Dieser Beitrag wurde gemeinsam mit Thatcher Thornberry von bpx Energy verfasst.
Bei der Faziesklassifizierung handelt es sich um den Prozess der Segmentierung lithologischer Formationen anhand geologischer Daten am Bohrlochstandort. Während des Bohrens werden drahtgebundene Protokolle erstellt, die tiefenabhängige geologische Informationen enthalten. Geologen werden eingesetzt, um diese Protokolldaten zu analysieren und anhand der verschiedenen Arten von Protokolldaten Tiefenbereiche für potenziell interessante Fazies zu bestimmen. Die genaue Klassifizierung dieser Regionen ist für die folgenden Bohrprozesse von entscheidender Bedeutung.
Die Faziesklassifizierung mithilfe von KI und maschinellem Lernen (ML) ist für viele Ölkonzerne zu einem immer beliebteren Forschungsgebiet geworden. Viele Datenwissenschaftler und Geschäftsanalysten bei großen Ölunternehmen verfügen nicht über die erforderlichen Fähigkeiten, um fortgeschrittene ML-Experimente zu wichtigen Aufgaben wie der Faziesklassifizierung durchzuführen. Um dieses Problem anzugehen, zeigen wir Ihnen, wie Sie auf einfache Weise ein erstklassiges ML-Klassifizierungsmodell für dieses Problem vorbereiten und trainieren können.
In diesem Beitrag, der sich vor allem an diejenigen richtet, die Snowflake bereits verwenden, erklären wir, wie Sie sowohl Trainings- als auch Validierungsdaten für eine Fazies-Klassifizierungsaufgabe importieren können Schneeflocke in Amazon SageMaker-Leinwand und trainieren Sie anschließend das Modell mithilfe eines Vorhersagemodells der Kategorie 3+.
Lösungsüberblick
Unsere Lösung besteht aus den folgenden Schritten:
- Laden Sie Fazies-CSV-Daten von Ihrem lokalen Computer auf Snowflake hoch. Für diesen Beitrag verwenden wir Daten aus den folgenden Bereichen Open-Source-GitHub-Repo.
- Einrichtung AWS Identity and Access Management and (IAM)-Rollen für Snowflake und erstellen Sie eine Snowflake-Integration.
- Erstellen Sie ein Geheimnis für Snowflake-Anmeldeinformationen (optional, aber empfohlen).
- Importieren Sie Snowflake direkt in Canvas.
- Erstellen Sie ein Fazies-Klassifizierungsmodell.
- Analysieren Sie das Modell.
- Führen Sie Batch- und Einzelvorhersagen mithilfe des Mehrklassenmodells aus.
- Teilen Sie das trainierte Modell mit Amazon SageMaker-Studio.
Voraussetzungen:
Zu den Voraussetzungen für diese Stelle gehören:
Laden Sie Fazies-CSV-Daten in Snowflake hoch
In diesem Abschnitt nehmen wir zwei Open-Source-Datensätze und laden sie direkt von unserem lokalen Computer in eine Snowflake-Datenbank hoch. Von dort aus richten wir eine Integrationsschicht zwischen Snowflake und Canvas ein.
- Laden Sie die training_data.csv und validation_data_nofacies.csv Dateien auf Ihren lokalen Computer. Notieren Sie sich, wo Sie sie gespeichert haben.
- Stellen Sie sicher, dass Sie über die richtigen Snowflake-Anmeldeinformationen verfügen und die Snowflake-CLI-Desktop-App installiert haben, damit Sie einen Verbund durchführen können. Weitere Informationen finden Sie unter Melden Sie sich bei SnowSQL an.
- Wählen Sie das entsprechende Snowflake-Warehouse aus, in dem Sie arbeiten möchten, was in unserem Fall der Fall ist
COMPUTE_WH
:
- Wählen Sie eine Datenbank aus, die Sie für den Rest der exemplarischen Vorgehensweise verwenden möchten:
- Erstellen Sie ein benanntes Dateiformat, das einen Satz bereitgestellter Daten beschreibt, auf die zugegriffen werden soll oder die in Snowflake-Tabellen geladen werden sollen.
Dies kann entweder in der Snowflake-CLI oder in einem Snowflake-Arbeitsblatt in der Webanwendung ausgeführt werden. Für diesen Beitrag führen wir eine SnowSQL-Abfrage in der Webanwendung aus. Sehen Erste Schritte mit Arbeitsblättern Anweisungen zum Erstellen eines Arbeitsblatts in der Snowflake-Webanwendung finden Sie.
- Erstellen Sie mit der CREATE-Anweisung eine Tabelle in Snowflake.
Die folgende Anweisung erstellt eine neue Tabelle im aktuellen oder angegebenen Schema (oder ersetzt eine vorhandene Tabelle).
Es ist wichtig, dass die Datentypen und die Reihenfolge, in der sie angezeigt werden, korrekt sind und mit dem übereinstimmen, was in den zuvor heruntergeladenen CSV-Dateien enthalten ist. Wenn sie inkonsistent sind, werden wir später auf Probleme stoßen, wenn wir versuchen, die Daten zu kopieren.
- Machen Sie dasselbe für die Validierungsdatenbank.
Beachten Sie, dass sich das Schema ein wenig von den Trainingsdaten unterscheidet. Stellen Sie auch hier sicher, dass die Datentypen und Spalten- oder Feature-Reihenfolge korrekt sind.
- Laden Sie die CSV-Datendatei von Ihrem lokalen System in die Snowflake-Staging-Umgebung:
- Das Folgende ist die Syntax der Anweisung für Windows-Betriebssysteme:
- Das Folgende ist die Syntax der Anweisung für Mac OS:
Der folgende Screenshot zeigt einen Beispielbefehl und eine Ausgabe aus der SnowSQL-CLI.
- Kopieren Sie die Daten in die Snowflake-Zieltabelle.
Hier laden wir die Trainings-CSV-Daten in die Zieltabelle, die wir zuvor erstellt haben. Beachten Sie, dass Sie dies sowohl für die Trainings- als auch für die Validierungs-CSV-Dateien tun müssen, indem Sie sie jeweils in die Trainings- und Validierungstabellen kopieren.
- Überprüfen Sie, ob die Daten in die Zieltabelle geladen wurden, indem Sie eine SELECT-Abfrage ausführen (Sie können dies sowohl für die Trainings- als auch für die Validierungsdaten tun):
Konfigurieren Sie Snowflake IAM-Rollen und erstellen Sie die Snowflake-Integration
Als Voraussetzung für diesen Abschnitt befolgen Sie bitte die offizielle Snowflake-Dokumentation zum cKonfigurieren Sie eine Snowflake-Speicherintegration für den Zugriff auf Amazon S3.
Rufen Sie den IAM-Benutzer für Ihr Snowflake-Konto ab
Nachdem Sie Ihre Snowflake-Speicherintegration erfolgreich konfiguriert haben, führen Sie Folgendes aus DESCRIBE INTEGRATION
Befehl zum Abrufen des ARN für den IAM-Benutzer, der automatisch für Ihr Snowflake-Konto erstellt wurde:
Notieren Sie die folgenden Werte aus der Ausgabe:
- STORAGE_AWS_IAM_USER_ARN – Der für Ihr Snowflake-Konto erstellte IAM-Benutzer
- STORAGE_AWS_EXTERNAL_ID – Die externe ID, die benötigt wird, um eine Vertrauensbeziehung aufzubauen
Aktualisieren Sie die Vertrauensrichtlinie für IAM-Rollen
Jetzt aktualisieren wir die Vertrauensrichtlinie:
- Wählen Sie in der IAM-Konsole Rollen im Navigationsbereich.
- Wählen Sie die von Ihnen erstellte Rolle.
- Auf dem Vertrauensverhältnis Tab, wählen Sie Vertrauensbeziehung bearbeiten.
- Ändern Sie das Richtliniendokument wie im folgenden Code gezeigt mit den DESC STORAGE INTEGRATION-Ausgabewerten, die Sie im vorherigen Schritt aufgezeichnet haben.
- Auswählen Vertrauensrichtlinie aktualisieren.
Erstellen Sie eine externe Bühne in Snowflake
Wir verwenden eine externe Stufe innerhalb von Snowflake, um Daten aus einem S3-Bucket in Ihrem eigenen Konto in Snowflake zu laden. In diesem Schritt erstellen wir eine externe Stufe (Amazon S3), die auf die von Ihnen erstellte Speicherintegration verweist. Weitere Informationen finden Sie unter Erstellen einer S3-Stufe.
Dies erfordert eine Rolle, die die CREATE_STAGE
Berechtigung für das Schema sowie die Berechtigung USAGE für die Speicherintegration. Sie können der Rolle diese Berechtigungen gewähren, wie im Code im nächsten Schritt gezeigt.
Erstellen Sie die Bühne mit dem CREATE_STAGE
Befehl mit Platzhaltern für die externe Bühne und S3-Bucket und Präfix. Die Bühne verweist auch auf ein benanntes Dateiformatobjekt namens my_csv_format
:
Erstellen Sie ein Geheimnis für Snowflake-Anmeldeinformationen
Mit Canvas können Sie den ARN eines verwenden AWS Secrets Manager Secret oder ein Snowflake-Kontoname, Benutzername und Passwort für den Zugriff auf Snowflake. Wenn Sie die Option „Snowflake-Kontoname, Benutzername und Passwort“ verwenden möchten, fahren Sie mit dem nächsten Abschnitt fort, der das Hinzufügen der Datenquelle behandelt.
Führen Sie die folgenden Schritte aus, um ein Secrets Manager-Secret manuell zu erstellen:
- Wählen Sie in der Secrets Manager-Konsole aus Speichern Sie ein neues Geheimnis.
- Aussichten für Wählen Sie den geheimen Typwählen Andere Arten von Geheimnissen.
- Geben Sie die Details Ihres Geheimnisses als Schlüssel-Wert-Paare an.
Bei den Namen der Schlüssel wird die Groß-/Kleinschreibung beachtet und sie müssen in Kleinbuchstaben geschrieben werden.
Wenn Sie möchten, können Sie die Klartextoption verwenden und die geheimen Werte als JSON eingeben:
- Auswählen Weiter.
- Aussichten für Geheimer Name, füge das Präfix hinzu
AmazonSageMaker
(zum Beispiel ist unser GeheimnisAmazonSageMaker-CanvasSnowflakeCreds
). - Im Schlüsselwörter Fügen Sie im Abschnitt ein Tag mit dem Schlüssel SageMaker und dem Wert true hinzu.
- Auswählen Weiter.
- Die restlichen Felder sind optional; wählen Weiter bis du die Möglichkeit hast zu wählen Geschäft das Geheimnis zu speichern.
- Nachdem Sie das Geheimnis gespeichert haben, kehren Sie zur Secrets Manager-Konsole zurück.
- Wählen Sie das gerade erstellte Geheimnis aus und rufen Sie dann den geheimen ARN ab.
- Speichern Sie dies in Ihrem bevorzugten Texteditor, um es später beim Erstellen der Canvas-Datenquelle zu verwenden.
Importieren Sie Snowflake direkt in Canvas
Um Ihren Fazies-Datensatz direkt in Canvas zu importieren, führen Sie die folgenden Schritte aus:
- Wählen Sie in der SageMaker-Konsole Amazon SageMaker-Leinwand im Navigationsbereich.
- Wählen Sie Ihr Benutzerprofil und wählen Sie Leinwand öffnen.
- Wählen Sie auf der Canvas-Landingpage die Option aus Datensätze im Navigationsbereich.
- Auswählen Import.
- Klicken Sie auf Schneeflocke im Bild unten und dann sofort „Verbindung hinzufügen“.
- Geben Sie den ARN des Snowflake-Geheimnisses ein, das wir zuvor erstellt haben, den Namen der Speicherintegration (
SAGEMAKER_CANVAS_INTEGRATION
) und einen eindeutigen Verbindungsnamen Ihrer Wahl. - Auswählen Verbindung hinzufügen.
Wenn alle Einträge gültig sind, sollten im Navigationsbereich alle mit der Verbindung verknüpften Datenbanken angezeigt werden (siehe das folgende Beispiel für). NICK_FACIES
).
- Wähle die
TRAINING_DATA
Tabelle, dann wählen Vorschau des Datensatzes.
Wenn Sie mit den Daten zufrieden sind, können Sie die benutzerdefinierte SQL im Datenvisualisierer bearbeiten.
- Auswählen In SQL bearbeiten.
- Führen Sie vor dem Import in Canvas den folgenden SQL-Befehl aus. (Dies setzt voraus, dass die Datenbank aufgerufen wird
NICK_FACIES
. Ersetzen Sie diesen Wert durch Ihren Datenbanknamen.)
Etwas Ähnliches wie der folgende Screenshot sollte im angezeigt werden Vorschau importieren .
- Wenn Sie mit der Vorschau zufrieden sind, wählen Sie Daten importieren.
- Wählen Sie einen geeigneten Datennamen und stellen Sie sicher, dass er eindeutig ist und weniger als 32 Zeichen lang ist.
- Verwenden Sie den folgenden Befehl, um den Validierungsdatensatz zu importieren, und verwenden Sie dabei dieselbe Methode wie zuvor:
Erstellen Sie ein Fazies-Klassifizierungsmodell
Führen Sie die folgenden Schritte aus, um Ihr Fazies-Klassifizierungsmodell zu erstellen:
- Auswählen Modelle im Navigationsbereich und wählen Sie dann aus Neues Modell.
- Geben Sie Ihrem Modell einen passenden Namen.
- Auf dem Auswählen Wählen Sie auf der Registerkarte den zuletzt importierten Trainingsdatensatz aus und wählen Sie dann Datensatz auswählen.
- Auf dem Bauen Tab, löschen Sie die
WELL_NAME
Spalte.
Wir tun dies, weil die Well-Namen selbst keine nützlichen Informationen für das ML-Modell sind. Es handelt sich lediglich um willkürliche Namen, die wir zur Unterscheidung der Brunnen selbst als nützlich erachten. Der Name, den wir einem bestimmten Brunnen geben, ist für das ML-Modell irrelevant.
- Wählen Sie FACIES als Zielspalte.
- Verlassen Modelltyp as Vorhersage der Kategorie 3+.
- Validieren Sie die Daten.
- Auswählen Standardaufbau.
Ihre Seite sollte kurz vor der Erstellung Ihres Modells etwa wie im folgenden Screenshot aussehen.
Nachdem Sie gewählt haben Standardaufbau, das Modell tritt in die Analysephase ein. Ihnen wird eine voraussichtliche Bauzeit angegeben. Sie können dieses Fenster jetzt schließen, sich von Canvas abmelden (um Gebühren zu vermeiden) und zu einem späteren Zeitpunkt zu Canvas zurückkehren.
Analysieren Sie das Fazies-Klassifizierungsmodell
Führen Sie die folgenden Schritte aus, um das Modell zu analysieren:
- Zurück in Canvas einbinden.
- Suchen Sie Ihr zuvor erstelltes Modell und wählen Sie es aus Anzeigen, Dann wählen Analysieren.
- Auf dem Überblick Auf der Registerkarte können Sie sehen, welche Auswirkungen einzelne Features auf die Modellausgabe haben.
- Im rechten Bereich können Sie die Auswirkung eines bestimmten Merkmals (X-Achse) auf die Vorhersage jeder Faziesklasse (Y-Achse) visualisieren.
Diese Visualisierungen ändern sich entsprechend je nach der von Ihnen ausgewählten Funktion. Wir empfehlen Ihnen, diese Seite zu erkunden, indem Sie alle 9 Klassen und 10 Funktionen durchgehen.
- Auf dem Scoring Auf der Registerkarte können wir die vorhergesagte vs. tatsächliche Faziesklassifizierung sehen.
- Auswählen Erweiterte Messwerte um F1-Ergebnisse, durchschnittliche Genauigkeit, Präzision, Erinnerung und AUC anzuzeigen.
- Auch hier empfehlen wir Ihnen, sich alle verschiedenen Kurse anzusehen.
- Auswählen Herunterladen um ein Bild auf Ihren lokalen Computer herunterzuladen.
Im folgenden Bild sehen wir eine Reihe verschiedener erweiterter Metriken, wie zum Beispiel den F1-Score. In der statistischen Analyse vermittelt der F1-Score das Gleichgewicht zwischen der Präzision und dem Recall eines Klassifizierungsmodells und wird anhand der folgenden Gleichung berechnet: 2*((Precision * Recall)/ (Precision + Recall))
.
Führen Sie Batch- und Einzelvorhersagen mit dem Faziesklassifizierungsmodell mit mehreren Klassen durch
Um eine Vorhersage auszuführen, führen Sie die folgenden Schritte aus:
- Auswählen Einzelne Vorhersage um die Merkmalswerte nach Bedarf zu ändern und rechts auf der Seite eine Faziesklassifizierung zurückzugeben.
Anschließend können Sie das Bild des Vorhersagediagramms in Ihre Zwischenablage kopieren und die Vorhersagen auch in eine CSV-Datei herunterladen.
- Auswählen Batch-Vorhersage und dann wählen Datensatz auswählen , um den Validierungsdatensatz auszuwählen, den Sie zuvor importiert haben.
- Auswählen Vorhersagen generieren.
Sie werden zu weitergeleitet Vorhersagen Seite, wo die Status werde lesen Vorhersagen generieren für einige Sekunden.
Nachdem die Vorhersagen zurückgegeben wurden, können Sie die Vorhersagen in der Vorschau anzeigen, herunterladen oder löschen, indem Sie das Optionsmenü (drei vertikale Punkte) neben den Vorhersagen auswählen.
Im Folgenden finden Sie ein Beispiel für eine Vorhersagevorschau.
Geben Sie ein trainiertes Modell in Studio frei
Sie können jetzt die neueste Version des Modells mit einem anderen Studio-Benutzer teilen. Dadurch können Datenwissenschaftler das Modell im Detail überprüfen, testen, Änderungen vornehmen, die die Genauigkeit verbessern könnten, und das aktualisierte Modell mit Ihnen teilen.
Die Möglichkeit, Ihre Arbeit mit einem eher technisch versierten Benutzer in Studio zu teilen, ist angesichts des wesentlichen Unterschieds zwischen den Arbeitsabläufen von ML-Personas eine Schlüsselfunktion von Canvas. Beachten Sie den starken Fokus hier auf die Zusammenarbeit zwischen funktionsübergreifenden Teams mit unterschiedlichen technischen Fähigkeiten.
- Auswählen Teilen um das Modell zu teilen.
- Wählen Sie aus, welche Modellversion Sie teilen möchten.
- Geben Sie den Studio-Benutzer ein, mit dem das Modell geteilt werden soll.
- Fügen Sie eine optionale Notiz hinzu.
- Auswählen Teilen.
Zusammenfassung
In diesem Beitrag haben wir gezeigt, wie Sie mit nur wenigen Klicks in Amazon SageMaker Canvas Ihre Daten aus Snowflake vorbereiten und importieren, Ihre Datensätze zusammenführen, die geschätzte Genauigkeit analysieren, überprüfen können, welche Spalten aussagekräftig sind, das leistungsstärkste Modell trainieren und neue Einzelpersonen generieren können oder Batch-Vorhersagen. Wir freuen uns über Ihr Feedback und helfen Ihnen, noch mehr Geschäftsprobleme mit ML zu lösen. Informationen zum Erstellen eigener Modelle finden Sie unter Erste Schritte mit der Verwendung von Amazon SageMaker Canvas.
Über die Autoren
Nick Mccarthy ist ein Machine Learning Engineer im AWS Professional Services-Team. Er hat mit AWS-Kunden aus verschiedenen Branchen zusammengearbeitet, darunter Gesundheitswesen, Finanzen, Sport, Telekommunikation und Energie, um ihre Geschäftsergebnisse durch den Einsatz von KI/ML zu beschleunigen. In Zusammenarbeit mit dem Data-Science-Team von bpx hat Nick kürzlich den Aufbau der Machine-Learning-Plattform von bpx auf Amazon SageMaker abgeschlossen.
Thatcher Thornberry ist Machine Learning Engineer bei bpx Energy. Er unterstützt die Datenwissenschaftler von bpx bei der Entwicklung und Wartung der zentralen Data Science-Plattform des Unternehmens in Amazon SageMaker. In seiner Freizeit beschäftigt er sich gerne mit persönlichen Programmierprojekten und verbringt mit seiner Frau Zeit im Freien.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoAiStream. Web3-Datenintelligenz. Wissen verstärkt. Hier zugreifen.
- Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
- Kaufen und verkaufen Sie Anteile an PRE-IPO-Unternehmen mit PREIPO®. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/prepare-training-and-validation-dataset-for-facies-classification-using-snowflake-integration-and-train-using-amazon-sagemaker-canvas/
- :hast
- :Ist
- :Wo
- $UP
- 10
- 100
- 11
- 12
- 14
- 17
- 50
- 7
- 8
- 9
- a
- Fähigkeiten
- Fähigkeit
- beschleunigen
- Zugang
- entsprechend
- Konto
- Genauigkeit
- genau
- über
- Action
- präsentieren
- hinzufügen
- Hinzufügen
- Adresse
- advanced
- aufs Neue
- AI
- AI / ML
- gezielt
- ausrichten
- Alle
- erlauben
- erlaubt
- bereits
- ebenfalls
- Amazon
- Amazon Sage Maker
- Amazon SageMaker-Leinwand
- Amazon Web Services
- an
- Analyse
- Business Analysten
- analysieren
- und
- Ein anderer
- jedem
- App
- erscheinen
- Anwendung
- angemessen
- SIND
- Bereich
- AS
- damit verbundenen
- At
- Im Prinzip so, wie Sie es von Google Maps kennen.
- durchschnittlich
- vermeiden
- AWS
- Professionelle AWS-Services
- Achse
- Zurück
- Balance
- BE
- weil
- werden
- war
- Bevor
- unten
- BESTE
- zwischen
- beide
- bauen
- Building
- Geschäft
- aber
- by
- namens
- CAN
- Leinwand
- Häuser
- Kategorie
- Übernehmen
- Änderungen
- Zeichen
- Gebühren
- Chart
- Auswählen
- Auswahl
- Klasse
- Unterricht
- Einstufung
- Kunden
- Menu
- Code
- Programmierung
- Zusammenarbeit
- Kolonne
- Spalten
- Unternehmen
- Unternehmen
- abschließen
- Zustand
- Verbindung
- Konsul (Console)
- Kopieren
- Kernbereich
- und beseitigen Muskelschwäche
- deckt
- erstellen
- erstellt
- schafft
- Referenzen
- kritischem
- funktionsübergreifende Teams
- Strom
- Original
- technische Daten
- Datenwissenschaft
- Datenbase
- Datenbanken
- Datensätze
- Abhängig
- Einsatz
- Tiefe
- beschreiben
- Desktop
- Detail
- Details
- Bestimmen
- Entwicklung
- anders
- verschieden
- Direkt
- unterscheiden
- do
- Dokument
- Dokumentation
- Nicht
- herunterladen
- Drop
- im
- jeder
- Früher
- leicht
- Herausgeber
- bewirken
- entweder
- ermutigen
- Energie
- Ingenieur
- gewährleisten
- Gewährleistung
- Enter
- Tritt ein
- Arbeitsumfeld
- etablieren
- geschätzt
- Äther (ETH)
- Sogar
- Beispiel
- aufgeregt
- vorhandenen
- erwartet
- Experimente
- Erklären
- ERKUNDEN
- extern
- f1
- Merkmal
- Eigenschaften
- Feedback
- wenige
- Weniger
- Felder
- Reichen Sie das
- Mappen
- Finanzen
- Finden Sie
- Setzen Sie mit Achtsamkeit
- folgen
- Folgende
- Aussichten für
- Format
- Ausbildung
- gefunden
- Frei
- für
- erzeugen
- bekommen
- GitHub
- ABSICHT
- gegeben
- gewähren
- hacken
- glücklich
- Haben
- mit
- he
- Gesundheitswesen
- hören
- Hilfe
- hier
- seine
- Ultraschall
- Hilfe
- HTML
- http
- HTTPS
- IAM
- ID
- Identitätsschutz
- if
- Image
- sofort
- Impact der HXNUMXO Observatorien
- schlagkräftig
- importieren
- wichtig
- Einfuhr
- zu unterstützen,
- in
- das
- Einschließlich
- zunehmend
- Krankengymnastik
- Branchen
- Information
- installiert
- Anleitung
- Integration
- wollen
- Interesse
- in
- Untersuchung
- Probleme
- IT
- join
- jpg
- JSON
- nur
- Wesentliche
- Landung
- Zielseite
- grosse
- später
- neueste
- Schicht
- lernen
- wenig
- Belastung
- Laden
- aus einer regionalen
- Standorte
- Log
- Lang
- aussehen
- liebt
- mac
- Maschine
- Maschinelles Lernen
- Majors
- um
- Manager
- manuell
- viele
- Kann..
- MENÜ
- nur
- Methode
- Metrik
- ML
- Modell
- für
- ändern
- mehr
- sollen
- Name
- Namens
- Namen
- Navigation
- notwendig,
- erforderlich
- Neu
- weiter
- beachten
- jetzt an
- Anzahl
- Objekt
- erhalten
- of
- offiziell
- ÖL
- on
- Open-Source-
- Option
- Optionen
- or
- Auftrag
- Bestellungen
- OS
- UNSERE
- Ergebnisse
- im Freien
- Möglichkeiten für das Ausgangssignal:
- besitzen
- SPORT
- Seite
- Paare
- Brot
- besondere
- Passwort
- Durchführung
- persönliche
- Klartext
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- Bitte
- Datenschutzrichtlinien
- Beliebt
- Post
- Potenzial
- Präzision
- vorhergesagt
- Prognose
- Prognosen
- bevorzugen
- bevorzugt
- Danach
- Vorspann
- früher
- vorher
- in erster Linie
- Principal
- Privileg
- Privilegien
- Aufgabenstellung:
- Probleme
- Prozessdefinierung
- anpassen
- Professionell
- Profil
- Projekte
- vorausgesetzt
- Öffentlichkeit
- Lesen Sie mehr
- kürzlich
- aufgezeichnet
- Referenzen
- Regionen
- ersetzen
- erfordert
- REST
- Rückkehr
- Überprüfen
- Recht
- Rollen
- Rollen
- Führen Sie
- Laufen
- sagemaker
- gleich
- Wissenschaft
- Wissenschaftler
- Ergebnis
- Sekunden
- Die Geheime
- Abschnitt
- sehen
- Dienstleistungen
- kompensieren
- Teilen
- sollte
- erklären
- zeigte
- gezeigt
- Konzerte
- ähnlich
- Single
- Fähigkeiten
- Schneeflocken-Datenbank
- Lösung
- LÖSEN
- Quelle
- angegeben
- verbringen
- Sports
- SQL
- Stufe
- Aufführung
- begonnen
- Erklärung
- statistisch
- Schritt
- Shritte
- Lagerung
- speichern
- stark
- Studio Adressen
- Anschließend
- Erfolgreich
- so
- geeignet
- Unterstützt
- Syntax
- System
- Tabelle
- TAG
- Nehmen
- Target
- Aufgabe
- und Aufgaben
- Team
- Teams
- Technische
- Telekom
- Test
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- sich
- dann
- Dort.
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- diejenigen
- nach drei
- Durch
- Zeit
- zu
- Training
- trainiert
- Ausbildung
- was immer dies auch sein sollte.
- Vertrauen
- versuchen
- XNUMX
- tippe
- Typen
- einzigartiges
- Aktualisierung
- aktualisiert
- URL
- Anwendungsbereich
- -
- Mitglied
- Benutzername
- Verwendung von
- Bestätigung
- Wert
- Werte
- verschiedene
- überprüfen
- Version
- vertikal
- Anzeigen
- Besichtigung
- visualisieren
- vs
- Walkthrough
- Warehouse
- wurde
- we
- Netz
- Internetanwendung
- Web-Services
- GUT
- Wells
- Was
- Was ist
- wann
- welche
- WHO
- Frau
- werden wir
- Fenster
- mit
- .
- Arbeiten
- gearbeitet
- Workflows
- arbeiten,
- X
- U
- Ihr
- Zephyrnet