تواصل معنا

البيانات الكبيرة

9 خطايا قاتلة لاختيار مجموعة بيانات تعلم الآلة

تم النشر

on

9 خطايا قاتلة لاختيار مجموعة بيانات تعلم الآلة

تجنب الألم الذي لا نهاية له في تصحيح أخطاء النموذج من خلال التركيز على مجموعات البيانات مقدمًا.


By سانديب أوتامشانداني ، دكتوراه.، كل من منشئ المنتج / البرنامج (نائب رئيس Engg) والرائد في تشغيل مبادرات البيانات / الذكاء الاصطناعي على مستوى المؤسسة (CDO)

لنبدأ بحقيقة واضحة: يمكن أن تكون نماذج ML جيدة فقط مثل مجموعات البيانات التي تم استخدامها في بنائها! في حين أن هناك الكثير من التركيز على بناء نموذج ML واختيار الخوارزمية ، فإن الفرق غالبًا لا تولي اهتمامًا كافيًا لاختيار مجموعة البيانات!



صورة Unsplash

 

من واقع خبرتي ، فإن استثمار الوقت مقدمًا في اختيار مجموعة البيانات يوفر ساعات لا نهاية لها لاحقًا أثناء تصحيح أخطاء النموذج وطرح الإنتاج.

تسع خطايا مميتة من اختيار مجموعة بيانات ML

1. عدم التعامل مع القيم المتطرفة في مجموعات البيانات بشكل صحيح

 
استنادًا إلى نموذج ML الذي يتم بناؤه ، يمكن أن تكون القيم المتطرفة إما ضوضاء يجب تجاهلها أو من المهم أخذها في الاعتبار. القيم المتطرفة الناشئة عن أخطاء الجمع هي تلك التي يجب تجاهلها. تختلف خوارزميات التعلم الآلي في حساسيتها للقيم المتطرفة - AdaBoost أكثر حساسية للقيم المتطرفة مقارنة بـ XgBoost التي تعتبر أكثر حساسية من شجرة القرار التي تعتبر ببساطة تصنيفًا متطرفًا. تتطلب المعالجة الصحيحة للقيم المتطرفة فهم ما إذا كان يمكن تجاهلها وكذلك اختيار الخوارزمية المناسبة بناءً على الحساسية.

2. استخدام التسوية بدلاً من التوحيد القياسي لقياس قيم السمات

 
لجلب الميزات إلى نفس المقياس ، استخدم التسوية (MinMaxScaler) عندما يتم توزيع البيانات بشكل موحد والتوحيد القياسي (StandardScaler) عندما تكون الميزة تقريبًا Gaussian. قبل استخدام مجموعة بيانات ، تحقق من خصائص IID، ثابتة (لا تتغير بمرور الوقت) ، وتضمن التوزيع نفسه أثناء التدريب والاختبار. غالبًا ما يتم تفويت الموسمية وهو ما يعد انتهاكًا كلاسيكيًا للثبات.

3. عدم التحقق من التكرارات في مجموعة بيانات التدريب

 
في كثير من الأحيان ، كنا متحمسين للأرقام عالية الدقة حقًا. غالبًا ما يكشف التحقق المزدوج أن العديد من الأمثلة في مجموعة الاختبار هي نسخ مكررة من الأمثلة الموجودة في مجموعة التدريب. في مثل هذه السيناريوهات ، تكون قياسات تعميم النموذج غير حتمية (أو لا معنى لها). أحد الجوانب ذات الصلة هو التوزيع العشوائي لمجموعة التدريب - بدون العشوائية ، قد ينتهي بنا الأمر مع جميع بيانات الخريف في التدريب والبيانات الصيفية في الاختبار. يمكن أن يؤدي ذلك إلى رسوم بيانية لعصر الخسارة تتطلب تصحيح أخطاء غير ضروري.

4. عدم التحقق من تحيز مجموعة البيانات المتأصل

 
لا تلتقط مجموعات البيانات الحقيقة المطلقة من وجهة نظر إحصائية. فهم يلتقطون فقط السمات التي يطلبها مالكو التطبيق في ذلك الوقت لحالة الاستخدام الخاصة بهم. من المهم تحليل مجموعات البيانات للتحيز والبيانات المسقطة. يعتبر فهم سياق مجموعة البيانات فوق الحرج. غالبًا ما تحتوي مجموعات البيانات على نمط خطأ واحد أو أكثر. إذا كانت هذه الأخطاء عشوائية ، فهي أقل ضررًا لتدريب النموذج. ولكن إذا كان هناك خطأ مثل أن صفًا أو عمودًا معينًا مفقودًا بشكل منهجي ، فقد يؤدي إلى تحيز في مجموعة البيانات. على سبيل المثال ، تفاصيل الجهاز الخاصة بنقرات العملاء مفقودة لمستخدمي Andriod بسبب خطأ ، ستكون مجموعة البيانات منحازة لنشاط مستخدم iPhone.

5. لا توجد اختبارات وحدة للتحقق من صحة بيانات الإدخال

 
في مشاريع تطوير البرمجيات التقليدية ، من أفضل الممارسات كتابة اختبارات الوحدة للتحقق من صحة تبعيات الكود. في مشاريع التعلم الآلي ، يجب تطبيق أفضل الممارسات المماثلة للاختبار والتحقق والمراقبة بشكل مستمر لجميع مجموعات البيانات المدخلة. وهذا يشمل التأكد من أن مجموعات الاختبار تسفر عن نتائج ذات مغزى إحصائيًا وتمثل مجموعة البيانات ككل.

6. افتراضات غير صحيحة حول معنى سمة البيانات

 
عادة ما تكون سمات البيانات لا توثق أبداد. قبل عصر البيانات الضخمة ، كان يتم تنسيق البيانات قبل إضافتها إلى مستودع البيانات المركزي. هذا هو المعروف باسم مخطط على الكتابة. اليوم ، النهج مع بحيرات البيانات هو تجميع البيانات أولاً ثم استنتاج معنى البيانات في وقت الاستهلاك. هذا هو المعروف باسم مخطط على القراءةالقضية ذات الصلة هي وجود تعريفات متعددة لمقياس عمل معين ، أي الافتقار إلى توحيد مقاييس الأعمال. يمكن أن يكون هناك العديد من مصادر الحقيقة وتعريفات الأعمال المرتبطة حتى بأبسط المقاييس. على سبيل المثال ، يمكن أن يكون لمقياس أساسي مثل "عدد العملاء الجدد" تعريفات مختلفة اعتمادًا على ما إذا كان يتم حسابه عن طريق المبيعات والتمويل والتسويق وفرق دعم العملاء.

7. تغييرات غير منسقة في مصدر البيانات

 
غالبًا ما تكون تغييرات المخطط عند المصدر غير منسقة مع فرق المعالجة النهائية. يمكن أن تتراوح التغييرات من تغييرات المخطط (كسر خطوط الأنابيب الحالية) إلى صعوبة اكتشاف التغييرات الأساسية لسمات البيانات (قبيحة جدًا عندما يبدأ نموذجك بشكل غير متوقع في التعثر!). أيضًا ، عندما تتغير مقاييس العمل ، يكون هناك نقص في إصدار التعريفات.

8. استخدام بيانات غير تمثيلية

 
البيانات لها تاريخ انتهاء الصلاحية. قد لا تمثل سجلات سلوك العملاء من 10 سنوات ماضية. بالإضافة إلى ذلك ، ضمان البيانات IID (مستقل وموزع بشكل مماثل) للتدريب النموذجي ، وكذلك مراعاة موسمية البيانات. أيضًا ، مجموعات البيانات تتطور باستمرار. لا يعد تحليل توزيع البيانات نشاطًا لمرة واحدة مطلوبًا فقط في وقت إنشاء النموذج. بدلاً من ذلك ، هناك حاجة إلى مراقبة مجموعات البيانات باستمرار بحثًا عن الانجرافات ، خاصة للتدريب عبر الإنترنت. في كثير من الأحيان ، نظرًا للطبيعة المنعزلة للبيانات ، تتم إدارة مجموعات البيانات المختلفة وفهرستها بواسطة فرق مختلفة. يتم استخدام الكثير من المعرفة القبلية لتحديد مجموعات البيانات. بدون العناية الواجبة الصحيحة ، تقفز الفرق إلى استخدام أول مجموعة بيانات متاحة. غالبًا ما يرتكبون الخطأ الكلاسيكي بافتراض أن جميع مجموعات البيانات موثوقة بنفس القدر. يتم تحديث بعضها وإدارتها من قبل فرق المصدر عن كثب بينما يتم التخلي عن مجموعات البيانات الأخرى أو عدم تحديثها بانتظام أو وجود خطوط أنابيب ETL غير مستقرة.

9. اختيار عينة عشوائية ضمن مجموعة كبيرة من البيانات

 
بالنظر إلى مجموعات البيانات الكبيرة جدًا ، عادةً ما يكون أخذ العينات عشوائيًا. في كثير من الأحيان ، تقرر الفرق استخدام جميع البيانات للتدريببينما تساعد المزيد من البيانات في بناء نموذج دقيق ، تكون البيانات أحيانًا ضخمة بمليارات السجلات. يستغرق التدريب على مجموعة بيانات أكبر وقتًا وموارد. يستغرق كل تكرار تدريب وقتًا أطول مما يؤدي إلى إبطاء إكمال المشروع بشكل عام. هناك حاجة لاستخدام عينات البيانات بشكل فعال. إيلاء اهتمام خاص لتقنيات الاستفادة من مثل أخذ العينات أهمية.

باختصار ، تأكد من تضمين قائمة التحقق هذه في تحديد مجموعة البيانات الخاصة بك. بينما تضيف هذه الخطوات إلى الجهد وربما تبطئ في البداية ، فإنها تدفع لأنفسها عدة مرات لاحقًا في دورة حياة ML!

 
لحماية مخاطر ML المدرجة في هذه المدونة ، اتباع ليتم إعلامك بالمدونة القادمة "The AI ​​Checklist". لاستراتيجيات إدارة البيانات + الذكاء الاصطناعي في الإنتاج ، قم بالدفع كشف البيانات

 
السيرة الذاتية: سانديب أوتامشانداني ، دكتوراه.: Data + AI / ML - كلاهما مُنشئ منتج / برنامج (نائب رئيس Engg) وقائد في تشغيل مبادرات البيانات / الذكاء الاصطناعي على مستوى المؤسسة (CDO) | مؤلف كتاب أورايلي | مؤسس - DataForHumanity (غير هادفة للربح)

أصلي. تم إعادة النشر بإذن.

Related:

كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://www.kdnuggets.com/2021/06/9-deadly-sins-ml-dataset-selection.html

البيانات الكبيرة

ما مقدار الرياضيات التي تحتاج إلى معرفتها لتعلم الآلة؟

تم النشر

on



الرياضيات لتعلم الآلة | الرياضيات لفهم خوارزميات ML





















تعلم كل شيء عن Analytics



أفلاطون. Web3 مُعاد تصوره. تضخيم ذكاء البيانات.
انقر هنا للوصول.

المصدر: https://www.analyticsvidhya.com/blog/2021/07/how-much-mathematics-do-you-need-to-know-for-machine-learning/

مواصلة القراءة

البيانات الكبيرة

إذا كنت لا تعرف بالفعل

تم النشر

on

ML الصحة جوجل


كشف نشر خوارزميات التعلم الآلي (ML) في الإنتاج لفترات طويلة من الوقت عن تحديات جديدة مثل مراقبة وإدارة جودة التنبؤ في الوقت الحقيقي لنموذج في غياب الملصقات. ومع ذلك ، فإن مثل هذا التتبع ضروري لمنع نتائج الأعمال الكارثية الناتجة عن التنبؤات غير الصحيحة. حجم عمليات النشر هذه يجعل المراقبة اليدوية باهظة ، مما يجعل التقنيات الآلية لتتبع ورفع التنبيهات أمرًا ضروريًا. نقدم إطارًا ، ML Health ، لتتبع الانخفاضات المحتملة في الأداء التنبئي لنماذج ML في غياب الملصقات. يستخدم إطار العمل طرق التشخيص لإنشاء تنبيهات لمزيد من التحقيق. نقوم بتطوير إحدى هذه الطرق لمراقبة المشكلات المحتملة عندما لا تتطابق أنماط بيانات الإنتاج مع توزيعات بيانات التدريب. لقد أثبتنا أن طريقتنا تؤدي أداءً أفضل من "مقاييس المسافة" القياسية ، مثل RMSE و KL-Divergence و Wasserstein في اكتشاف المشكلات المتعلقة بمجموعات البيانات غير المتطابقة. أخيرًا ، نقدم نظام عمل يشتمل على نهج ML Health لمراقبة وإدارة عمليات نشر ML ضمن دورة حياة إنتاجية كاملة واقعية لتعلم الآلة. ...

تكبير موجه جوجل


نقترح التكبير الإرشادي ، وهو نهج يستخدم التأريض المكاني لعمل تنبؤات أكثر استنارة. يقوم بذلك عن طريق التأكد من أن النموذج لديه "الأسباب الصحيحة" للتنبؤ ، حيث يتم تعريفه على أنه أسباب متسقة مع تلك المستخدمة في اتخاذ قرارات صحيحة مماثلة في وقت التدريب. يتم تعريف السبب / الدليل الذي تقوم عليه الشبكة العصبية العميقة بالتنبؤ على أنه التأريض المكاني ، في مساحة البكسل ، لفئة معينة من الاحتمالية الشرطية في إخراج النموذج. يتساءل التكبير / التصغير الإرشادي عن مدى معقولية الدليل المستخدم لعمل التنبؤ. في أحدث نماذج التصنيف العميقة ذات العلامة الواحدة ، تكون دقة top-k (k = 2 ، 3 ، 4 ، ...) أعلى بكثير من دقة أعلى 1. يتضح هذا بشكل أكبر في مجموعات البيانات الدقيقة ، حيث تكون الاختلافات بين الفئات دقيقة تمامًا. نوضح أن ميزة "التكبير الإرشادي" تؤدي إلى تحسين دقة تصنيف النموذج في ثلاث مجموعات بيانات تصنيف دقيقة. نستكشف أيضًا تكامل تقنيات التأريض المختلفة ، من خلال مقارنة مجموعتها بنهج محو الخصوم الذي يكشف بشكل متكرر عن الدليل التالي الأكثر تمييزًا. ...

UniParse جوجل


تصف هذه الورقة تصميم واستخدام إطار التحليل القائم على الرسم البياني ومجموعة الأدوات UniParse ، والتي تم إصدارها كحزمة برامج Python مفتوحة المصدر. UniParse كإطار عمل جديد يبسط نماذج البحث الأولية ، وتطوير وتقييم بنيات تحليل التبعية القائمة على الرسم البياني. يقوم UniParse بهذا من خلال تمكين عمليات تنفيذ عالية الكفاءة ومستقلة بشكل كافٍ وسهلة القراءة وقابلة للتوسيع بسهولة لجميع مكونات محلل التبعية. نقوم بتوزيع مجموعة الأدوات مع التكوينات الجاهزة كإعادة تنفيذ لجميع أجهزة التحليل القائمة على الرسم البياني الحديثة من الدرجة الأولى ، بما في ذلك تطبيقات Cython الأكثر كفاءة لكل من أجهزة التشفير وفك التشفير ، بالإضافة إلى الخسارة المتخصصة المطلوبة المهام. ...

مطابقة الاحتفاظ بالقيود المتفرقة (SPM) جوجل


يمكن صياغة العديد من المشكلات ذات الأهمية في رؤية الكمبيوتر كمشكلة إيجاد تطابق متسق بين مجموعتين من الميزات. عادة ما تتم صياغة مشكلة تطابق الميزات (المطابقة) مع قيود التعيين واحد لواحد كمشكلة البرمجة التربيعية المتكاملة (IQP) مع قيود التقليب (أو المتعامد). نظرًا لأنه من الصعب NP ، فإن نماذج الاسترخاء مطلوبة. يتمثل أحد التحديات الرئيسية لتحسين مشكلة مطابقة IQP في كيفية دمج قيد التعيين الفردي (التقليب) المنفصل في تحسين الهدف التربيعي. في هذا البحث ، نقدم نموذجًا جديدًا للاسترخاء ، يسمى Sparse Constraint Preserving Matching (SPM) ، لمشكلة مطابقة IQP. يتم تحفيز SPM من خلال ملاحظتنا أن قيد التقليب المنفصل يمكن ترميزه جيدًا عبر قيد متناثر. بالمقارنة مع نماذج الاسترخاء التقليدية ، يمكن لـ SPM دمج قيد رسم الخرائط الفردي المنفصل بشكل مباشر عبر قيود متفرقة ، وبالتالي يوفر استرخاءًا أكثر إحكامًا لمشكلة مطابقة IQP الأصلية. تم اشتقاق خوارزمية تحديث بسيطة وفعالة لحل نموذج SPM المقترح. تظهر النتائج التجريبية على العديد من مهام مطابقة الميزات فعالية وكفاءة طريقة إدارة الأداء الاجتماعي. ...

أفلاطون. Web3 مُعاد تصوره. تضخيم ذكاء البيانات.
انقر هنا للوصول.

المصدر: https://analytixon.com/2021/07/29/if-you-did-not-already-know-1461/

مواصلة القراءة

البيانات الكبيرة

نوكيا ترفع توقعاتها للعام بأكمله مع تجذر التحول

تم النشر

on

هلسنكي (رويترز) - أعلنت شركة نوكيا لصناعة معدات الاتصالات عن تحقيق أرباح تشغيلية أقوى من المتوقع في الربع الثاني يوم الخميس ورفعت توقعاتها للعام بأكمله كما وعدت بفضل تحول في أعمالها.

وارتفعت أرباح التشغيل المماثلة للشركة الفنلندية من أبريل إلى يونيو إلى 682 مليون يورو (808.51 مليون دولار) من 423 مليون يورو في العام السابق ، متجاوزة تقديرات المتوسط ​​البالغة 408 ملايين يورو في استطلاع أجرته رفينيتيف للمحللين.

أدى التحول الجيوسياسي والجولة الحادة من خفض التكاليف إلى عودة نوكيا بقوة إلى السباق العالمي لشبكات الجيل الخامس بعد عام واحد فقط من تولي الرئيس التنفيذي بيكا لوندمارك زمام الأمور ، مما سمح لها بالفوز على منافستها السويدية اللدود إريكسون.

"لقد نفذنا بشكل أسرع مما كان مخططًا لنا إستراتيجية وقال لوندمارك في بيان يوم الخميس ، إن النصف الأول يوفر لنا أساسًا جيدًا للعام بأكمله ، لكنه أضاف أن نوكيا لا تزال تتوقع أن تكون نتائج النصف الثاني لعام 2021 أقل وضوحًا.

قالت نوكيا إنها تتوقع الآن صافي مبيعات للعام بأكمله يتراوح بين 21.7 مليار و 22.7 مليار يورو ، بزيادة عن تقديراتها السابقة البالغة 20.6 مليار - 21.8 مليار يورو ، مع هامش ربح تشغيلي يتراوح بين 10-12٪ بدلاً من 7٪ إلى 10٪ المتوقعة. سابقا.

وكانت الشركة قد أعلنت في 13 يوليو / تموز أنها سترفع توقعاتها لكنها لم تذكر أي تفاصيل.

($ = 1 0.8435 يورو)

(شارك في التغطية إيسي ليتو ، وتحرير تيري سولسفيك وسريراج كالوفيلا)

الصورة الائتمان: رويترز

أفلاطون. Web3 مُعاد تصوره. تضخيم ذكاء البيانات.
انقر هنا للوصول.

المصدر: https://datafloq.com/read/nokia-lifts-full-year-forecast-turnaround-takes-root/16713

مواصلة القراءة

البيانات الكبيرة

Robinhood ، بوابة إلى أسهم "meme" ، تجمع 2.1 مليار دولار في الاكتتاب العام

تم النشر

on

بقلم إيكو وانغ وديفيد فرينش

(رويترز) - Robinhood Markets Inc ، مالكة تطبيق التداول الذي ظهر كوجهة للذهاب إلى بيع بالتجزئة جمع المستثمرون المضاربون على جنون تداول الأسهم "meme" لهذا العام 2.1 مليار دولار في طرحها العام الأولي يوم الأربعاء.

كانت الشركة تسعى إلى الاستفادة من افتتان المستثمرين الفرديين بالعملات المشفرة والأسهم مثل GameStop Corp ، التي شهدت تقلبات حادة بعد أن أصبحت موضوعًا للمضاربة التجارية على مواقع التواصل الاجتماعي مثل Reddit. ارتفع عدد المستخدمين النشطين شهريًا في Robinhood من 11.7 مليون في نهاية ديسمبر إلى 21.3 مليون في نهاية يونيو.

قدر الاكتتاب العام لشركة Robinhood بمبلغ 31.8 مليار دولار ، مما يجعلها أكبر كدالة لإيراداتها من العديد من منافسيها التقليديين مثل Charles Schwab Corp ، ولكن سعر الطرح في أسفل النطاق المشار إليه للشركة.

ظل بعض المستثمرين على الهامش ، مستشهدين بمخاوف بشأن التقييم المزبد ، وخطر قيام المنظمين بقمع أعمال Robinhood ، وحتى الغضب المستمر من فرض الشركة قيودًا على التداول عندما اندلعت جنون تداول الأسهم في نهاية شهر يناير.

قالت Robinhood إنها باعت 55 مليون سهم في الاكتتاب العام بسعر 38 دولارًا للسهم ، وهو الحد الأدنى للنطاق السعري الذي يتراوح بين 38 و 42 دولارًا. هذا يجعلها واحدة من أكثر الشركات الأمريكية قيمة التي تم طرحها للاكتتاب العام حتى تاريخه ، وسط سوق محموم للإدراجات الجديدة.

في خطوة غير معتادة ، قالت Robinhood إنها ستحتفظ بما بين 20٪ و 35٪ من أسهمها لمستخدميها.

تتيح منصة Robinhood للمستخدمين إجراء صفقات غير محدودة بدون عمولات في الأسهم والصناديق المتداولة في البورصة والخيارات والعملات المشفرة. جعلته واجهته البسيطة شائعًا لدى المستثمرين الشباب الذين يتداولون من المنزل خلال جائحة COVID-19.

أغضبت Robinhood بعض المستثمرين والمشرعين الأمريكيين في وقت سابق من هذا العام عندما فرضت قيودًا على التداول في بعض الأسهم الشعبية بعد زيادة قدرها 10 أضعاف في متطلبات الودائع في غرفة المقاصة. لقد كان في مركز العديد من التحقيقات التنظيمية.

كشفت الشركة هذا الأسبوع أنها تلقت استفسارات من المنظمين الأمريكيين الذين يبحثون عما إذا كان موظفوها قد تداولوا أسهم GameStop و AMC Entertainment Holdings، Inc قبل فرض قيود التداول في نهاية يناير.

في يونيو ، وافقت شركة Robinhood على دفع ما يقرب من 70 مليون دولار لتسوية تحقيق أجرته هيئة تنظيم الصناعة المالية في وول ستريت بشأن الإخفاقات "المنهجية" ، بما في ذلك انقطاع الأنظمة ، وتقديم معلومات "خاطئة أو مضللة" ، وضوابط تداول الخيارات الضعيفة.

تم انتقاد السمسرة أيضًا لاعتمادها على "الدفع مقابل تدفق الطلبات" لمعظم إيراداتها ، والتي بموجبها تتلقى رسومًا من صانعي السوق لتوجيه الصفقات إليهم ولا تفرض رسومًا على المستخدمين مقابل التداولات الفردية.

يجادل النقاد بأن هذه الممارسة ، التي يستخدمها العديد من الوسطاء الآخرين ، تخلق تضاربًا في المصالح ، على أساس أنها تحفز الوسطاء على إرسال أوامر لمن يدفع رسومًا أعلى. تؤكد Robinhood أنها توجه الصفقات بناءً على ما هو أرخص لمستخدميها ، وأن فرض عمولة سيكون أكثر تكلفة. لجنة الأوراق المالية والبورصات الأمريكية تدرس هذه الممارسة.

تأسست Robinhood في عام 2013 من قبل زملائها في جامعة ستانفورد فلاد تينيف وبايجو بهات. وأظهرت هذه الإيداعات أنهم سيحصلون على غالبية قوة التصويت بعد العرض ، مع امتلاك بهات حوالي 39 ٪ من قوة التصويت للأسهم القائمة بينما سيحتفظ Tenev بحوالي 26.2 ٪.

من المقرر أن يبدأ تداول أسهم الشركة في بورصة ناسداك يوم الخميس تحت رمز "HOOD".

كان Goldman Sachs و JP Morgan من كبار مسؤولي الاكتتاب في الاكتتاب العام لشركة Robinhood.

(شارك في التغطية إيكو وانج وديفيد فرينش في نيويورك ؛ تحرير ليزلي أدلر)

الصورة الائتمان: رويترز

أفلاطون. Web3 مُعاد تصوره. تضخيم ذكاء البيانات.
انقر هنا للوصول.

المصدر: https://datafloq.com/read/robinhood-gateway-meme-stocks-raises-21-billion-ipo/16712

مواصلة القراءة
AR / VRقبل أيام

مراجعة: ويندز آند ليفز

AR / VRقبل أيام

يفتح nDreams Studio Orbital مع التركيز على ألعاب الخدمة المباشرة للواقع الافتراضي

بالاماراتقبل أيام

تم الإعلان عن مسابقة Pokémon Sword and Shield's Same Double Beat عبر الإنترنت في 13 أغسطس

طاقــةقبل أيام

وفر المال ، ابق هادئًا مع وصول موجة الحر إلى كارولينا

AIقبل أيام

كيفية بناء برنامج قوي Shopify Chatbot

كتلة سلسلةقبل أيام

التحليل الفني لـ RUNE: ابحث عن مستويات المقاومة الثانية والثالثة عند 5.29 دولار و 5.75 دولار

كتلة سلسلةقبل أيام

عيد ميلاد سعيد Ethereum!

التكنولوجيا النظيفةقبل أيام

ستقيم تسلا يوم الذكاء الاصطناعي في عام 2021 في 19 أغسطس

ألعابقبل أيام

قرية الشر المقيم و Monster Hunter Rise Drive تسجل أرباح الربع الأول لشركة Capcom

طاقــةقبل أيام

تتعاون مجموعة Shaw مع Clough في الولايات المتحدة لتقديم تصنيع الأنابيب لمشروع ساحل الخليج للبتروكيماويات

الأمن السيبرانيقبل أيام

يعتمد حصان طروادة المصرفي في Android على تسجيل الشاشة و Keylogging بدلاً من HTML

AR / VRقبل أيام

تم تأكيد تاريخ إطلاق Carrier Command 2 VR August

الأمن السيبرانيقبل أيام

كيف تبيع الأمن السيبراني

كتلة سلسلةقبل أيام

إن صرف تبرع شركة Buterin بمبلغ 1 مليار دولار ليس بالأمر السهل ، كما يقول منشئ صندوق COVID-Crypto

بالاماراتقبل أيام

قبائل ميدجارد بيرسيركر: كيفية فتح

الاستثمارقبل أيام

كيف تستخدم إشارات الأسهم الأعلى كمبتدئ؟

بالاماراتقبل أيام

قبائل ميدجارد بيرسيركر: كيفية فتح

طاقــةقبل أيام

تعلن CEMIG Geracão e Transmissão SA عن تاريخ طرح العطاء المبكر عن نتائج مناقصتها النقدية لسنداتها الممتازة 9.250٪ المستحقة في 2024

طاقــةقبل أيام

تقرير استخبارات مشتريات سوق المواد الكيميائية التخمير مع تحليل تأثير COVID-19 | SpendEdge

CNBCقبل أيام

أطلقت Rocket Lab قمرًا صناعيًا تابعًا لقوة الفضاء الأمريكية بعد مهمتها الفاشلة في مايو

منتجات شائعة