Amazon Tahmini önceden herhangi bir makine öğrenimi deneyimi gerektirmeden son derece doğru tahminler oluşturmak için makine öğrenimini (ML) kullanan, tam olarak yönetilen bir hizmettir. Tahmin, envanter yönetimi için arz ve talebin tahmin edilmesi, seyahat talebi tahmini, iş gücü planlaması ve bilgi işlem bulut altyapısı kullanımı dahil olmak üzere çok çeşitli kullanım durumlarında uygulanabilir.
İş kaldıraçlarının talep tahminleriniz üzerindeki potansiyel etkisini analiz etmek ve ölçmek için %80'e kadar daha hızlı what-if analizlerini sorunsuz bir şekilde yürütmek için Forecast'i kullanabilirsiniz. What-if analizi, farklı senaryoların Forecast tarafından oluşturulan temel tahmini nasıl etkileyebileceğini araştırmanıza ve açıklamanıza yardımcı olur. Forecast ile, manuel olarak oluşturulacak makine öğrenimi modelleri veya tedarik edilecek sunucular yoktur. Ayrıca, yalnızca kullandığınız kadarını ödersiniz ve minimum ücret veya peşin taahhüt yoktur. Tahmini kullanmak için, yalnızca tahmin etmek istediğiniz şey için geçmiş verileri ve isteğe bağlı olarak, tahminlerinizi etkileyebileceğine inandığınız tüm ek verileri sağlamanız gerekir.
Su hizmeti sağlayıcılarının birkaç tahmin kullanım durumu vardır, ancak bunların arasında birincil olan, talebi karşılamak için bir alan veya binadaki su tüketimini tahmin etmektir. Ayrıca, hizmet sağlayıcıların bir binaya eklenen daha fazla daire veya bölgedeki daha fazla ev nedeniyle artan tüketim talebini tahmin etmesi önemlidir. Su tüketimini doğru bir şekilde tahmin etmek, müşteriye herhangi bir hizmet kesintisinden kaçınmak için kritik öneme sahiptir.
Bu gönderi, geçmiş zaman serisi verilerini kullanarak bu kullanım durumunu ele almak için Tahmini kullanmayı araştırıyor.
Çözüme genel bakış
Su doğal bir kaynaktır ve endüstri, tarım, ev ve yaşamlarımız için çok önemlidir. Doğru su tüketimi tahmini, bir kurumun günlük operasyonlarını verimli bir şekilde yürütebilmesini sağlamak için kritik öneme sahiptir. Su tüketimi tahmini özellikle zordur çünkü talep dinamiktir ve mevsimsel hava değişiklikleri etkili olabilir. Su tüketimini doğru tahmin etmek, müşterilerin herhangi bir hizmet kesintisi yaşamaması ve düşük fiyatları korurken istikrarlı bir hizmet sunabilmesi için önemlidir. İyileştirilmiş tahmin, daha uygun maliyetli gelecek sözleşmeleri yapılandırmak için önceden plan yapmanızı sağlar. Aşağıdakiler en yaygın iki kullanım durumudur:
- Daha iyi talep yönetimi – Bir kamu hizmeti kuruluşu olarak, su talebi ve arzı arasında bir denge bulmanız gerekir. Acente, hizmet vermeden önce bir apartman dairesinde yaşayan kişi sayısı ve bir binadaki daire sayısı gibi bilgileri toplar. Bir kamu hizmeti kuruluşu olarak, toplam arz ve talebi dengelemelisiniz. Talebi karşılamak için yeterli miktarda su depolamanız gerekir. Ayrıca, talep tahmini aşağıdaki nedenlerle daha zor hale gelmiştir:
- Talep her zaman sabit değildir ve gün boyunca değişiklik gösterir. Örneğin gece yarısı su tüketimi sabaha göre çok daha az.
- Hava durumu da genel tüketim üzerinde bir etkiye sahip olabilir. Örneğin, su tüketimi kuzey yarımkürede yaz aylarında kışa göre daha fazladır ve güney yarımkürede ise tam tersi olur.
- Yeterli yağış veya su depolama mekanizmaları (göller, rezervuarlar) yoktur veya su filtreleme yetersizdir. Yaz aylarında talep her zaman arza yetişemez. Su kurumları, daha pahalı olabilecek diğer kaynakları elde etmek için dikkatli bir şekilde tahmin yapmak zorundadır. Bu nedenle kamu hizmeti kurumlarının yağmur suyunu toplamak, klima santrallerinden yoğuşmayı yakalamak veya atık suyu geri kazanmak gibi alternatif su kaynakları bulması kritik öneme sahiptir.
- Artan talep için ne olursa olsun analizi yapmak – Suya olan talep birçok nedenden dolayı artıyor. Bu, nüfus artışı, ekonomik gelişme ve değişen tüketim kalıplarının bir kombinasyonunu içerir. Mevcut bir apartmanın bir ek bina yaptığı ve hane ve insan sayısının belli bir oranda arttığı bir senaryo düşünelim. Şimdi artan talep için arzı tahmin etmek için bir analiz yapmanız gerekiyor. Bu ayrıca artan talep için uygun maliyetli bir sözleşme yapmanıza yardımcı olur.
Tahmin yapmak zor olabilir çünkü önce talebi tahmin etmek için doğru modellere, ardından da çeşitli senaryolarda tahmini yeniden oluşturmak için hızlı ve basit bir yola ihtiyacınız vardır.
Bu gönderi, su tüketimi tahminini gerçekleştirmek için bir çözüme ve bir ne olursa olsun analizine odaklanmaktadır. Bu gönderi, model eğitimi için hava durumu verilerini dikkate almıyor. Bununla birlikte, su tüketimiyle ilişkisi göz önüne alındığında, hava durumu verilerini ekleyebilirsiniz.
Önkoşullar
Başlamadan önce kaynaklarımızı ayarladık. Bu gönderi için us-east-1 Bölgesini kullanıyoruz.
- Bir oluşturma Amazon Basit Depolama Hizmeti Geçmiş zaman serisi verilerini depolamak için (Amazon S3) klasörü. Talimatlar için bkz. İlk S3 paketinizi oluşturun.
- Veri dosyalarını şu adresten indirin: GitHub repo ve yeni oluşturulan S3 klasörüne yükleyin.
- Yeni bir tane oluştur AWS Kimlik ve Erişim Yönetimi (BEN) rol. Talimatlar için bkz. Amazon Forecast için İzinleri Ayarlayın. S3 klasörünüzün adını verdiğinizden emin olun.
Veri kümesi grubu ve veri kümeleri oluşturma
Bu gönderi, su talebi tahminiyle ilgili iki kullanım örneğini göstermektedir: geçmiş su tüketimine dayalı olarak su talebini tahmin etmek ve artan talep için ne olursa olsun analizi yapmak.
Tahmin, üç tür veri kümesini kabul edebilir: hedef zaman serisi (TTS), ilgili zaman serisi (RTS) ve öğe meta verileri (IM). Hedef zaman serisi verileri, tahmin ettiğiniz kaynaklar için geçmişteki talebi tanımlar. Hedef zaman serisi veri kümesi zorunludur. İlgili bir zaman serisi veri kümesi, hedef zaman serisi veri kümesinde yer almayan ve tahmininizin doğruluğunu artırabilecek zaman serisi verilerini içerir.
Örneğimizde, hedef zaman serisi veri seti item_id ve zaman damgası boyutlarını içerir ve tamamlayıcı ilgili zaman serisi veri seti no_of_consumer içerir. Bu veri kümesiyle ilgili önemli bir not: TTS 2023-01-01'de, RTS ise 2023-01-15'te sona eriyor. What-if senaryolarını gerçekleştirirken, RTS değişkenlerini TTS'de bilinen zaman ufkunuzun ötesinde manipüle etmek önemlidir.
What-if analizi yapmak için, hedef zaman serisi verilerini ve ilgili zaman serisi verilerini temsil eden iki CSV dosyasını içe aktarmamız gerekir. Örnek hedef zaman serisi dosyamız item_id, zaman damgası ve talebi içerir ve ilgili zaman serisi dosyamız item_id, zaman damgası ve tüketici no_of ürününü içerir.
Verilerinizi içe aktarmak için aşağıdaki adımları tamamlayın:
- Tahmin konsolunda, Veri kümesi gruplarını görüntüleyin.
- Klinik Veri kümesi grubu oluşturun.
- İçin Veri kümesi grubu adı, bir ad girin (bu gönderi için,
water_consumption_datasetgroup
). - İçin Öngörme alanı, bir tahmin alanı seçin (bu gönderi için, görenek).
- Klinik Sonraki.
- Üzerinde Hedef zaman serisi veri kümesi oluşturun sayfasında, veri kümesi adını, verilerinizin sıklığını ve veri şemasını sağlayın.
- Üzerinde Veri kümesi içe aktarma ayrıntıları sayfasında, bir veri kümesi içe aktarma adı girin.
- İçin Dosya türünü içe aktarseçin CSV ve veri konumunu girin.
- Önkoşul olarak daha önce oluşturduğunuz IAM rolünü seçin.
- Klinik Başlama.
İlerlemeyi izlemek için kullanabileceğiniz kontrol paneline yönlendirilirsiniz.
- İlgili zaman serisi dosyasını içe aktarmak için gösterge tablosunda ithalat.
- Üzerinde İlgili zaman serisi veri kümesini oluşturun sayfasında, veri kümesi adını ve veri şemasını sağlayın.
- Üzerinde Veri kümesi içe aktarma ayrıntıları sayfasında, bir veri kümesi içe aktarma adı girin.
- İçin Dosya türünü içe aktarseçin CSV ve veri konumunu girin.
- Daha önce oluşturduğunuz IAM rolünü seçin.
- Klinik Başlama.
Bir öngörücü eğitin
Ardından, bir tahminci yetiştiriyoruz.
- Kontrol panelinde, seçin Başlama altında Bir öngörücü eğitin.
- Üzerinde Tren tahmincisi sayfasında, yordayıcınız için bir ad girin.
- Gelecekte ne kadar süre ve hangi sıklıkta tahmin yapmak istediğinizi belirtin.
- Tahmin etmek istediğiniz nicelik dilimlerinin sayısını belirtin.
Forecast, tahmin ediciler oluşturmak için AutoPredictor'ı kullanır. Daha fazla bilgi için bkz. Eğitim Tahminleri.
- Klinik oluşturmak.
Bir tahmin oluşturun
Tahmincimiz eğitildikten sonra (bu yaklaşık 3.5 saat sürebilir) bir tahmin oluşturuyoruz. Gördüğünüzde tahmincinizin eğitildiğini bileceksiniz. Tahmin edicileri görüntüle kontrol panelinizdeki düğmesine basın.
- Klinik Başlama altında Tahminler oluştur kontrol panelinde.
- Üzerinde Bir tahmin oluşturun sayfasında bir tahmin adı girin.
- İçin Predictor, oluşturduğunuz öngörücüyü seçin.
- İsteğe bağlı olarak, tahmin niceliklerini belirtin.
- Tahmin oluşturmak için öğeleri belirtin.
- Klinik Başlama.
Tahmininizi sorgulayın
kullanarak bir tahmini sorgulayabilirsiniz. Sorgu tahmini seçenek. Varsayılan olarak, tahminin tüm aralığı döndürülür. Tam tahmin içinde belirli bir tarih aralığı talep edebilirsiniz. Bir tahmini sorguladığınızda, filtreleme ölçütlerini belirtmeniz gerekir. Filtre, bir anahtar/değer çiftidir. Anahtar, tahmini oluşturmak için kullanılan veri kümelerinden birinin şema öznitelik adlarından biridir (tahmin boyutları dahil). Değer, belirtilen anahtar için geçerli bir değerdir. Birden çok anahtar/değer çifti belirtebilirsiniz. Döndürülen tahmin, yalnızca tüm ölçütleri karşılayan öğeleri içerecektir.
- Klinik Sorgu tahmini kontrol panelinde.
- Başlangıç tarihi ve bitiş tarihi için filtre ölçütlerini sağlayın.
- Tahmin anahtarınızı ve değerinizi belirtin.
- Klinik Tahmin Alın.
Aşağıdaki ekran görüntüsü, tahmin modeli kullanılarak aynı daire (öğe kimliği A_10001) için tahmini enerji tüketimini gösterir.
Bir durum analizi oluşturun
Bu noktada, temel tahminimizi oluşturduğumuz için artık bir what-if analizi yapabiliriz. Mevcut bir apartmana eklenti eklendiği, hane ve insan sayısının %20 arttığı bir senaryo düşünelim. Artan talebe dayalı olarak artan arzı tahmin etmek için şimdi bir analiz yapmanız gerekiyor.
What-if analizi yapmanın üç aşaması vardır: analizi kurmak, senaryoda nelerin değiştiğini tanımlayarak what-if tahminini oluşturmak ve sonuçları karşılaştırmak.
- Analizinizi ayarlamak için Olasılık analizini keşfedin kontrol panelinde.
- Klinik oluşturmak.
- Benzersiz bir ad girin ve temel tahmini seçin.
- What-if analizi yapmak istediğiniz veri kümenizdeki öğeleri seçin. İki seçeneğiniz var:
- Tüm öğeleri seç bu gönderide seçtiğimiz varsayılan değerdir.
- Belirli öğeleri seçmek istiyorsanız, Dosya içeren öğeleri seçin ve ilgili öğenin benzersiz tanımlayıcısını ve ilişkili tüm boyutları içeren bir CSV dosyasını içe aktarın.
- Klinik Durum analizi oluşturun.
Bir olasılık tahmini oluşturun
Ardından, analiz etmek istediğimiz senaryoyu tanımlamak için bir olasılık tahmini oluşturuyoruz.
- içinde Ne olursa tahmini bölümü, seçim oluşturmak.
- Senaryonuzun adını girin.
- Senaryonuzu iki seçenekle tanımlayabilirsiniz:
- Dönüştürme işlevlerini kullanın – İçe aktardığınız ilgili zaman serisi verilerini dönüştürmek için dönüşüm oluşturucuyu kullanın. Bu izlenecek yol için, temel tahmindeki fiyatla karşılaştırıldığında tüketici sayısı %20 arttığında veri kümemizdeki bir ürüne olan talebin nasıl değiştiğini değerlendiriyoruz.
- Yedek veri kümesiyle durum tahminini tanımlayın – İçe aktardığınız ilgili zaman serisi veri kümesini değiştirin.
Örneğimiz için, artırdığımız bir senaryo oluşturuyoruz. no_of_consumer
öğe kimliğine %20 oranında uygulanabilir A_10001
, ve no_of_consumer
veri kümesindeki bir özelliktir. Artan talep için su arzını tahmin etmek ve karşılamak için bu analize ihtiyacınız var. Bu analiz aynı zamanda su talebi tahminine dayalı olarak uygun maliyetli bir sözleşme yapmanıza yardımcı olur.
- İçin What-if tahmin tanımlama yöntemiseçin Dönüştürme işlevlerini kullanın.
- Klinik Çarpmak operatörümüz olarak, no_of_consumer zaman serimiz olarak girin ve 1.2 girin.
- Klinik Koşul ekleyin.
- Klinik eşittir işlem olarak ve item_id için A_10001 girin.
- Klinik oluşturmak.
Tahminleri karşılaştırın
Artık tüketicilerdeki %20'lik artışı temel taleple karşılaştırarak her iki senaryomuz için de ne olursa tahminlerini karşılaştırabiliriz.
- Analiz öngörüleri sayfasında şuraya gidin: Olasılık tahminlerini karşılaştırın Bölüm.
- İçin item_id, analiz edilecek öğeyi girin (bizim senaryomuzda,
A_10001
). - İçin Ne olur tahminleri, seçmek
water_demand_whatif_analyis
. - Klinik Ne-if'i karşılaştırın.
- Analiz için temel tahmini seçebilirsiniz.
Aşağıdaki grafik, senaryomuz için ortaya çıkan talebi göstermektedir. Kırmızı çizgi, %20 artan nüfus için gelecekteki su tüketimi tahminini göstermektedir. P90 tahmin tipi, gerçek değerin, zamanın %90'ında tahmin edilen değerden daha düşük olmasının beklendiğini gösterir. Artan talep için su tedarikini etkili bir şekilde yönetmek ve herhangi bir hizmet kesintisinden kaçınmak için bu talep tahminini kullanabilirsiniz.
Verilerinizi dışa aktarın
Verilerinizi CSV'ye aktarmak için aşağıdaki adımları tamamlayın:
- Klinik Dışa aktarım oluştur.
- Dışa aktarma dosyanız için bir ad girin (bu gönderi için,
water_demand_export
). - Ekranda senaryoları seçerek dışa aktarılacak senaryoları belirtin. Ne Olursa Tahmini Aşağıya doğru açılan menü.
Birleştirilmiş bir dosyada birden çok senaryoyu aynı anda dışa aktarabilirsiniz.
- İçin Konumu dışa aktar, Amazon S3 konumunu belirtin.
- Dışa aktarmaya başlamak için Dışa Aktarma Oluştur.
- Dışa aktarmayı indirmek için Amazon S3 konsolunda S3 dosya yolu konumuna gidin, dosyayı seçin ve İndir.
Dışa aktarma dosyası şunları içerecektir: timestamp
, item_id
, ve forecasts
seçilen tüm senaryolar için (temel senaryo dahil) her bir dilim için.
Kaynakları temizleyin
İleride ücret ödemekten kaçınmak için bu çözüm tarafından oluşturulan kaynakları kaldırın:
- Tahmin kaynaklarını silin sen yarattın.
- S3 klasörünü silin.
Sonuç
Bu gönderide, su tüketimi verilerini kullanarak su talebini tahmin etmek için Forecast'i ve temel sistem mimarisini nasıl kullanacağınızı gösterdik. What-if senaryosu analizi, iş dünyasının belirsizlikleri arasında gezinmeye yardımcı olan kritik bir araçtır. Öngörü ve fikirlere stres testi yapmak için bir mekanizma sağlayarak işletmeleri daha dayanıklı, daha hazırlıklı ve geleceklerini kontrol altında tutar. Elektrik veya gaz sağlayıcıları gibi diğer hizmet sağlayıcılar, çözümler oluşturmak ve hizmet talebini uygun maliyetli bir şekilde karşılamak için Forecast'i kullanabilir.
Bu gönderideki adımlar, çözümün nasıl oluşturulacağını gösterdi. AWS Yönetim Konsolu. Çözümü oluşturmak amacıyla doğrudan Tahmin API'lerini kullanmak için, not defterimizi takip edin. GitHub repo.
adresini ziyaret ederek daha fazla bilgi edinmenizi öneririz. Amazon Tahmin Geliştirici Kılavuzu ve bu hizmetlerin sağladığı uçtan uca çözümü, işletmenizin KPI'larıyla ilgili bir veri kümesiyle deneyin.
Yazar Hakkında
Dhiraj Thakur Amazon Web Services ile bir Çözüm Mimarıdır. Kurumsal bulut benimseme, geçiş ve strateji konusunda rehberlik sağlamak için AWS müşterileri ve ortaklarıyla birlikte çalışır. Teknolojiye tutkuyla bağlı ve analitik ve yapay zeka / makine öğrenimi alanında oluşturmayı ve deney yapmayı seviyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- Hakkımızda
- Kabul et
- erişim
- doğruluk
- doğru
- tam olarak
- kazanmak
- karşısında
- katma
- Ek
- Ayrıca
- adres
- Ekler
- Benimseme
- etkiler
- ajansları
- ajans
- tarım
- önde
- AI / ML
- HAVA
- Türkiye
- alternatif
- her zaman
- Amazon
- Amazon Tahmini
- Amazon Web Servisleri
- arasında
- analiz
- analytics
- çözümlemek
- ve
- Daire
- daireler
- API'ler
- uygulanabilir
- yaklaşık olarak
- mimari
- ALAN
- etrafında
- ilişkili
- önlemek
- AWS
- Bakiye
- baz
- merkezli
- Temel
- Çünkü
- müşterimiz
- önce
- Inanmak
- Daha iyi
- arasında
- Ötesinde
- inşa etmek
- oluşturucu
- bina
- inşa
- iş
- işletmeler
- düğmesine tıklayın
- Yakalama
- dikkatlice
- dava
- durumlarda
- belli
- zor
- değişiklikler
- değiştirme
- yükler
- Klinik
- bulut
- bulut benimseme
- bulut altyapısı
- toplar
- kombinasyon
- kombine
- taahhüt
- ortak
- karşılaştırmak
- karşılaştırıldığında
- karşılaştırarak
- tamamlayıcı
- tamamlamak
- bilgisayar
- Davranış
- iletken
- Düşünmek
- konsolos
- tüketici
- Tüketiciler
- tüketim
- içeren
- sözleşme
- sözleşmeleri
- kontrol
- Ilişki
- uyan
- uygun maliyetli
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- kriterleri
- kritik
- müşteri
- Müşteriler
- gösterge paneli
- veri
- veri kümeleri
- Tarih
- gün
- Varsayılan
- tanımlar
- tanımlarken
- Talep
- Talep tahmini
- gösterdi
- Geliştirici
- gelişme
- farklı
- boyutlar
- direkt olarak
- Değil
- domain
- Dont
- indir
- sırasında
- dinamik
- her
- Daha erken
- Ekonomik
- Ekonomik gelişme
- etkili bir şekilde
- verimli biçimde
- elektrik
- etkin
- sağlar
- teşvik etmek
- son uca
- uçları
- enerji
- Enerji Tüketimi
- yeterli
- Keşfet
- kuruluş
- Eter (ETH)
- değerlendirmek
- örnek
- mevcut
- beklenen
- pahalı
- deneyim
- Açıklamak
- ihracat
- uzatma
- Yüz
- Daha hızlı
- Özellikler(Hazırlık aşamasında)
- ücret
- fileto
- dosyalar
- filtre
- süzme
- bulmak
- Ad
- odaklanır
- takip et
- takip etme
- Tahmin
- Sıklık
- itibaren
- tamamen
- fonksiyonlar
- gelecek
- GAZ
- oluşturmak
- alma
- verilmiş
- grafik
- grup
- Grubun
- Büyüme
- kullanma
- Hasat
- yardım et
- yardımcı olur
- daha yüksek
- büyük ölçüde
- tarihsel
- ufuk
- SAAT
- hane
- evler
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- IAM
- fikirler
- tanımlayıcı
- Kimlik
- darbe
- ithalat
- önemli
- iyileştirmek
- gelişmiş
- in
- dahil
- içerir
- Dahil olmak üzere
- Artırmak
- artmış
- Artışlar
- gösterir
- sanayi
- bilgi
- Altyapı
- anlayışlar
- talimatlar
- envanter
- Envanter Yönetimi
- araştırmak
- IT
- ürün
- tutmak
- anahtar
- Bilmek
- bilinen
- ÖĞRENİN
- öğrenme
- ayrılma
- çizgi
- Yaşıyor
- yaşayan
- yer
- Uzun
- Düşük
- düşük fiyatlar
- makine
- makine öğrenme
- yapmak
- yönetmek
- yönetilen
- yönetim
- zorunlu
- el ile
- mekanizma
- Neden
- Menü
- Metadata
- olabilir
- göç
- asgari
- ML
- model
- modelleri
- Daha
- sabah
- çoğu
- çoklu
- isim
- isimleri
- Doğal (Madenden)
- Gezin
- gerek
- yeni
- defter
- numara
- ONE
- operasyon
- Operasyon
- Şebeke
- seçenek
- Opsiyonlar
- sipariş
- Diğer
- tüm
- çiftleri
- özellikle
- ortaklar
- tutkulu
- geçmiş
- yol
- desen
- İnsanlar
- yüzde
- yapmak
- icra
- izinleri
- seçmek
- plan
- planlama
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- nüfus
- Çivi
- potansiyel
- tahmin
- tahmin
- tahmin
- Predictor
- hazırlanmış
- fiyat
- Fiyatlar
- birincil
- Önceki
- PLATFORM
- Ilerleme
- sağlamak
- sağlayan
- sağlayıcılar
- sağlar
- sağlama
- hüküm
- Hızlı
- menzil
- nedenleri
- Kırmızı
- bölge
- ilgili
- uygun
- Kaldır
- değiştirmek
- temsil
- talep
- esnek
- kaynak
- Kaynaklar
- Ortaya çıkan
- Sonuçlar
- yükselen
- Rol
- koşmak
- aynı
- senaryolar
- sorunsuz
- Bölüm
- seçilmiş
- seçme
- Dizi
- hizmet
- Hizmetler
- set
- ayar
- birkaç
- Gösteriler
- Basit
- So
- çözüm
- Çözümler
- kaynaklar
- Güney
- uzay
- özel
- Belirtilen
- kararlı
- aşamaları
- başlama
- başladı
- Basamaklar
- hafızası
- mağaza
- Stratejileri
- yapı
- yeterli
- yaz
- arz
- Arz ve talep
- sistem
- Bizi daha iyi tanımak için
- Hedef
- Teknoloji
- The
- Alan
- Gelecek
- ve bazı Asya
- bu nedenle
- üç
- İçinden
- boyunca
- zaman
- Zaman serisi
- zamanlar
- zaman damgası
- için
- araç
- iz
- Tren
- eğitilmiş
- Eğitim
- Dönüştürmek
- Dönüşüm
- seyahat
- gerçek
- gerçek değer
- türleri
- belirsizlikler
- altında
- altında yatan
- benzersiz
- birimleri
- kullanım
- kullanım
- kullanım durumu
- yarar
- değer
- çeşitlilik
- örneklerde
- Su
- hava
- ağ
- web hizmetleri
- Ne
- Nedir
- hangi
- süre
- geniş
- irade
- Kış
- içinde
- olmadan
- işgücü
- çalışır
- zefirnet