การสร้างฟีดข่าวทางการเงินที่มีโครงสร้างโดยใช้ Python, SpaCy และ Streamlit
เริ่มต้นใช้งาน NLP โดยสร้างแอปพลิเคชัน Named Entity Recognition(NER)
By ฮาร์ชิต ไทกิ, ครูสอนวิทยาศาสตร์ข้อมูล | พี่เลี้ยง | ยูทูบเบอร์
หนึ่งในแอปพลิเคชั่นที่น่าสนใจและใช้กันอย่างแพร่หลายของ NLP คือ Named Entity Recognition(NER)
การรับข้อมูลเชิงลึกจากข้อมูลดิบและไม่มีโครงสร้างมีความสำคัญอย่างยิ่ง การอัปโหลดเอกสารและรับข้อมูลสำคัญจากเอกสารนั้นเรียกว่าการดึงข้อมูล
การดึงข้อมูลเป็นงาน/ความท้าทายที่สำคัญใน NLP และมีการใช้ NER(หรือ NEL — Named Entity Linking) ในหลายโดเมน (การเงิน ยา อีคอมเมิร์ซ ฯลฯ) เพื่อวัตถุประสงค์ในการดึงข้อมูล
ในโพสต์บทช่วยสอนนี้ ฉันจะแสดงวิธีที่คุณสามารถใช้ประโยชน์จาก NEL เพื่อพัฒนาฟีดข่าวตลาดหุ้นที่กำหนดเองซึ่งแสดงรายการหุ้นที่ฉวัดเฉวียนบนอินเทอร์เน็ต
requisites ก่อน
ไม่มีข้อกำหนดเบื้องต้นดังกล่าว คุณอาจจำเป็นต้องมีความคุ้นเคยกับ python และงานพื้นฐานของ NLP เช่น tokenization การติดแท็ก POS การแยกวิเคราะห์การพึ่งพา และอื่นๆ
ฉันจะพูดถึงส่วนสำคัญอย่างละเอียดมากขึ้น ดังนั้นแม้ว่าคุณจะเป็นมือใหม่ก็ตาม คุณก็จะสามารถสรุปได้ว่าเกิดอะไรขึ้น
มาเริ่มกันเลย ทำตามแล้วคุณจะได้ฟีดข่าวหุ้นขั้นต่ำที่คุณสามารถเริ่มค้นคว้าได้
เครื่องมือ/การตั้งค่าที่คุณต้องการ:
- Google Colab สำหรับการทดสอบเบื้องต้นและการสำรวจข้อมูลและห้องสมุด SpaCy
- VS Code (หรือตัวแก้ไขใด ๆ ) เพื่อเขียนโค้ดแอปพลิเคชัน Streamlit
- แหล่งที่มาของข้อมูลตลาดหุ้น (ข่าว) ซึ่งเราจะดำเนินการ NER และ NEL ในภายหลัง
- สภาพแวดล้อมของหลามเสมือน (ฉันกำลังใช้ conda) พร้อมกับไลบรารีเช่น Pandas, SpaCy, Streamlit, Streamlit-Spacy (ถ้าคุณต้องการแสดงการเรนเดอร์ SpaCy)
วัตถุประสงค์
เป้าหมายของโครงการนี้คือการเรียนรู้และใช้ Named Entity Recognition เพื่อแยกเอนทิตีที่สำคัญ (บริษัทที่ซื้อขายในตลาดหลักทรัพย์ในตัวอย่างของเรา) จากนั้นเชื่อมโยงแต่ละเอนทิตีกับข้อมูลบางส่วนโดยใช้ฐานความรู้ (รายชื่อบริษัท Nifty500)
เราจะได้ข้อมูลที่เป็นข้อความจากฟีด RSS บนอินเทอร์เน็ต ดึงชื่อหุ้นที่หึ่งๆ แล้วดึงข้อมูลราคาตลาดเพื่อทดสอบความถูกต้องของข่าวก่อนที่จะเข้ารับตำแหน่งใดๆ ในหุ้นเหล่านั้น
หมายเหตุ: NER อาจไม่ใช่ปัญหาที่ล้ำสมัย แต่มีแอพพลิเคชั่นมากมายในอุตสาหกรรม
ไปที่ Google Colab เพื่อทดลองและทดสอบ:
ขั้นตอนที่ 1: ดึงข้อมูลข่าวหุ้นที่มีแนวโน้ม
เพื่อให้ได้ข่าวตลาดหุ้นที่เชื่อถือได้ ฉันจะใช้ เศรษฐกิจครั้ง และ การควบคุมเงิน ฟีด RSS สำหรับบทช่วยสอนนี้ แต่คุณยังสามารถใช้/เพิ่มฟีด RSS ของประเทศของคุณหรือข้อมูล Twitter/Telegram(กลุ่ม) เพื่อทำให้ฟีดของคุณมีข้อมูล/แม่นยำยิ่งขึ้น
โอกาสมีมากมาย บทช่วยสอนนี้ควรใช้เป็นก้าวสำคัญในการนำ NEL ไปใช้สร้างแอปในโดเมนต่างๆ เพื่อแก้ปัญหาการดึงข้อมูลประเภทต่างๆ
หากคุณดูที่ฟีด RSS ต่อไป จะมีลักษณะดังนี้:
https://economictimes.indiatimes.com/markets/rssfeeds/1977021501.cms
เป้าหมายของเราคือการรับข้อความพาดหัวจากฟีด RSS นี้ จากนั้นเราจะใช้ SpaCy เพื่อแยกเอนทิตีหลักออกจากพาดหัวข่าว
พาดหัวข่าวอยู่ใน แท็กของ XML ที่นี่
ประการแรก เราต้องจับเอกสาร XML ทั้งหมดและเราสามารถใช้ requests
ห้องสมุดที่จะทำอย่างนั้น ตรวจสอบให้แน่ใจว่าคุณได้ติดตั้งแพ็คเกจเหล่านี้ในสภาพแวดล้อมรันไทม์ของคุณใน colab
คุณสามารถเรียกใช้คำสั่งต่อไปนี้เพื่อติดตั้งเกือบทุกแพ็คเกจได้จากเซลล์โค้ดของ colab:
!pip install <package_name>
ส่ง GET
ขอที่ลิงค์ที่ให้ไว้เพื่อจับภาพเอกสาร XML
import requestsresp = requests.get("https://economictimes.indiatimes.com/markets/stocks/rssfeeds/2146842.cms")
เรียกใช้เซลล์เพื่อตรวจสอบสิ่งที่คุณได้รับในวัตถุตอบกลับ
ควรให้การตอบสนองที่ประสบความสำเร็จด้วยรหัส HTTP 200 ดังนี้:
ตอนนี้ คุณมีวัตถุตอบกลับแล้ว เราสามารถส่งเนื้อหาไปยังคลาส BeautifulSoup เพื่อแยกวิเคราะห์เอกสาร XML ได้ดังนี้:
from bs4 import BeautifulSoupsoup = BeautifulSoup(resp.content, features='xml')
soup.findAll('title')
สิ่งนี้จะให้พาดหัวข่าวทั้งหมดในรายการ Python:
ภาพโดยผู้เขียน
เยี่ยมมาก เรามีข้อมูลที่เป็นข้อความซึ่งเราจะแยกเอนทิตีหลัก (ซึ่งในกรณีนี้คือบริษัทที่ซื้อขายในตลาดหลักทรัพย์) โดยใช้ NLP
ถึงเวลานำ NLP ไปปฏิบัติ
ขั้นตอนที่ 2: การแยกเอนทิตีออกจากหัวข้อข่าว
นี่คือส่วนที่น่าตื่นเต้น เราจะใช้ a โมเดลภาษาหลักที่ผ่านการฝึกอบรมมาแล้ว จาก spaCy
ไลบรารีเพื่อแยกเอนทิตีหลักในพาดหัว
เล็กน้อยเกี่ยวกับ spaCy และโมเดลหลัก
สปาซี เป็นไลบรารี NLP แบบโอเพ่นซอร์สที่ประมวลผลข้อความด้วยความเร็วที่เร็วมาก เป็นห้องสมุดชั้นนำในการวิจัย NLP ซึ่งใช้ในแอปพลิเคชันระดับองค์กรตามขนาด spaCy เป็นที่รู้จักกันดีในเรื่องการปรับขนาดปัญหา และรองรับมากกว่า 64 ภาษาและทำงานได้ดีกับทั้ง TensorFlow และ PyTorch
เมื่อพูดถึงโมเดลหลัก spaCy มีโมเดลภาษาที่ผ่านการฝึกอบรมมาแล้วสองคลาสหลัก ซึ่งได้รับการฝึกฝนโดยใช้ข้อมูลข้อความขนาดต่างๆ เพื่อให้การอนุมานที่ล้ำสมัยแก่เรา
- โมเดลหลัก — สำหรับงาน NLP พื้นฐานทั่วไป
- Starter Models — สำหรับแอปพลิเคชันเฉพาะที่ต้องการการถ่ายโอนการเรียนรู้ เราสามารถใช้ประโยชน์จากตุ้มน้ำหนักที่เรียนรู้ของโมเดลเพื่อปรับแต่งโมเดลแบบกำหนดเองของเราโดยไม่ต้องฝึกโมเดลตั้งแต่เริ่มต้น
เนื่องจากกรณีการใช้งานของเราเป็นพื้นฐานในบทช่วยสอนนี้ เราจะยึดติดกับ en_core_web_sm
ไปป์ไลน์รุ่นหลัก
ลองโหลดสิ่งนี้ลงในสมุดบันทึกของเรา:
nlp = spacy.load("en_core_web_sm")
หมายเหตุ Colab ได้ดาวน์โหลดสิ่งนี้มาให้เราแล้ว แต่ถ้าคุณพยายามเรียกใช้ในระบบในพื้นที่ของคุณ คุณจะต้องดาวน์โหลดแบบจำลองก่อนโดยใช้คำสั่งต่อไปนี้:
python -m spacy download en_core_web_sm
en_core_web_sm นั้นเป็นไปป์ไลน์ภาษาอังกฤษที่ปรับให้เหมาะสมสำหรับ CPU ซึ่งมีส่วนประกอบดังต่อไปนี้:
- tok2vec — โทเค็นเป็นเวกเตอร์ (ทำโทเค็นบนข้อมูลต้นฉบับ)
- tagger — เพิ่มข้อมูลเมตาที่เกี่ยวข้องให้กับแต่ละโทเค็น spaCy ใช้แบบจำลองทางสถิติบางตัวในการทำนายส่วนของคำพูด (POS) ของแต่ละโทเค็น เพิ่มเติมใน เอกสาร.
- parser — ตัวแยกวิเคราะห์การพึ่งพาสร้างความสัมพันธ์ระหว่างโทเค็น
- ส่วนประกอบอื่นๆ ได้แก่ sender, ner, attribute_ruler, lemmatizer
เพื่อทดสอบว่าโมเดลนี้ทำอะไรให้เราได้บ้าง ฉันจะส่งพาดหัวข่าวเดี่ยวผ่านโมเดลที่สร้างอินสแตนซ์แล้วตรวจสอบส่วนต่างๆ ของประโยค
# make sure you extract the text out of <title> tagsprocessed_hline = nlp(headlines[4].text)
ไปป์ไลน์ดำเนินการงานทั้งหมดตั้งแต่การสร้างโทเค็นไปจนถึง NER ที่นี่เรามีโทเค็นก่อน:
ภาพโดยผู้เขียน
คุณสามารถดูส่วนที่ติดแท็กของคำพูดโดยใช้ pos_
คุณลักษณะ
ภาพโดยผู้เขียน
แต่ละโทเค็นถูกแท็กด้วยข้อมูลเมตาบางส่วน ตัวอย่างเช่น การค้าเป็นคำนามที่เหมาะสม การตั้งค่าคือคำนาม :
คือเครื่องหมายวรรคตอน เป็นต้น เป็นต้น รายการแท็กทั้งหมดจะได้รับ โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม.
จากนั้น คุณสามารถดูว่ามีความเกี่ยวข้องกันอย่างไรโดยดูที่กราฟการพึ่งพาโดยใช้ dep_
แอตทริบิวต์:
ภาพโดยผู้เขียน
ที่นี่ Trade is a Compound, Setup is Root, Nifty is appos (ตัวดัดแปลง Appositional) พบแท็กวากยสัมพันธ์ทั้งหมดอีกครั้ง โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม.
คุณยังสามารถเห็นภาพการขึ้นต่อกันของความสัมพันธ์ระหว่างโทเค็นโดยใช้ displacy . ต่อไปนี้ render()
วิธี:
spacy.displacy.render(processed_hline, style='dep',jupyter=True, options={'distance': 120})
ซึ่งจะให้กราฟนี้:
ภาพโดยผู้เขียน
การสกัดเอนทิตี
และดูองค์ประกอบสำคัญของประโยคคุณสามารถผ่าน 'ent’
ตามสไตล์ในรหัสเดียวกัน:
รูปภาพโดยผู้เขียน — ฉันใช้พาดหัวอื่นเพราะหัวข้อที่เราใช้ข้างต้นไม่มีเอนทิตีใดๆ
เรามีแท็กที่แตกต่างกันสำหรับหน่วยงานต่างๆ เช่น วันที่มี DATE, Glasscoat มี GPE ซึ่งสามารถเป็นประเทศ/เมือง/รัฐได้ เรากำลังมองหาหน่วยงานที่มีแท็ก ORG ที่จะให้ข้อมูลบริษัท หน่วยงาน สถาบัน ฯลฯ แก่เรา
ขณะนี้เราสามารถแยกเอนทิตีออกจากข้อความได้แล้ว มาดูการแยกองค์กรออกจากหัวข้อทั้งหมดโดยใช้เอนทิตี ORG
ซึ่งจะส่งคืนรายชื่อบริษัททั้งหมดดังนี้:
ภาพโดยผู้เขียน
ง่ายมากใช่มั้ย?
นั่นคือความมหัศจรรย์ของ spaCy ตอนนี้!
ขั้นตอนต่อไปคือการค้นหาบริษัทเหล่านี้ทั้งหมดในฐานความรู้เพื่อแยกสัญลักษณ์หุ้นที่ถูกต้องสำหรับบริษัทนั้น จากนั้นใช้ห้องสมุดเช่น yahoo-finance เพื่อแยกรายละเอียดการตลาด เช่น ราคา ผลตอบแทน ฯลฯ
ขั้นตอนที่ 3 — การลิงก์เอนทิตีที่มีชื่อ
หากต้องการเรียนรู้เกี่ยวกับหุ้นที่ซื้อขายในตลาดและรับรายละเอียดบนแดชบอร์ดของคุณคือเป้าหมายสำหรับโครงการนี้
เรามีชื่อบริษัท แต่หากต้องการทราบรายละเอียดการซื้อขาย เราจำเป็นต้องมีสัญลักษณ์หุ้นของบริษัท
เนื่องจากฉันกำลังแยกรายละเอียดและข่าวสารของบริษัทอินเดีย ฉันจะใช้ฐานข้อมูลภายนอกของ Nifty 500 บริษัท (ไฟล์ CSV)
สำหรับทุกบริษัท เราจะค้นหาในรายชื่อบริษัทที่ใช้หมีแพนด้า จากนั้นเราจะรวบรวมสถิติตลาดหุ้นโดยใช้ yahoo-การเงิน ห้องสมุด.
ภาพโดยผู้เขียน
สิ่งหนึ่งที่คุณควรสังเกตที่นี่คือฉันได้เพิ่ม “.NS” หลังสัญลักษณ์หุ้นแต่ละอันก่อนที่จะส่งต่อไปยัง Ticker
ชั้นของ yfinance
ห้องสมุด. เป็นเพราะสัญลักษณ์หุ้น NSE ของอินเดียถูกจัดเก็บด้วยa .NS
คำต่อท้ายใน yfinance
.
และหุ้นที่หึ่งก็จะปรากฏขึ้นในดาต้าเฟรมดังนี้:
ภาพโดยผู้เขียน
โว้ว! ไม่ดีเหรอ? แอพที่เรียบง่ายแต่ลึกซึ้งที่สามารถชี้ให้คุณไปในทิศทางที่ถูกต้องด้วยหุ้นที่เหมาะสม
ตอนนี้เพื่อให้เข้าถึงได้ง่ายขึ้น เราจึงสามารถสร้างเว็บแอปพลิเคชันจากโค้ดที่เราเพิ่งเขียนโดยใช้ Streamlit
ขั้นตอนที่ 4 — การสร้างเว็บแอปโดยใช้ Streamlit
ได้เวลาย้ายไปที่บรรณาธิการและสร้างโครงการใหม่และสภาพแวดล้อมเสมือนสำหรับแอปพลิเคชัน NLP
การเริ่มต้นใช้งาน Streamlit นั้นง่ายมากสำหรับแอปพลิเคชันข้อมูลสาธิตดังกล่าว ตรวจสอบให้แน่ใจว่าคุณได้ติดตั้ง streamlit แล้ว
pip install Streamlit
ตอนนี้ มาสร้างไฟล์ใหม่ชื่อ app.py และเริ่มเขียนโค้ดที่ใช้งานได้เพื่อเตรียมแอปให้พร้อม
นำเข้าไลบรารีที่จำเป็นทั้งหมดที่ด้านบน
import pandas as pdimport requestsimport spacyimport streamlit as stfrom bs4 import BeautifulSoupimport yfinance as yf
เพิ่มชื่อในใบสมัครของคุณ:
st.title('Buzzing Stocks :zap:')
ทดสอบแอปของคุณโดยเรียกใช้ streamlit run app.p
y ในเทอร์มินัลของคุณ ควรเปิดแอปในเว็บเบราว์เซอร์ของคุณ
ฉันได้เพิ่มฟังก์ชันพิเศษบางอย่างเพื่อเก็บข้อมูลจากแหล่งต่างๆ ตอนนี้ คุณสามารถเพิ่ม URL ฟีด RSS ที่คุณเลือกลงในแอปพลิเคชัน และข้อมูลจะได้รับการประมวลผลและหุ้นที่มีแนวโน้มจะแสดงในดาต้าเฟรม
ในการเข้าถึงฐานรหัสทั้งหมด คุณสามารถตรวจสอบที่เก็บของฉันได้ที่นี่:
คุณสามารถเพิ่มองค์ประกอบการจัดรูปแบบได้หลายองค์ประกอบ แหล่งข้อมูลที่แตกต่างกัน และการประมวลผลประเภทอื่นๆ เพื่อให้มีประสิทธิภาพและมีประโยชน์มากขึ้น
แอปของฉันในสถานะปัจจุบันดูเหมือนรูปภาพในแบนเนอร์
หากคุณต้องการติดตามฉันทีละขั้นตอน ดูฉันเขียนโค้ดแอปพลิเคชันนี้ที่นี่:
ขั้นตอนถัดไป!
แทนที่จะเลือกกรณีการใช้งานทางการเงิน คุณสามารถเลือกแอปพลิเคชันอื่นที่คุณต้องการได้ การดูแลสุขภาพ อีคอมเมิร์ซ การวิจัย และอื่นๆ อีกมากมาย ทุกอุตสาหกรรมกำหนดให้ต้องประมวลผลเอกสารและต้องดึงข้อมูลและเชื่อมโยงหน่วยงานที่สำคัญ ลองใช้แนวคิดอื่น
แนวคิดง่ายๆ คือการดึงข้อมูลเอนทิตีที่สำคัญทั้งหมดของรายงานการวิจัย จากนั้นจึงสร้างกราฟความรู้โดยใช้ Google Search API
นอกจากนี้ หากคุณต้องการนำแอพฟีดข่าวหุ้นไปอีกระดับ คุณสามารถเพิ่มอัลกอริธึมการซื้อขายเพื่อสร้างสัญญาณซื้อและขายได้เช่นกัน
ฉันขอแนะนำให้คุณคลั่งไคล้จินตนาการของคุณ
คุณจะเชื่อมต่อกับฉันได้อย่างไร!
หากคุณชอบโพสต์นี้และต้องการดูเนื้อหาดังกล่าวเพิ่มเติม คุณสามารถสมัครสมาชิก จดหมายข่าวของฉัน or ช่อง YouTube ของฉัน ที่ซึ่งฉันจะแบ่งปันโปรเจ็กต์ที่มีประโยชน์และรวดเร็วที่ใครๆ ก็สร้างได้
หากคุณเป็นคนเพิ่งเริ่มเขียนโปรแกรมหรืออยากเข้า Data Science หรือ ML สามารถดูรายวิชาของฉันได้ที่ วิป เลน อะคาเดมี่.
ขอบคุณเอลเลียตกันน์
Bio: ฮาร์ชิต ไทกิ เป็นวิศวกรที่มีประสบการณ์ผสมผสานในด้านเทคโนโลยีเว็บและวิทยาศาสตร์ข้อมูล (หรือที่รู้จักในชื่อวิทยาศาสตร์ข้อมูลแบบฟูลสแตก) เขาได้ให้คำปรึกษาแก่ผู้ที่ต้องการ AI/เว็บ/วิทยาศาสตร์ข้อมูลมากกว่า 1000 คน และกำลังออกแบบวิทยาศาสตร์ข้อมูลและเส้นทางการเรียนรู้ด้านวิศวกรรม ML ก่อนหน้านี้ Harshit ได้พัฒนาอัลกอริธึมการประมวลผลข้อมูลร่วมกับนักวิทยาศาสตร์การวิจัยที่ Yale, MIT และ UCLA
Original. โพสต์ใหม่โดยได้รับอนุญาต
ที่เกี่ยวข้อง
- '
- "
- &
- เข้า
- การกระทำ
- อัลกอริทึม
- ทั้งหมด
- ในหมู่
- API
- app
- การใช้งาน
- การใช้งาน
- ปพลิเคชัน
- รอบ
- จริง
- ความจริง
- รถยนต์
- เบราว์เซอร์
- สร้าง
- การก่อสร้าง
- ซื้อ
- การส่งข่าว
- การจัดหมวดหมู่
- รหัส
- บริษัท
- บริษัท
- สารประกอบ
- เนื้อหา
- การสร้าง
- ปัจจุบัน
- สถานะปัจจุบัน
- หน้าปัด
- ข้อมูล
- การประมวลผล
- วิทยาศาสตร์ข้อมูล
- ฐานข้อมูล
- วัน
- จัดการ
- การเรียนรู้ลึก ๆ
- รายละเอียด
- พัฒนา
- ระยะทาง
- เอกสาร
- โดเมน
- ยาเสพติด
- E-commerce
- บรรณาธิการ
- วิศวกร
- ชั้นเยี่ยม
- ภาษาอังกฤษ
- สิ่งแวดล้อม
- ฯลฯ
- Excel
- ประสบการณ์
- การสำรวจ
- ใบหน้า
- เงินทุน
- ทางการเงิน
- ชื่อจริง
- ปฏิบัติตาม
- การค้นหาของ Google
- ยิ่งใหญ่
- หัว
- พาดหัวข่าว
- การดูแลสุขภาพ
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- ความคิด
- ภาพ
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- ข้อมูลเชิงลึก
- สถาบัน
- อินเทอร์เน็ต
- IT
- ความรู้
- ภาษา
- ภาษา
- ชั้นนำ
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- ชั้น
- เลฟเวอเรจ
- ห้องสมุด
- LINK
- รายการ
- รายการ
- โหลด
- ในประเทศ
- เรียนรู้เครื่อง
- สำคัญ
- ตลาด
- ข่าวการตลาด
- กลาง
- ไมโครซอฟท์
- เอ็มไอที
- ML
- แบบ
- ย้าย
- ชื่อ
- ข่าว
- NLP
- เปิด
- โอกาส
- ใบสั่ง
- อื่นๆ
- ผลิตภัณฑ์อื่นๆ
- กระดาษ
- ผู้เล่น
- ผลงาน
- PoS
- นำเสนอ
- ราคา
- การเขียนโปรแกรม
- โครงการ
- โครงการ
- หลาม
- ไฟฉาย
- ดิบ
- ความสัมพันธ์
- การวิจัย
- คำตอบ
- วิ่ง
- ขนาด
- ปรับ
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- ขาย
- ง่าย
- ทักษะ
- So
- แก้
- ความเร็ว
- เริ่มต้น
- ข้อความที่เริ่ม
- สถานะ
- สถิติ
- สต็อก
- ตลาดหลักทรัพย์
- หุ้น
- จำนวนชั้น
- ที่ประสบความสำเร็จ
- รองรับ
- ระบบ
- เทคโนโลยี
- tensorflow
- ทดสอบ
- การทดสอบ
- เวลา
- โทเค็น
- tokenization
- ราชสกุล
- ด้านบน
- การค้า
- เทรด
- แนวโน้ม
- เกี่ยวกับการสอน
- ยูซีแอล
- us
- วีดีโอ
- เสมือน
- นาฬิกา
- เว็บ
- เว็บเบราเซอร์
- WHO
- โรงงาน
- การเขียน
- X
- XML
- YouTube