同じ病気で以前に受診した後に患者が再入院すると、医療提供者、医療システム、および患者にさらなる負担がかかります。 機械学習 (ML) モデルは、適切に構築およびトレーニングされていれば、再入院の理由を理解し、再入院を正確に予測するのに役立ちます。 ML により、医療提供者はより良い治療計画とケアを作成できるようになり、患者のコストと精神的ストレスの両方を軽減することができます。 ただし、ML は複雑な手法であるため、ML ワークロードを構築するためにデータ エンジニアと科学者のチームを採用するためのリソースを持たない組織を制限してきました。 この投稿では、XGBoost アルゴリズムに基づいて ML モデルを構築し、糖尿病患者の再入院をグラフィカル インターフェイスを使用して簡単かつ迅速に予測する方法を紹介します。 AmazonSageMakerデータラングラー.
データラングラーは Amazon SageMakerスタジオ コーディングなしで ML ユースケースの表形式データを探索および変換できるように設計された機能。 Data Wrangler は、ML 用のデータを準備するための最速かつ最も簡単な方法です。 ビジュアル インターフェイスを使用してデータにアクセスし、探索的データ分析 (EDA) と特徴量エンジニアリングを実行できます。 また、データ フローを AmazonSageMakerパイプライン、Data Wrangler ジョブ、Python ファイル、または Amazon SageMaker フィーチャーストア.
Data Wrangler には、Python、PySpark、または SparkSQL ランタイムのいずれかを使用した 300 を超える組み込み変換とカスタム変換が付属しています。 また、チャート用の組み込みのデータ分析機能 (散布図やヒストグラムなど) と、機能の重要性、ターゲットの漏れ、モデルの説明可能性などの時間を節約するモデル分析機能も備えています。
この投稿では、Data Wrangler の主な機能について説明します。 UCI 糖尿病患者の再入院データセット. 高度なコーディングを記述せずに ML データ変換ステップを構築する方法と、糖尿病患者の再入院予測のユースケースの再現性を備えたモデル トレーニング、フィーチャ ストア、または ML パイプラインを作成する方法を紹介します。
関連記事も掲載しています GitHub プロジェクト リポジトリ これには、エンドツーエンドの ML ワークフロー ステップと、Jupyter ノートブックを含む関連アセットが含まれます。
次の大まかな手順を説明します。
- Studio の前提条件と入力データセットのセットアップ
- Data Wrangler フロー ファイルを設計する
- モデル構築用の処理ジョブとトレーニング ジョブを作成する
- リアルタイム推論用のトレーニング済みモデルをホストする
Studio の前提条件と入力データセットのセットアップ
Studio および Studio ノートブックを使用するには、Studio のオンボーディング プロセスを完了する必要があります。 いくつかの認証方法から選択できますが、Studio ドメインを作成する最も簡単な方法は、 クイックスタート 指示。 クイック スタートは、 標準スタジオ設定. を使用してオンボーディングを選択することもできます AWSシングルサインオン (AWS SSO) 認証用 (参照 AWS SSO を使用して Amazon SageMaker Studio にオンボードする).
データセット
患者の再入院データセット 米国の 10 の病院と統合された配信ネットワークでの 1999 年間 (2008 ~ 130 年) の臨床ケアをキャプチャします。 これには、約 50 の観測値を含む、患者と病院の転帰を表す 100,000 を超える特徴が含まれています。
まず、公開データセットをダウンロードして、 Amazon シンプル ストレージ サービス (Amazon S3) バケット。 デモンストレーションのために、機能カテゴリに基づいてデータセットを XNUMX つのテーブルに分割します。 diabetic_data_hospital_visits.csv
, diabetic_data_demographic.csv
, diabetic_data_labs.csv
, diabetic_data_medication.csv
. でコードを確認して実行します datawrangler_workshop_pre_requisite.ipynb. ノートブック内のすべてをデフォルトのままにしておくと、CSV ファイルは s3://sagemaker-${region}-${account_number}/sagemaker/demo-diabetic-datawrangler/
.
Data Wrangler フロー ファイルを設計する
開始するには、Studio の [ファイル] メニューで [新規] を選択し、[Data Wrangler Flow] を選択します。
これにより、Data Wrangler インスタンスが起動され、Data Wrangler アプリで構成されます。 プロセスが完了するまでに数分かかります。
Amazon S3 から Data Wrangler にデータをロードする
データを Data Wrangler にロードするには、次の手順を実行します。
からデータをインポートすることもできます アマゾンアテナ, Amazonレッドシフト、またはスノーフレーク。 現在サポートされているインポート ソースの詳細については、次を参照してください。 インポート.
- バケットから CSV ファイルを選択します
s3://sagemaker-${region}-${account_number}/sagemaker/demo-diabetic-datawrangler/
一つずつ。 - 選択する インポート ファイルごとに。
インポートが完了すると、S3 バケット内のデータが前処理のために Data Wrangler 内で使用可能になります。
CSV ファイルを結合する
複数の CSV ソース データセットをインポートしたので、それらを結合して統合データセットにしましょう。
- ソフトウェア設定ページで、下図のように データフロー タブ、 データ型、プラス記号を選択します。
- メニューで、 加入.
- 選択する
diabetic_data_hospital_visits.csv
データセットとして 右 データセット。 - 選択する 構成 結合基準を設定します。
- 名前 、結合の名前を入力します。
- 結合タイプ¸ 参加タイプを選択します (この記事では、 Inner(インナー)).
- の列を選択してください 左 および 右.
- 選択する 申し込む 結合されたデータセットをプレビューします。
- 選択する Add をクリックしてデータ フロー ファイルに追加します。
組み込みの分析
入力ソースに変換を適用する前に、データセットの簡単な分析を実行しましょう。 Data Wrangler には、ヒストグラム、散布図、ターゲット漏れ、バイアス レポート、クイック モデルなど、いくつかの組み込みの分析タイプが用意されています。 解析タイプの詳細については、次を参照してください。 分析と視覚化.
対象漏れ
ターゲット リークは、ML トレーニング データセットの情報がターゲット ラベルと強く相関している場合に発生しますが、モデルを予測に使用する場合は利用できません。 モデルで予測する列のプロキシとして機能する列がデータセットにある場合があります。 分類タスクの場合、Data Wrangler は ROC-AUC の予測品質メトリックを計算します。これは、相互検証によって各特徴列に対して個別に計算され、ターゲット リーク レポートを生成します。
- ソフトウェア設定ページで、下図のように データフロー タブ、 加入、プラス記号を選択します。
- 選択する 分析を追加.
- 分析タイプ、選択する ターゲットリーク.
- 分析名¸名前を入力します。
- 最大の特徴、 入る
50
. - 問題の種類¸選ぶ 分類.
- ターゲット、選択する 再許可.
- 選択する プレビュー レポートを生成します。
前のスクリーンショットに示されているように、入力データセットにターゲット リークの兆候はありません。 ただし、次のようないくつかの機能 encounter_id_1
, encounter_id_0
, weight
, payer_code
ROC の予測能力が 0.5 で冗長の可能性があるとマークされています。 これは、これらの機能自体がターゲットの予測に役立つ情報を提供していないことを意味します。 これらの有益でない機能を削除する決定を下す前に、これらの機能を他の機能と併用した場合に付加価値があるかどうかを検討する必要があります。 私たちのユースケースでは、それらをそのままにして次のステップに進みます。
- 選択する Save 分析を Data Wrangler データ フロー ファイルに保存します。
バイアスレポート
AI / ML システムは、そこに入力されたデータと同じくらい優れています。 ML ベースのシステムはかつてないほどアクセスしやすくなり、さまざまな業界での採用が拡大するにつれて、公平性と、これらの ML システム全体でそれをどのように保証するかについて、さらなる疑問が生じています。 ML モデルの偏りを検出して回避する方法を理解することは、必須かつ複雑です。 Data Wrangler に組み込まれたバイアス レポートを使用すると、データ サイエンティストは ML ワークフローのデータ準備段階でバイアスをすばやく検出できます。 バイアス レポート分析の使用 Amazon SageMaker の明確化 バイアス分析を実行します。
バイアス レポートを生成するには、予測するターゲット列と、潜在的なバイアスを検査するファセットまたは列を指定する必要があります。 たとえば、バイアス レポートを生成できます。 gender
のための機能 Female
クラスの不均衡があるかどうかを確認するための値。
- ソフトウェア設定ページで、下図のように 分析 タブを選択 新しい分析を作成する.
- 分析タイプ¸選ぶ バイアスレポート.
- 分析名、名前を入力します。
- モデルが予測する列を選択します、選択する 再許可.
- 予測値、 入る
NO
. - 偏りを分析する列、選択する 性別.
- 偏りを分析する列の値、選択する 女性.
- 残りの設定はデフォルトのままにします。
- 選択する バイアスをチェックする バイアス レポートを生成します。
バイアス レポートに示されているように、入力データセットには大きなバイアスはありません。つまり、データセットには性別によるかなりの量の代表性があります。 私たちのデータセットについては、データセットに固有の偏りがないという仮説を進めることができます。 ただし、ユース ケースとデータセットに基づいて、潜在的なバイアスを特定するために、データセットの他の機能について同様のバイアス レポートを実行することをお勧めします。 バイアスが検出された場合は、そのバイアスに対処するために適切な変換を適用することを検討できます。
- 選択する Save このレポートをデータ フロー ファイルに追加します。
ヒストグラム
このセクションでは、ヒストグラムを使用して、入力データセット内のターゲット ラベル パターンに関する洞察を得ます。
- ソフトウェア設定ページで、下図のように 分析 タブを選択 新しい分析を作成する.
- 分析タイプ¸選ぶ ヒストグラム.
- 分析名¸名前を入力します。
- X軸、選択する 再許可.
- カラーバイ、選択する レース.
- ファセット、選択する 性別.
- 選択する プレビュー ヒストグラムを生成します。
この ML 問題は、マルチクラスの分類問題です。 ただし、再入院した患者間で主要なターゲットクラスの不均衡を観察できます <30 日々、 > 30 日、および NO 再入院。 また、これら XNUMX つの分類が性別と人種に比例していることもわかります。 潜在的なモデルの予測可能性を向上させるために、マージできます <30 および > 30 単一の陽性クラスに。 このターゲット ラベル分類のマージにより、ML 問題がバイナリ分類に変わります。 次のセクションで説明するように、それぞれの変換を追加することでこれを簡単に行うことができます。
変換
構造化データまたは表形式データの ML モデルのトレーニングに関しては、決定木ベースのアルゴリズムがクラス最高と見なされています。 これは、勾配降下アーキテクチャを使用して弱学習器をブーストするために、アンサンブル ツリー メソッドを適用する固有の手法によるものです。
医療ソース データセットには、SageMaker ビルトインを使用します XGBoostアルゴリズム これは、最も人気のある決定木ベースのアンサンブル ML アルゴリズムの XNUMX つだからです。 XGBoost アルゴリズムは数値のみを入力として受け入れることができるため、前提条件として、ソース データセットにカテゴリ特徴変換を適用する必要があります。
Data Wrangler には、コーディングを必要としない 300 を超える組み込みの変換が付属しています。 組み込みの変換を使用して、いくつかの重要な変換を適用し、トレーニング データセットを準備しましょう。
欠損値の処理
欠損値に対処するには、次の手順を実行します。
- 切り替える 且つ タブをクリックして、すべての組み込み変換を表示します
- 詳細 ハンドルがありません トランスフォームのリストにあります。
- 最適化の適用、選択する 代入.
- 列タイプ¸選ぶ 数値の.
- 入力列、選択する 診断_1.
- 帰属戦略、選択する 平均.
- デフォルトでは、操作はインプレースで実行されますが、オプションで提供できます 出力列 これにより、代入された値で新しい列が作成されます。 私たちのブログでは、デフォルトのインプレース更新を使用しています。
- 選択する プレビュー 結果をプレビューします。
- 選択する Add この変換ステップをデータ フロー ファイルに含めます。
- に対してこれらの手順を繰り返します
diag_2
およびdiag_3
機能を使用し、欠損値を代入します。
特殊文字を使用してフィーチャを検索および編集する
ソース データセットには特殊文字を含む特徴があるため、トレーニングの前にそれらを消去する必要があります。 search and edit 変換を使用しましょう。
- 詳細 検索・編集 トランスフォームのリストにあります。
- 最適化の適用、選択する 部分文字列の検索と置換.
- 入力列、選択する レース.
- パターン、 入る
?
. - 置換文字列¸選ぶ その他.
- コメントを残す 出力列 インプレース置換の場合はブランク。
- 選択する プレビュー.
- 選択する Add をクリックして、データ フローに変換を追加します。
- 他の機能を置き換えるために同じ手順を繰り返します
weight
およびpayer_code
0
およびmedical_specialty
その他と。
カテゴリ特徴のワンホット エンコーディング
カテゴリ機能にワンホット エンコーディングを使用するには、次の手順を実行します。
- 詳細 カテゴリをエンコードする トランスフォームのリストにあります。
- 最適化の適用、選択する ワンホットエンコード.
- 入力列、選択する レース.
- 出力スタイル、選択する コラム.
- 選択する プレビュー.
- 選択する Add データフローに変更を追加します。
- これらの手順を年齢ごとに繰り返し、
medical_specialty_filler
これらのカテゴリ機能もワンホット エンコードします。
カテゴリ特徴の序数エンコーディング
カテゴリ特徴に序数エンコーディングを使用するには、次の手順を実行します。
- 詳細 カテゴリをエンコードする トランスフォームのリストにあります。
- 最適化の適用、選択する 序数エンコード.
- 入力列、選択する 性別.
- 無効な処理戦略、選択する キープ.
- 選択する プレビュー.
- 選択する Add データフローに変更を追加します。
カスタム変換: データセットに新しい機能を追加する
変換された機能を Feature Store に保存することにした場合、前提条件は、 eventTime
フィーチャーをデータセットに追加します。 カスタム変換を使用して簡単に行うことができます.
- 詳細 カスタム変換 トランスフォームのリストにあります。
- 選択する Python(パンダ) 次のコード行を入力します。
- 選択する プレビュー 結果を表示します。
- 選択する Add データフローに変更を追加します。
対象のラベルを変換する
対象ラベル readmitted
次の XNUMX つのクラスがあります。 NO 再入院、再入院 <30 日、再入院 > 30 日々。 ヒストグラム分析では、大多数の患者が再入院しなかったため、強いクラスの不均衡があることがわかりました。 後者の XNUMX つのクラスをポジティブ クラスに結合して、患者が再入院したことを示し、分類の問題をマルチクラスではなくバイナリ ケースに変換できます。 search and edit 変換を使用して、文字列値をバイナリ値に変換しましょう。
- 詳細 検索・編集 トランスフォームのリストにあります。
- 最適化の適用、選択する 部分文字列の検索と置換.
- 入力列、選択する 再許可.
- パターン、 入力します
>30|<30
. - 置換文字列、 入る
1
.
これにより、次のいずれかを持つすべての値が変換されます > 30 or <30 値を 1.
同じ手順を繰り返して変換しましょう NO 値を 0.
- 詳細 検索・編集 トランスフォームのリストにあります。
- 最適化の適用、選択する 検索と置換 サブストリング.
- 入力列、選択する 再許可.
- パターン、 入る
NO
. - 置換文字列、 入る
0
. - 選択する プレビュー 変換された列を確認します。
- 選択する Add 変換をデータ フローに追加します。
今、私たちのターゲット ラベル 再許可 ML トレーニングの準備が整いました。
XGBoost アルゴリズムを利用する最初の列としてターゲット ラベルを配置します
XGBoost 組み込みの SageMaker アルゴリズムを使用してモデルをトレーニングするため、アルゴリズムはターゲット ラベルが最初の列にあると想定します。 このアルゴリズムを使用するために、ターゲット ラベルをそのように配置しましょう。
- 詳細 列を管理する トランスフォームのリストにあります。
- 最適化の適用、選択する 列を移動.
- ムーブタイプ、選択する スタートに移動.
- 移動する列、選択する 再許可.
- 選択する プレビュー.
- 選択する Add 変更をデータ フローに追加します。
冗長な列を削除
次に、冗長な列を削除します。
- 詳細 列を管理する トランスフォームのリストにあります。
- 最適化の適用、選択する ドロップカラム.
- ドロップする列、選択する
encounter_id_0
. - 選択する プレビュー.
- 選択する Add 変更をフロー ファイルに追加します。
- 他の冗長列について、次の手順を繰り返します。
patient_nbr_0
,encounter_id_1
,patient_nbr_1
.
この段階で、いくつかの分析を行い、生の入力データセットにいくつかの変換を適用しました。 チェックポイントのように、入力データセットの変換された状態を保持することを選択した場合は、 データを出力. このオプションを使用すると、変換されたデータセットを S3 バケットに永続化できます。
クイック モデル分析
初期データセットに変換を適用したので、クイック モデル分析機能を調べてみましょう。 クイック モデルは、トレーニング データセットをすばやく評価し、各特徴の重要度スコアを生成するのに役立ちます。 特徴の重要度スコアは、特徴がターゲット ラベルの予測にどの程度役立つかを示します。 機能の重要度スコアは 0 ~ 1 です。 数値が大きいほど、その機能がデータセット全体にとってより重要であることを示します。 このユース ケースは分類問題のタイプに関連しているため、クイック モデルは現在のデータセットの F1 スコアも生成します。
- に切り替えます 分析 Tab キーを押してクリック 新しい分析を作成する ビルトイン分析を立ち上げる
- 分析タイプ、選択する クイックモデル.
- 分析の名前を入力します。
- ラベル、選択する 再許可.
- 選択する プレビュー モデルがトレーニングされ、結果が表示されるまで待ちます。
結果のクイック モデル F1 スコアは、変換されたデータセットで 0.618 を示します (生成されたスコアは異なる場合があります)。 Data Wrangler は、F1 スコアを生成するために、前処理、トレーニング、評価、最後に特徴の重要度の計算など、いくつかの手順を実行します。 これらの手順の詳細については、次を参照してください。 クイックモデル.
迅速なモデル分析機能を使用すると、データ サイエンティストは、ビジネスの精度と期待の向上につながる可能性がある、目的の変換されたデータセットが得られるまで、適用可能な変換を繰り返すことができます。
- 選択する Save クイック モデル分析をデータ フローに追加します。
エクスポートオプション
これで、さらに処理するためにデータ フローをエクスポートする準備が整いました。
- をクリックして、データ フロー デザイナーに戻ります。 データフローに戻る 左上
- ソフトウェア設定ページで、下図のように 輸出 タブを選択 ステップ Data Wrangler フローのステップを明らかにします。
- 最後のステップを選択して、チェックを付けます。
- 選択する エクスポートステップ エクスポート オプションを表示します。
この記事の執筆時点では、次の XNUMX つのエクスポート オプションがあります。
- S3に保存 – を使用して S3 バケットにデータを保存します。 SageMaker処理ジョブ
- パイプライン – を作成する Jupyter ノートブックをエクスポートします。 SageMakerパイプライン あなたのデータフローで
- Pythonコード – データ フローを Python コードにエクスポートする
- フィーチャーストア – Feature Store 機能グループを作成し、オフラインまたはオンライン機能ストアに機能を追加する Jupyter ノートブックをエクスポートします。
モデル構築のための処理およびトレーニング ジョブの実行
このセクションでは、Data Wrangler から生成された Jupyter ノートブックを使用して、処理およびトレーニング ジョブを実行する方法を示します。
処理ジョブを送信する
これで、データ フロー ファイルを使用して SageMaker 処理ジョブを送信する準備が整いました。
までのすべてのセルを実行します。 処理ジョブの作成 エクスポートされたノートブック内のセル。
セル 処理ジョブの作成 管理されたインフラストラクチャをプロビジョニングし、そのインフラストラクチャで必要な Data Wrangler Docker コンテナを実行することにより、新しい SageMaker 処理ジョブをトリガーします。
次のセルを実行すると、送信された処理ジョブのステータスを確認できます ジョブステータスと S3 出力場所.
SageMaker コンソールで、送信された処理ジョブのステータスを確認することもできます。
SageMaker でモデルをトレーニングする
データが処理されたので、データを使用してモデルをトレーニングしましょう。 同じノートブックには、 SageMaker 組み込みの XGBoost アルゴリズム. 私たちのユース ケースはバイナリ分類 ML 問題であるため、目的を次のように変更する必要があります。 binary:logistic
サンプル トレーニング ステップ内。
これで、SageMaker マネージド インフラストラクチャを使用してトレーニング ジョブを実行する準備が整いました。 セルを実行する トレーニング ジョブを開始する.
送信されたトレーニングジョブのステータスは、SageMaker コンソールの トレーニングの仕事 ページで見やすくするために変数を解析したりすることができます。
リアルタイム推論用のトレーニング済みモデルをホストする
GitHub でプロジェクト フォルダーの下にある別のノートブックを使用するようになりました。 ホスティング/Model_deployment_Steps.ipynb. これは XNUMX つのセルを持つ単純なノートブックです。最初のセルには、モデルを永続的なエンドポイントにデプロイするためのコードが含まれています。 更新する必要があります model_url
トレーニング ジョブ出力 S3 モデル アーティファクトを使用します。
ノートブックの XNUMX 番目のセルは、下のサンプル テスト ファイルで推論を実行します。 テストデータ/テストデータ_UCI_サンプル.csv. ご覧のとおり、csv ファイル内で合成観測の予測を生成できます。 これで ML ワークフローは終了です。
クリーンアップ
この投稿の手順を試した後、次のクリーンアップ手順を実行して、課金が発生しないようにします。
- SageMakerコンソールの[ 推論 ナビゲーション ペインで、 エンドポイント.
- ホストされているエンドポイントを選択します。
- ソフトウェア設定ページで、下図のように メニュー、選択 削除.
- SageMaker Studio コントロール パネルで、SageMaker ユーザー プロファイルに移動します。
- アプリで、Data Wrangler アプリを見つけて選択します アプリを削除.
まとめ
この投稿では、関連する公開医療データセットを使用して、Data Wrangler の機能を調べました。 患者の再入院 また、組み込みの変換とクイック分析を使用して特徴変換を実行する方法を示しました。 あまりコーディングせずに、データ処理と ML トレーニングをトリガーするために必要なステップを生成する方法を示しました。 Data Wrangler のこのノーコード/ローコード機能により、トレーニング データの準備が加速され、データ サイエンティストの俊敏性が向上し、反復的なデータ準備が高速化されます。 最後に、トレーニング済みのモデルをホストし、合成テスト データに対して推論を実行しました。 私たちはあなたが私たちをチェックアウトすることをお勧めします GitHubリポジトリ 実践的な練習を行い、モデルの精度を向上させる新しい方法を見つけてください! SageMaker の詳細については、次の Web サイトをご覧ください。 SageMaker 開発ガイド.
著者について
シャム・ナヴァラム AWS のシニア ソリューション アーキテクトです。 彼は、分散、ハイブリッド、およびクラウドネイティブ アプリケーションの設計と構築に 20 年以上の経験があります。 彼は、技術的なガイダンスを提供し、AWS での安全なクラウド ソリューションの革新と構築を支援することで、AI/ML の採用を加速している顧客と熱心に協力しています。 AI/ML、コンテナ、分析技術を専門としています。 仕事以外では、スポーツをしたり、トレッキングで自然を探索したりするのが大好きです。
マイケル・シェイ シニア AI/ML スペシャリスト ソリューション アーキテクトです。 彼は顧客と協力して、Amazon ML 製品と彼の ML ドメインの知識を組み合わせて ML の旅を進めています。 シアトルに移住した彼は、ハイキング コース、SLU でのカヤック、Shilshole Bay の夕日など、この地域が提供する素晴らしい自然を探索するのが大好きです。
- '
- &
- 000
- 100
- 7
- 9
- アクセス
- NEW
- 養子縁組
- アルゴリズム
- アルゴリズム
- すべて
- 許可
- Amazon
- アマゾンセージメーカー
- 分析
- 分析論
- アプリ
- 建築
- 資産
- 認証
- AWS
- ベイ
- BEST
- ブログ
- ビルド
- 建物
- ビジネス
- これ
- 例
- 変化する
- 課金
- チャート
- 分類
- クラウド
- コード
- コーディング
- コラム
- コンテナ
- コンテナ
- 電流プローブ
- Customers
- データ
- データ分析
- データ処理
- データサイエンティスト
- 配達
- デザイナー
- 開発
- 病気
- デッカー
- Dockerコンテナ
- Drop
- エンドポイント
- エンジニアリング
- エンジニア
- 体験
- 説明可能
- export
- フェア
- 特徴
- 特徴
- 最後に
- 名
- フロー
- フォワード
- 性別
- GitHubの
- 良い
- 素晴らしい
- グループ
- 成長性
- ハンドリング
- 健康
- ヘルスケア
- ハイキング
- 病院
- 病院
- 認定条件
- How To
- HTTPS
- ハイブリッド
- ICS
- 識別する
- 含めて
- 産業
- 情報
- インフラ関連事業
- 洞察
- IT
- ジョブ
- Jobs > Create New Job
- join
- ジュピターノート
- キー
- 知識
- 起動
- つながる
- LEARN
- 学習
- LINE
- リスト
- 負荷
- 機械学習
- 主要な
- 大多数
- 作成
- マーク
- 医療の
- ML
- MLアルゴリズム
- 一番人気
- ナビゲーション
- ネットワーク
- 新しい特徴
- ノートPC
- 提供
- オファリング
- 新人研修
- オンライン
- オプション
- オプション
- 注文
- 組織
- その他
- 患者
- パターン
- 人気
- 予測
- 予測
- プレビュー
- プロフィール
- プロジェクト
- 代理
- 公共
- Python
- 品質
- レース
- Raw
- への
- 理由は
- レポート
- リソース
- 結果
- レビュー
- ラン
- ランニング
- セージメーカー
- 科学者たち
- を検索
- シアトル
- セッションに
- 簡単な拡張で
- So
- ソリューション
- 専門にする
- split
- スポーツ
- ステージ
- start
- 開始
- 都道府県
- Status:
- ストレージ利用料
- 店舗
- ストレス
- 提出された
- サンセット
- サポート
- システム
- ターゲット
- 技術的
- テクノロジー
- test
- 時間
- top
- トレーニング
- 変換
- 治療
- アップデイト
- us
- 値
- 詳しく見る
- wait
- 仕事
- ワークフロー
- 作品
- 書き込み
- 年