Python Scikit-learn Custom Estimators: Ένας Ολοκληρωμένος Οδηγός για την Υλοποίηση Αλγορίθμων

Το Scikit-learn είναι μια ισχυρή και ευρέως χρησιμοποιούμενη βιβλιοθήκη Python για μηχανική μάθηση. Ενώ παρέχει μια τεράστια συλλογή προκατασκευασμένων αλγορίθμων, υπάρχουν περιπτώσεις όπου χρειάζεται να υλοποιήσετε τους δικούς σας custom αλγορίθμους. Ευτυχώς, το scikit-learn προσφέρει ένα ευέλικτο πλαίσιο για τη δημιουργία custom estimators, επιτρέποντάς σας να ενσωματώσετε απρόσκοπτα τους αλγορίθμους σας στο οικοσύστημα του scikit-learn. Αυτός ο ολοκληρωμένος οδηγός θα σας καθοδηγήσει στη διαδικασία δημιουργίας custom estimators, από την κατανόηση των βασικών αρχών έως την υλοποίηση προηγμένων τεχνικών. Θα εξερευνήσουμε επίσης παραδείγματα από τον πραγματικό κόσμο για να απεικονίσουμε τις πρακτικές εφαρμογές των custom estimators.

Γιατί να Δημιουργήσετε Custom Estimators;

Πριν βουτήξουμε στις λεπτομέρειες υλοποίησης, ας κατανοήσουμε γιατί μπορεί να θέλετε να δημιουργήσετε custom estimators:

• Υλοποίηση Νέων Αλγορίθμων: Το Scikit-learn δεν καλύπτει κάθε πιθανό αλγόριθμο μηχανικής μάθησης. Εάν έχετε αναπτύξει έναν νέο αλγόριθμο ή θέλετε να υλοποιήσετε μια ερευνητική εργασία, η δημιουργία ενός custom estimator είναι ο καλύτερος τρόπος.
• Προσαρμογή Υπαρχόντων Αλγορίθμων: Μπορεί να θέλετε να τροποποιήσετε έναν υπάρχοντα αλγόριθμο scikit-learn για να ταιριάζει καλύτερα στις συγκεκριμένες ανάγκες σας. Οι Custom estimators σάς επιτρέπουν να επεκτείνετε ή να προσαρμόσετε την υπάρχουσα λειτουργικότητα.
• Ενσωμάτωση με Εξωτερικές Βιβλιοθήκες: Μπορεί να θέλετε να χρησιμοποιήσετε αλγορίθμους από άλλες βιβλιοθήκες Python που δεν είναι άμεσα συμβατές με το scikit-learn. Οι Custom estimators παρέχουν μια γέφυρα μεταξύ αυτών των βιβλιοθηκών και του API του scikit-learn.
• Βελτίωση της Επαναχρησιμοποίησης Κώδικα: Ενσωματώνοντας τον αλγόριθμό σας σε έναν custom estimator, μπορείτε εύκολα να τον επαναχρησιμοποιήσετε σε διαφορετικά έργα και να τον μοιραστείτε με άλλους.
• Βελτίωση της Ενσωμάτωσης Pipeline: Οι Custom estimators ενσωματώνονται απρόσκοπτα με τα pipelines του scikit-learn, επιτρέποντάς σας να δημιουργήσετε σύνθετες ροές εργασίας μηχανικής μάθησης.

Κατανόηση των Βασικών Αρχών των Scikit-learn Estimators

Στον πυρήνα του, ένας scikit-learn estimator είναι μια κλάση Python που υλοποιεί τις μεθόδους fit και predict (και μερικές φορές άλλες μεθόδους όπως transform ή fit_transform). Αυτές οι μέθοδοι ορίζουν τη συμπεριφορά του estimator κατά τη διάρκεια της εκπαίδευσης και της πρόβλεψης. Υπάρχουν δύο κύριοι τύποι estimators:

• Transformers: Αυτοί οι estimators μετασχηματίζουν δεδομένα από μια μορφή σε μια άλλη. Παραδείγματα περιλαμβάνουν StandardScaler, PCA και OneHotEncoder. Συνήθως υλοποιούν τις μεθόδους fit και transform.
• Models (Predictors): Αυτοί οι estimators μαθαίνουν ένα μοντέλο από τα δεδομένα και το χρησιμοποιούν για να κάνουν προβλέψεις. Παραδείγματα περιλαμβάνουν LinearRegression, DecisionTreeClassifier και KMeans. Συνήθως υλοποιούν τις μεθόδους fit και predict.

Και οι δύο τύποι estimators μοιράζονται ένα κοινό API, επιτρέποντάς σας να τους χρησιμοποιείτε εναλλακτικά σε pipelines και άλλα εργαλεία scikit-learn.

Δημιουργία ενός Απλού Custom Transformer

Ας ξεκινήσουμε με ένα απλό παράδειγμα ενός custom transformer. Αυτός ο transformer θα κλιμακώσει κάθε χαρακτηριστικό κατά έναν σταθερό παράγοντα. Αυτός ο transformer είναι παρόμοιος με το `StandardScaler`, αλλά απλούστερος και επιτρέπει τον καθορισμό ενός custom παράγοντα κλιμάκωσης.

            
from sklearn.base import BaseEstimator, TransformerMixin
import numpy as np

class FeatureScaler(BaseEstimator, TransformerMixin):
    def __init__(self, factor=1.0):
        self.factor = factor

    def fit(self, X, y=None):
        # No fitting needed for this transformer
        return self

    def transform(self, X):
        return X * self.factor

            

              
                Copy
              
            
          

Εδώ είναι μια ανάλυση του κώδικα:

• Inheritance: Κληρονομούμε από BaseEstimator και TransformerMixin. Το BaseEstimator παρέχει βασικές λειτουργίες όπως get_params και set_params, ενώ το TransformerMixin παρέχει μια προεπιλεγμένη υλοποίηση του fit_transform (η οποία καλεί fit και στη συνέχεια transform).
• __init__: Αυτός είναι ο κατασκευαστής. Λαμβάνει τον παράγοντα κλιμάκωσης ως όρισμα και τον αποθηκεύει στο χαρακτηριστικό self.factor. Είναι σημαντικό να ορίσετε τις παραμέτρους του estimator σας στον κατασκευαστή.
• fit: Αυτή η μέθοδος καλείται για να προσαρμόσει τον transformer στα δεδομένα. Σε αυτήν την περίπτωση, δεν χρειάζεται να μάθουμε τίποτα από τα δεδομένα, επομένως απλώς επιστρέφουμε self. Το όρισμα y συχνά δεν χρησιμοποιείται για transformers, αλλά απαιτείται για συμβατότητα με το API του scikit-learn.
• transform: Αυτή η μέθοδος καλείται για να μετασχηματίσει τα δεδομένα. Απλώς πολλαπλασιάζουμε κάθε χαρακτηριστικό με τον παράγοντα κλιμάκωσης.

Τώρα, ας δούμε πώς να χρησιμοποιήσετε αυτόν τον custom transformer:

            
# Example Usage
from sklearn.pipeline import Pipeline

X = np.array([[1, 2], [3, 4], [5, 6]])

# Create a FeatureScaler with a factor of 2
scaler = FeatureScaler(factor=2.0)

# Transform the data
X_transformed = scaler.transform(X)

print(X_transformed)
# Output:
# [[ 2.  4.]
#  [ 6.  8.]
#  [10. 12.]]

# Using in a pipeline
pipe = Pipeline([('scaler', FeatureScaler(factor=3.0))])
X_transformed_pipeline = pipe.fit_transform(X)
print(X_transformed_pipeline)
# Output:
# [[ 3.  6.]
#  [ 9. 12.]
#  [15. 18.]]

            

              
                Copy
              
            
          

Δημιουργία ενός Απλού Custom Model (Predictor)

Στη συνέχεια, ας δημιουργήσουμε ένα απλό custom μοντέλο. Αυτό το μοντέλο θα προβλέψει τον μέσο όρο των δεδομένων εκπαίδευσης για όλες τις μελλοντικές προβλέψεις. Αν και δεν είναι ιδιαίτερα χρήσιμο, καταδεικνύει τη βασική δομή ενός custom predictor.

            
from sklearn.base import BaseEstimator, RegressorMixin
import numpy as np

class MeanPredictor(BaseEstimator, RegressorMixin):
    def __init__(self):
        self.mean_ = None

    def fit(self, X, y):
        self.mean_ = np.mean(y)
        return self

    def predict(self, X):
        return np.full(X.shape[0], self.mean_)

            

              
                Copy
              
            
          

Εδώ είναι μια ανάλυση του κώδικα:

• Inheritance: Κληρονομούμε από BaseEstimator και RegressorMixin. Το RegressorMixin παρέχει προεπιλεγμένες υλοποιήσεις για μεθόδους που σχετίζονται με την παλινδρόμηση (αν και δεν τις χρησιμοποιούμε σε αυτό το παράδειγμα).
• __init__: Αρχικοποιούμε το self.mean_ σε None. Αυτό το χαρακτηριστικό θα αποθηκεύσει τον μέσο όρο της μεταβλητής στόχου μετά την προσαρμογή.
• fit: Αυτή η μέθοδος υπολογίζει τον μέσο όρο της μεταβλητής στόχου y και τον αποθηκεύει στο self.mean_.
• predict: Αυτή η μέθοδος επιστρέφει έναν πίνακα με το ίδιο μήκος με την είσοδο X, με κάθε στοιχείο ίσο με τον αποθηκευμένο μέσο όρο.

Τώρα, ας δούμε πώς να χρησιμοποιήσετε αυτό το custom μοντέλο:

            
# Example Usage
X = np.array([[1], [2], [3]])
y = np.array([10, 20, 30])

# Create a MeanPredictor
predictor = MeanPredictor()

# Fit the model
predictor.fit(X, y)

# Predict on new data
X_new = np.array([[4], [5], [6]])
y_pred = predictor.predict(X_new)

print(y_pred)
# Output:
# [20. 20. 20.]

            

              
                Copy
              
            
          

Υλοποίηση Επικύρωσης Παραμέτρων

Είναι σημαντικό να επικυρώσετε τις παραμέτρους που μεταβιβάζονται στους custom estimators σας. Αυτό βοηθά στην αποτροπή απροσδόκητης συμπεριφοράς και παρέχει ενημερωτικά μηνύματα σφάλματος στους χρήστες. Μπορείτε να χρησιμοποιήσετε τη συνάρτηση check_estimator από το sklearn.utils.estimator_checks για να ελέγξετε αυτόματα τον estimator σας σε σχέση με ένα σύνολο κοινών ελέγχων.

Πρώτα, ας τροποποιήσουμε το FeatureScaler για να συμπεριλάβουμε την επικύρωση παραμέτρων:

            
from sklearn.base import BaseEstimator, TransformerMixin
from sklearn.utils import validation

class FeatureScaler(BaseEstimator, TransformerMixin):
    def __init__(self, factor=1.0):
        self.factor = factor

    def fit(self, X, y=None):
        # Validate the input
        self.factor = validation.check_scalar(
            self.factor,
            'factor',
            target_type=float,
            min_val=0.0,
            include_boundaries=True
        )
        return self

    def transform(self, X):
        validation.check_is_fitted(self)
        X = validation.check_array(X)
        return X * self.factor

            

              
                Copy
              
            
          

Εδώ είναι τι έχουμε προσθέσει:

• validation.check_scalar: Χρησιμοποιούμε αυτήν τη συνάρτηση στη μέθοδο fit για να επικυρώσουμε ότι η παράμετρος factor είναι ένας float μεγαλύτερος ή ίσος με 0.
• validation.check_is_fitted: Χρησιμοποιούμε αυτήν τη συνάρτηση στη μέθοδο `transform` για να διασφαλίσουμε ότι ο estimator έχει προσαρμοστεί πριν από τη μετατροπή των δεδομένων.
• validation.check_array: Χρησιμοποιούμε αυτήν τη συνάρτηση για να επικυρώσουμε ότι η είσοδος `X` είναι ένας έγκυρος πίνακας.

Τώρα, ας χρησιμοποιήσουμε το check_estimator για να δοκιμάσουμε τον estimator μας:

            
from sklearn.utils.estimator_checks import check_estimator

# Perform checks
check_estimator(FeatureScaler)

            

              
                Copy
              
            
          

Εάν υπάρχουν προβλήματα με τον estimator σας (π.χ., λανθασμένοι τύποι παραμέτρων ή μεθόδων που λείπουν), το check_estimator θα προκαλέσει ένα σφάλμα. Αυτό είναι ένα ισχυρό εργαλείο για να διασφαλίσετε ότι οι custom estimators σας συμμορφώνονται με το API του scikit-learn.

Χειρισμός Υπερπαραμέτρων με το GridSearchCV

Ένα από τα βασικά πλεονεκτήματα της δημιουργίας custom estimators είναι ότι μπορείτε να τους χρησιμοποιήσετε με τα εργαλεία ρύθμισης υπερπαραμέτρων του scikit-learn, όπως GridSearchCV και RandomizedSearchCV. Για να κάνετε τον estimator σας συμβατό με αυτά τα εργαλεία, πρέπει να διασφαλίσετε ότι οι παράμετροί του είναι προσβάσιμες και τροποποιήσιμες. Αυτό συνήθως χειρίζεται αυτόματα χάρη στην κλάση `BaseEstimator`.

Ας το επιδείξουμε με το FeatureScaler. Θα χρησιμοποιήσουμε το GridSearchCV για να βρούμε τον βέλτιστο παράγοντα κλιμάκωσης:

            
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
import numpy as np

# Create a pipeline with the FeatureScaler
pipe = Pipeline([('scaler', FeatureScaler())])

# Define the parameter grid
param_grid = {'scaler__factor': [0.5, 1.0, 1.5, 2.0]}

# Create a GridSearchCV object
grid_search = GridSearchCV(pipe, param_grid, cv=3, scoring='r2') # Using R^2 as an example scoring metric.

# Generate some sample data
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])
y = np.array([2, 4, 6, 8, 10])

# Fit the grid search
grid_search.fit(X, y)

# Print the best parameters and score
print("Best parameters:", grid_search.best_params_)
print("Best score:", grid_search.best_score_)

            

              
                Copy
              
            
          

Σε αυτό το παράδειγμα, ορίζουμε ένα πλέγμα παραμέτρων που καθορίζει τις τιμές της παραμέτρου factor για αναζήτηση. Το GridSearchCV θα αξιολογήσει στη συνέχεια το pipeline με κάθε συνδυασμό παραμέτρων και θα επιστρέψει το σύνολο με τις καλύτερες επιδόσεις. Σημειώστε τη σύμβαση ονομασίας `scaler__factor` για πρόσβαση σε παραμέτρους εντός ενός σταδίου pipeline.

Προηγμένες Τεχνικές: Χειρισμός Σύνθετων Τύπων Δεδομένων και Τιμών που Λείπουν

Οι Custom estimators μπορούν επίσης να χρησιμοποιηθούν για τον χειρισμό σύνθετων τύπων δεδομένων και τιμών που λείπουν. Για παράδειγμα, μπορεί να θέλετε να δημιουργήσετε έναν transformer που συμπληρώνει τις τιμές που λείπουν χρησιμοποιώντας μια στρατηγική ειδική για τον τομέα ή που μετατρέπει κατηγορικά χαρακτηριστικά σε αριθμητικές αναπαραστάσεις. Το κλειδί είναι να εξετάσετε προσεκτικά τις συγκεκριμένες απαιτήσεις των δεδομένων σας και να υλοποιήσετε την κατάλληλη λογική στις μεθόδους fit και transform.

Ας εξετάσουμε ένα παράδειγμα ενός custom transformer που συμπληρώνει τις τιμές που λείπουν χρησιμοποιώντας τη διάμεσο:

            
from sklearn.base import BaseEstimator, TransformerMixin
import numpy as np

class MedianImputer(BaseEstimator, TransformerMixin):
    def __init__(self):
        self.median_ = None

    def fit(self, X, y=None):
        # Calculate the median for each column
        self.median_ = np.nanmedian(X, axis=0)
        return self

    def transform(self, X):
        # Impute missing values with the median
        X_imputed = np.where(np.isnan(X), self.median_, X)
        return X_imputed

            

              
                Copy
              
            
          

Σε αυτό το παράδειγμα, η μέθοδος fit υπολογίζει τη διάμεσο για κάθε στήλη στα δεδομένα εισόδου, αγνοώντας τις τιμές που λείπουν (np.nan). Στη συνέχεια, η μέθοδος transform αντικαθιστά τυχόν τιμές που λείπουν στα δεδομένα εισόδου με την αντίστοιχη διάμεσο.

Εδώ είναι πώς να το χρησιμοποιήσετε:

            
# Example Usage
X = np.array([[1, 2, np.nan], [3, np.nan, 5], [np.nan, 4, 6]])

# Create a MedianImputer
imputer = MedianImputer()

# Fit the imputer
imputer.fit(X)

# Transform the data
X_imputed = imputer.transform(X)

print(X_imputed)
# Output:
# [[1.  2.  5.5]
#  [3.  4.  5. ]
#  [2.  4.  6. ]]

            

              
                Copy
              
            
          

Παραδείγματα και Περιπτώσεις Χρήσης από τον Πραγματικό Κόσμο

Ας εξερευνήσουμε μερικά παραδείγματα από τον πραγματικό κόσμο όπου οι custom estimators μπορεί να είναι ιδιαίτερα χρήσιμοι:

• Δημιουργία Χαρακτηριστικών Χρονοσειρών: Μπορεί να θέλετε να δημιουργήσετε έναν custom transformer που εξάγει χαρακτηριστικά από δεδομένα χρονοσειρών, όπως κυλιόμενα στατιστικά στοιχεία ή υστερημένες τιμές. Για παράδειγμα, στις χρηματοπιστωτικές αγορές, μπορείτε να δημιουργήσετε έναν estimator που υπολογίζει τον κινητό μέσο όρο και την τυπική απόκλιση των τιμών των μετοχών σε ένα συγκεκριμένο παράθυρο. Αυτός ο estimator μπορεί στη συνέχεια να χρησιμοποιηθεί σε ένα pipeline για να προβλέψει τις μελλοντικές τιμές των μετοχών. Το μέγεθος του παραθύρου θα μπορούσε να είναι μια υπερπαράμετρος που ρυθμίζεται από το `GridSearchCV`.
• Επεξεργασία Φυσικής Γλώσσας (NLP): Θα μπορούσατε να δημιουργήσετε έναν custom transformer που εκτελεί καθαρισμό κειμένου ή εξαγωγή χαρακτηριστικών χρησιμοποιώντας τεχνικές που δεν είναι άμεσα διαθέσιμες στο scikit-learn. Για παράδειγμα, μπορεί να θέλετε να υλοποιήσετε έναν custom stemmer ή lemmatizer προσαρμοσμένο σε μια συγκεκριμένη γλώσσα ή τομέα. Θα μπορούσατε επίσης να ενσωματώσετε εξωτερικές βιβλιοθήκες όπως NLTK ή spaCy εντός του custom estimator σας.
• Επεξεργασία Εικόνας: Μπορεί να θέλετε να δημιουργήσετε έναν custom transformer που εφαρμόζει συγκεκριμένες λειτουργίες επεξεργασίας εικόνας, όπως φιλτράρισμα ή ανίχνευση ακμών, πριν τροφοδοτήσετε τις εικόνες σε ένα μοντέλο μηχανικής μάθησης. Αυτό θα μπορούσε να περιλαμβάνει την ενσωμάτωση με βιβλιοθήκες όπως OpenCV ή scikit-image. Για παράδειγμα, ένας estimator μπορεί να ομαλοποιήσει τη φωτεινότητα και την αντίθεση των ιατρικών εικόνων πριν εκπαιδεύσει ένα μοντέλο για την ανίχνευση όγκων.
• Συστήματα Σύστασης: Μπορείτε να δημιουργήσετε έναν custom estimator που υλοποιεί αλγορίθμους συνεργατικής φιλτραρίσματος, όπως η παραγοντοποίηση πινάκων, για τη δημιουργία εξατομικευμένων συστάσεων. Αυτό θα μπορούσε να περιλαμβάνει την ενσωμάτωση με βιβλιοθήκες όπως Surprise ή implicit. Για παράδειγμα, ένα σύστημα σύστασης ταινιών μπορεί να χρησιμοποιήσει έναν custom estimator για να προβλέψει τις αξιολογήσεις των χρηστών με βάση τις προηγούμενες προτιμήσεις τους και τις αξιολογήσεις άλλων χρηστών.
• Ανάλυση Γεωχωρικών Δεδομένων: Δημιουργήστε custom transformers για να εργαστείτε με δεδομένα τοποθεσίας. Αυτό μπορεί να περιλαμβάνει τον υπολογισμό αποστάσεων μεταξύ σημείων, την εκτέλεση χωρικών συνδέσεων ή την εξαγωγή χαρακτηριστικών από γεωγραφικά σχήματα. Για παράδειγμα, θα μπορούσατε να υπολογίσετε την απόσταση κάθε πελάτη από την πλησιέστερη τοποθεσία καταστήματος για να ενημερώσετε τις στρατηγικές μάρκετινγκ.

Βέλτιστες Πρακτικές για τη Δημιουργία Custom Estimators

Για να διασφαλίσετε ότι οι custom estimators σας είναι ισχυροί, συντηρήσιμοι και συμβατοί με το scikit-learn, ακολουθήστε αυτές τις βέλτιστες πρακτικές:

• Κληρονομήστε από το BaseEstimator και το κατάλληλο Mixin: Αυτό παρέχει βασικές λειτουργίες και διασφαλίζει τη συμβατότητα με το API του scikit-learn.
• Υλοποιήστε __init__, fit και transform (ή predict): Αυτές οι μέθοδοι είναι ο πυρήνας του estimator σας.
• Επικυρώστε τις Παραμέτρους Εισόδου: Χρησιμοποιήστε το sklearn.utils.validation για να επικυρώσετε τις παραμέτρους που μεταβιβάζονται στον estimator σας.
• Χειριστείτε τις Τιμές που Λείπουν Κατάλληλα: Αποφασίστε πώς ο estimator σας θα πρέπει να χειρίζεται τις τιμές που λείπουν και να υλοποιήσει την κατάλληλη λογική.
• Τεκμηριώστε τον Κώδικά σας: Παρέχετε σαφή και συνοπτική τεκμηρίωση για τον estimator σας, συμπεριλαμβανομένου του σκοπού, των παραμέτρων και της χρήσης του. Χρησιμοποιήστε docstrings που συμμορφώνονται με τη σύμβαση NumPy/SciPy για συνέπεια.
• Δοκιμάστε τον Κώδικά σας: Χρησιμοποιήστε το sklearn.utils.estimator_checks για να δοκιμάσετε τον estimator σας σε σχέση με ένα σύνολο κοινών ελέγχων. Επίσης, γράψτε unit tests για να επαληθεύσετε ότι ο estimator σας λειτουργεί σωστά.
• Ακολουθήστε τις Συμβάσεις του Scikit-learn: Τηρήστε το στυλ κωδικοποίησης και τις συμβάσεις API του scikit-learn για να διασφαλίσετε τη συνέπεια και τη συντηρησιμότητα.
• Σκεφτείτε να Χρησιμοποιήσετε Decorators: Όταν είναι κατάλληλο, χρησιμοποιήστε decorators όπως το @validate_arguments από βιβλιοθήκες όπως το `typing-extensions` για να απλοποιήσετε την επικύρωση παραμέτρων.

Συμπέρασμα

Η δημιουργία custom estimators στο scikit-learn σάς επιτρέπει να επεκτείνετε τη λειτουργικότητά του και να υλοποιήσετε τους δικούς σας αλγορίθμους μηχανικής μάθησης. Ακολουθώντας τις οδηγίες και τις βέλτιστες πρακτικές που περιγράφονται σε αυτόν τον οδηγό, μπορείτε να δημιουργήσετε ισχυρούς, συντηρήσιμους και επαναχρησιμοποιήσιμους estimators που ενσωματώνονται απρόσκοπτα στο οικοσύστημα του scikit-learn. Είτε υλοποιείτε νέους αλγορίθμους, προσαρμόζετε υπάρχοντες είτε ενσωματώνετε με εξωτερικές βιβλιοθήκες, οι custom estimators παρέχουν ένα ισχυρό εργαλείο για την αντιμετώπιση σύνθετων προβλημάτων μηχανικής μάθησης.

Θυμηθείτε να δοκιμάσετε και να τεκμηριώσετε διεξοδικά τους custom estimators σας για να διασφαλίσετε την ποιότητα και τη χρηστικότητά τους. Με μια σταθερή κατανόηση του API του scikit-learn και λίγη δημιουργικότητα, μπορείτε να αξιοποιήσετε τους custom estimators για να δημιουργήσετε εξελιγμένες λύσεις μηχανικής μάθησης προσαρμοσμένες στις συγκεκριμένες ανάγκες σας. Καλή τύχη!