Data science

ที่สุดของ arXiv.org สำหรับ AI, Machine Learning และ Deep Learning – มิถุนายน 2021

ในคุณลักษณะรายเดือนที่เกิดซ้ำนี้ เรากรองเอกสารการวิจัยล่าสุดที่ปรากฏบนเซิร์ฟเวอร์การพิมพ์ล่วงหน้า arXiv.org สำหรับหัวข้อที่น่าสนใจที่เกี่ยวข้องกับ AI การเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึก จากสาขาวิชาต่างๆ รวมถึงสถิติ คณิตศาสตร์ และวิทยาการคอมพิวเตอร์ และมอบ “สิ่งที่ดีที่สุด” ที่มีประโยชน์ ของ” รายการในเดือนที่ผ่านมา นักวิจัยจากทั่วโลกมีส่วนร่วมในพื้นที่เก็บข้อมูลนี้เป็นบทนำสู่กระบวนการตรวจสอบโดยเพื่อนเพื่อตีพิมพ์ในวารสารแบบดั้งเดิม arXiv มีขุมสมบัติที่แท้จริงของวิธีการเรียนรู้ทางสถิติที่คุณอาจใช้ในวันหนึ่งในการแก้ปัญหาวิทยาศาสตร์ข้อมูล บทความที่แสดงด้านล่างนี้เป็นเพียงส่วนเล็กๆ ของบทความทั้งหมดที่ปรากฏบนเซิร์ฟเวอร์การพิมพ์ล่วงหน้า มีการระบุไว้ในลำดับที่ไม่เจาะจงพร้อมลิงก์ไปยังเอกสารแต่ละฉบับพร้อมกับภาพรวมโดยย่อ ลิงก์ไปยังที่เก็บ GitHub มีให้เมื่อพร้อมใช้งาน บทความที่เกี่ยวข้องโดยเฉพาะจะมีไอคอน “ยกนิ้วให้” พิจารณาว่าเอกสารเหล่านี้เป็นงานวิจัยทางวิชาการ ซึ่งโดยทั่วไปแล้วจะเน้นไปที่นักศึกษาระดับบัณฑิตศึกษา เอกสารทางไปรษณีย์ และผู้เชี่ยวชาญที่ช่ำชอง โดยทั่วไปแล้วจะมีวิชาคณิตศาสตร์ในระดับสูง ดังนั้นจงเตรียมพร้อม สนุก! การทบทวนแบบจำลองการเรียนรู้เชิงลึกสำหรับข้อมูลแบบตาราง ความจำเป็นของการเรียนรู้เชิงลึกสำหรับข้อมูลแบบตารางยังคงเป็นคำถามที่ยังไม่มีคำตอบซึ่งถูกกล่าวถึงโดยความพยายามในการวิจัยจำนวนมาก วรรณกรรมล่าสุดเกี่ยวกับ DL แบบตาราง เสนอสถาปัตยกรรมเชิงลึกหลายอย่างที่รายงานว่าเหนือกว่าโมเดล “ตื้น” แบบเดิมๆ เช่น Gradient Boosted Decision Trees อย่างไรก็ตาม เนื่องจากงานที่มีอยู่มักจะใช้เกณฑ์มาตรฐานและโปรโตคอลการปรับแต่งที่ต่างกัน จึงไม่ชัดเจนว่ารุ่นที่เสนอนั้นมีประสิทธิภาพเหนือกว่า GBDT ในระดับสากลหรือไม่ นอกจากนี้ แบบจำลองต่างๆ มักจะไม่ถูกเปรียบเทียบกัน ดังนั้นจึงเป็นเรื่องยากที่จะระบุแบบจำลองเชิงลึกที่ดีที่สุดสำหรับผู้ปฏิบัติงาน เอกสารนี้เริ่มต้นด้วยการทบทวนตระกูลหลักของโมเดล DL ที่เพิ่งพัฒนาขึ้นสำหรับข้อมูลแบบตารางอย่างละเอียด ผู้เขียนปรับแต่งและประเมินอย่างรอบคอบในชุดข้อมูลที่หลากหลาย และเปิดเผยข้อค้นพบที่สำคัญสองประการ ประการแรก แสดงให้เห็นว่าทางเลือกระหว่างรุ่น GBDT และ DL นั้นขึ้นอยู่กับข้อมูลเป็นอย่างมาก และยังไม่มีโซลูชันที่เหนือกว่าในระดับสากล ประการที่สอง มันแสดงให้เห็นว่าสถาปัตยกรรมแบบ ResNet แบบธรรมดานั้นเป็นพื้นฐานที่มีประสิทธิภาพอย่างน่าประหลาดใจ ซึ่งมีประสิทธิภาพเหนือกว่าโมเดลที่ซับซ้อนส่วนใหญ่จากวรรณกรรม DL สุดท้าย ผู้เขียนออกแบบการปรับสถาปัตยกรรม Transformer อย่างง่ายสำหรับข้อมูลแบบตารางซึ่งกลายเป็นพื้นฐาน DL ที่แข็งแกร่งใหม่ และลดช่องว่างระหว่างรุ่น GBDT และ DL บนชุดข้อมูลที่ GBDT ครอบงำ สามารถดู repo GitHub ที่เกี่ยวข้องกับบทความนี้ได้ ที่นี่ SAINT: โครงข่ายประสาทเทียมที่ได้รับการปรับปรุงสำหรับข้อมูลแบบตารางผ่าน Row Attention และ Contrastive Pre-Training Tabular data เป็นรากฐานของการใช้งานแมชชีนเลิร์นนิงที่มีผลกระทบสูงมากมาย ตั้งแต่การตรวจจับการฉ้อโกงไปจนถึงจีโนมิกส์และการดูแลสุขภาพ วิธีการแบบคลาสสิกในการแก้ปัญหาแบบตาราง เช่น การเพิ่มระดับความลาดชันและป่าสุ่ม มีการใช้กันอย่างแพร่หลายโดยผู้ปฏิบัติงาน อย่างไรก็ตาม วิธีการเรียนรู้เชิงลึกล่าสุดมีระดับประสิทธิภาพที่แข่งขันกับเทคนิคยอดนิยมได้ เอกสารนี้กำหนดแนวทางการเรียนรู้เชิงลึกแบบไฮบริดเพื่อแก้ปัญหาข้อมูลแบบตาราง วิธีการที่เสนอ SAINT ให้ความสำคัญกับทั้งแถวและคอลัมน์ และรวมถึงวิธีการฝังที่ปรับปรุงแล้ว บทความนี้ยังศึกษาวิธีการเตรียมการล่วงหน้าแบบควบคุมตนเองแบบคอนทราสต์แบบใหม่สำหรับใช้เมื่อฉลากหายาก SAINT ปรับปรุงประสิทธิภาพอย่างต่อเนื่องเหนือวิธีการเรียนรู้เชิงลึกแบบเดิม และมีประสิทธิภาพเหนือกว่าวิธีการเพิ่มระดับการไล่ระดับสี ซึ่งรวมถึง XGBoost, CatBoost และ LightGBM โดยเฉลี่ยมากกว่างานเกณฑ์มาตรฐานที่หลากหลาย สามารถดู repo GitHub ที่เกี่ยวข้องกับบทความนี้ได้ ที่นี่ GANs N' Roses: การแปลรูปภาพเป็นรูปภาพที่เสถียร ควบคุมได้ หลากหลาย (ใช้ได้กับวิดีโอด้วย!) งานวิจัยที่มีรายละเอียดในบทความนี้แสดงวิธีเรียนรู้แผนที่ที่ใช้รหัสเนื้อหา มาจากภาพใบหน้า และรูปแบบที่เลือกแบบสุ่ม โค้ดสำหรับภาพอนิเมะ การสูญเสียของฝ่ายตรงข้ามจากคำจำกัดความของรูปแบบและเนื้อหาที่เรียบง่ายและมีประสิทธิภาพของเราได้เกิดขึ้น การสูญเสียจากฝ่ายตรงข้ามนี้รับประกันว่าแผนที่จะมีความหลากหลาย — อนิเมะที่หลากหลายสามารถสร้างได้จากโค้ดเนื้อหาเดียว ภายใต้สมมติฐานที่เป็นไปได้ แผนที่ไม่ได้มีความหลากหลายเพียงอย่างเดียว แต่ยังแสดงถึงความน่าจะเป็นของอนิเมะได้อย่างถูกต้อง ในทางตรงกันข้าม ขั้นตอนการสร้างต่อเนื่องหลายรูปแบบในปัจจุบันไม่สามารถจับภาพสไตล์ที่ซับซ้อนที่ปรากฏในอนิเมะได้ การทดลองเชิงปริมาณอย่างกว้างขวางสนับสนุนแนวคิดว่าแผนที่ถูกต้อง ผลลัพธ์เชิงคุณภาพที่กว้างขวางแสดงให้เห็นว่าวิธีการนี้สามารถสร้างสไตล์ที่หลากหลายมากกว่าการเปรียบเทียบ SOTA สุดท้าย บทความนี้แสดงให้เห็นว่าการทำให้เนื้อหาและรูปแบบเป็นทางการทำให้การแปลวิดีโอเป็นวิดีโอได้โดยไม่ต้องฝึกอบรมเกี่ยวกับวิดีโอ สามารถดู repo GitHub ที่เกี่ยวข้องกับบทความนี้ได้ ที่นี่ Decision Transformer: Reinforcement Learning ผ่าน Sequence Modeling บทความนี้จะแนะนำกรอบการทำงานที่เป็นนามธรรม Reinforcement Learning (RL) เป็นปัญหาการสร้างแบบจำลองลำดับ ทำให้สามารถดึงความเรียบง่ายและความสามารถในการปรับขนาดของสถาปัตยกรรม Transformer และความก้าวหน้าที่เกี่ยวข้องในการสร้างแบบจำลองภาษา เช่น GPT-x และ BERT โดยเฉพาะอย่างยิ่ง บทความนี้นำเสนอ Decision Transformer สถาปัตยกรรมที่โยนปัญหาของ RL เป็นแบบจำลองลำดับตามเงื่อนไข แตกต่างจากวิธีการก่อนหน้าของ RL ที่พอดีกับฟังก์ชันค่าหรือคำนวณการไล่ระดับของนโยบาย Decision Transformer ให้ผลลัพธ์การกระทำที่เหมาะสมที่สุดโดยใช้ประโยชน์จาก Transformer ที่ปิดบังสาเหตุ ด้วยการปรับสภาพแบบจำลองการถดถอยอัตโนมัติบนผลตอบแทนที่ต้องการ (รางวัล) สถานะที่ผ่านมา และการกระทำ โมเดล Transformer การตัดสินใจสามารถสร้างการดำเนินการในอนาคตที่บรรลุผลตอบแทนที่ต้องการได้ แม้จะมีความเรียบง่าย แต่ Decision Transformer ก็สามารถจับคู่หรือเหนือกว่าประสิทธิภาพของพื้นฐาน RL แบบออฟไลน์ที่ปราศจากโมเดลอันล้ำสมัยในงาน Atari, OpenAI Gym และงานแบบคีย์-ทู-ดอร์ สามารถดู repo GitHub ที่เกี่ยวข้องกับบทความนี้ได้ ที่นี่ แบบสำรวจเกี่ยวกับการสังเคราะห์เสียงพูดจากข้อความเป็นคำพูด (TTS) หรือการสังเคราะห์เสียงพูด ซึ่งมีจุดมุ่งหมายเพื่อสังเคราะห์เสียงพูดที่เข้าใจได้และเป็นธรรมชาติที่ได้รับจากข้อความ เป็นหัวข้อวิจัยที่กำลังมาแรงในชุมชนการพูด ภาษา และการเรียนรู้ด้วยเครื่อง และมีการนำไปใช้อย่างกว้างขวางในอุตสาหกรรม เนื่องจากการพัฒนาการเรียนรู้เชิงลึกและปัญญาประดิษฐ์ TTS ที่ใช้โครงข่ายประสาทเทียมได้ปรับปรุงคุณภาพของคำพูดที่สังเคราะห์ขึ้นอย่างมากในช่วงไม่กี่ปีที่ผ่านมา เอกสารนี้จัดทำแบบสำรวจที่ครอบคลุมเกี่ยวกับ TTS ของระบบประสาท โดยมีเป้าหมายเพื่อให้เกิดความเข้าใจที่ดีเกี่ยวกับการวิจัยในปัจจุบันและแนวโน้มในอนาคต จุดเน้นอยู่ที่องค์ประกอบหลักใน TTS ของระบบประสาท รวมถึงการวิเคราะห์ข้อความ แบบจำลองอะคูสติกและตัวออกเสียง และหัวข้อขั้นสูงหลายหัวข้อ รวมถึง TTS ที่รวดเร็ว, TTS ทรัพยากรต่ำ, TTS ที่มีประสิทธิภาพ, TTS ที่แสดงออก และ TTS ที่ปรับเปลี่ยนได้ ฯลฯ บทความนี้จะสรุปเพิ่มเติม ทรัพยากรที่เกี่ยวข้องกับ TTS (เช่น ชุดข้อมูล การใช้งานโอเพ่นซอร์ส) และหารือเกี่ยวกับทิศทางการวิจัยในอนาคต การลดขนาดเชิงโต้ตอบสำหรับการวิเคราะห์เปรียบเทียบ การค้นหาความเหมือนและความแตกต่างระหว่างชุดข้อมูลตั้งแต่สองกลุ่มขึ้นไปเป็นงานการวิเคราะห์พื้นฐาน สำหรับข้อมูลมิติสูง มักใช้วิธีลดมิติ (DR) เพื่อค้นหาคุณลักษณะของแต่ละกลุ่ม อย่างไรก็ตาม วิธี DR ที่มีอยู่ให้ความสามารถและความยืดหยุ่นที่จำกัดสำหรับการวิเคราะห์เปรียบเทียบดังกล่าว เนื่องจากแต่ละวิธีได้รับการออกแบบสำหรับเป้าหมายการวิเคราะห์ที่แคบเท่านั้น เช่น การระบุปัจจัยที่สร้างความแตกต่างให้กับกลุ่มส่วนใหญ่ เอกสารนี้แนะนำกรอบงาน DR เชิงโต้ตอบซึ่งวิธีการ DR ใหม่ที่เรียกว่า ULCA (การวิเคราะห์เปรียบเทียบเชิงเส้นแบบรวมเป็นหนึ่ง) ถูกรวมเข้ากับอินเทอร์เฟซแบบภาพเชิงโต้ตอบ ULCA รวมสองแผนงาน DR ไว้ด้วยกัน ได้แก่ การวิเคราะห์จำแนกและการเรียนรู้แบบเปรียบเทียบ เพื่อสนับสนุนงานวิเคราะห์เปรียบเทียบต่างๆ เพื่อให้มีความยืดหยุ่นสำหรับการวิเคราะห์เปรียบเทียบ อัลกอริทึมการปรับให้เหมาะสมได้รับการพัฒนาที่ช่วยให้นักวิเคราะห์ปรับแต่งผลลัพธ์ ULCA แบบโต้ตอบได้ นอกจากนี้ยังมีอินเทอร์เฟซการแสดงภาพแบบโต้ตอบเพื่อตรวจสอบผลลัพธ์ ULCA ด้วยชุดไลบรารีการวิเคราะห์ที่หลากหลาย ซอฟต์แวร์สำหรับ XAI ทั่วทั้งชุดข้อมูล: ตั้งแต่คำอธิบายในท้องถิ่นไปจนถึงข้อมูลเชิงลึกระดับโลกด้วย Zennit, CoRelAy และ ViRelAy Deep Neural Networks (DNN) เป็นที่ทราบกันดีอยู่แล้วว่าเป็นตัวทำนายที่แข็งแกร่ง แต่กลยุทธ์การทำนายนั้นไม่ค่อยมีใครเข้าใจ ด้วยความก้าวหน้าล่าสุดใน AI ที่อธิบายได้ มีแนวทางต่างๆ เพื่อสำรวจเหตุผลเบื้องหลังการคาดการณ์ของแบบจำลองที่ซับซ้อนเหล่านั้น แนวทางหนึ่งประเภทคือวิธีการระบุแหล่งที่มาแบบโพสต์เฉพาะกิจ ซึ่ง Layer-wise Relevance Propagation (LRP) แสดงให้เห็นประสิทธิภาพสูง อย่างไรก็ตาม ความพยายามในการทำความเข้าใจเหตุผลของ DNN มักจะหยุดที่การระบุแหล่งที่มาที่ได้รับสำหรับตัวอย่างแต่ละตัวอย่างในพื้นที่อินพุต ทำให้ศักยภาพในการวิเคราะห์เชิงปริมาณที่ลึกซึ้งยิ่งขึ้นนั้นไม่ถูกแตะต้อง เนื่องจากการวิเคราะห์ด้วยตนเองโดยไม่มีเครื่องมือที่เหมาะสมมักใช้แรงงานมากโดยไม่จำเป็น บทความนี้จึงแนะนำชุดซอฟต์แวร์สามชุดที่กำหนดเป้าหมายไปที่นักวิทยาศาสตร์เพื่อสำรวจการใช้เหตุผลของแบบจำลองโดยใช้วิธีการระบุแหล่งที่มาและอื่นๆ: (1) Zennit – กรอบงานการระบุแหล่งที่มาที่ปรับแต่งได้สูงและใช้งานง่ายซึ่งนำ LRP ไปใช้และวิธีการที่เกี่ยวข้อง ใน PyTorch (2) CoRelAy – เฟรมเวิร์กสำหรับสร้างไปป์ไลน์การวิเคราะห์เชิงปริมาณอย่างง่ายดายและรวดเร็วสำหรับการวิเคราะห์คำอธิบายทั้งชุดข้อมูล และ (3) ViRelAy – เว็บแอปพลิเคชันสำหรับสำรวจข้อมูล การระบุแหล่งที่มา และผลการวิเคราะห์เชิงโต้ตอบ สู่การพูดอัตโนมัติเพื่อสร้างภาษามือ งานวิจัยที่กล่าวถึงในบทความนี้มีจุดมุ่งหมายเพื่อแก้ปัญหาที่ท้าทายอย่างมากในการสร้างวิดีโอภาษามืออย่างต่อเนื่องจากส่วนของคำพูดเป็นครั้งแรกเท่านั้น ความพยายามล่าสุดในพื้นที่นี้มุ่งเน้นไปที่การสร้างวิดีโอดังกล่าวจากการถอดเสียงข้อความที่มีคำอธิบายประกอบโดยมนุษย์ โดยไม่คำนึงถึงรูปแบบอื่นๆ อย่างไรก็ตาม การแทนที่คำพูดด้วยภาษามือพิสูจน์ให้เห็นแล้วว่าเป็นวิธีการแก้ปัญหาในทางปฏิบัติขณะสื่อสารกับผู้ที่สูญเสียการได้ยิน ดังนั้น การวิจัยจึงไม่จำเป็นต้องใช้ข้อความเป็นเทคนิคการป้อนข้อมูลและการออกแบบที่ใช้คำพูดที่เป็นธรรมชาติ ต่อเนื่อง และเป็นอิสระมากขึ้น โดยครอบคลุมคำศัพท์ที่กว้างขวาง เนื่องจากชุดข้อมูลปัจจุบันไม่เพียงพอสำหรับการสร้างภาษามือโดยตรงจากคำพูด บทความนี้จึงกล่าวถึงการรวบรวมและเผยแพร่ชุดข้อมูลภาษามือชุดแรกในอินเดียซึ่งประกอบด้วยคำอธิบายประกอบระดับคำพูด การถอดเสียง และวิดีโอภาษามือที่เกี่ยวข้อง เครือข่ายหม้อแปลงไฟฟ้าแบบมัลติทาสกิ้งที่ได้รับการฝึกฝนเพื่อสร้างท่าทางของผู้ลงนามจากส่วนคำพูด ด้วยคำพูดเป็นข้อความเป็นงานเสริมและตัวแบ่งแยกกิริยาช่วยเพิ่มเติม โมเดลเรียนรู้ที่จะสร้างลำดับท่าทางสัญญาณต่อเนื่องในลักษณะตั้งแต่ต้นจนจบ การทดลองอย่างกว้างขวางและการเปรียบเทียบกับข้อมูลพื้นฐานอื่นๆ แสดงให้เห็นถึงประสิทธิผลของวิธีการ Deep Fake Detection: การสำรวจโซลูชันการตรวจจับการปลอมแปลงใบหน้า Deep Learning เป็นสาขาที่ประสบความสำเร็จในการแก้ปัญหาที่ซับซ้อนมากมาย ซึ่งเราไม่สามารถจินตนาการได้เมื่อสองสามทศวรรษก่อน แต่ประโยชน์มากมายที่นำมาซึ่งยังคงมีวิธีที่สามารถนำมาใช้เพื่อก่อให้เกิดอันตรายต่อสังคมของเราได้ การปลอมแปลงลึกๆ ได้รับการพิสูจน์แล้วว่าเป็นปัญหาดังกล่าว และมากกว่าที่เคย เมื่อบุคคลใดสามารถสร้างภาพหรือวิดีโอปลอมเพียงแค่ใช้แอปพลิเคชันบนสมาร์ทโฟน จำเป็นต้องมีมาตรการรับมือ ซึ่งเราสามารถตรวจจับได้ว่าภาพนั้นหรือไม่ หรือวิดีโอเป็นของปลอมหรือของจริงและกำจัดปัญหาที่คุกคามความน่าเชื่อถือของข้อมูลออนไลน์ แม้ว่า Deep fakes ที่สร้างขึ้นโดยโครงข่ายประสาทเทียม อาจดูเหมือนของจริงเหมือนภาพหรือวิดีโอจริง แต่ยังคงทิ้งร่องรอยหรือลายเซ็นเชิงพื้นที่และเวลาไว้หลังจากการกลั่นกรอง ลายเซ็นเหล่านี้ในขณะที่มองไม่เห็นด้วยตามนุษย์สามารถตรวจพบได้ด้วยความช่วยเหลือ ของโครงข่ายประสาทเทียมที่ได้รับการฝึกฝนให้เชี่ยวชาญในการตรวจจับการปลอมแปลงลึก บทความนี้วิเคราะห์สถานะของโครงข่ายประสาทเทียม (MesoNet, ResNet-50, VGG-19 และ Xception Net) และเปรียบเทียบกันเพื่อหาแนวทางแก้ไขที่เหมาะสมที่สุดสำหรับสถานการณ์ต่างๆ เช่น การตรวจจับการปลอมแปลงในแบบเรียลไทม์แบบเรียลไทม์ เพื่อนำไปปรับใช้ในแพลตฟอร์มโซเชียลมีเดียออนไลน์ ซึ่งควรจัดประเภทให้เร็วที่สุดหรือสำหรับสำนักข่าวขนาดเล็กที่ การจัดประเภทไม่จำเป็นต้องเป็นแบบเรียลไทม์แต่ต้องการความแม่นยำสูงสุด การทำความเข้าใจการแพร่กระจายของ COVID- กว่า 1 ล้านคนในสหรัฐอเมริกาได้รับการยืนยันกรณีของ COVID-19 โรคทางเดินหายใจที่ติดเชื้อนี้แพร่กระจายอย่างรวดเร็วในกว่า 3000 และ 50 รัฐในสหรัฐอเมริกาและได้แสดงรูปแบบการกระจุกตัวของวิวัฒนาการและรูปแบบการกระตุ้นที่ซับซ้อน . จำเป็นอย่างยิ่งที่จะต้องเข้าใจการแพร่กระจายของกาลอวกาศที่ซับซ้อนของโรคนี้ เพื่อให้สามารถคาดการณ์ได้อย่างถูกต้องหรือการแทรกแซงจากภายนอกที่ชาญฉลาด เอกสารนี้จำลองการแพร่กระจายของ COVID-19 เป็นขั้นตอนเชิงพื้นที่และเวลา sses และเสนอแบบจำลองกำเนิดและปราศจากความรุนแรงเพื่อติดตามการแพร่กระจายของโรค นำมาใช้เพิ่มเติมคือกรอบการเรียนรู้เลียนแบบปฏิปักษ์โดยกำเนิดเพื่อเรียนรู้พารามิเตอร์ของแบบจำลอง เมื่อเปรียบเทียบกับวิธีการเรียนรู้ตามโอกาสแบบดั้งเดิม กรอบการเรียนรู้เลียนแบบนี้ไม่จำเป็นต้องระบุฟังก์ชันความเข้มข้นล่วงหน้า ซึ่งช่วยลดความจำเพาะของแบบจำลอง นอกจากนี้ ขั้นตอนการเรียนรู้ที่เป็นปฏิปักษ์จะข้ามอินทิกรัลที่ยากต่อการประเมินที่เกี่ยวข้องกับการประเมินความน่าจะเป็น ซึ่งทำให้การอนุมานแบบจำลองสามารถปรับขนาดได้มากขึ้นด้วยข้อมูลและตัวแปร เอกสารนี้นำเสนอผลการเรียนรู้แบบไดนามิกเกี่ยวกับกรณียืนยัน COVID-19 ในสหรัฐอเมริกาและประเมินนโยบายการเว้นระยะห่างทางสังคมตามแบบจำลองกำเนิดที่เรียนรู้ ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button