Sistemi priporočil so ena najpogosteje uporabljenih tehnologij strojnega učenja (ML) v aplikacijah v resničnem svetu, od družbenih omrežij do platform za e-trgovino. Uporabniki številnih spletnih sistemov se zanašajo na sisteme priporočil za sklepanje novih prijateljstev, odkrivanje nove glasbe glede na predlagane glasbene sezname ali celo sprejemanje odločitev o nakupu v e-trgovini na podlagi priporočenih izdelkov. V družabnih omrežjih je eden pogostih primerov uporabe priporočanje novih prijateljev uporabniku na podlagi drugih povezav uporabnikov. Uporabniki s skupnimi prijatelji se verjetno poznajo. Zato bi morali imeti višjo oceno za predlagani sistem priporočil, če še niso bili povezani.
Družbena omrežja lahko seveda izrazimo v grafu, kjer vozlišča predstavljajo ljudi, povezave med ljudmi, kot so prijateljstvo ali sodelavci, pa predstavljajo robovi. Naslednje ponazarja eno takšno družbeno omrežje. Predstavljajmo si, da imamo socialno omrežje s člani (vozlišči) Bill, Terry, Henry, Gary in Alistair. Njihova razmerja so predstavljena s povezavo (rob), interesi vsake osebe, kot so šport, umetnost, igre in stripi, pa so predstavljeni z lastnostmi vozlišča.
Cilj tukaj je napovedati, ali obstaja potencialna manjkajoča povezava med člani. Na primer, ali naj priporočamo povezavo med Henryjem in Terryjem? Če pogledamo graf, lahko vidimo, da imata dva skupna prijatelja, Garyja in Alistairja. Zato obstaja velika verjetnost, da sta se Henry in Terry že poznala ali pa se bosta kmalu spoznala. Kaj pa Henry in Bill? Nimata skupnih prijateljev, imata pa nekaj šibkih vezi prek prijateljskih povezav. Poleg tega imata oba podobna zanimanja za umetnost, stripe in igre. Ali naj spodbujamo to povezavo? Vsa ta vprašanja in intuicije so jedro logike sistemov priporočil družbenih omrežij.
Eden od možnih načinov za to je priporočanje odnosov na podlagi raziskovanja grafov. V grafičnih poizvedovalnih jezikih, kot je npr Apache TinkerPop Gremlin, je implementacija nizov pravil, kot je štetje skupnih prijateljev, relativno enostavna in se lahko uporabi za določitev povezave med Henryjem in Terryjem. Vendar pa bodo ti nizi pravil zelo zapleteni, če želimo upoštevati druge atribute, kot so lastnosti vozlišča, moč povezave itd. Predstavljajmo si niz pravil za določanje povezave med Henryjem in Billom. Ta niz pravil mora upoštevati njihove skupne interese in njihove šibke povezave prek določenih poti v grafu. Za povečanje robustnosti bomo morda morali dodati tudi faktor razdalje, da bi dali prednost močnim povezavam in kaznovali šibke. Podobno bi želeli dejavnik, ki bi podpiral skupne interese. Kmalu bo naborov pravil, ki lahko razkrijejo zapletene skrite vzorce, nemogoče našteti.
Tehnologija ML nam omogoča odkrivanje skritih vzorcev z učenjem algoritmov. En primer je XGBoost, ki se pogosto uporablja za naloge klasifikacije ali regresije. Vendar pa algoritmi, kot je XGBoost, uporabljajo običajen pristop ML, ki temelji na tabelarnem formatu podatkov. Ti pristopi niso optimizirani za podatkovne strukture grafov in zahtevajo zapleten inženiring funkcij za obvladovanje teh podatkovnih vzorcev.
V prejšnjem primeru družbenega omrežja so informacije o interakciji grafa ključne za izboljšanje natančnosti priporočil. Graph Neural Network (GNN) je ogrodje globokega učenja (DL), ki ga je mogoče uporabiti za podatke grafov za izvajanje nalog napovedovanja na ravni robov, vozlišč ali grafov. GNN lahko izkoristijo značilnosti posameznih vozlišč kot tudi informacije o strukturi grafa, ko se učijo predstavitve grafa in osnovnih vzorcev. Zato so v zadnjih letih metode, ki temeljijo na GNN, postavile nove standarde na mnogih merilih uspešnosti sistemov priporočil. Oglejte si podrobnejše informacije v nedavnih raziskovalnih člankih: Obsežna raziskava o grafičnih nevronskih mrežah in Priporočilni sistemi, ki temeljijo na grafičnem učenju: pregled.
Sledi en znan primer takšne uporabe. Raziskovalci in inženirji na Pinterestu so se usposabljali Graf konvolucijskih nevronskih mrež za sisteme priporočanja v spletnem merilu, imenovan PinSage, s tremi milijardami vozlišč, ki predstavljajo žebljičke in plošče, ter 18 milijardami robov. PinSage ustvarja visokokakovostne vdelave, ki predstavljajo žebljičke (vizualne zaznamke za spletno vsebino). Te je mogoče uporabiti za širok spekter nalog priporočil na nižji stopnji, kot je iskanje najbližjih sosedov v naučenem prostoru za vdelavo za odkrivanje vsebine in priporočila.
V tej objavi vas bomo popeljali skozi uporabo GNN-jev za primere uporabe priporočil, tako da bomo to obravnavali kot problem predvidevanja povezave. Ponazorili bomo tudi, kako lahko Neptune ML olajša implementacijo. Bomo tudi zagotovili vzorčna koda na GitHubu za usposabljanje vašega prvega GNN z Neptune ML in sklepanje priporočil na demo grafu prek nalog napovedovanja povezav.
Napovedovanje povezav z nevronskimi mrežami Graph
Glede na prejšnji primer družbenega omrežja bi radi Henryju priporočili nove prijatelje. Tako Terry kot Bill bi bila dobra kandidata. Terry ima več skupnih prijateljev (Gary, Alistair) s Henryjem, vendar nima skupnih interesov. Medtem ko si Bill s Henryjem deli skupne interese (umetnost, stripe, igre), nima pa skupnih prijateljev. Katero bi bilo boljše priporočilo? Ko je naloga uokvirjena kot problem napovedovanja povezave, je dodeliti oceno kateri koli možni povezavi med obema vozliščema. Višji kot je rezultat povezave, večja je verjetnost, da bo to priporočilo konvergiralo. Z učenjem struktur povezav, ki so že prisotne v grafu, lahko model napovedi povezav posploši nove napovedi povezav, ki 'dokončajo' graf.
Parametri funkcije f
ki napoveduje rezultat povezave, se nauči med fazo usposabljanja. Ker funkcija f
naredi napoved za kateri koli dve vozlišči v grafu, so vektorji značilnosti, povezani z vozlišči, bistveni za učni proces. Za predvidevanje rezultata povezave med Henryjem in Billom imamo nabor funkcij neobdelanih podatkov (umetnost, stripi, igre), ki lahko predstavljajo Henryja in Billa. To skupaj s povezavami v grafu preoblikujemo z uporabo omrežja GNN, da oblikujemo nove predstavitve, znane kot vdelave vozlišč. Prav tako lahko dopolnimo ali nadomestimo začetne neobdelane funkcije z vektorji iz vdelane iskalne tabele, ki se jih lahko naučimo med procesom usposabljanja. V idealnem primeru bi morale vdelane funkcije za Henryja in Billa predstavljati njune interese kot tudi njune topološke informacije iz grafa.
Kako delujejo GNN
GNN preoblikuje začetne funkcije vozlišč v vdelave vozlišč z uporabo tehnike, imenovane prenos sporočila. Postopek posredovanja sporočila je prikazan na naslednji sliki. Na začetku se atributi vozlišča ali funkcije pretvorijo v številske atribute. V našem primeru naredimo enkratno kodiranje kategoričnih značilnosti (Henryjevi interesi: umetnost, stripi, igre). Nato prvi sloj GNN združi neobdelane funkcije sosedov (Gary in Alistair) (v črni barvi), da tvori nov nabor funkcij (v rumeni barvi). Običajni pristop je linearna transformacija vseh sosednjih funkcij, nato pa jih združimo z normalizirano vsoto in posredujemo rezultate v nelinearno aktivacijsko funkcijo, kot je ReLU, da ustvarimo nov vektorski niz. Naslednja slika prikazuje, kako deluje posredovanje sporočil za vozlišče Henry. H, algoritem za posredovanje sporočil GNN, bo izračunal predstavitve za vsa vozlišča grafa. Te se kasneje uporabijo kot vhodne funkcije za drugo plast.
Drugi sloj GNN ponovi isti postopek. Kot vhod vzame predhodno izračunano funkcijo (v rumeni barvi) iz prve plasti, združi vse nove vdelane funkcije sosedov Garyja in Alistairja in ustvari vektorje značilnosti druge plasti za Henryja (v oranžni barvi). Kot lahko vidite, smo s ponavljanjem mehanizma za posredovanje sporočil razširili združevanje funkcij na sosede z dvema skokoma. V naši ilustraciji se omejimo na 2-hop sosede, vendar lahko razširitev na 2-hop sosede izvedemo na enak način z dodajanjem druge plasti GNN.
Končne vdelave Henryja in Billa (v oranžni barvi) se uporabljajo za izračun rezultata. Med postopkom usposabljanja je rezultat povezave opredeljen kot 1, ko obstaja rob med dvema vozliščema (pozitiven vzorec), in kot 0, če robovi med obema vozliščema ne obstajajo (negativen vzorec). Nato napaka ali izguba med dejanskim rezultatom in napovedjo f(e1,e2)
se preusmeri nazaj v prejšnje plasti za prilagoditev uteži. Ko je usposabljanje končano, se lahko zanesemo na vdelane vektorje funkcij za vsako vozlišče, da izračunamo njihove rezultate povezav z našo funkcijo f
.
V tem primeru smo učno nalogo poenostavili na a homogeni graf, kjer so vsa vozlišča in robovi iste vrste. Na primer, vsa vozlišča v grafu so tipa »Ljudje«, vsi robovi pa so tipa »prijatelji z«. Vendar učni algoritem podpira tudi heterogene grafe z različnimi vrstami vozlišč in robov. Prejšnji primer uporabe lahko razširimo, da izdelke priporočamo različnim uporabnikom, ki imajo podobne interakcije in zanimanja. Oglejte si več podrobnosti v tej raziskovalni nalogi: Modeliranje relacijskih podatkov z grafičnimi konvolucijskimi omrežji.
Na AWS re:Invent 2020 smo predstavili Amazon Neptune ML, ki našim strankam omogoča urjenje modelov ML na podatkih grafov, ne da bi nujno imeli globoko strokovno znanje o ML. V tem primeru vam bomo s pomočjo Neptune ML pokazali, kako zgraditi lasten sistem priporočil na podlagi podatkov grafa.
Usposobite svoje Graph Convolution Network z Amazon Neptune ML
Neptune ML uporablja tehnologijo grafične nevronske mreže za samodejno ustvarjanje, usposabljanje in uvajanje modelov ML na vaše podatke grafa. Neptune ML podpira običajne naloge napovedovanja grafov, kot so klasifikacija in regresija vozlišč, klasifikacija in regresija robov ter napovedovanje povezav.
Poganja ga:
- Amazonski Neptun: hitra, zanesljiva in v celoti upravljana baza podatkov grafov, ki je optimizirana za shranjevanje milijard relacij in poizvedovanje po grafu z milisekundno zakasnitvijo. Amazon Neptune podpira tri odprte standarde za gradnjo grafičnih aplikacij: Apache TinkerPop Gremlin, RDF SPARQL in openCypher. Več o tem na Pregled funkcij Amazon Neptune.
- Amazon SageMaker: popolnoma upravljana storitev, ki vsakemu razvijalcu in podatkovnemu znanstveniku omogoča hitro pripravo gradnje, usposabljanja in uvajanja modelov ML.
- Knjižnica globokih grafov (DGL): an open-source, visoko zmogljiv in razširljiv paket Python za DL na grafih. Zagotavlja hitre in pomnilniško učinkovite primitive za posredovanje sporočil za usposabljanje Graph Neural Networks. Neptune ML uporablja DGL za samodejno izbiro in usposabljanje najboljšega modela ML za vašo delovno obremenitev. To vam omogoča, da naredite napovedi na podlagi ML za podatke grafa v urah namesto v tednih.
Najlažji način za začetek uporabe Neptune ML je uporaba Predloga za hitri začetek AWS CloudFormation. Predloga namesti vse potrebne komponente, vključno z gručo Neptune DB, in nastavi omrežne konfiguracije, vloge IAM in povezan primerek prenosnika SageMaker z vnaprej izpolnjenimi vzorci prenosnika za Neptune ML.
Naslednja slika prikazuje različne korake za Neptune ML za usposabljanje sistema priporočil, ki temelji na GNN. Povečajmo vsak korak in raziščimo, kaj vključuje:
-
Konfiguracija izvoza podatkov
Prvi korak v našem procesu Neptune ML je izvoz podatkov grafa iz gruče Neptune. Določiti moramo parametre in konfiguracijo modela za nalogo izvoza podatkov. Za vse konfiguracije in pohvale uporabljamo delovno mizo Neptun. Delovna miza nam omogoča delo z gručo Neptune DB z uporabo prenosnih računalnikov Jupyter, ki jih gosti Amazon SageMaker. Poleg tega ponuja številne čarobne ukaze v zvezkih, ki prihranijo veliko časa in truda. Tukaj je naš primer izvoznih parametrov:
In export_params
, moramo konfigurirati osnovno nastavitev, kot sta gruča Neptune in izhod Storitev Amazon Simple Storage (S3) pot za shranjevanje izvoženih podatkov. Konfiguracija, navedena v additionalParams
je vrsta naloge ML, ki jo je treba izvesti. V tem primeru se predvidevanje povezave izbirno uporablja za predvidevanje določene vrste roba (uporabnik—PRIJATELJ—uporabnik). Če ni podana nobena vrsta cilja, bo Neptune ML domneval, da je naloga napovedovanje povezave. Parametri določajo tudi podrobnosti o podatkih, shranjenih v našem grafu, in o tem, kako bo model ML interpretiral te podatke (imamo »Uporabnik« kot vozlišče in »interese« kot lastnost vozlišča).
Če želite zagnati vsak korak v procesu gradnje ML, preprosto uporabite ukaze delovne mize Neptune. The Delovna miza Neptun vsebuje line magic in cell magic, ki vam lahko prihranita veliko časa pri upravljanju teh korakov. Za zagon izvoza podatkov uporabite ukaz Neptune workbench: %neptune_ml export start
Ko bo izvoz končan, bomo graf Neptune izvozili v format CSV in shranili v vedro S3. Na voljo bosta dve vrsti datotek: nodes.csv
in edges.csv
. Datoteka z imenom training-data-configuration.json
ustvarjena bo tudi konfiguracija, potrebna za Neptune ML za izvajanje usposabljanja modela.
Poglej Izvoz podatkov iz Neptuna za Neptune ML za več informacij.
-
Predobdelava podatkov
Neptune ML izvaja ekstrakcijo funkcij in kodiranje kot del korakov obdelave podatkov. Običajne vrste predhodne obdelave lastnosti vključujejo: kodiranje kategoričnih funkcij s kodiranjem z enim sproščanjem, razvrščanje numeričnih funkcij ali uporabo word2vec za kodiranje lastnosti niza ali drugih vrednosti lastnosti besedila v prosti obliki.
V našem primeru bomo preprosto uporabili "interese" lastnine. Neptune ML kodira vrednosti kot večkategorične. Če pa je kategorična vrednost kompleksna (več kot tri besede na vozlišče), Neptune ML sklepa, da je tip lastnosti besedilo, in uporablja kodiranje text_word2vec.
Če želite zagnati predhodno obdelavo podatkov, uporabite naslednji ukaz Neptune notebook magic: %neptune_ml dataprocessing start
Na koncu tega koraka se iz izvoženega nabora podatkov ustvari graf DGL za uporabo v koraku usposabljanja modela. Neptune ML samodejno nastavi model z opravili za optimizacijo hiperparametrov, ki so določena v training-data-configuration.json
. To datoteko lahko prenesemo in spremenimo, da prilagodimo hiperparametre modela, kot so velikost serije, število skritih, število epoh, izpad itd. Tukaj je vzorec datoteke configuration.json.
Poglej Obdelava podatkov grafov, izvoženih iz Neptuna za usposabljanje za več informacij.
-
Usposabljanje za modele
Naslednji korak je avtomatizirano usposabljanje modela GNN. Usposabljanje modela poteka v dveh fazah. Prva stopnja uporablja opravilo SageMaker Processing za ustvarjanje strategije usposabljanja modela. To je konfiguracijski niz, ki določa vrsto modela in obsege hiperparametrov modela, ki bodo uporabljeni za usposabljanje modela.
Nato se bo zagnalo opravilo za nastavitev hiperparametrov SageMaker. The SageMaker Hyperparameter Tuning Optimization opravilo izvaja vnaprej določeno število delovnih poskusov usposabljanja modela na obdelanih podatkih, preizkuša različne kombinacije hiperparametrov glede na model-hpo-configuration.json
in shrani artefakte modela, ustvarjene z usposabljanjem, na izhodni lokaciji Amazon S3.
Za začetek koraka usposabljanja lahko uporabite %neptune_ml training start
ukaz.
Ko so vsa opravila usposabljanja končana, bo opravilo prilagajanja hiperparametrov shranilo artefakte iz najuspešnejšega modela, ki bo uporabljen za sklepanje.
Na koncu usposabljanja bo Neptune ML ukazal SageMakerju, naj shrani naučeni model, neobdelane vdelave, izračunane za vozlišča in robove, ter informacije o preslikavi med vdelavami in indeksi vozlišč.
Poglej Usposabljanje modela z uporabo Neptune ML za več informacij.
-
Ustvarite končno točko sklepanja v Amazon SageMaker
Zdaj, ko je grafična predstavitev naučena, lahko naučeni model uvedemo za končno točko za izvajanje zahtev za sklepanje. Vhod modela bo uporabnik, za katerega moramo ustvariti priporočila prijateljev, skupaj z vrsto roba, izhod pa bo seznam verjetno priporočenih prijateljev za tega uporabnika.
Za razmestitev modela v instanco končne točke SageMaker uporabite %neptune_ml endpoint create
ukaz.
-
Izvedite poizvedbo po modelu ML z uporabo Gremlina
Ko je končna točka pripravljena, jo lahko uporabimo za poizvedbe za sklepanje grafov. Neptune ML podpira poizvedbe za sklepanje grafov v Gremlin ali SPARQL. V našem primeru lahko zdaj preverimo priporočilo prijateljev z Neptune ML pri uporabniku »Henry«. Za prečkanje roba zahteva skoraj enako sintakso in navaja druge uporabnike, ki so s Henryjem povezani prek povezave FRIEND.
Neptune#ml.prediction
vrne povezavo, določeno z napovedmi Neptuna ML z uporabo modela, ki smo ga pravkar učili na socialnem grafu. Račun je vrnjen tako kot smo pričakovali.
Tukaj je še ena vzorčna napovedna poizvedba, ki se uporablja za predvidevanje osmih najboljših uporabnikov, za katere je najverjetneje, da se bodo povezali s Henryjem:
Rezultati so razvrščeni od močnejše povezave do šibkejše, kjer je povezava Henry — FRIEND — Colin and Henry — FRIEND — Terry
je tudi predlagan. Ta predlog temelji na ML na podlagi grafov, kjer je mogoče raziskati kompleksne vzorce interakcij na grafu.
Poglej Poizvedbe o sklepanju Gremlina v Neptune ML za več informacij.
Transformacija ali ponovno usposabljanje modela, ko se spremenijo podatki grafa
Drugo vprašanje, ki si ga lahko zastavite, je: kaj če se moje družbeno omrežje spremeni ali če želim dati priporočila za novo dodane uporabnike? V teh scenarijih, kjer imate nenehno spreminjajoče se grafe, boste morda morali posodobiti napovedi ML z najnovejšimi podatki grafa. Ustvarjeni artefakti modela po usposabljanju so neposredno povezani z grafom usposabljanja. To pomeni, da je treba končno točko sklepanja posodobiti, ko se spremenijo entitete v izvirnem grafu usposabljanja.
Vendar pa vam ni treba ponovno usposobiti celotnega modela, da bi izvedli napovedi na posodobljenem grafu. S potekom dela inkrementalnega sklepanja modela morate samo izvoziti podatke Neptune DB, izvesti inkrementalno predhodno obdelavo podatkov, zagnati opravilo paketnega preoblikovanja modela in nato posodobiti končno točko sklepanja. Korak preoblikovanja modela kot vhodne podatke vzame usposobljeni model iz glavnega poteka dela in rezultate koraka inkrementalne predprocesiranja podatkov. Nato izpiše nov artefakt modela, ki se uporabi za sklepanje. Ta artefakt novega modela je ustvarjen iz posodobljenih podatkov grafa.
Poseben poudarek je na ukazu koraka model-transform. Lahko izračuna artefakte modela na podatkih grafa, ki niso bili uporabljeni za usposabljanje modela. Vdelave vozlišč se znova izračunajo in vse obstoječe vdelave vozlišč se preglasijo. Neptune ML uporablja naučeni kodirnik GNN iz prejšnjega usposobljenega modela za nova vozlišča podatkov grafa z njihovimi novimi funkcijami. Zato je treba podatke novega grafa obdelati z istimi kodiranji funkcij in se morajo držati iste sheme grafa kot izvirni podatki grafa. Oglejte si več podrobnosti o implementaciji Neptune ML na Ustvarjanje novih artefaktov modela.
Poleg tega lahko znova usposobite celoten model, če se graf dramatično spremeni ali če predhodno učen model ni mogel več natančno predstavljati temeljnih interakcij. V tem primeru ponovna uporaba naučenih parametrov modela na novem grafu ne more zagotoviti podobne zmogljivosti modela. Svoj model morate znova usposobiti za nov graf. Za pospešitev iskanja hiperparametrov lahko Neptune ML izkoristi informacije iz prejšnje naloge usposabljanja modela s toplim zagonom: rezultati prejšnjih opravil usposabljanja se uporabljajo za izbiro dobrih kombinacij hiperparametrov za iskanje po novem opravilu prilagajanja.
Poglej poteke dela za obdelavo razvijajočih se podatkov grafov Za več podrobnosti.
zaključek
V tej objavi ste videli, kako vam lahko Neptune ML in GNN pomagata dati priporočila o podatkih grafa z uporabo naloge napovedovanja povezav s kombiniranjem informacij iz zapletenih vzorcev interakcij v grafu.
Predvidevanje povezav je eden od načinov implementacije sistema priporočil na graf. Priporočevalca lahko sestavite na številne druge načine. Vdelave, pridobljene med usposabljanjem za napovedovanje povezav, lahko uporabite za združevanje vozlišč v različne segmente na nenadzorovan način in priporočite elemente tistemu, ki pripada istemu segmentu. Poleg tega lahko pridobite vdelave in jih vnesete v nadaljnji sistem priporočil, ki temelji na podobnosti, kot vhodno funkcijo. Zdaj ta dodatna funkcija vnosa kodira tudi semantične informacije, pridobljene iz grafa, in lahko zagotovi pomembne izboljšave splošne natančnosti sistema. Izvedite več o Amazon Neptune ML tako, da obiščete spletna stran ali pa v komentarjih postavite vprašanja!
O avtorjih
Yanwei Cui, PhD, je specialist za strojno učenje, arhitekt za rešitve pri AWS. Začel je z raziskavami strojnega učenja na IRISA (Raziskovalni inštitut za računalništvo in naključne sisteme) in ima več let izkušenj z gradnjo industrijskih aplikacij, ki jih poganja umetna inteligenca, na področju računalniškega vida, obdelave naravnega jezika in napovedovanja vedenja spletnih uporabnikov. Pri AWS deli strokovno znanje na področju in strankam pomaga sprostiti poslovne potenciale ter doseči uporabne rezultate s strojnim učenjem v velikem obsegu. Zunaj dela rad bere in potuje.
Will Badr je glavni specialist za AI/ML SA, ki dela kot del globalne ekipe Amazon Machine Learning. Will je navdušen nad uporabo tehnologije na inovativne načine za pozitiven vpliv na skupnost. V prostem času se rad potaplja, igra nogomet in raziskuje pacifiške otoke.
- '
- "
- 100
- 2020
- 7
- O meni
- Po
- Račun
- Poleg tega
- Dodatne
- algoritem
- algoritmi
- vsi
- že
- Amazon
- Strojno učenje Amazon
- Amazon SageMaker
- Apache
- aplikacije
- umetni
- Umetna inteligenca
- Umetnost
- Avtomatizirano
- AWS
- AWS re: Izum
- Začetek
- BEST
- Bill
- Billion
- črna
- izgradnjo
- Building
- poslovni
- primeri
- izzivi
- Razvrstitev
- Koda
- Skupno
- skupnost
- kompleksna
- Izračunajte
- Računalništvo
- Računalniška vizija
- računalništvo
- konfiguracija
- povezava
- povezave
- Konzole
- vsebina
- zbližati
- bi
- Stranke, ki so
- datum
- podatkovni znanstvenik
- shranjevanje podatkov
- Baze podatkov
- ponudba
- globoko učenje
- Razvojni
- drugačen
- Odkritje
- razdalja
- elektronskem poslovanju
- Edge
- Končna točka
- Inženiring
- Inženirji
- itd
- Primer
- izkušnje
- raziskovanje
- izvoz
- pridobivanje
- FAST
- Feature
- Lastnosti
- Slika
- prva
- Osredotočite
- obrazec
- format
- Okvirni
- brezplačno
- prijateljstvo
- funkcija
- Games
- ustvarjajo
- Globalno
- dobro
- graf nevronskih mrež
- veliko
- Ravnanje
- pomoč
- Pomaga
- tukaj
- Kako
- Kako
- HTTPS
- IAM
- vpliv
- izvajanja
- izboljšanju
- Vključno
- Povečajte
- individualna
- industrijske
- Podatki
- inovativne
- Intelligence
- interakcije
- interesi
- IT
- Job
- Delovna mesta
- jezik
- jeziki
- UČITE
- naučili
- učenje
- Vzvod
- Knjižnica
- vrstica
- LINK
- Seznam
- seznami
- kraj aktivnosti
- si
- iskanje
- strojno učenje
- člani
- milisekunde
- ML
- Model
- Glasba
- Naravni jezik
- Obdelava Natural Language
- potrebna
- sosedi
- mreža
- omrežij
- Nevronski
- nevronska mreža
- nevronske mreže
- Nove funkcije
- vozlišča
- zvezki
- na spletu
- odprite
- Ostalo
- Pacific
- Papir
- ljudje
- performance
- faza
- Platforme
- Predvajaj
- Precision
- napoved
- Napovedi
- predstaviti
- , ravnateljica
- problem
- Postopek
- Izdelki
- profil
- spodbujanje
- nepremičnine
- predlaga
- zagotavljajo
- zagotavlja
- nakup
- Python
- vprašanje
- območje
- Surovi
- surovi podatki
- RE
- reading
- regresija
- Razmerja
- zamenjajte
- Raziskave
- Rezultati
- preusposabljanje
- vrne
- Run
- sagemaker
- Lestvica
- Znanost
- Iskalnik
- nastavite
- Delite s prijatelji, znanci, družino in partnerji :-)
- Delnice
- Podoben
- Enostavno
- majhna
- Soccer
- socialna
- socialni graf
- socialna omrežja
- socialne mreže
- rešitve
- Vesolje
- Šport
- Stage
- standardi
- Začetek
- začel
- shranjevanje
- trgovine
- Strategija
- dopolnjujejo
- Podpira
- Anketa
- sistem
- sistemi
- ciljna
- Tehnologije
- Tehnologija
- Graf
- skozi
- čas
- vrh
- usposabljanje
- Transform
- Preoblikovanje
- Nadgradnja
- us
- Uporabniki
- vrednost
- Vizija
- Kaj
- WHO
- pogosto
- Wikipedia
- brez
- besede
- delo
- potek dela
- deluje
- bi
- let
- zoom