החשיבות של מחסני נתונים וניתוחים המבוצעים על פלטפורמות מחסני נתונים גדלה בהתמדה במהלך השנים, כאשר עסקים רבים מתחילים להסתמך על מערכות אלו כקריטיות למשימה הן לקבלת החלטות תפעוליות קצרות טווח והן לתכנון אסטרטגי לטווח ארוך. באופן מסורתי, מחסני נתונים מתרעננים במחזורי אצווה, למשל, חודשי, שבועי או יומי, כך שעסקים יכולים להפיק מהם תובנות שונות.
ארגונים רבים מבינים כי קליטת נתונים כמעט בזמן אמת יחד עם ניתוחים מתקדמים פותחים הזדמנויות חדשות. לדוגמה, מכון פיננסי יכול לחזות אם עסקת כרטיס אשראי היא הונאה על ידי הפעלת תוכנית זיהוי חריגות במצב כמעט בזמן אמת ולא במצב אצווה.
בפוסט זה אנו מראים כיצד האדום של אמזון יכול לספק תחזיות הטמעת סטרימינג ולמידת מכונה (ML) הכל בפלטפורמה אחת.
אמזון Redshift הוא מחסן נתונים בענן מהיר, ניתן להרחבה, מאובטח ומנוהל במלואו, שהופך את זה לפשוט וחסכוני לנתח את כל הנתונים שלך באמצעות SQL סטנדרטי.
אמזון Redshift ML מקל על מנתחי נתונים ומפתחי מסדי נתונים ליצור, לאמן וליישם מודלים של ML באמצעות פקודות SQL מוכרות במחסני נתונים של Amazon Redshift.
אנחנו נרגשים להשיק הזרמת סטרימינג של Amazon Shift Redshift ל זרמי נתונים של אמזון קינסי ו אמזון מנוהל סטרימינג עבור אפאצ'י קפקא (Amazon MSK), המאפשרת לך להטמיע נתונים ישירות מזרם נתונים של Kinesis או נושא קפקא מבלי שתצטרך לשלב את הנתונים שירות אחסון פשוט של אמזון (אמזון S3). הזרמת סטרימינג של Amazon Redshift מאפשרת לך להשיג זמן אחזור נמוך בסדר גודל של שניות תוך הכנסת מאות מגה-בייט של נתונים לתוך מחסן הנתונים שלך.
פוסט זה מדגים כיצד Amazon Redshift, מחסן הנתונים בענן מאפשר לך לבנות תחזיות ML כמעט בזמן אמת על ידי שימוש בהטמעת סטרימינג של Amazon Redshift ותכונות Redshift ML עם שפת SQL מוכרת.
סקירת פתרונות
על ידי ביצוע השלבים המתוארים בפוסט זה, תוכל להגדיר אפליקציית סטרימר מפיק על ענן מחשוב אלסטי של אמזון (Amazon EC2) מופע המדמה עסקאות בכרטיס אשראי ודוחף נתונים ל-Kinesis Data Streams בזמן אמת. אתה מגדיר תצוגה מימושת של אמזון Redshift Streaming Ingestion ב- Amazon Redshift, שבה מתקבלים נתונים זורמים. אתה מתאמן ובונה מודל Redshift ML כדי ליצור מסקנות בזמן אמת מול הנתונים הזורמים.
התרשים הבא ממחיש את הארכיטקטורה ואת זרימת התהליך.
התהליך שלב אחר שלב הוא כדלקמן:
- המופע של EC2 מדמה יישום עסקאות בכרטיס אשראי, שמכניס עסקאות בכרטיס אשראי לזרם הנתונים של Kinesis.
- זרם הנתונים מאחסן את נתוני העסקאות הנכנסות של כרטיס האשראי.
- תצוגת הזרמת הזרמת אמזון של אמזון נוצרת על גבי זרם הנתונים, אשר קולט באופן אוטומטי נתונים זורמים לתוך אמזון Redshift.
- אתה בונה, מאמן ופורס מודל ML באמצעות Redshift ML. מודל Redshift ML מאומן באמצעות נתוני טרנזקציות היסטוריים.
- אתה משנה את הנתונים הזורמים ומייצר תחזיות ML.
- אתה יכול להזהיר לקוחות או לעדכן את האפליקציה כדי להפחית סיכונים.
הדרכה זו משתמשת בנתוני הזרמת עסקאות בכרטיס אשראי. נתוני העסקאות בכרטיס האשראי הם פיקטיביים ומבוססים על א מדמה. מערך הנתונים של הלקוח הוא גם פיקטיבי והוא נוצר עם כמה פונקציות נתונים אקראיות.
תנאים מוקדמים
- צור אשכול הסטת אדום של אמזון.
- הגדר את האשכול להשתמש ב- Redshift ML.
- צור an AWS זהות וניהול גישה משתמש (IAM).
- עדכן את תפקיד IAM המצורף לאשכול האדום כדי לכלול הרשאות גישה לזרם הנתונים של Kinesis. למידע נוסף על הפוליסה הנדרשת, עיין ב תחילת העבודה עם הטמעת סטרימינג.
- צור מופע m5.4xlarge EC2. בדקנו את אפליקציית Producer עם מופע m5.4xlarge אבל אתה חופשי להשתמש בסוג מופע אחר. בעת יצירת המופע, השתמש ב- amzn2-ami-kernel-5.10-hvm-2.0.20220426.0-x86_64-gp2 האם אני.
- כדי לוודא ש-Python3 מותקן במופע EC2, הפעל את הפקודה הבאה כדי לאמת את גרסת Python שלך (שים לב שסקריפט חילוץ הנתונים פועל רק ב-Python 3):
- התקן את החבילות התלויות הבאות כדי להפעיל את תוכנית הסימולטור:
- הגדר את Amazon EC2 באמצעות המשתנים כמו אישורי AWS שנוצרו עבור משתמש IAM שנוצר בשלב 3 לעיל. צילום המסך הבא מציג דוגמה לשימוש aws להגדיר.
הגדר את זרמי הנתונים של Kinesis
Amazon Kinesis Data Streams הוא שירות הזרמת נתונים בזמן אמת הניתן להרחבה ועמיד. הוא יכול ללכוד באופן רציף ג'יגה-בייט של נתונים לשנייה ממאות אלפי מקורות, כגון זרמי קליקים באתר, זרמי אירועי מסד נתונים, עסקאות פיננסיות, הזנות של מדיה חברתית, יומני IT ואירועי מעקב אחר מיקום. הנתונים שנאספו זמינים באלפיות שניות כדי לאפשר מקרי שימוש אנליטיים בזמן אמת כגון לוחות מחוונים בזמן אמת, זיהוי אנומליות בזמן אמת, תמחור דינמי ועוד. אנו משתמשים ב-Kinesis Data Streams מכיוון שזהו פתרון ללא שרת שיכול להתאים לפי שימוש.
צור זרם נתונים של Kinesis
ראשית, עליך ליצור זרם נתונים של Kinesis כדי לקבל את נתוני הסטרימינג:
- במסוף קינזיס של אמזון בחר זרמי נתונים בחלונית הניווט.
- לבחור צור זרם נתונים.
- בעד שם זרם הנתונים, להיכנס
cust-payment-txn-stream
. - בעד מצב קיבולת, בחר לפי דרישה.
- עבור שאר האפשרויות, בחר את אפשרויות ברירת המחדל ופעל לפי ההנחיות כדי להשלים את ההגדרה.
- לכוד את ה-ARN עבור זרם הנתונים שנוצר לשימוש בסעיף הבא בעת הגדרת מדיניות IAM שלך.
הגדר הרשאות
כדי שאפליקציית סטרימינג תכתוב ל-Kinesis Data Streams, לאפליקציה צריכה להיות גישה ל-Kinesis. אתה יכול להשתמש בהצהרת המדיניות הבאה כדי להעניק לתהליך הסימולטור שהגדרת בסעיף הבא גישה לזרם הנתונים. השתמש ב-ARN של זרם הנתונים ששמרת בשלב הקודם.
הגדר את מפיק הזרם
לפני שנוכל לצרוך נתונים זורמים באמזון Redshift, אנחנו צריכים מקור נתונים זורמים שכותב נתונים לזרם הנתונים של Kinesis. פוסט זה משתמש במחולל נתונים מותאם אישית וב- AWS SDK עבור Python (Boto3) כדי לפרסם את הנתונים לזרם הנתונים. להוראות התקנה, עיין ב סימולטור מפיק. תהליך סימולטור זה מפרסם נתונים זורמים לזרם הנתונים שנוצר בשלב הקודם (cust-payment-txn-stream
).
הגדר את צרכן הזרם
סעיף זה מדבר על הגדרת צרכן הזרם (תצוגת הזרמת הסטרימינג של Amazon Redshift).
אמזון Redshift Streaming Ingestion מספקת הטמעת אחזור נמוכה ומהירה של נתונים מזרמי נתונים מ-Kinesis Data Streams לתוך תצוגה שהתממשה באמזון Redshift. אתה יכול להגדיר את אשכול אמזון האדום שלך כדי לאפשר הטמעת סטרימינג וליצור תצוגה מציאותית עם רענון אוטומטי, באמצעות הצהרות SQL, כמתואר ב יצירת תצוגות ממומשות באמזון Redshift. תהליך הרענון האוטומטי של התצוגה המממשית יכניס נתונים זורמים במאות מגה-בייט של נתונים לשנייה מ-Kinesis Data Streams לתוך אמזון Redshift. זה מביא לגישה מהירה לנתונים חיצוניים שמתרעננים במהירות.
לאחר יצירת התצוגה הממומשת, תוכל לגשת לנתונים שלך מזרם הנתונים באמצעות SQL ולפשט את צינורות הנתונים שלך על ידי יצירת תצוגות ממומשות ישירות על גבי הזרם.
השלם את השלבים הבאים כדי להגדיר תצוגת סטרימינג של אמזון Redshift:
- במסוף IAM, בחר מדיניות בחלונית הניווט.
- לבחור צור מדיניות.
- צור מדיניות IAM חדשה בשם
KinesisStreamPolicy
. להגדרת מדיניות הסטרימינג, ראה תחילת העבודה עם הטמעת סטרימינג. - בחלונית הניווט בחר תפקידים.
- בחר צור תפקיד.
- בחר שירות AWS ולבחור היסט לאדום והיסט לאדום ניתנים להתאמה אישית.
- צור תפקיד חדש בשם
redshift-streaming-role
ולצרף את הפוליסהKinesisStreamPolicy
. - צור סכמה חיצונית למיפוי ל-Kinesis Data Streams:
עכשיו אתה יכול ליצור תצוגה ממומשת כדי לצרוך את נתוני הזרם. אתה יכול להשתמש בסוג הנתונים SUPER כדי לאחסן את המטען כפי שהוא, בפורמט JSON, או להשתמש בפונקציות של Amazon Redshift JSON כדי לנתח את נתוני ה-JSON לעמודות בודדות. עבור פוסט זה, אנו משתמשים בשיטה השנייה מכיוון שהסכמה מוגדרת היטב.
- צור את תצוגת הטמעת הסטרימינג שהתממשה
cust_payment_tx_stream
. על ידי ציון AUTO REFRESH YES בקוד הבא, תוכל לאפשר רענון אוטומטי של תצוגת הטמעת הסטרימינג, מה שחוסך זמן על ידי הימנעות מבניית צינורות נתונים:
שים לב כי json_extract_path_text
יש מגבלת אורך של 64 KB. כמו כן, from_varbye מסנן רשומות גדולות מ-65KB.
- רענן את הנתונים.
תצוגת הסטרימינג של Amazon Redshift מתממשת מרעננת אוטומטית על ידי Amazon Redshift עבורך. בדרך זו, אינך צריך לדאוג לגבי עכירות נתונים. עם רענון אוטומטי של תצוגה מציאותית, הנתונים נטענים אוטומטית לתוך Amazon Redshift כשהם הופכים לזמינים בזרם. אם תבחר לבצע פעולה זו באופן ידני, השתמש בפקודה הבאה:
- כעת, בוא נבצע שאילתה בתצוגת הזרימה הממומשת כדי לראות נתונים לדוגמה:
- בוא נבדוק כמה רשומות יש בתצוגת הסטרימינג עכשיו:
כעת סיימת להגדיר את תצוגת הזרמת הזרמה של Amazon Redshift, המתעדכנת באופן רציף עם נתוני עסקאות כרטיס אשראי נכנסות. בהגדרה שלי, אני רואה שבערך 67,000 רשומות נמשכו לתצוגת הסטרימינג בזמן שהרצתי את שאילתת ספירת הבחירה שלי. מספר זה עשוי להיות שונה עבורך.
היסט לאדום ML
עם Redshift ML, אתה יכול להביא מודל ML מאומן מראש או לבנות אחד באופן מקורי. למידע נוסף, עיין ב שימוש למידת מכונה ב- Amazon Redshift.
בפוסט זה, אנו מאמנים ובונים מודל ML באמצעות מערך נתונים היסטורי. הנתונים מכילים א tx_fraud
שדה המסמן עסקה היסטורית כמרמה או לא. אנו בונים מודל ML מפוקח באמצעות Redshift Auto ML, אשר לומד ממערך הנתונים הזה ומנבא עסקאות נכנסות כאשר אלו מופעלות באמצעות פונקציות החיזוי.
בסעיפים הבאים, אנו מראים כיצד להגדיר את מערך הנתונים ההיסטורי ונתוני לקוחות.
טען את מערך הנתונים ההיסטורי
הטבלה ההיסטורית כוללת יותר שדות ממה שיש למקור הנתונים הזורמים. שדות אלה מכילים את ההוצאות העדכניות ביותר של הלקוח ואת ציון הסיכון הסופני, כמו מספר עסקאות הונאה שחושבו על ידי שינוי נתונים זורמים. ישנם גם משתנים קטגוריים כמו עסקאות סוף שבוע או עסקאות לילה.
כדי לטעון את הנתונים ההיסטוריים, הפעל את הפקודות באמצעות עורך שאילתות באמזון Redshift.
צור את טבלת היסטוריית העסקאות עם הקוד הבא. ניתן למצוא את ה-DDL גם ב GitHub.
בוא נבדוק כמה עסקאות נטענות:
בדוק את מגמת ההונאה החודשית ועסקאות ללא הונאה:
צור וטען נתוני לקוחות
כעת אנו יוצרים את טבלת הלקוחות ומטעינים נתונים, המכילים את המייל ומספר הטלפון של הלקוח. הקוד הבא יוצר את הטבלה, טוען את הנתונים ודוגם את הטבלה. השולחן DDL זמין ב GitHub.
לנתוני הבדיקה שלנו יש כ-5,000 לקוחות. צילום המסך הבא מציג נתוני לקוחות לדוגמה.
בנה מודל ML
טבלת העסקאות ההיסטורית שלנו בכרטיס מכילה 6 חודשים של נתונים, שבהם אנו משתמשים כעת כדי לאמן ולבדוק את מודל ה-ML.
המודל מקבל את השדות הבאים כקלט:
אנחנו מקבלים tx_fraud
כפלט.
אנחנו מחלקים את הנתונים האלה למערכי נתונים של הדרכה ובדיקות. עסקאות מ-2022-04-01 עד 2022-07-31 הן עבור מערך ההדרכה. עסקאות מ-2022-08-01 עד 2022-09-30 משמשות למערך הבדיקות.
בואו ניצור את מודל ה-ML באמצעות ה-SQL המוכר הצהרת CREATE MODEL. אנו משתמשים בצורה בסיסית של הפקודה Redshift ML. השיטה הבאה משתמשת טייס אוטומטי של אמזון, שמבצעת עבורך הכנת נתונים, הנדסת תכונות, בחירת דגמים והדרכה אוטומטית. ספק את השם של דלי S3 שלך המכיל את הקוד.
אני קורא למודל ML בשם Cust_cc_txn_fd
, ופונקציית החיזוי כ fn_customer_cc_fd
. פסקת FROM מציגה את עמודות הקלט מהטבלה ההיסטורית public.cust_payment_tx_history
. פרמטר היעד מוגדר ל tx_fraud
, שהוא משתנה היעד שאנו מנסים לחזות. IAM_Role
מוגדר כברירת מחדל מכיוון שהאשכול מוגדר עם תפקיד זה; אם לא, עליך לספק את התפקיד ARN של Cluster Redshift של אמזון IAM. קבעתי את max_runtime
עד 3,600 שניות, שזה הזמן שאנו נותנים ל-SageMaker להשלמת התהליך. Redshift ML פורס את המודל הטוב ביותר שזוהה במסגרת זמן זו.
בהתאם למורכבות המודל ולכמות הנתונים, יכול לקחת זמן מה עד שהמודל יהיה זמין. אם אתה מוצא את בחירת הדגם שלך לא הושלם, הגדל את הערך עבור max_runtime
. אתה יכול להגדיר ערך מקסימלי של 9999.
הפקודה CREATE MODEL מופעלת באופן אסינכרוני, מה שאומר שהיא פועלת ברקע. אתה יכול להשתמש ב הצג מודל פקודה כדי לראות את מצב הדגם. כאשר הסטטוס מוצג כמוכן, זה אומר שהמודל מאומן ונפרס.
צילומי המסך הבאים מציגים את הפלט שלנו.
מהפלט, אני רואה שהדגם זוהה בצורה נכונה BinaryClassification
, ו-F1 נבחר כמטרה. ה ציון F1 הוא מדד שמתחשב בשניהם דיוק וזכור. היא מחזירה ערך בין 1 (דיוק וזיכרונות מושלמת) ל-0 (הניקוד הנמוך ביותר האפשרי). במקרה שלי, זה 0.91. ככל שהערך גבוה יותר, כך ביצועי הדגם טובים יותר.
בואו נבדוק את המודל הזה עם מערך הנתונים של הבדיקה. הפעל את הפקודה הבאה, אשר מאחזרת תחזיות לדוגמה:
אנו רואים שחלק מהערכים תואמים וחלק לא. בואו נשווה תחזיות לאמת הבסיסית:
אימתנו שהמודל עובד וציון ה-F1 טוב. בואו נעבור ליצירת תחזיות על זרימת נתונים.
חזה עסקאות הונאה
מכיוון שמודל Redshift ML מוכן לשימוש, אנו יכולים להשתמש בו כדי להפעיל את התחזיות נגד קליטת נתונים זורמים. למערך הנתונים ההיסטורי יש יותר שדות ממה שיש לנו במקור הנתונים הזורמים, אבל הם רק מדדי עדכניות ותדירות סביב הלקוח והסיכון הסופני לעסקה הונאה.
אנו יכולים ליישם את הטרנספורמציות על גבי הנתונים הזורמים בקלות רבה על ידי הטמעת ה-SQL בתוך התצוגות. צור את מבט ראשון, אשר צובר נתונים זורמים ברמת הלקוח. לאחר מכן צור את מבט שני, אשר צובר נתונים זורמים ברמת המסוף, וה- תצוגה שלישית, המשלב נתונים עסקאות נכנסות עם נתונים מצטברים של לקוחות ומסוף וקורא לפונקציית החיזוי במקום אחד. הקוד לתצוגה השלישית הוא כדלקמן:
הפעל משפט SELECT בתצוגה:
בזמן שאתה מפעיל את הצהרת SELECT שוב ושוב, העסקאות האחרונות בכרטיס האשראי עוברות טרנספורמציות וחיזוי ML בזמן כמעט אמת.
זה מדגים את הכוח של אמזון Redshift - עם פקודות SQL קלות לשימוש, אתה יכול לשנות את זרימת הנתונים על ידי יישום פונקציות חלון מורכבות ולהחיל מודל ML כדי לחזות עסקאות הונאה הכל בשלב אחד, מבלי לבנות צינורות נתונים מורכבים או לבנות ולנהל תשתית נוספת.
הרחב את הפתרון
מכיוון שזרימת הנתונים פנימה ותחזיות ML נעשות כמעט בזמן אמת, אתה יכול לבנות תהליכים עסקיים להתריע ללקוח שלך באמצעות שירות התראה פשוט של אמזון (Amazon SNS), או שניתן לנעול את חשבון כרטיס האשראי של הלקוח במערכת תפעולית.
פוסט זה אינו נכנס לפרטי הפעולות הללו, אך אם אתה מעוניין ללמוד עוד על בניית פתרונות מונעי אירועים באמצעות Amazon Redshift, עיין בסעיף הבא מאגר GitHub.
לנקות את
כדי להימנע מחיובים עתידיים, מחק את המשאבים שנוצרו כחלק מהפוסט הזה.
סיכום
בפוסט זה, הדגמנו כיצד להגדיר זרם נתונים של Kinesis, להגדיר מפיק ולפרסם נתונים לזרמים, ולאחר מכן ליצור תצוגת הזרמת זרימה של Amazon Redshift ולבצע שאילתות על הנתונים באמזון Redshift. לאחר שהנתונים היו באשכול האדום של אמזון, הדגמנו כיצד לאמן מודל ML ולבנות פונקציית חיזוי ולהחיל אותה מול הנתונים הזורמים כדי ליצור תחזיות כמעט בזמן אמת.
אם יש לך משוב או שאלות, אנא השאר אותם בתגובות.
על הכותבים
בהאנו פיטמפלי הוא אדריכל פתרונות מומחה ב-Analytics שבסיסו מדאלאס. הוא מתמחה בבניית פתרונות אנליטיים. הרקע שלו הוא במחסני נתונים - ארכיטקטורה, פיתוח ואדמיניסטרציה. הוא עוסק בתחום הנתונים והאנליטיקה למעלה מ-15 שנה.
פראווין קדיפיקונדה הוא ארכיטקט פתרונות מומחה באנליטיקה בכיר ב-AWS המבוסס מדאלאס. הוא עוזר ללקוחות לבנות פתרונות אנליטיים יעילים, ביצועיים וניתנים להרחבה. הוא עבד עם בניית מסדי נתונים ופתרונות מחסני נתונים למעלה מ-15 שנה.
ריטש קומאר סינהא הוא אדריכל פתרונות מומחה ב-Analytics שבסיסו בסן פרנסיסקו. הוא עזר ללקוחות לבנות פתרונות מחסני נתונים ו-Big Data הניתן להרחבה במשך יותר מ-16 שנים. הוא אוהב לתכנן ולבנות פתרונות יעילים מקצה לקצה ב-AWS. בזמנו הפנוי הוא אוהב לקרוא, ללכת ולעשות יוגה.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/big-data/near-real-time-fraud-detection-using-amazon-redshift-streaming-ingestion-with-amazon-kinesis-data-streams-and-amazon-redshift-ml/
- 000
- 000 לקוחות
- 1
- 10
- 100
- 11
- שנים 15
- 67
- 7
- 9
- a
- יכול
- אודות
- מֵעַל
- גישה
- חֶשְׁבּוֹן
- להשיג
- פעולה
- נוסף
- מנהל
- מתקדם
- לאחר
- נגד
- ערני
- תעשיות
- מאפשר
- אמזון בעברית
- אמזון
- אמזון קינסי
- כמות
- אנליסטים
- אנליטי
- ניתוח
- לנתח
- ו
- גילוי חריגות
- אַפָּשׁ
- בקשה
- החל
- מריחה
- ארכיטקטורה
- סביב
- לצרף
- המכונית
- מכני עם סלילה אוטומטית
- באופן אוטומטי
- זמין
- הימנעות
- AWS
- רקע
- מבוסס
- בסיסי
- כי
- הופך להיות
- הטוב ביותר
- מוטב
- בֵּין
- גָדוֹל
- נתונים גדולים
- להביא
- לִבנוֹת
- בִּניָן
- עסקים
- תהליכים עסקיים
- עסקים
- שיחה
- נקרא
- שיחות
- ללכוד
- כרטיס
- מקרה
- מקרים
- אופי
- חיובים
- לבדוק
- לבחור
- עִיר
- ענן
- אשכול
- קוד
- עמודות
- משלב
- מגיע
- הערות
- לְהַשְׁווֹת
- להשלים
- מַשׁלִים
- מורכב
- מורכבות
- לחשב
- רואה
- קונסול
- לצרוך
- צרכן
- מכיל
- עלות תועלת
- יכול
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- אישורים
- אשראי
- כרטיס אשראי
- לקוח
- נתוני לקוחות
- לקוחות
- מחזורי
- יומי
- דאלאס
- נתונים
- הכנת נתונים
- מחסן נתונים
- מחסני נתונים
- מסד נתונים
- מאגרי מידע
- מערכי נתונים
- תַאֲרִיך
- קבלת החלטות
- בְּרִירַת מֶחדָל
- הגדרה
- למסור
- מופגן
- תלוי
- לפרוס
- פרס
- פורס
- מְתוּאָר
- עיצוב
- פרטים
- איתור
- מפתחים
- צעצועי התפתחות
- אחר
- ישירות
- לא
- עושה
- לא
- dow
- דינמי
- בקלות
- קל לשימוש
- השפעה
- יעיל
- אמייל
- לאפשר
- מאפשר
- מקצה לקצה
- הנדסה
- זן
- Ether (ETH)
- אירוע
- אירועים
- דוגמה
- נרגש
- חיצוני
- הוֹצָאָה
- f1
- מוכר
- מהר
- מאפיין
- תכונות
- מָשׁוֹב
- שדה
- שדות
- מסננים
- כספי
- דגלים
- תזרים
- לעקוב
- הבא
- כדלקמן
- טופס
- פוּרמָט
- מצא
- מסגרת
- פרנסיסקו
- הונאה
- גילוי הונאה
- חופשי
- תדר
- החל מ-
- לגמרי
- פונקציה
- פונקציות
- עתיד
- ליצור
- נוצר
- יצירת
- גנרטור
- לקבל
- לתת
- Go
- טוב
- להעניק
- קרקע
- קְבוּצָה
- יש
- עזר
- עוזר
- גבוה יותר
- להבליט
- היסטורי
- היסטוריה
- איך
- איך
- HTML
- HTTPS
- מאות
- IAM
- מזוהה
- זהות
- חשיבות
- in
- לכלול
- נכנס
- להגדיל
- גדל
- בנפרד
- מידע
- תשתית
- קלט
- מוסיף
- תובנות
- להתקין
- למשל
- מכון
- הוראות
- מעוניין
- IT
- להצטרף
- ג'סון
- קפקא
- זרמי נתונים של Kinesis
- שפה
- גדול יותר
- חֶבִיוֹן
- האחרון
- לשגר
- למידה
- יציאה
- אורך
- רמה
- להגביל
- הגבלה
- לִטעוֹן
- המון
- לטווח ארוך
- נמוך
- מכונה
- למידת מכונה
- עשוי
- לעשות
- עושה
- הצליח
- ניהול
- באופן ידני
- רב
- מַפָּה
- באופן מאסיבי
- תואם
- matplotlib
- מקסימום
- אומר
- מדיה
- שיטה
- מטרי
- מדדים
- להקל
- ML
- מצב
- מודל
- מודלים
- אחת לחודש
- חודשים
- יותר
- רוב
- המהלך
- שם
- ניווט
- צורך
- צרכי
- חדש
- הבא
- הודעה
- מספר
- קהות
- מטרה
- ONE
- נפתח
- מבצע
- מבצעי
- תפעול
- הזדמנויות
- אפשרויות
- להזמין
- ארגונים
- אחר
- המתואר
- חבילות
- דובי פנדה
- זגוגית
- פרמטר
- חלק
- לבצע
- ביצועים
- מבצע
- הרשאות
- טלפון
- מקום
- תכנון
- פלטפורמה
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אנא
- מדיניות
- מדיניות
- אפשרי
- הודעה
- כּוֹחַ
- דיוק
- לחזות
- נבואה
- התחזיות
- תחזית
- קודם
- תמחור
- תהליך
- תהליכים
- יַצרָן
- תָכְנִית
- לספק
- מספק
- ציבורי
- לפרסם
- פיתון
- שאלות
- מהירות
- אקראי
- קריאה
- מוכן
- ממשי
- זמן אמת
- נתונים בזמן אמת
- מימוש
- לקבל
- קיבלו
- לאחרונה
- מוכר
- רשום
- שוב ושוב
- להחליף
- נדרש
- משאב
- משאבים
- REST
- תוצאות
- החזרות
- הסיכון
- תפקיד
- הפעלה
- ריצה
- בעל חכמים
- סן
- סן פרנסיסקו
- להרחבה
- סולם
- צילומי מסך
- Sdk
- ים ים
- שְׁנִיָה
- שניות
- סעיף
- סעיפים
- לבטח
- נבחר
- מבחר
- ללא שרת
- שרות
- סט
- הצבה
- הגדרות
- התקנה
- טווח קצר
- לְהַצִיג
- הופעות
- פָּשׁוּט
- לפשט
- מדמה
- So
- חֶברָתִי
- מדיה חברתית
- פִּתָרוֹן
- פתרונות
- כמה
- מָקוֹר
- מקורות
- מומחה
- מתמחה
- לבלות
- לפצל
- SQL
- התמחות
- תֶקֶן
- החל
- מדינה
- הצהרה
- הצהרות
- מצב
- שלב
- צעדים
- אחסון
- חנות
- חנויות
- אסטרטגי
- זרם
- נהירה
- שירות זרימה
- זרמים
- כזה
- סוּפֶּר
- מערכת
- מערכות
- שולחן
- לקחת
- לוקח
- שיחות
- יעד
- מסוף
- מבחן
- אל האני
- שְׁלִישִׁי
- אלפים
- דרך
- זמן
- חותם
- ל
- חלק עליון
- נושא
- באופן מסורתי
- רכבת
- מְאוּמָן
- הדרכה
- עסקה
- טרנזקציות
- עסקות
- לשנות
- טרנספורמציות
- הפיכה
- מְגַמָה
- עדכון
- מְעוּדכָּן
- נוֹהָג
- להשתמש
- משתמש
- תוקף
- ערך
- ערכים
- שונים
- אמת
- גרסה
- לצפיה
- נופים
- הליכה
- בהדרכה
- מחסן
- אחסון
- אתר
- בסוף השבוע
- שבועי
- מה
- אשר
- בזמן
- ויקיפדיה
- יצטרך
- לְלֹא
- עבד
- עובד
- עובד
- לכתוב
- שנים
- יוגה
- זפירנט