Bài đăng này được đồng viết với Thatcher Thornberry từ năng lượng bpx.
Phân loại tướng là quá trình phân đoạn các thành tạo thạch học từ dữ liệu địa chất tại vị trí giếng khoan. Trong quá trình khoan, các bản ghi hữu tuyến thu được, có thông tin địa chất phụ thuộc vào độ sâu. Các nhà địa chất được triển khai để phân tích dữ liệu nhật ký này và xác định phạm vi độ sâu cho các tướng quan tâm tiềm năng từ các loại dữ liệu nhật ký khác nhau. Việc phân loại chính xác các khu vực này là rất quan trọng đối với các quy trình khoan tiếp theo.
Phân loại tướng bằng AI và học máy (ML) đã trở thành một lĩnh vực điều tra ngày càng phổ biến đối với nhiều chuyên gia dầu mỏ. Nhiều nhà khoa học dữ liệu và nhà phân tích kinh doanh tại các công ty dầu mỏ lớn không có bộ kỹ năng cần thiết để chạy các thử nghiệm ML nâng cao đối với các nhiệm vụ quan trọng như phân loại tướng. Để giải quyết vấn đề này, chúng tôi chỉ cho bạn cách dễ dàng chuẩn bị và đào tạo một mô hình phân loại ML tốt nhất về vấn đề này.
Trong bài đăng này, chủ yếu nhằm vào những người đã sử dụng Snowflake, chúng tôi giải thích cách bạn có thể nhập cả dữ liệu huấn luyện và xác thực cho tác vụ phân loại tướng từ Snowflake trong Canvas SageMaker của Amazon và sau đó đào tạo mô hình bằng mô hình dự đoán hơn 3 danh mục.
Tổng quan về giải pháp
Giải pháp của chúng tôi bao gồm các bước sau:
- Tải dữ liệu CSV tướng từ máy cục bộ của bạn lên Snowflake. Đối với bài đăng này, chúng tôi sử dụng dữ liệu từ sau repo GitHub mã nguồn mở.
- Thiết lập Quản lý truy cập và nhận dạng AWS (IAM) cho Snowflake và tạo tích hợp Snowflake.
- Tạo một bí mật cho thông tin đăng nhập Snowflake (tùy chọn, nhưng được khuyên dùng).
- Nhập Snowflake trực tiếp vào Canvas.
- Xây dựng mô hình phân loại tướng.
- Phân tích mô hình.
- Chạy các dự đoán hàng loạt và đơn lẻ bằng mô hình nhiều lớp.
- Chia sẻ mô hình được đào tạo để Xưởng sản xuất Amazon SageMaker.
Điều kiện tiên quyết
Điều kiện tiên quyết cho bài đăng này bao gồm:
Tải dữ liệu CSV tướng lên Snowflake
Trong phần này, chúng tôi lấy hai bộ dữ liệu mã nguồn mở và tải chúng trực tiếp từ máy cục bộ lên cơ sở dữ liệu Snowflake. Từ đó, chúng tôi thiết lập một lớp tích hợp giữa Snowflake và Canvas.
- Tải về đào tạo_data.csv và verify_data_nofacies.csv tập tin vào máy cục bộ của bạn. Ghi lại nơi bạn đã lưu chúng.
- Đảm bảo rằng bạn có thông tin xác thực Snowflake chính xác và đã cài đặt ứng dụng Snowflake CLI dành cho máy tính để bàn, bạn có thể liên kết. Để biết thêm thông tin, hãy tham khảo Đăng nhập vào SnowSQL.
- Chọn kho Snowflake thích hợp để làm việc trong đó, trong trường hợp của chúng tôi là
COMPUTE_WH
:
- Chọn một cơ sở dữ liệu để sử dụng cho phần còn lại của hướng dẫn:
- Tạo một định dạng tệp được đặt tên sẽ mô tả một tập hợp dữ liệu theo giai đoạn để truy cập hoặc tải vào các bảng Snowflake.
Điều này có thể chạy trong Snowflake CLI hoặc trong trang tính Snowflake trên ứng dụng web. Đối với bài đăng này, chúng tôi chạy truy vấn SnowSQL trong ứng dụng web. Nhìn thấy Bắt đầu với Worksheets để biết hướng dẫn tạo trang tính trên ứng dụng web Snowflake.
- Tạo một bảng trong Snowflake bằng câu lệnh CREATE.
Câu lệnh sau đây tạo một bảng mới trong lược đồ hiện tại hoặc được chỉ định (hoặc thay thế một bảng hiện có).
Điều quan trọng là các loại dữ liệu và thứ tự xuất hiện của chúng phải chính xác và phù hợp với những gì có trong tệp CSV mà chúng tôi đã tải xuống trước đó. Nếu chúng không nhất quán, chúng tôi sẽ gặp sự cố sau này khi chúng tôi cố gắng sao chép dữ liệu.
- Làm tương tự cho cơ sở dữ liệu xác thực.
Lưu ý rằng lược đồ hơi khác một chút so với dữ liệu huấn luyện. Một lần nữa, đảm bảo rằng các loại dữ liệu và thứ tự cột hoặc tính năng là chính xác.
- Tải tệp dữ liệu CSV từ hệ thống cục bộ của bạn vào môi trường tổ chức Snowflake:
- Sau đây là cú pháp của câu lệnh cho HĐH Windows:
- Sau đây là cú pháp của câu lệnh cho Mac OS:
Ảnh chụp màn hình sau đây hiển thị một lệnh mẫu và đầu ra từ bên trong SnowSQL CLI.
- Sao chép dữ liệu vào bảng Bông tuyết đích.
Tại đây, chúng tôi tải dữ liệu CSV đào tạo vào bảng đích mà chúng tôi đã tạo trước đó. Lưu ý rằng bạn phải làm điều này cho cả tệp CSV đào tạo và xác thực, sao chép chúng vào bảng đào tạo và xác thực tương ứng.
- Xác minh rằng dữ liệu đã được tải vào bảng đích bằng cách chạy truy vấn CHỌN (bạn có thể làm điều này cho cả dữ liệu đào tạo và xác thực):
Định cấu hình vai trò IAM của Snowflake và tạo tích hợp Snowflake
Là điều kiện tiên quyết cho phần này, vui lòng làm theo tài liệu chính thức của Snowflake về cách ccấu hình tích hợp lưu trữ Snowflake để truy cập Amazon S3.
Truy xuất người dùng IAM cho tài khoản Snowflake của bạn
Khi bạn đã định cấu hình thành công tích hợp bộ nhớ Snowflake của mình, hãy chạy lệnh sau DESCRIBE INTEGRATION
lệnh để truy xuất ARN cho người dùng IAM đã được tạo tự động cho tài khoản Snowflake của bạn:
Ghi lại các giá trị sau từ đầu ra:
- STORAGE_AWS_IAM_USER_ARN - Người dùng IAM đã tạo cho tài khoản Snowflake của bạn
- LƯU TRỮ_AWS_EXTERNAL_ID - ID bên ngoài cần thiết để thiết lập mối quan hệ tin cậy
Cập nhật chính sách tin cậy vai trò IAM
Bây giờ chúng tôi cập nhật chính sách ủy thác:
- Trên bảng điều khiển IAM, chọn Vai trò trong khung điều hướng.
- Chọn vai trò bạn đã tạo.
- trên Mối quan hệ tin tưởng tab, chọn Chỉnh sửa mối quan hệ tin cậy.
- Sửa đổi tài liệu chính sách như được hiển thị trong mã sau với các giá trị đầu ra TÍCH HỢP LƯU TRỮ DESC mà bạn đã ghi lại ở bước trước.
- Chọn Cập nhật chính sách tin cậy.
Tạo sân khấu bên ngoài trong Snowflake
Chúng tôi sử dụng một giai đoạn bên ngoài trong Snowflake để tải dữ liệu từ nhóm S3 trong tài khoản của riêng bạn vào Snowflake. Trong bước này, chúng tôi tạo một giai đoạn bên ngoài (Amazon S3) tham chiếu đến tích hợp lưu trữ mà bạn đã tạo. Để biết thêm thông tin, hãy xem Tạo giai đoạn S3.
Điều này đòi hỏi một vai trò có CREATE_STAGE
đặc quyền cho lược đồ cũng như đặc quyền SỬ DỤNG trên tích hợp bộ nhớ. Bạn có thể cấp các đặc quyền này cho vai trò như được hiển thị trong mã ở bước tiếp theo.
Tạo sân khấu bằng cách sử dụng CREATE_STAGE
lệnh với trình giữ chỗ cho giai đoạn bên ngoài và nhóm và tiền tố S3. Giai đoạn này cũng tham chiếu đến một đối tượng định dạng tệp được đặt tên được gọi là my_csv_format
:
Tạo bí mật cho thông tin đăng nhập Snowflake
Canvas cho phép bạn sử dụng ARN của một Quản lý bí mật AWS bí mật hoặc tên tài khoản Snowflake, tên người dùng và mật khẩu để truy cập Snowflake. Nếu bạn định sử dụng tùy chọn tên tài khoản, tên người dùng và mật khẩu Snowflake, hãy chuyển sang phần tiếp theo, bao gồm việc thêm nguồn dữ liệu.
Để tạo bí mật Trình quản lý bí mật theo cách thủ công, hãy hoàn thành các bước sau:
- Trên bảng điều khiển Secrets Manager, chọn Lưu trữ một bí mật mới.
- Trong Chọn loại bí mậtlựa chọn Các loại bí mật khác.
- Chỉ định chi tiết bí mật của bạn dưới dạng các cặp khóa-giá trị.
Tên của khóa phân biệt chữ hoa chữ thường và phải là chữ thường.
Nếu muốn, bạn có thể sử dụng tùy chọn plaintext và nhập các giá trị bí mật dưới dạng JSON:
- Chọn Sau.
- Trong Tên bí mật, thêm tiền tố
AmazonSageMaker
(ví dụ, bí mật của chúng tôi làAmazonSageMaker-CanvasSnowflakeCreds
). - Trong tạp chí Tag phần, thêm thẻ có khóa SageMaker và giá trị true.
- Chọn Sau.
- Phần còn lại của các trường là tùy chọn; chọn Sau cho đến khi bạn có tùy chọn để chọn Cửa hàng sách để lưu giữ bí mật.
- Sau khi lưu trữ bí mật, bạn sẽ quay lại bảng điều khiển Trình quản lý bí mật.
- Chọn bí mật bạn vừa tạo, sau đó truy xuất ARN bí mật.
- Lưu trữ nội dung này trong trình soạn thảo văn bản ưa thích của bạn để sử dụng sau này khi bạn tạo nguồn dữ liệu Canvas.
Nhập Snowflake trực tiếp vào Canvas
Để nhập trực tiếp tập dữ liệu tướng của bạn vào Canvas, hãy hoàn tất các bước sau:
- Trên bảng điều khiển SageMaker, chọn Canvas SageMaker của Amazon trong khung điều hướng.
- Chọn hồ sơ người dùng của bạn và chọn Mở Canvas.
- Trên trang đích Canvas, hãy chọn Bộ dữ liệu trong khung điều hướng.
- Chọn Nhập khẩu.
- Nhấp vào Snowflake trong hình dưới đây và sau đó ngay lập tức “Thêm kết nối”.
- Nhập ARN của Snowflake bí mật mà chúng tôi đã tạo trước đó, tên tích hợp lưu trữ (
SAGEMAKER_CANVAS_INTEGRATION
) và tên kết nối duy nhất do bạn chọn. - Chọn Thêm kết nối.
Nếu tất cả các mục hợp lệ, bạn sẽ thấy tất cả các cơ sở dữ liệu được liên kết với kết nối trong ngăn điều hướng (xem ví dụ sau để biết NICK_FACIES
).
- Chọn
TRAINING_DATA
bảng, sau đó chọn Xem trước tập dữ liệu.
Nếu hài lòng với dữ liệu, bạn có thể chỉnh sửa SQL tùy chỉnh trong trình trực quan hóa dữ liệu.
- Chọn Chỉnh sửa trong SQL.
- Chạy lệnh SQL sau trước khi nhập vào Canvas. (Điều này giả định rằng cơ sở dữ liệu được gọi là
NICK_FACIES
. Thay thế giá trị này bằng tên cơ sở dữ liệu của bạn.)
Một cái gì đó tương tự như ảnh chụp màn hình sau sẽ xuất hiện trong Nhập bản xem trước phần.
- Nếu bạn hài lòng với bản xem trước, hãy chọn Nhập dữ liệu.
- Chọn một tên dữ liệu thích hợp, đảm bảo rằng tên đó là duy nhất và dài ít hơn 32 ký tự.
- Sử dụng lệnh sau để nhập tập dữ liệu xác thực, sử dụng phương pháp tương tự như trước đó:
Xây dựng mô hình phân loại tướng
Để xây dựng mô hình phân loại tướng của bạn, hãy hoàn thành các bước sau:
- Chọn mô hình trong ngăn điều hướng, sau đó chọn Người mẫu mới.
- Đặt cho mô hình của bạn một cái tên phù hợp.
- trên Chọn tab, chọn tập dữ liệu đào tạo đã nhập gần đây, sau đó chọn Chọn tập dữ liệu.
- trên Xây dựng tab, thả
WELL_NAME
cột.
Chúng tôi làm điều này vì bản thân các tên giếng không phải là thông tin hữu ích cho mô hình ML. Chúng chỉ là những tên tùy ý mà chúng tôi thấy hữu ích để phân biệt giữa chính các giếng. Tên chúng tôi đặt cho một giếng cụ thể không liên quan đến mô hình ML.
- Chọn MẶT BẰNG làm cột mục tiêu.
- Rời bỏ Loại mô hình as 3+ dự đoán danh mục.
- Xác thực dữ liệu.
- Chọn Xây dựng tiêu chuẩn.
Trang của bạn sẽ trông giống như ảnh chụp màn hình sau ngay trước khi xây dựng mô hình của bạn.
Sau khi bạn chọn Xây dựng tiêu chuẩn, mô hình bước vào giai đoạn phân tích. Bạn được cung cấp thời gian xây dựng dự kiến. Giờ đây, bạn có thể đóng cửa sổ này, đăng xuất khỏi Canvas (để tránh bị tính phí) và quay lại Canvas sau.
Phân tích mô hình phân loại tướng
Để phân tích mô hình, hãy hoàn thành các bước sau:
- Liên kết lại vào Canvas.
- Xác định vị trí mô hình đã tạo trước đó của bạn, chọn Xem, sau đó chọn Phân tích.
- trên Giới thiệu chung tab, bạn có thể thấy tác động của các tính năng riêng lẻ đối với đầu ra của mô hình.
- Trong ngăn bên phải, bạn có thể hình dung tác động của một đối tượng nhất định (trục X) đối với dự đoán của từng loại tướng (trục Y).
Những hình ảnh trực quan này sẽ thay đổi tương ứng tùy thuộc vào tính năng bạn chọn. Chúng tôi khuyến khích bạn khám phá trang này bằng cách xem qua tất cả 9 lớp và 10 tính năng.
- trên Ghi điểm tab, chúng ta có thể xem phân loại tướng dự đoán so với thực tế.
- Chọn Các chỉ số nâng cao để xem điểm F1, độ chính xác trung bình, độ chính xác, thu hồi và AUC.
- Một lần nữa, chúng tôi khuyến khích xem tất cả các lớp khác nhau.
- Chọn Tải về để tải hình ảnh xuống máy cục bộ của bạn.
Trong hình ảnh sau đây, chúng ta có thể thấy một số chỉ số nâng cao khác nhau, chẳng hạn như điểm F1. Trong phân tích thống kê, điểm F1 thể hiện sự cân bằng giữa độ chính xác và khả năng thu hồi mô hình phân loại và được tính bằng phương trình sau: 2*((Precision * Recall)/ (Precision + Recall))
.
Chạy dự đoán hàng loạt và đơn lẻ bằng mô hình phân loại tướng nhiều lớp
Để chạy dự đoán, hãy hoàn thành các bước sau:
- Chọn Dự đoán duy nhất để sửa đổi các giá trị đối tượng khi cần và nhận phân loại tướng được trả về ở bên phải trang.
Sau đó, bạn có thể sao chép hình ảnh biểu đồ dự đoán vào khay nhớ tạm của mình và cũng có thể tải các dự đoán xuống tệp CSV.
- Chọn Dự đoán hàng loạt và sau đó chọn Chọn tập dữ liệu để chọn tập dữ liệu xác thực mà bạn đã nhập trước đó.
- Chọn Tạo dự đoán.
Bạn được chuyển hướng đến Dự đoán trang, nơi Trạng thái sẽ đọc Tạo dự đoán trong vài giây.
Sau khi các dự đoán được trả về, bạn có thể xem trước, tải xuống hoặc xóa các dự đoán bằng cách chọn menu tùy chọn (ba dấu chấm dọc) bên cạnh các dự đoán.
Sau đây là một ví dụ về bản xem trước dự đoán.
Chia sẻ một mô hình được đào tạo trong Studio
Giờ đây, bạn có thể chia sẻ phiên bản mới nhất của mô hình với một người dùng Studio khác. Điều này cho phép các nhà khoa học dữ liệu xem xét mô hình một cách chi tiết, kiểm tra mô hình, thực hiện bất kỳ thay đổi nào có thể cải thiện độ chính xác và chia sẻ lại mô hình đã cập nhật với bạn.
Khả năng chia sẻ công việc của bạn với người dùng kỹ thuật hơn trong Studio là một tính năng chính của Canvas, dựa trên sự khác biệt chính giữa quy trình công việc của ML personas. Lưu ý rằng sự tập trung mạnh mẽ ở đây vào sự hợp tác giữa các nhóm liên chức năng với các khả năng kỹ thuật khác nhau.
- Chọn Chia sẻ chia sẻ mô hình
- Chọn phiên bản mô hình để chia sẻ.
- Nhập người dùng Studio để chia sẻ mô hình.
- Thêm một ghi chú tùy chọn.
- Chọn Chia sẻ.
Kết luận
Trong bài đăng này, chúng tôi đã chỉ ra cách chỉ với một vài cú nhấp chuột trong Amazon SageMaker Canvas, bạn có thể chuẩn bị và nhập dữ liệu của mình từ Snowflake, tham gia bộ dữ liệu của bạn, phân tích độ chính xác ước tính, xác minh cột nào có tác động, huấn luyện mô hình hoạt động tốt nhất và tạo cá thể mới hoặc dự đoán hàng loạt. Chúng tôi rất vui khi nhận được phản hồi của bạn và giúp bạn giải quyết nhiều vấn đề kinh doanh hơn nữa với ML. Để xây dựng các mô hình của riêng bạn, hãy xem Bắt đầu sử dụng Amazon SageMaker Canvas.
Về các tác giả
Nick mccarthy là Kỹ sư máy học trong nhóm Dịch vụ chuyên nghiệp AWS. Anh ấy đã làm việc với các khách hàng AWS trong nhiều ngành khác nhau bao gồm chăm sóc sức khỏe, tài chính, thể thao, viễn thông và năng lượng để đẩy nhanh kết quả kinh doanh của họ thông qua việc sử dụng AI/ML. Làm việc với nhóm khoa học dữ liệu bpx, Nick gần đây đã hoàn thành việc xây dựng nền tảng Máy học của bpx trên Amazon SageMaker.
Quả gai Thatcher là Kỹ sư máy học tại bpx Energy. Anh ấy hỗ trợ các nhà khoa học dữ liệu của bpx bằng cách phát triển và duy trì nền tảng Khoa học dữ liệu cốt lõi của công ty trong Amazon SageMaker. Trong thời gian rảnh rỗi, anh ấy thích tham gia vào các dự án mã hóa cá nhân và dành thời gian ở ngoài trời với vợ.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoAiStream. Thông minh dữ liệu Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Đúc kết tương lai với Adryenn Ashley. Truy cập Tại đây.
- Mua và bán cổ phần trong các công ty PRE-IPO với PREIPO®. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/prepare-training-and-validation-dataset-for-facies-classification-using-snowflake-integration-and-train-using-amazon-sagemaker-canvas/
- : có
- :là
- :Ở đâu
- $ LÊN
- 10
- 100
- 11
- 12
- 14
- 17
- 50
- 7
- 8
- 9
- a
- khả năng
- có khả năng
- đẩy nhanh tiến độ
- truy cập
- cho phù hợp
- Tài khoản
- chính xác
- chính xác
- ngang qua
- Hoạt động
- thực tế
- thêm vào
- thêm
- địa chỉ
- tiên tiến
- một lần nữa
- AI
- AI / ML
- nhằm vào
- sắp xếp
- Tất cả
- cho phép
- cho phép
- Đã
- Ngoài ra
- đàn bà gan dạ
- Amazon SageMaker
- Canvas SageMaker của Amazon
- Amazon Web Services
- an
- phân tích
- Các nhà phân tích
- phân tích
- và
- Một
- bất kì
- ứng dụng
- xuất hiện
- Các Ứng Dụng
- thích hợp
- LÀ
- KHU VỰC
- AS
- liên kết
- At
- tự động
- Trung bình cộng
- tránh
- AWS
- Dịch vụ chuyên nghiệp của AWS
- Trục
- trở lại
- Cân đối
- BE
- bởi vì
- trở nên
- được
- trước
- phía dưới
- BEST
- giữa
- cả hai
- xây dựng
- Xây dựng
- kinh doanh
- nhưng
- by
- gọi là
- CAN
- vải
- trường hợp
- Phân loại
- thay đổi
- Những thay đổi
- nhân vật
- tải
- Biểu đồ
- Chọn
- lựa chọn
- tốt nghiệp lớp XNUMX
- các lớp học
- phân loại
- khách hàng
- Đóng
- mã
- Lập trình
- hợp tác
- Cột
- Cột
- Các công ty
- Của công ty
- hoàn thành
- điều kiện
- liên quan
- An ủi
- sao chép
- Trung tâm
- sửa chữa
- bìa
- tạo
- tạo ra
- tạo ra
- Credentials
- quan trọng
- các đội chéo chức năng
- Current
- khách hàng
- dữ liệu
- khoa học dữ liệu
- Cơ sở dữ liệu
- cơ sở dữ liệu
- bộ dữ liệu
- Tùy
- triển khai
- chiều sâu
- mô tả
- máy tính để bàn
- chi tiết
- chi tiết
- Xác định
- phát triển
- khác nhau
- khác nhau
- trực tiếp
- phân biệt
- do
- tài liệu
- tài liệu hướng dẫn
- dont
- tải về
- Rơi
- suốt trong
- mỗi
- Sớm hơn
- dễ dàng
- biên tập viên
- hiệu lực
- hay
- khuyến khích
- năng lượng
- ky sư
- đảm bảo
- đảm bảo
- đăng ký hạng mục thi
- Nhập cảnh
- Môi trường
- thành lập
- ước tính
- Ether (ETH)
- Ngay cả
- ví dụ
- kích thích
- hiện tại
- dự kiến
- thí nghiệm
- Giải thích
- khám phá
- ngoài
- f1
- Đặc tính
- Tính năng
- thông tin phản hồi
- vài
- ít hơn
- Lĩnh vực
- Tập tin
- Các tập tin
- tài chính
- Tìm kiếm
- Tập trung
- theo
- tiếp theo
- Trong
- định dạng
- hình thành
- tìm thấy
- Miễn phí
- từ
- tạo ra
- được
- GitHub
- Cho
- được
- cấp
- tấn
- vui mừng
- Có
- có
- he
- chăm sóc sức khỏe
- Nghe
- giúp đỡ
- tại đây
- của mình
- Độ đáng tin của
- Hướng dẫn
- HTML
- http
- HTTPS
- IAM
- ID
- Bản sắc
- if
- hình ảnh
- ngay
- Va chạm
- ảnh hưởng lớn
- nhập khẩu
- quan trọng
- nhập khẩu
- nâng cao
- in
- bao gồm
- Bao gồm
- lên
- hệ thống riêng biệt,
- các ngành công nghiệp
- thông tin
- cài đặt
- hướng dẫn
- hội nhập
- ý định
- quan tâm
- trong
- điều tra
- các vấn đề
- IT
- tham gia
- jpg
- json
- chỉ
- Key
- hạ cánh
- trang đích
- lớn
- một lát sau
- mới nhất
- lớp
- học tập
- ít
- tải
- tải
- địa phương
- địa điểm thư viện nào
- đăng nhập
- dài
- Xem
- yêu
- mac
- máy
- học máy
- Chuyên ngành
- làm cho
- giám đốc
- thủ công
- nhiều
- Có thể..
- Menu
- chỉ đơn thuần là
- phương pháp
- Metrics
- ML
- kiểu mẫu
- mô hình
- sửa đổi
- chi tiết
- phải
- tên
- Được đặt theo tên
- tên
- THÔNG TIN
- cần thiết
- cần thiết
- Mới
- tiếp theo
- ghi
- tại
- con số
- vật
- thu được
- of
- chính thức
- Dầu
- on
- mã nguồn mở
- Tùy chọn
- Các lựa chọn
- or
- gọi món
- đơn đặt hàng
- OS
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- kết quả
- ngoài trời
- đầu ra
- riêng
- P&E
- trang
- cặp
- cửa sổ
- riêng
- Mật khẩu
- biểu diễn
- riêng
- Văn bản thô
- nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- xin vui lòng
- điều luật
- Phổ biến
- Bài đăng
- tiềm năng
- Độ chính xác
- dự đoán
- dự đoán
- Dự đoán
- thích hơn
- ưa thích
- Chuẩn bị
- Xem trước
- trước
- trước đây
- chủ yếu
- Hiệu trưởng
- đặc quyền
- đặc quyền
- Vấn đề
- vấn đề
- quá trình
- Quy trình
- chuyên nghiệp
- Hồ sơ
- dự án
- cung cấp
- công khai
- Đọc
- gần đây
- ghi lại
- tài liệu tham khảo
- vùng
- thay thế
- đòi hỏi
- REST của
- trở lại
- xem xét
- ngay
- Vai trò
- vai trò
- chạy
- chạy
- nhà làm hiền triết
- tương tự
- Khoa học
- các nhà khoa học
- Điểm số
- giây
- Bí mật
- Phần
- xem
- DỊCH VỤ
- định
- Chia sẻ
- nên
- hiển thị
- cho thấy
- thể hiện
- Chương trình
- tương tự
- duy nhất
- bộ kỹ năng
- cơ sở dữ liệu bông tuyết
- giải pháp
- động SOLVE
- nguồn
- quy định
- tiêu
- Thể thao
- SQL
- Traineeship
- dàn dựng
- bắt đầu
- Tuyên bố
- thống kê
- Bước
- Các bước
- là gắn
- hàng
- mạnh mẽ
- phòng thu
- Sau đó
- Thành công
- như vậy
- phù hợp
- Hỗ trợ
- cú pháp
- hệ thống
- bàn
- TAG
- Hãy
- Mục tiêu
- Nhiệm vụ
- nhiệm vụ
- nhóm
- đội
- Kỹ thuật
- viễn thông
- thử nghiệm
- hơn
- việc này
- Sản phẩm
- cung cấp their dịch
- Them
- tự
- sau đó
- Đó
- Kia là
- họ
- điều này
- những
- số ba
- Thông qua
- thời gian
- đến
- Train
- đào tạo
- Hội thảo
- đúng
- NIỀM TIN
- thử
- hai
- kiểu
- loại
- độc đáo
- Cập nhật
- cập nhật
- URL
- Sử dụng
- sử dụng
- người sử dang
- tên truy nhập
- sử dụng
- xác nhận
- giá trị
- Các giá trị
- khác nhau
- xác minh
- phiên bản
- thẳng đứng
- Xem
- xem
- hình dung
- vs
- hương
- Kho
- là
- we
- web
- Ứng dụng web
- các dịch vụ web
- TỐT
- Wells
- Điều gì
- Là gì
- khi nào
- cái nào
- CHÚNG TÔI LÀ
- vợ
- sẽ
- cửa sổ
- với
- ở trong
- Công việc
- làm việc
- Luồng công việc
- đang làm việc
- X
- bạn
- trên màn hình
- zephyrnet