guide-exploratory-data-analysis.html?utm_source=rss&utm_medium=rss&utm_campaign=a-data-scientists-essential-guide-to-exploratory-data-analysis
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 30
- 40
- 60
- 65
- 91
- a
- kemampuan
- Tentang Kami
- atas
- absen
- Akun
- tepat
- Mencapai
- di seluruh
- menambahkan
- Tambahan
- Informasi Tambahan
- alamat
- Menambahkan
- Disesuaikan
- Dewasa
- mempengaruhi
- lagi
- Abad
- AI
- alert
- algoritma
- algoritma
- Semua
- sepanjang
- sudah
- juga
- Meskipun
- sama sekali
- selalu
- am
- antara
- diantara
- jumlah
- an
- analisis
- menganalisa
- dianalisis
- menganalisis
- dan
- Apa pun
- Aplikasi
- ADALAH
- Seni
- artikel
- AS
- Menilai
- penilaian
- terkait
- At
- menghadiri
- penulis
- Otomatis
- secara otomatis
- tersedia
- jauh
- Buruk
- bar
- BE
- menjadi
- sebelum
- Awal
- makhluk
- Percaya
- TERBAIK
- Praktik Terbaik
- Lebih baik
- antara
- Luar
- prasangka
- bing
- kedua
- Membawa
- Bangunan
- dibangun di
- beban
- tapi
- by
- panggilan
- CAN
- modal
- hati-hati
- membawa
- kasus
- kategori
- Kategori
- Sensus
- karakteristik
- memeriksa
- diperiksa
- kelas
- klasifikasi
- jelas
- kode
- koleksi
- warna
- kombinasi
- bagaimana
- Umum
- Masyarakat
- lengkap
- kompleks
- luas
- terdiri dari
- kompromi
- Kekhawatiran
- Mengadakan
- melakukan
- Konsekuensi
- dianggap
- mengingat
- terus menerus
- kenyamanan
- Korelasi
- koefisien korelasi
- bisa
- kritis
- sangat penting
- data
- analisis data
- Persiapan data
- kualitas data
- ilmu data
- kumpulan data
- berurusan
- memutuskan
- mengurangi
- mendalam
- Default
- pastinya
- Ketergantungan
- Tergantung
- turunan
- dijelaskan
- rinci
- terperinci
- Menentukan
- berkembang
- Pengembangan
- penyimpangan
- diagnosa
- berbeda
- langsung
- arah
- langsung
- membahas
- dibahas
- mendiskusikan
- Display
- distribusi
- do
- tidak
- domain
- Dont
- seri
- Menjatuhkan
- selama
- e
- setiap
- mudah
- mudah
- mendidik
- Efektif
- efisien
- efisien
- antara
- memungkinkan
- sepenuhnya
- kesalahan
- terutama
- esensi
- penting
- Eter (ETH)
- Bahkan
- akhirnya
- Setiap
- segala sesuatu
- Memeriksa
- contoh
- ada
- mengharapkan
- pengalaman
- keahlian
- Analisis Data Eksplorasi
- menyelidiki
- tambahan
- sangat
- mata
- fakta
- akrab
- jauh
- Fitur
- Fitur
- umpan balik
- Menemukan
- fintech
- Pertama
- Fokus
- berikut
- Untuk
- kekuatan
- format
- Prinsip Dasar
- Frekuensi
- dari
- fungsi
- mendasar
- secara fundamental
- lebih lanjut
- masa depan
- Mendapatkan
- Umum
- umumnya
- menghasilkan
- generasi
- mendapatkan
- gif
- diberikan
- Go
- Pergi
- akan
- besar
- menebak
- membimbing
- memiliki
- tangan
- menangani
- tangan
- Memiliki
- memiliki
- kesehatan
- berat
- membantu
- bermanfaat
- membantu
- berkualitas tinggi
- Menyoroti
- sangat
- memegang
- berharap
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTTPS
- i
- ideal
- diidentifikasi
- mengenali
- if
- gambar
- segera
- Dampak
- penting
- in
- termasuk
- Pendapatan
- masuk
- Meningkatkan
- sendiri-sendiri
- industri
- informasi
- informatif
- wawasan
- wawasan
- Inspirasi
- contoh
- Cerdas
- berniat
- interaksi
- interaksi
- interaktif
- menarik
- ke
- hakiki
- menyelidiki
- investigasi
- melibatkan
- isu
- masalah
- IT
- NYA
- Membahayakan
- Pekerjaan
- jpg
- hanya
- KDnugget
- Kendall's
- Tahu
- Mengetahui
- dikenal
- kurtosis
- label
- kemudian
- Terletak
- Memimpin
- pengetahuan
- paling sedikit
- meninggalkan
- kurang
- Lisensi
- cahaya
- 'like'
- Mungkin
- baris
- baris
- sedikit
- melihat
- mencari
- Rendah
- mesin
- Mesin belajar
- Utama
- terutama
- Mayoritas
- membuat
- manipulasi
- peta
- menguasai
- Matriks
- Mungkin..
- me
- berarti
- cara
- diukur
- Pelajari
- mental yang
- tersebut
- Metrik
- mungkin
- keberatan
- hilang
- ML
- mode
- model
- model
- pemantauan
- lebih
- paling
- pindah
- banyak
- Arahkan
- Perlu
- tidak
- biasanya
- Melihat..
- jumlah
- obyek
- Jelas
- terjadi
- of
- sering
- on
- ONE
- hanya
- optimal
- or
- urutan
- Lainnya
- Lainnya
- kami
- di luar
- Hasil
- keluaran
- secara keseluruhan
- ikhtisar
- pasangan
- panda
- tertentu
- lalu
- pola
- pola
- Konsultan Ahli
- persentase
- melakukan
- prestasi
- melakukan
- mungkin
- izin
- orang
- pribadi
- Pharma
- tahap
- memilih
- pipa saluran
- berencana
- plato
- Kecerdasan Data Plato
- Data Plato
- masuk akal
- Titik
- Pops
- diisi
- mungkin
- praktek
- praktek
- Prediksi
- terutama
- persiapan
- disajikan
- hadiah
- Preview
- sebelumnya
- Mencetak
- cetak
- Sebelumnya
- Masalah
- proses
- pengolahan
- Profil
- profil
- proyek
- properties
- publik
- tujuan
- kualitas
- pertanyaan
- Pertanyaan
- Ras
- jarak
- Penilaian
- agak
- Mentah
- dunia nyata
- menyadari
- arsip
- mengurangi
- refleksi
- mengenai
- terkait
- hubungan
- Hubungan
- relatif
- dapat diandalkan
- mengandalkan
- yang tersisa
- pemindahan
- menghapus
- melaporkan
- gudang
- mewakili
- diwakili
- membutuhkan
- wajib
- itu
- masing-masing
- Hasil
- eceran
- benar
- Aturan
- berjalan
- sama
- menjadwalkan
- Ilmu
- cakupan
- Bagian
- bagian
- melihat
- terlihat
- tampaknya
- terlihat
- peka
- beberapa
- sangat parah
- Share
- Belanja
- Pendek
- harus
- Menunjukkan
- penting
- Sederhana
- hanya
- serentak
- tunggal
- pintar
- So
- beberapa
- sesuatu
- agak
- Spot
- Tahap
- berdiri
- standar
- berdiri
- awal
- Mulai
- statistika
- Langkah
- Tangga
- mudah
- strategi
- selanjutnya
- sukses
- seperti itu
- Mengambil
- target
- tugas
- tugas
- mengatakan
- dari
- bahwa
- Grafik
- informasi
- mereka
- Mereka
- Sana.
- karena itu
- Ini
- mereka
- ini
- sepenuhnya
- pikir
- tiga
- Melalui
- waktu
- untuk
- alat
- puncak
- Topik
- terhadap
- secara tradisional
- dahsyat
- benar-benar
- dua
- mengetik
- jenis
- kurang terwakili
- pemahaman
- unik
- tidak dikenal
- sampai
- mendatang
- us
- menggunakan
- kegunaan
- menggunakan
- biasanya
- MENGESAHKAN
- nilai
- Nilai - Nilai
- berbagai
- Lawan
- sangat
- visualisasi
- ingin
- Cara..
- we
- minggu
- berat
- BAIK
- pergi
- adalah
- Apa
- ketika
- apakah
- yang
- seluruh
- mengapa
- Wikipedia
- akan
- dengan
- tanpa
- kata
- Kerja
- kerja
- bekerja
- akan
- menulis
- namun
- kamu
- Anda
- zephyrnet.dll
- zoom