Finansal hizmetler, bankacılık, sağlık, hukuk ve emlak dahil olmak üzere birçok sektörde belge işlemeyi otomatikleştirmek iş ve müşteri hizmetlerinin önemli bir parçasıdır. Ayrıca katı uyum düzenlemeleri, işletmelerin hassas belgeleri, özellikle müşteri verilerini düzgün bir şekilde işlemesini zorunlu kılar. Belgeler, dijital formlar veya taranmış belgeler (PDF veya resimler) dahil olmak üzere çeşitli biçimlerde gelebilir ve daktilo edilmiş, el yazısı veya katıştırılmış formlar ve tablolar içerebilir. Bu belgelerden manuel olarak veri ve içgörü çıkarmak hataya açık, pahalı, zaman alıcı olabilir ve yüksek hacimli belgelere ölçeklenemez.
Yazılan karakterleri tanımaya yönelik optik karakter tanıma (OCR) teknolojisi yıllardır kullanılmaktadır. Pek çok şirket, PDF'ler, resimler, tablolar ve formlar gibi taranmış belgelerden manuel olarak veya form değiştiğinde genellikle yeniden yapılandırma gerektiren manuel yapılandırma gerektiren basit OCR yazılımı aracılığıyla verileri ayıklar.
Dijital belge genellikle bir belgenin taranması veya görüntüsüdür ve bu nedenle belgeden metin ve bilgileri (tablolar, resimler, başlıklar ve anahtar çifti değerleri gibi) otomatik olarak çıkarmak için makine öğrenimi (ML) modellerini kullanabilirsiniz. Örneğin, Amazon Metin YazısıAPI tabanlı yapay zeka özellikli bir hizmet olan bu tür yetenekleri, herhangi bir makine öğrenimi becerisine ihtiyaç duymadan uygulamalarda kullanabileceğiniz yerleşik eğitilmiş modellerle sunar. Aynı zamanda, özel makine öğrenimi modelleri, görüntülerden metin ayıklamayı otomatikleştirmek için bilgisayarla görme (CV) tekniklerini kullanır; bu, zorlu bir problem olan el yazısı metnin çıkarılması gerektiğinde özellikle yararlıdır. Bu aynı zamanda el yazısı tanıma (HWR) veya el yazısı metin tanıma (HTR) olarak da bilinir. HTR, el yazısı içeriği olan belgelerin aranabilir hale getirilmesine veya eski belge ve formların içeriğinin modern veritabanlarında saklanmasına yol açabilir.
Oluşturulması kolay ve elde edilmesi ucuz olan yazılı içeriğe veya sentetik veri kümelerine sahip belgeler üzerinde eğitilebilen standart metin tanımanın aksine, HWR birçok zorlukla birlikte gelir. Bu zorluklar, yazma tarzlarındaki değişkenliği, eski taranmış belgelerin düşük kalitesini ve toplanması pahalı veya zor olabilen iyi kalitede etiketli eğitim veri kümelerini toplamayı içerir.
Bu gönderide, özel bir makine öğrenimi modeli geliştirmek için süreçleri, betikleri ve en iyi uygulamaları paylaşıyoruz. Amazon Adaçayı Yapıcı makalede özetlenen konsepte dayalı olarak derin öğrenme (DL) tekniklerini uygulayan GNHK: Doğada İngilizce El Yazısı için Bir Veri Kümesi el yazısı pasajların görüntülerindeki metni dizelere dönüştürmek için. Kendi verileriniz varsa, verilerinizi etiketlemek ve bunlarla yeni bir model eğitmek için bu çözümü kullanabilirsiniz. Çözüm ayrıca eğitilmiş modelleri, gerçek belgeler üzerinde çıkarım yapmak ve el yazısı komut dosyasını metne dönüştürmek için kullanabileceğiniz uç noktalar olarak dağıtır. Kullanarak uç noktanıza nasıl güvenli bir genel ağ geçidi oluşturabileceğinizi açıklıyoruz. Amazon API Ağ Geçidi.
Önkoşullar
Çözümü kendi hesabınızda denemek için aşağıdakilere sahip olduğunuzdan emin olun:
Çözümü başarıyla çalıştırmak için uygun şekilde ayarlanmış ve yapılandırılmış kaynakları oluşturan JumpStart çözümünü kullanmanızı öneririz.
Modelleri eğitmek için kendi verilerinizi de kullanabilirsiniz, bu durumda el yazısıyla yazılmış metinlerin görüntülerine sahip olmanız gerekir. Amazon Basit Depolama Hizmeti (Amazon S3).
Çözüme genel bakış
Sonraki bölümlerde, aşağıdaki mimaride özetlenen kaynakları oluşturmanın her adımında size yol göstereceğiz. Ancak, SageMaker JumpStart ile çözümü hesabınızda başlatmak, bu kaynakları sizin için otomatik olarak oluşturur.
Bu çözümü başlattığınızda, hesabınızda yedi örnek not defteri, eğitim modellerinde ve çıkarımda kullandığımız birden fazla eşlik eden özel komut dosyası ve istemiyorsanız gerçek zamanlı çıkarım için kullanabileceğiniz önceden oluşturulmuş iki demo uç noktası dahil olmak üzere birden fazla kaynak oluşturulur. uçtan uca eğitim ve barındırma yapmak. Defterler aşağıdaki gibidir:
- Demo not defteri – Gerçek zamanlı el yazısı metin tanıma için demo uç noktalarının nasıl kullanılacağını gösterir
- Giriş – Mimariyi ve çözümün farklı aşamalarını açıklar
- Kendi verilerinizi etiketleme – Nasıl kullanılacağını gösterir Amazon SageMaker Yer Gerçeği kendi veri kümenizi etiketlemek için
- Veri goruntuleme – Veri etiketlemenin sonuçlarını görselleştirir
- Model eğitimi – Özel PyTorch modellerini GNHK verileriyle eğitir
- Kendi verilerinizle model eğitimi – Eğitim modelleri için kendi etiketli verilerinizi kullanmanıza izin verir
- Uç noktalar – Özel olarak eğitilmiş modellerle SageMaker uç noktaları oluşturur
GNHK verilerine genel bakış
Bu çözüm, GoodNotes El Yazısı Koleksiyonu (GNHK) tarafından yayınlanan veri kümesi İyi notlar altında CC-BY-4.0 Lisansı. Bu veri kümesi başlıklı bir makalede sunulmaktadır. GNHK: Doğada İngilizce El Yazısı için Bir Veri Kümesi at Uluslararası Doküman Analizi ve Tanıma Konferansı (ICDAR) 2021'de, aşağıdaki alıntıyla:
GNHK veri seti, makine öğrenimi uygulayıcılarının ve araştırmacıların yeni el yazısı metin tanıma tekniklerini araştırmasına olanak sağlamak için İngilizce el yazısı metinlerin resimlerini içerir. için verileri indirebilirsiniz. Bildiri biçiminde SageMaker eğitimi ve testi, her bir sınırlayıcı kutu için görüntüleri, sınırlayıcı kutu koordinatlarını ve metin dizelerini içerir. Aşağıdaki şekil, eğitim veri setinin parçası olan görüntülerden birini göstermektedir.
Kendi etiketli veri kümenizi kullanın
Eğitim için GNHK veri setini kullanmak istemiyorsanız modelleri kendi verilerinizle eğitebilirsiniz. Verileriniz sınırlayıcı kutu koordinatlarıyla etiketlenmişse, aşağıdaki formatta özel bir bildirim eğitim dosyası oluşturabilir ve bunu modelleri eğitmek için kolayca kullanabilirsiniz. Bu bildirim dosyası biçiminde, her satır aşağıdaki içeriği içeren bir JSON'dur:
Ground Truth kullanarak ham verilerinizi etiketleyin
Etiketli bir eğitim veri kümeniz yoksa, özel iş gücünüzü veya aşağıdakiler gibi harici kaynakları kullanarak verilerinizi etiketlemek için Ground Truth'u kullanabilirsiniz: Amazon Mekanik Türk. Ground Truth, makine öğrenimi için son derece doğru eğitim veri kümeleri oluşturmayı kolaylaştıran, tam olarak yönetilen bir veri etiketleme hizmetidir. Ground Truth, metin, resim ve video dahil olmak üzere çeşitli kullanım durumlarını destekleyen yerleşik iş akışları sunar. Ayrıca Ground Truth, verilerinizi etiketlemek için bir makine öğrenimi modeli kullanan otomatik veri etiketleme sunar. Aşağıdaki şekil, Ground Truth'un nasıl çalıştığını göstermektedir.
Hesabınızda başlatılan JumpStart çözümü, örnek bir not defteri oluşturur (label_own_data.ipynb
), özel iş gücünüzü kullanarak verilerinizi etiketlemek için Ground Truth etiketleme işleri oluşturmanıza olanak tanır. Görüntüler için etiketleme işlerinin nasıl ayarlanacağıyla ilgili ayrıntılar ve ayrıca eğitim ve öğretici kaynaklar için bkz. SageMaker Ground Truth Veri Etiketleme Kaynakları.
Veri etiketleme tamamlandığında, beraberindeki data_visualization.ipynb
veri etiketleme sonuçlarını görselleştirmek için not defteri.
Kelime segmentasyonu ve el yazısı metni tanıma modellerini eğitin
Artık etiketli veriler hazır olduğuna göre, bunu el yazısı pasajları tanıyabilen ve metin dizesi eşdeğerlerini döndürebilen bir model eğitmek için kullanabilirsiniz. Bu bölümde size bu süreçte rehberlik edeceğiz ve modelleri oluşturmanın ve eğitmenin her adımını açıklayacağız. Kullanırız PyTorch nesne algılama ve metin tanıma için en gelişmiş çerçevelerden yararlanmak. Aynı yaklaşımı aşağıdakiler gibi diğer derin öğrenme çerçevelerini kullanarak da geliştirebilirsiniz: TensorFlow or MX Ağı. SageMaker, eğitim ve çıkarım için gereken derin öğrenme çerçeve kitaplıkları ve diğer bağımlılıkları içeren önceden oluşturulmuş Docker görüntüleri sağlar. Önceden oluşturulmuş Docker görüntülerinin tam listesi için bkz. Kullanılabilir Derin Öğrenme Kapsayıcıları Resimleri.
Veri kümelerini eğitme ve test etme
Model eğitimine başlamadan önce, eğitilen model performansını doğrulamak için bir eğitim veri setine ve bir test (veya doğrulama) veri setine sahip olmamız gerekir. GNHK veri seti halihazırda iki ayrı veri seti sunmaktadır. SageMaker manifest formatında eğitim ve testve bu çözüm, bu veri kümelerini kullanır. Kendi etiketli veri kümenizi kullanmak istiyorsanız en kolay yol, etiketli bir veri bildirim dosyasını eğitim ve test kümelerine bölmektir (örneğin, %80 eğitim ve %20 test).
SageMaker, Amazon S3'ten eğitim ve test veri kümelerini okur. Verileri böldükten sonra, bildirim dosyalarını ve ilgili görüntüleri Amazon S3'te depolamanız ve ardından aşağıdaki bölümlerde ana hatlarıyla belirtildiği gibi eğitim betiklerindeki URI bağlantılarını kullanmanız gerekir.
Kelime segmentasyon modelini eğitin
Birden çok satırdan ve her satırı birden çok sözcükten oluşan el yazısıyla yazılmış metin görüntüleri üzerinde çıkarım yapmak için iki model oluşturmamız gerekir. İlk model, sınırlayıcı kutu tahminini (veya yerelleştirmeyi) kullanarak görüntüyü tek sözcüklere ayırır; ikinci model, her segmentte ayrı ayrı bir metin tanıma çalıştırır. Her model, gerçek zamanlı çıkarım için bir SageMaker çıkarım uç noktasında barındırılır. Her iki model de kullanır 1.6.0 sürümü için PyTorch çerçeve kapsayıcılar. Eğitim ve çıkarım betikleri gereksinimleri de dahil olmak üzere PyTorch ile modellerin eğitimi ve devreye alınması hakkında daha fazla ayrıntı için bkz. PyTorch'u SageMaker Python SDK ile kullanın. Eğitim amaçlı olarak, SageMaker PyTorch tahmin aracı sınıfı. Daha fazla ayrıntı için bkz. Bir Tahminci Oluşturun. Eğitim için bir özel eğitim komut dosyası giriş noktası olarak. Hesabınızda bu JumpStart çözümünü başlatırken, SageMaker eşlik eden tüm özel eğitim ve çıkarım kodlarını dosyalarınıza otomatik olarak ekler. Yerelleştirme modeli için özel 1_train_localisation.py
altındaki kod src_localisation
dosya. Tahmin edici, eğitim amacıyla bir GPU tabanlı örnek kullanır.
Aşağıdaki kod parçacığında, model performans metriklerini tanımlıyoruz ve giriş noktası kod deposundaki eğitim betiği dizinine yönlendiren bir PyTorch tahmincisi sınıfı oluşturuyoruz. Son olarak çağrı yaparak eğitime başlıyoruz. .fit
eğitim veri seti ile tahmin edicide yöntem ve test veri seti üzerinde doğrulama.
El yazısı metni tanıma modelini eğitin
Sözcük bölümleri önceki model tarafından belirlendikten sonra, çıkarım hattının bir sonraki parçası, her bölüm üzerinde el yazısı tanıma çıkarımını çalıştırmaktır. Süreç aynı, ancak bu sefer farklı bir özel eğitim komut dosyası kullanıyoruz. 2_train_recogniser.py
altında komut dosyası src_recognition
tahmin edici için giriş noktası olarak ve yeni bir model eğitin. Önceki modele benzer şekilde, bu model de modeli tren veri seti üzerinde eğitir ve performansını test veri seti üzerinde değerlendirir. Hesabınızda JumpStart çözümünü başlatırsanız, SageMaker bu kaynak kodları otomatik olarak Studio alanınızdaki dosyalarınıza ekler.
Sonraki biz tahmin edicileri eğitim işlerine ekleyinve modellerin dağıtımına devam etmeden önce eğitimin tamamlanmasını bekleyin. Eklemenin amacı, eğitim işinin durumu Tamamlandı ise, bir SageMaker uç noktası oluşturmak ve bir tahminci döndürmek için konuşlandırılabilir, ancak eğitim işi devam ediyorsa, iliştirme eğitim işinden günlük mesajlarını engeller ve görüntüler. , eğitim işi tamamlanana kadar. Her eğitim işinin tamamlanması yaklaşık 1 saat sürebilir.
Her iki model eğitimi de tamamlandığında, az önce eğittiğimiz iki modeli kullanarak görüntüler üzerinde gerçek zamanlı çıkarım için bir son nokta oluşturan bir sonraki adıma geçebilirsiniz.
Gerçek zamanlı çıkarım için SageMaker uç noktaları oluşturun
Bu çözümü oluşturmanın bir sonraki adımı, el yazısı metin üzerinde gerçek zamanlı çıkarım için kullanabileceğimiz eğitilmiş modellerle uç noktalar oluşturmaktır. Model eserlerini indirme, model kapsayıcılar oluşturma, kapları dağıtma ve son olarak bir demo görüntüsünde veya kendi görüntünüzde gerçek zamanlı çıkarım yapmak için dağıtılan modelleri kullanma adımlarında size yol gösteriyoruz.
Öncelikle Amazon S3'ten eğitilmiş model yapıtlarını ayrıştırmamız gerekiyor. Her eğitim işinden sonra SageMaker, eğitilen modeli katran topu (.tar.gz
) SageMaker'ın içinde veya dışında kullanmak üzere indirebileceğiniz Amazon S3'te. Bu amaçla, aşağıdaki kod parçacığı üç yardımcı işlev kullanır (get_latest_training_job
, get_model_data
, ve parse_model_data
) Den sm_utils
hesabınızda JumpStart çözümünü başlattığınızda, Studio'daki dosyalarınıza otomatik olarak eklenen klasör. Betik, PyTorch kelime segmentasyonu (veya yerelleştirme) modeli verilerinin nasıl indirileceğini, bir tar topuna sıkıştırılacağını ve modeli daha sonra oluşturmak için Amazon S3'e nasıl kopyalanacağını gösterir. Metin tanıma modeli için bu işlemi tekrarlayabilirsiniz.
Eğitilmiş model dosyalarına sahip olduğumuza göre, SageMaker'da bir model kapsayıcısı oluşturmak artık çok kolay. Modeli PyTorch tahmincisi sınıfıyla eğittiğimiz için, özel bir çıkarım betiği kullanan bir model kabı oluşturmak için PyTorch model sınıfını kullanabiliriz. Görmek PyTorch Modellerini Dağıtın daha fazla ayrıntı için. Modeli oluşturduktan sonra, modeli gerçek zamanlı çıkarım için bir uç nokta olarak konuşlandırarak bir öngörücü oluşturabiliriz. Uç noktanız için örnek sayısını değiştirebilir veya farklı bir hızlandırılmış bilgi işlem (GPU) örneği seçebilirsiniz. gerçek zamanlı çıkarım için mevcut örneklerin listesi. PyTorch model sınıfı, inference.py
Studio etki alanınızda JumpStart çözümünü başlattığınızda dosyalarınıza eklenen her model için komut dosyası. Aşağıdaki kodda word segmentasyon modelini oluşturuyoruz. Metin tanıma modelini oluşturmak için aynı yaklaşımı izleyebilirsiniz.
Artık uç noktayı çağırarak oluşturabiliriz. .deploy
mod üzerinde yöntem ve bir öngörücü oluşturma. Ardından seri hale getirici ve seri hale getiriciyi uç noktaya ekliyoruz. Metin tanıma için ikinci mod için aynı yaklaşımı takip edebilirsiniz.
Uç nokta oluşturmanın tamamlanması yaklaşık 6-7 dakika sürer. Aşağıdaki kod, uç nokta oluşturma için garsonlar oluşturur ve bittiğinde tamamlanmış olarak gösterir.
Model dağıtımları tamamlandığında, her sözcük için sınırlayıcı kutuları ve bunların koordinatlarını almak üzere el yazısıyla yazılmış bir pasajın görüntüsünü ilk uç noktaya gönderebilirsiniz. Ardından, her sınırlayıcı kutuyu kırpmak için bu koordinatları kullanın ve bunları ayrı ayrı ikinci uç noktaya gönderin ve her sınırlayıcı kutu için tanınan metin dizesini alın. Daha sonra iki uç noktanın çıktılarını alabilir ve sınırlayıcı kutuları ve metni ham görüntünün üzerine yerleştirebilir veya çıktıları aşağı akış süreçlerinizde kullanabilirsiniz.
Aşağıdaki diyagram, genel süreç iş akışını göstermektedir.
uzantıları
Artık gerçek zamanlı çıkarım yapan çalışan uç noktalara sahip olduğunuza göre, bunları uygulamalarınız veya web siteniz için kullanabilirsiniz. Ancak, SageMaker uç noktalarınız hâlâ halka açık değil; SageMaker uç noktalarınıza harici trafiğe izin vermek için API Ağ Geçitleri oluşturmanız gerekir. API Gateway, geliştiricilerin her ölçekte API oluşturmasını, yayınlamasını, bakımını yapmasını, izlemesini ve güvenliğini sağlamasını kolaylaştıran, tam olarak yönetilen bir hizmettir. API Ağ Geçidini, SageMaker uç noktaları için dışa dönük, tek bir giriş noktası sunmak ve tarafından sağlanan şekilde güvenlik, kısma, kimlik doğrulama ve güvenlik duvarı sağlamak için kullanabilirsiniz. AWS WAF'ı, ve daha fazlası. API Ağ Geçidi eşleme şablonlarıyla, SageMaker uç noktanızı bir REST API isteği ile çağırabilir ve bir API yanıtı alabilirsiniz. Eşleme şablonları, API Ağ Geçidinizi herhangi bir aracıya ihtiyaç duymadan doğrudan SageMaker uç noktalarıyla entegre etmenizi sağlar. AWS Lambda işlevi, çevrimiçi uygulamalarınızı daha hızlı ve daha ucuz hale getirir. Bir API Ağ Geçidi oluşturmak ve onu SageMaker uç noktalarınızla gerçek zamanlı çıkarım yapmak için kullanmak için (aşağıdaki mimaride olduğu gibi), bkz. Amazon API Gateway eşleme şablonları ve Amazon SageMaker ile makine öğrenimi destekli bir REST API oluşturma.
Sonuç
Bu gönderide, SageMaker özel modellerini kullanarak el yazısı metinleri tanımaya yönelik uçtan uca bir çözümü açıkladık. Çözüm, Ground Truth kullanarak eğitim verilerini etiketlemeyi, PyTorch tahminci sınıfları ve özel betiklerle eğitim verilerini ve gerçek zamanlı çıkarım için SageMaker uç noktaları oluşturmayı içeriyordu. Mobil uygulamalarınız veya web siteniz ile güvenli bir şekilde kullanılabilecek bir genel API Ağ Geçidini nasıl oluşturabileceğinizi de açıkladık.
Daha fazla SageMaker örneği için şu adresi ziyaret edin: GitHub deposu. Ayrıca, daha fazlasını bulabilirsiniz PyTorch kendi betiğinizi getirin örnekleri.
MXNet, TensorFlow ve PyTorch için daha fazla SageMaker Python örneği için şu adresi ziyaret edin: Amazon SageMaker Önceden Oluşturulmuş Çerçeve Kapsayıcıları ve Python SDK'sı.
Daha fazla Yer Gerçeği örneği için şu adresi ziyaret edin: Yer Gerçeği Etiketleme İşlerine Giriş. SageMaker hakkında ek bilgiler şu adreste bulunabilir: teknik döküman.
Yazarlar Hakkında
jonathan chung Halo Sağlık teknolojisinde Uygulamalı Bilim Adamı. Klasik sinyal işleme ve derin öğrenme tekniklerini zaman serileri ve biyometrik verilere uygulamak üzerine çalışmaktadır. Daha önce AWS'de Uygulamalı Bilim Adamıydı. Yemek yapmaktan ve dünyanın dört bir yanındaki tarihi şehirleri ziyaret etmekten hoşlanıyor.
Nick Minaie, Amazon'da Veri Bilimi ve İş Zekası Yöneticisidir ve Amazon'un Zaman ve Katılım ekibi için yenilikçi makine öğrenimi ürün geliştirmesine liderlik eder. Daha önce, AWS'de Kıdemli Yapay Zeka/ML Çözümleri Mimarı olarak hizmet vermiş ve müşterilere geniş ölçekte iyi tasarlanmış makine öğrenimi çözümlerine giden yolculuklarında yardımcı olmuştur. Nick boş zamanlarında aileyle vakit geçirmekten, soyut resim yapmaktan ve doğayı keşfetmekten hoşlanır.
Doktor Li Zhang Amazon SageMaker JumpStart ve Amazon SageMaker yerleşik algoritmaları için Temel Ürün Yöneticisi-Teknik, veri bilimcilerin ve makine öğrenimi uygulayıcılarının modellerini eğitmeye ve dağıtmaya başlamasına yardımcı olan bir hizmettir ve Amazon SageMaker ile takviyeli öğrenmeyi kullanır. IBM Research'te baş araştırma görevlisi ve usta mucit olarak geçmişte yaptığı çalışma, IEEE INFOCOM'da zaman testi kağıt ödülünü kazandı.
Shenhua Yue Amazon SageMaker'da Yazılım Geliştirme Mühendisi. Müşteriler için makine öğrenimi araçları ve ürünleri oluşturmaya odaklanıyor. İş dışında açık havada, yoga yapmaktan ve yürüyüş yapmaktan hoşlanıyor.
- '
- "
- 100
- 11
- 2021
- Hesap
- ilave
- Ek
- avantaj
- alex
- algoritmalar
- Türkiye
- Amazon
- Amazon API Ağ Geçidi
- Amazon Adaçayı Yapıcı
- analiz
- Apache
- api
- API'ler
- uygulamaları
- mimari
- etrafında
- Doğrulama
- AWS
- Bankacılık
- İYİ
- en iyi uygulamalar
- biyometri
- kutu
- inşa etmek
- bina
- iş
- iş zekası
- işletmeler
- çağrı
- başlıklar
- durumlarda
- zorluklar
- değişiklik
- karakter tanıma
- Şehirler
- kod
- Toplama
- Şirketler
- uyma
- Bilgisayar görüşü
- bilgisayar
- Konferans
- yapılandırma
- Konteyner
- Konteynerler
- içerik
- yemek pişirme
- Oluşturma
- ürün
- Müşteri Hizmetleri
- Müşteriler
- veri
- veri bilimi
- veritabanları
- derin öğrenme
- dağıtma
- Bulma
- geliştirmek
- geliştiriciler
- gelişme
- dijital
- liman işçisi
- evraklar
- Son nokta
- mühendis
- İngilizce
- özellikle
- arazi
- örnek
- çıkarma
- karşı
- aile
- Daha hızlı
- şekil
- Nihayet
- mali
- finansal hizmetler
- Ad
- uygun
- takip et
- Airdrop Formu
- biçim
- iskelet
- işlev
- fonksiyonlar
- oluşturmak
- Tercih Etmenizin
- GPU
- kullanma
- Sağlık
- Sağlık Teknolojisi
- sağlık
- Yüksek
- yürüyüş
- hosting
- Ne kadar
- Nasıl Yapılır
- HTTPS
- IBM
- IEEE
- görüntü
- dahil
- Dahil olmak üzere
- Endüstri
- bilgi
- yenilikçi
- İstihbarat
- araştırmak
- IT
- İş
- Mesleki Öğretiler
- etiketleme
- başlatmak
- öncülük etmek
- önemli
- öğrenme
- Yasal Şartlar
- çizgi
- Liste
- Yerelleştirme
- makine öğrenme
- Yapımı
- Metrikleri
- ML
- Telefon
- Mobil uygulamalar
- model
- hareket
- gerekli
- dizüstü bilgisayarlar
- Nesne algılama
- OCR
- Teklifler
- Online
- Diğer
- açık havada
- ambalaj
- boyama
- kâğıt
- performans
- Çokgen
- tahmin
- mevcut
- Anapara
- özel
- PLATFORM
- ürün geliştirme
- Ürünler
- sağlamak
- sağlar
- halka açık
- yayınlamak
- Python
- pytorch
- kalite
- Çiğ
- işlenmemiş veri
- gayrimenkul
- gerçek zaman
- yönetmelik
- takviye öğrenme
- Yer Alan Kurallar
- araştırma
- Kaynaklar
- yanıt
- DİNLENME
- Sonuçlar
- koşmak
- sagemaker
- ölçek
- taramak
- Bilim
- bilim adamları
- güvenlik
- Dizi
- Hizmetler
- set
- paylaş
- Basit
- becerileri
- Yazılım
- yazılım geliştirme
- Çözümler
- bölmek
- başladı
- Durum
- hafızası
- mağaza
- mağaza
- destek
- teknoloji
- teknikleri
- Teknoloji
- tensorflow
- test
- Test yapmak
- Dünya
- İçinden
- zaman
- araçlar
- trafik
- Eğitim
- trenler
- öğretici
- URI
- yarar
- Video
- vizyonumuz
- hacim
- W
- beklemek
- Web sitesi
- olmadan
- sözler
- İş
- iş akışı
- işgücü
- çalışır
- Dünya
- yazı yazıyor
- X
- yıl
- Yoga