การเตรียมข้อมูลเป็นขั้นตอนสำคัญในเวิร์กโฟลว์แมชชีนเลิร์นนิง (ML) แต่มักจะเกี่ยวข้องกับงานที่น่าเบื่อและใช้เวลานาน ผืนผ้าใบ Amazon SageMaker ขณะนี้รองรับความสามารถในการจัดเตรียมข้อมูลที่ครอบคลุมซึ่งขับเคลื่อนโดย Amazon SageMaker ข้อมูล Wrangler. ด้วยการบูรณาการนี้ SageMaker Canvas ช่วยให้ลูกค้ามีพื้นที่ทำงานแบบไม่ต้องเขียนโค้ดตั้งแต่ต้นทางถึงปลายทาง เพื่อเตรียมข้อมูล สร้าง และใช้ ML และโมเดลพื้นฐานเพื่อเร่งเวลาจากข้อมูลไปสู่ข้อมูลเชิงลึกทางธุรกิจ ตอนนี้คุณสามารถค้นพบและรวบรวมข้อมูลจากแหล่งข้อมูลกว่า 50 แห่งได้อย่างง่ายดาย ตลอดจนสำรวจและเตรียมข้อมูลโดยใช้การวิเคราะห์และการแปลงในตัวมากกว่า 300 รายการในอินเทอร์เฟซภาพของ SageMaker Canvas คุณยังจะเห็นประสิทธิภาพที่เร็วขึ้นสำหรับการแปลงและการวิเคราะห์ และอินเทอร์เฟซภาษาธรรมชาติสำหรับการสำรวจและแปลงข้อมูลสำหรับ ML
ในโพสต์นี้ เราจะแนะนำคุณตลอดกระบวนการเพื่อจัดเตรียมข้อมูลสำหรับการสร้างแบบจำลองแบบครบวงจรใน SageMaker Canvas
ภาพรวมโซลูชัน
สำหรับกรณีการใช้งานของเรา เรากำลังสวมบทบาทเป็นผู้เชี่ยวชาญด้านข้อมูลที่บริษัทผู้ให้บริการทางการเงิน เราใช้ชุดข้อมูลตัวอย่างสองชุดเพื่อสร้างแบบจำลอง ML ที่คาดการณ์ว่าผู้ยืมจะได้รับการชำระคืนเงินกู้เต็มจำนวนหรือไม่ ซึ่งเป็นสิ่งสำคัญสำหรับการบริหารความเสี่ยงด้านเครดิต สภาพแวดล้อมที่ไม่ต้องเขียนโค้ดของ SageMaker Canvas ช่วยให้เราสามารถเตรียมข้อมูล คุณสมบัติทางวิศวกรรม ฝึกฝนโมเดล ML และปรับใช้โมเดลในเวิร์กโฟลว์แบบ end-to-end ได้อย่างรวดเร็ว โดยไม่จำเป็นต้องเขียนโค้ด
เบื้องต้น
เพื่อปฏิบัติตามคำแนะนำนี้ ตรวจสอบให้แน่ใจว่าคุณได้ใช้ข้อกำหนดเบื้องต้นตามรายละเอียดใน
- เปิดตัว Amazon SageMaker Canvas. หากคุณเป็นผู้ใช้ SageMaker Canvas อยู่แล้ว โปรดตรวจสอบให้แน่ใจว่าคุณ ออกจากระบบ และเข้าสู่ระบบอีกครั้งเพื่อใช้คุณสมบัติใหม่นี้
- หากต้องการนำเข้าข้อมูลจาก Snowflake ให้ทำตามขั้นตอนจาก ตั้งค่า OAuth สำหรับ Snowflake.
เตรียมข้อมูลเชิงโต้ตอบ
เมื่อการตั้งค่าเสร็จสมบูรณ์ ขณะนี้เราสามารถสร้างกระแสข้อมูลเพื่อเปิดใช้งานการเตรียมข้อมูลเชิงโต้ตอบได้ กระแสข้อมูลมีการแปลงในตัวและการแสดงภาพแบบเรียลไทม์เพื่อโต้แย้งข้อมูล ทำตามขั้นตอนต่อไปนี้:
- สร้างกระแสข้อมูลใหม่โดยใช้วิธีใดวิธีหนึ่งต่อไปนี้:
- Choose ดาต้าแรงเลอร์, กระแสข้อมูลแล้วเลือก สร้างบัญชีตัวแทน.
- เลือกชุดข้อมูล SageMaker Canvas แล้วเลือก สร้างการไหลของข้อมูล.
- Choose นำเข้าข้อมูล และเลือก แบน จากรายการแบบหล่นลง
- คุณสามารถนำเข้าข้อมูลได้โดยตรงผ่านตัวเชื่อมต่อข้อมูลมากกว่า 50 รายการ เช่น บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3) อเมซอน อาเธน่า, อเมซอน Redshift, สโนว์เฟลก และ Salesforce ในคำแนะนำนี้ เราจะครอบคลุมถึงการนำเข้าข้อมูลของคุณโดยตรงจาก Snowflake
หรือคุณสามารถอัปโหลดชุดข้อมูลเดียวกันจากเครื่องภายในของคุณได้ คุณสามารถดาวน์โหลดชุดข้อมูลได้ สินเชื่อ-part-1.csv และ สินเชื่อ-part-2.csv.
- จากหน้านำเข้าข้อมูล ให้เลือก Snowflake จากรายการแล้วเลือก เพิ่มการเชื่อมต่อ
- ป้อนชื่อสำหรับการเชื่อมต่อ เลือก OAuth ตัวเลือกจากรายการดรอปดาวน์วิธีการรับรองความถูกต้อง ป้อนรหัสบัญชี Okta ของคุณแล้วเลือกเพิ่มการเชื่อมต่อ
- คุณจะถูกนำไปที่หน้าจอเข้าสู่ระบบ Okta เพื่อป้อนข้อมูลรับรอง Okta เพื่อตรวจสอบสิทธิ์ เมื่อการรับรองความถูกต้องสำเร็จ คุณจะถูกเปลี่ยนเส้นทางไปยังหน้ากระแสข้อมูล
- เรียกดูเพื่อค้นหาชุดข้อมูลสินเชื่อจากฐานข้อมูล Snowflake
เลือกชุดข้อมูลสินเชื่อสองชุดโดยการลากและวางจากด้านซ้ายของหน้าจอไปทางขวา ชุดข้อมูลทั้งสองจะเชื่อมต่อกัน และสัญลักษณ์การรวมที่มีเครื่องหมายอัศเจรีย์สีแดงจะปรากฏขึ้น คลิกที่มัน จากนั้นเลือกสำหรับทั้งสองชุดข้อมูล id สำคัญ. ปล่อยให้ประเภทการรวมเป็น ภายใน. ควรมีลักษณะดังนี้:
- Choose บันทึกและปิด.
- Choose สร้างชุดข้อมูล. ตั้งชื่อให้กับชุดข้อมูล
- นำทางไปยังกระแสข้อมูล คุณจะเห็นดังต่อไปนี้
- หากต้องการสำรวจข้อมูลสินเชื่ออย่างรวดเร็ว ให้เลือก รับข้อมูลเชิงลึก และเลือก
loan_status
คอลัมน์เป้าหมายและ การจัดหมวดหมู่ ประเภทปัญหา
ที่สร้างขึ้น รายงานคุณภาพข้อมูลและข้อมูลเชิงลึก ให้สถิติที่สำคัญ การแสดงภาพ และการวิเคราะห์ความสำคัญของคุณลักษณะ
- ตรวจสอบคำเตือนเกี่ยวกับปัญหาคุณภาพของข้อมูลและคลาสที่ไม่สมดุลเพื่อทำความเข้าใจและปรับปรุงชุดข้อมูล
สำหรับชุดข้อมูลในกรณีการใช้งานนี้ คุณควรคาดหวังคำเตือนที่มีลำดับความสำคัญสูง "คะแนนโมเดลด่วนต่ำมาก" และประสิทธิภาพของโมเดลต่ำมากในคลาสชนกลุ่มน้อย (ชาร์จแบบออฟไลน์และปัจจุบัน) ซึ่งบ่งบอกถึงความจำเป็นในการล้างข้อมูลและปรับสมดุลข้อมูล อ้างถึง เอกสารแคนวาส เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับรายงานข้อมูลเชิงลึก
ด้วยการแปลงในตัวมากกว่า 300 รายการที่ขับเคลื่อนโดย SageMaker Data Wrangler ทำให้ SageMaker Canvas ช่วยให้คุณสามารถโต้แย้งข้อมูลเงินกู้ได้อย่างรวดเร็ว คุณสามารถคลิกที่ เพิ่มขั้นตอนและเรียกดูหรือค้นหาการแปลงที่เหมาะสม สำหรับชุดข้อมูลนี้ ให้ใช้ หล่นหาย และ จัดการค่าผิดปกติ เพื่อล้างข้อมูลแล้วนำไปใช้ การเข้ารหัสแบบร้อนแรง และ ทำข้อความแบบเวคเตอร์ เพื่อสร้างคุณสมบัติสำหรับ ML
แชทเพื่อเตรียมข้อมูล คือความสามารถด้านภาษาธรรมชาติแบบใหม่ที่ช่วยให้สามารถวิเคราะห์ข้อมูลที่ใช้งานง่ายโดยการอธิบายคำขอเป็นภาษาอังกฤษธรรมดา ตัวอย่างเช่น คุณสามารถรับสถิติและคุณลักษณะการวิเคราะห์ความสัมพันธ์ของข้อมูลสินเชื่อโดยใช้วลีที่เป็นธรรมชาติ SageMaker Canvas เข้าใจและดำเนินการผ่านการโต้ตอบการสนทนา เพื่อยกระดับการเตรียมข้อมูลขึ้นไปอีกระดับ
เราสามารถใช้ แชทเพื่อเตรียมข้อมูล และการแปลงในตัวเพื่อสร้างความสมดุลของข้อมูลสินเชื่อ
- ขั้นแรก ให้ป้อนคำแนะนำต่อไปนี้:
replace “charged off” and “current” in loan_status with “default”
แชทเพื่อเตรียมข้อมูล สร้างโค้ดเพื่อรวมคลาสชนกลุ่มน้อยสองคลาสให้เป็นหนึ่งเดียว default
ชั้นเรียน
- เลือกแบบบิวท์อิน สโมต ฟังก์ชั่นการแปลงเพื่อสร้างข้อมูลสังเคราะห์สำหรับคลาสเริ่มต้น
ตอนนี้คุณมีคอลัมน์เป้าหมายที่สมดุลแล้ว
- หลังจากทำความสะอาดและประมวลผลข้อมูลเงินกู้แล้ว ให้สร้างไฟล์ใหม่ รายงานคุณภาพข้อมูลและข้อมูลเชิงลึก เพื่อทบทวนการปรับปรุง
คำเตือนที่มีลำดับความสำคัญสูงหายไป ซึ่งบ่งชี้ถึงคุณภาพข้อมูลที่ดีขึ้น คุณสามารถเพิ่มการแปลงเพิ่มเติมได้ตามต้องการเพื่อปรับปรุงคุณภาพข้อมูลสำหรับการฝึกโมเดล
ปรับขนาดและทำให้การประมวลผลข้อมูลเป็นแบบอัตโนมัติ
ในการเตรียมข้อมูลโดยอัตโนมัติ คุณสามารถเรียกใช้หรือกำหนดเวลาเวิร์กโฟลว์ทั้งหมดเป็นงานประมวลผล Spark แบบกระจายเพื่อประมวลผลชุดข้อมูลทั้งหมดหรือชุดข้อมูลใหม่ตามขนาดได้
- ภายในกระแสข้อมูล ให้เพิ่มโหนดปลายทาง Amazon S3
- เริ่มงานการประมวลผล SageMaker โดยเลือก สร้างงาน.
- กำหนดค่างานการประมวลผลและเลือก สร้างบัญชีตัวแทนทำให้โฟลว์ทำงานบนข้อมูลหลายร้อย GB โดยไม่ต้องสุ่มตัวอย่าง
กระแสข้อมูลสามารถรวมเข้ากับไปป์ไลน์ MLOps จากต้นทางถึงปลายทางเพื่อทำให้วงจรการใช้งาน ML เป็นอัตโนมัติ กระแสข้อมูลสามารถป้อนเข้าสู่สมุดบันทึก SageMaker Studio เป็นขั้นตอนการประมวลผลข้อมูลในไปป์ไลน์ SageMaker หรือสำหรับการปรับใช้ไปป์ไลน์การอนุมานของ SageMaker ซึ่งช่วยให้สามารถดำเนินการโฟลว์ตั้งแต่การเตรียมข้อมูลไปจนถึงการฝึกอบรมและการโฮสต์ SageMaker ได้โดยอัตโนมัติ
สร้างและปรับใช้โมเดลใน SageMaker Canvas
หลังจากการเตรียมข้อมูล เราสามารถส่งออกชุดข้อมูลสุดท้ายไปยัง SageMaker Canvas ได้อย่างราบรื่นเพื่อสร้าง ฝึกอบรม และปรับใช้โมเดลการคาดการณ์การชำระคืนเงินกู้
- Choose สร้างแบบจำลอง ในโหนดสุดท้ายของโฟลว์ข้อมูลหรือในบานหน้าต่างโหนด
ซึ่งจะส่งออกชุดข้อมูลและเปิดใช้เวิร์กโฟลว์การสร้างโมเดลที่มีคำแนะนำ
- ตั้งชื่อชุดข้อมูลที่ส่งออกแล้วเลือก ส่งออก.
- Choose สร้างแบบจำลอง จากการแจ้งเตือน
- ตั้งชื่อรุ่น เลือก การวิเคราะห์เชิงทำนายและเลือก สร้างบัญชีตัวแทน.
สิ่งนี้จะนำคุณไปยังหน้าการสร้างโมเดล
- ดำเนินการต่อด้วยประสบการณ์การสร้างแบบจำลอง SageMaker Canvas โดยเลือกคอลัมน์เป้าหมายและประเภทโมเดล จากนั้นเลือก สร้างด่วน or โครงสร้างมาตรฐาน.
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับประสบการณ์การสร้างแบบจำลอง โปรดดูที่ สร้างแบบจำลอง.
เมื่อการฝึกอบรมเสร็จสิ้น คุณสามารถใช้แบบจำลองเพื่อคาดการณ์ข้อมูลใหม่หรือปรับใช้ได้ อ้างถึง ปรับใช้โมเดล ML ที่สร้างใน Amazon SageMaker Canvas ไปยังตำแหน่งข้อมูลแบบเรียลไทม์ของ Amazon SageMaker เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการปรับใช้โมเดลจาก SageMaker Canvas
สรุป
ในโพสต์นี้ เราได้สาธิตความสามารถแบบครบวงจรของ SageMaker Canvas โดยสมมติบทบาทของผู้เชี่ยวชาญด้านข้อมูลทางการเงินในการเตรียมข้อมูลเพื่อคาดการณ์การชำระคืนเงินกู้ ซึ่งขับเคลื่อนโดย SageMaker Data Wrangler การเตรียมข้อมูลเชิงโต้ตอบช่วยให้ทำความสะอาด เปลี่ยนแปลง และวิเคราะห์ข้อมูลเงินกู้ได้อย่างรวดเร็วเพื่อออกแบบคุณสมบัติข้อมูล ด้วยการขจัดความซับซ้อนในการเขียนโค้ด SageMaker Canvas ช่วยให้เราสามารถทำซ้ำอย่างรวดเร็วเพื่อสร้างชุดข้อมูลการฝึกอบรมคุณภาพสูง ขั้นตอนการทำงานที่รวดเร็วขึ้นนี้นำไปสู่การสร้าง การฝึกอบรม และการปรับใช้โมเดล ML ที่มีประสิทธิภาพเพื่อสร้างผลกระทบทางธุรกิจโดยตรง ด้วยการเตรียมข้อมูลที่ครอบคลุมและประสบการณ์ที่เป็นหนึ่งเดียวตั้งแต่ข้อมูลไปจนถึงข้อมูลเชิงลึก SageMaker Canvas ช่วยให้คุณปรับปรุงผลลัพธ์ ML ของคุณได้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีการเร่งการเดินทางของคุณจากข้อมูลไปสู่ข้อมูลเชิงลึกทางธุรกิจ โปรดดู วันแห่งการดื่มด่ำกับ SageMaker Canvas และ คู่มือผู้ใช้ AWS.
เกี่ยวกับผู้แต่ง
ดร. ฉางซา หม่า เป็นผู้เชี่ยวชาญด้าน AI/ML ที่ AWS เธอเป็นนักเทคโนโลยีที่สำเร็จการศึกษาระดับปริญญาเอกสาขาวิทยาการคอมพิวเตอร์ ปริญญาโทสาขาจิตวิทยาการศึกษา และมีประสบการณ์หลายปีในด้านวิทยาศาสตร์ข้อมูลและการให้คำปรึกษาอิสระด้าน AI/ML เธอมีความหลงใหลในการค้นคว้าแนวทางระเบียบวิธีสำหรับเครื่องจักรและความฉลาดของมนุษย์ นอกเหนือจากงาน เธอชอบเดินป่า ทำอาหาร ล่าสัตว์ และใช้เวลาอยู่กับเพื่อนฝูงและครอบครัว
อาจารย์โกวินทราม เป็นสถาปนิกโซลูชันอาวุโสที่ AWS เขาทำงานร่วมกับลูกค้าเชิงกลยุทธ์ที่ใช้ AI/ML เพื่อแก้ปัญหาทางธุรกิจที่ซับซ้อน ประสบการณ์ของเขาอยู่ที่การให้คำแนะนำด้านเทคนิคตลอดจนความช่วยเหลือด้านการออกแบบสำหรับการปรับใช้แอปพลิเคชัน AI/ML ระดับปานกลางถึงขนาดใหญ่ ความรู้ของเขามีตั้งแต่สถาปัตยกรรมแอปพลิเคชันไปจนถึงข้อมูลขนาดใหญ่ การวิเคราะห์ และการเรียนรู้ของเครื่อง เขาชอบฟังเพลงขณะพักผ่อน สัมผัสประสบการณ์กลางแจ้ง และใช้เวลากับคนที่เขารัก
Huong Nguyen เป็นผู้จัดการผลิตภัณฑ์อาวุโสที่ AWS เธอเป็นผู้นำการเตรียมข้อมูล ML สำหรับ SageMaker Canvas และ SageMaker Data Wrangler ด้วยประสบการณ์ 15 ปีในการสร้างผลิตภัณฑ์ที่เน้นลูกค้าเป็นศูนย์กลางและขับเคลื่อนด้วยข้อมูล
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/accelerate-data-preparation-for-ml-with-comprehensive-data-preparation-capabilities-and-a-natural-language-interface-in-amazon-sagemaker-canvas/
- :มี
- :เป็น
- $ ขึ้น
- 100
- 12
- 13
- 14
- ลด 15%
- 300
- 50
- 8
- a
- สามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เร่ง
- ลงชื่อเข้าใช้
- การปฏิบัติ
- เพิ่ม
- สรุป
- AI / ML
- อนุญาตให้
- ช่วยให้
- ตาม
- แล้ว
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- ผืนผ้าใบ Amazon SageMaker
- Amazon Web Services
- an
- วิเคราะห์
- การวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- และ
- ใด
- ปรากฏ
- การใช้งาน
- วิธีการ
- สถาปัตยกรรม
- เป็น
- AS
- ความช่วยเหลือ
- At
- รับรองความถูกต้อง
- การยืนยันตัวตน
- โดยอัตโนมัติ
- โดยอัตโนมัติ
- AWS
- กลับ
- ยอดคงเหลือ
- สมดุลย์
- BE
- ใหญ่
- ข้อมูลขนาดใหญ่
- กล้า
- ผู้ยืม
- ทั้งสอง
- สร้าง
- การก่อสร้าง
- สร้าง
- built-in
- ธุรกิจ
- ผลกระทบทางธุรกิจ
- by
- CAN
- สามารถรับ
- ผ้าใบ
- ความสามารถในการ
- ความสามารถ
- กรณี
- การเรียกเก็บเงิน
- Choose
- เลือก
- ชั้น
- ชั้นเรียน
- ปลาเดยส์
- การทำความสะอาด
- คลิก
- รหัส
- การเข้ารหัส
- คอลัมน์
- บริษัท
- สมบูรณ์
- ซับซ้อน
- ความซับซ้อน
- ครอบคลุม
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- เชื่อมต่อ
- การเชื่อมต่อ
- การให้คำปรึกษา
- การสนทนา
- การปรุงอาหาร
- ความสัมพันธ์
- หน้าปก
- สร้าง
- การสร้าง
- หนังสือรับรอง
- เครดิต
- สำคัญมาก
- ปัจจุบัน
- ลูกค้า
- ข้อมูล
- การวิเคราะห์ข้อมูล
- การเตรียมข้อมูล
- การประมวลผล
- คุณภาพของข้อมูล
- วิทยาศาสตร์ข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ชุดข้อมูล
- ค่าเริ่มต้น
- องศา
- แสดงให้เห็นถึง
- ปรับใช้
- ปรับใช้
- การใช้งาน
- อธิบาย
- ออกแบบ
- ปลายทาง
- รายละเอียด
- ทิศทาง
- โดยตรง
- ค้นพบ
- กระจาย
- ลง
- ดาวน์โหลด
- หล่น
- ลดลง
- อย่างง่ายดาย
- การศึกษา
- ประสิทธิภาพ
- ให้อำนาจ
- ทำให้สามารถ
- เปิดการใช้งาน
- ช่วยให้
- การเปิดใช้งาน
- จบสิ้น
- วิศวกร
- ภาษาอังกฤษ
- เสริม
- ทำให้มั่นใจ
- เข้าสู่
- ทั้งหมด
- สิ่งแวดล้อม
- อีเธอร์ (ETH)
- ตัวอย่าง
- คาดหวัง
- ประสบการณ์
- ประสบ
- สำรวจ
- ส่งออก
- การส่งออก
- ครอบครัว
- เร็วขึ้น
- ลักษณะ
- คุณสมบัติ
- สุดท้าย
- ทางการเงิน
- ข้อมูลทางการเงิน
- บริการทางการเงิน
- บริษัท ที่ให้บริการทางการเงิน
- ไหล
- กระแส
- ปฏิบัติตาม
- ดังต่อไปนี้
- อาหาร
- สำหรับ
- ฐานราก
- สด
- เพื่อน
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- ต่อไป
- สร้าง
- สร้าง
- สร้าง
- ได้รับ
- ให้
- แนะนำ
- มี
- he
- จุดสูง
- ที่มีคุณภาพสูง
- การธุดงค์
- ของเขา
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- เป็นมนุษย์
- สติปัญญาของมนุษย์
- ร้อย
- การล่าสัตว์
- ID
- if
- ไม่สมดุล
- การแช่
- ส่งผลกระทบ
- การดำเนินการ
- นำเข้า
- ความสำคัญ
- การนำเข้า
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- Incorporated
- อิสระ
- การแสดง
- ข้อมูล
- ให้ข้อมูล
- ความเข้าใจ
- ข้อมูลเชิงลึก
- คำแนะนำการใช้
- บูรณาการ
- Intelligence
- ปฏิสัมพันธ์
- การโต้ตอบ
- อินเตอร์เฟซ
- เข้าไป
- ใช้งานง่าย
- ที่เกี่ยวข้องกับการ
- ปัญหา
- IT
- ITS
- การสัมภาษณ์
- ร่วม
- เส้นทางท่องเที่ยว
- jpg
- คีย์
- ความรู้
- ภาษา
- ขนาดใหญ่
- ชื่อสกุล
- การเปิดตัว
- ชั้นนำ
- นำไปสู่
- เรียนรู้
- การเรียนรู้
- ทิ้ง
- ซ้าย
- ชั้น
- ตั้งอยู่
- วงจรชีวิต
- กดไลก์
- รายการ
- การฟัง
- เงินกู้
- เงินให้กู้ยืม
- ในประเทศ
- เข้าสู่ระบบ
- เข้าสู่ระบบ
- ดู
- ดูเหมือน
- รัก
- รัก
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ผู้จัดการ
- การจัดการ
- เครื่องหมาย
- ปริญญาโท
- ผสาน
- วิธี
- วิธีการ
- ชนกลุ่มน้อย
- ML
- ม.ป.ป
- แบบ
- โมเดล
- เจียมเนื้อเจียมตัว
- ข้อมูลเพิ่มเติม
- ดนตรี
- ชื่อ
- โดยธรรมชาติ
- ภาษาธรรมชาติ
- จำเป็นต้อง
- จำเป็น
- ใหม่
- คุณลักษณะใหม่
- ถัดไป
- ปม
- โหนด
- โน๊ตบุ๊ค
- การประกาศ
- ตอนนี้
- รับรอง
- of
- ปิด
- มักจะ
- ตกลง
- on
- ONE
- คน
- ตัวเลือกเสริม (Option)
- or
- ของเรา
- ผลลัพธ์
- กลางแจ้ง
- ด้านนอก
- เกิน
- หน้า
- บานหน้าต่าง
- หลงใหล
- การชำระเงิน
- การปฏิบัติ
- phd
- วลี
- ท่อ
- ที่ราบ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- โพสต์
- ขับเคลื่อน
- คาดการณ์
- คำทำนาย
- คาดการณ์
- การจัดเตรียม
- เตรียมการ
- การเตรียมความพร้อม
- ข้อกำหนดเบื้องต้น
- ลำดับความสำคัญ
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- ผู้จัดการผลิตภัณฑ์
- ผลิตภัณฑ์
- มืออาชีพ
- ให้
- การให้
- จิตวิทยา
- คุณภาพ
- อย่างรวดเร็ว
- อย่างรวดเร็ว
- เรียลไทม์
- สีแดง
- เปลี่ยนเส้นทาง
- อ้างอิง
- ลบ
- รายงาน
- การร้องขอ
- พักผ่อน
- ทบทวน
- ขวา
- ความเสี่ยง
- บทบาท
- วิ่ง
- ทำงาน
- sagemaker
- การอนุมาน SageMaker
- Salesforce
- เดียวกัน
- ขนาด
- กำหนด
- วิทยาศาสตร์
- จอภาพ
- ได้อย่างลงตัว
- ค้นหา
- เห็น
- เลือก
- ระดับอาวุโส
- บริการ
- บริษัทให้บริการ
- การติดตั้ง
- เธอ
- น่า
- ด้าน
- ง่าย
- โซลูชัน
- แก้
- แหล่งที่มา
- จุดประกาย
- ผู้เชี่ยวชาญ
- การใช้จ่าย
- สถิติ
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- ยุทธศาสตร์
- สตูดิโอ
- ที่ประสบความสำเร็จ
- อย่างเช่น
- รองรับ
- แน่ใจ
- เครื่องหมาย
- สังเคราะห์
- ข้อมูลสังเคราะห์
- การ
- เป้า
- งาน
- วิชาการ
- นักเทคโนโลยี
- ที่
- พื้นที่
- พวกเขา
- แล้วก็
- นี้
- ตลอด
- เวลา
- ต้องใช้เวลามาก
- ไปยัง
- รถไฟ
- การฝึกอบรม
- แปลง
- การแปลง
- การเปลี่ยนแปลง
- การแปลง
- สอง
- ชนิด
- เข้าใจ
- เข้าใจ
- ปึกแผ่น
- us
- ใช้
- ใช้กรณี
- ผู้ใช้งาน
- การใช้
- มาก
- ภาพ
- เดิน
- คำแนะนำ
- คำเตือน
- we
- เว็บ
- บริการเว็บ
- ดี
- ว่า
- ที่
- ในขณะที่
- WHO
- ทั้งหมด
- จะ
- กับ
- ไม่มี
- งาน
- เวิร์กโฟลว์
- โรงงาน
- การประชุมเชิงปฏิบัติการ
- จะ
- ปี
- ยัง
- เธอ
- ของคุณ
- ลมทะเล