Η Τεχνητή Νοημοσύνη έχει αποδείξει τη δημοτικότητά της μεταξύ των κορυφαίων υπηρεσιών στον τομέα της πληροφορικής. Εκατομμύρια εταιρείες χρησιμοποιούν μοντέλα μηχανικής μάθησης για να προβλέψουν το μέλλον με βάση τα τρέχοντα δεδομένα. Παρέχει μια καλύτερη κατανόηση της επιχείρησης και δίνει τη δυνατότητα στον υπεύθυνο λήψης αποφάσεων και βοηθά στην πρόοδο της εταιρείας. Η AWS προσφέρει την υπηρεσία SageMaker για τη δημιουργία μοντέλων μηχανικής εκμάθησης στο cloud για να έχετε τα καλύτερα αποτελέσματα στο cloud.
Αυτός ο οδηγός θα εξηγήσει τη διαδικασία εκπαίδευσης του μοντέλου μηχανικής εκμάθησης στην υπηρεσία Amazon SageMaker.
Πώς να εκπαιδεύσετε μοντέλα ML στο Amazon SageMaker;
Για να εκπαιδεύσετε το μοντέλο μηχανικής εκμάθησης στο AWS Sagemaker, απλώς ακολουθήστε αυτόν τον εύκολο οδηγό:
Επισκεφτείτε την υπηρεσία S3
Πριν αρχίσει να δημιουργεί ένα μοντέλο μηχανικής μάθησης, ο χρήστης πρέπει να αποθηκεύσει το σύνολο δεδομένων στον κάδο S3. Για να ανεβάσετε δεδομένα στο cloud, απλώς επισκεφτείτε το ' S3 ” ταμπλό σέρβις:
Ελέγξτε τον κάδο S3
Επισκέψου το ' Κουβάδες ” ταμπλό από την Κονσόλα S3 και ανοίξτε το καλάθι για να ανεβάσετε τα αντικείμενα σε αυτό:
Μεταφόρτωση συνόλου δεδομένων
Ανεβάστε το σύνολο δεδομένων από το τοπικό σύστημα στον κάδο S3 στο cloud για να το χρησιμοποιήσετε για εκπαίδευση μοντέλων μηχανικής εκμάθησης:
Υπηρεσία Amazon SageMaker
Αφού ανεβάσετε τα δεδομένα στο cloud, απλώς επισκεφτείτε την υπηρεσία Amazon SageMaker από την Κονσόλα διαχείρισης AWS:
Ανοιχτό στούντιο
Εντοπίστε το ' Στούντιο κουμπί ” από τον αριστερό πίνακα και κάντε κλικ σε αυτό:
Κάνε κλικ στο ' Ανοιχτό στούντιο κουμπί ” από τη σελίδα SageMaker Studio:
Λύση AutoML
Θα χρειαστούν μερικά λεπτά για να ανοίξει το SageMaker Studio και μόλις ανοίξει, απλώς κάντε κλικ στο ' AutoML Κουμπί ”:
Δείτε την εισαγωγή και κάντε κλικ στο ' Δημιουργία πειράματος AutoML κουμπί ” από το κάτω μέρος της σελίδας:
Διαμόρφωση πειράματος
Ξεκινήστε τη διαμόρφωση του πειράματος AutoML πληκτρολογώντας το όνομα του έργου και κάνοντας κλικ στο ' Ξεφυλλίζω κουμπί ” για να βρείτε τη θέση S3:
Εξαγωγή συνόλου δεδομένων
Επιλέξτε τη διαδρομή του αποθηκευτικού συνόλου δεδομένων στον κάδο S3 και κάντε κλικ στο ' Επόμενο: Στόχος και χαρακτηριστικά Κουμπί ”:
Επιλέξτε τη στήλη Target από το σύνολο δεδομένων για να εφαρμόσετε το μοντέλο ML και επιλέξτε το πεδίο βάρους δείγματος από το σύνολο δεδομένων:
Κάντε κύλιση προς τα κάτω στο κάτω μέρος της σελίδας για να ελέγξετε τα εξαγόμενα δεδομένα και κάντε κλικ στο ' Επόμενο: Μέθοδος προπόνησης Κουμπί ”:
Μέθοδοι Εκπαίδευσης
Επιλέξτε τα μοντέλα Machine Learning που παρέχονται από την πλατφόρμα και κάντε κλικ στο ' Επόμενο: Ανάπτυξη και σύνθετες ρυθμίσεις Κουμπί ”:
Επιλέξτε τον τύπο προβλήματος για το μοντέλο μηχανικής εκμάθησης και ' Αυτο ” σημαίνει ότι η πλατφόρμα θα το επιλέξει αυτόματα αναλύοντας τα δεδομένα:
Δημιουργία πειράματος
Ελέγξτε τις διαμορφώσεις του μοντέλου και κάντε κλικ στο ' Δημιουργία πειράματος Κουμπί ”:
Η κατάσταση του μοντέλου είναι ' Σε εξέλιξη ” και θα χρειαστεί χρόνος για την εκπαίδευση του μοντέλου και την απόκτηση του καλύτερου μοντέλου για τα δεδομένα:
Ελέγξτε το καλύτερο μοντέλο
Η πλατφόρμα βρήκε το καλύτερο μοντέλο με ακρίβεια και παρείχε τη λίστα με τα μοντέλα που έχει εκπαιδεύσει στα δεδομένα:
Επιλέξτε το καλύτερο μοντέλο και ελέγξτε την απόδοσή του από το ' Επεξηγησιμότητα μοντέλου ” σελίδα:
Το ακόλουθο GIF εξηγεί την απόδοση του μοντέλου χρησιμοποιώντας διαφορετικές τεχνικές οπτικοποίησης:
Αυτό αφορά την εκπαίδευση μοντέλων μηχανικής εκμάθησης στην υπηρεσία Amazon SageMaker.
συμπέρασμα
Για να εκπαιδεύσετε το μοντέλο μηχανικής εκμάθησης στο Amazon SageMaker, απλώς ανεβάστε το σύνολο δεδομένων στον κάδο S3 από το τοπικό σύστημα. Μετά από αυτό, επισκεφτείτε τον πίνακα εργαλείων της υπηρεσίας SageMaker και ανοίξτε το Studio του από τον πίνακα εργαλείων για να ξεκινήσετε την εκπαίδευση του μοντέλου. Επιλέξτε την επιλογή AutoML και διαμορφώστε το πείραμα παρέχοντας τη διαδρομή S3 των δεδομένων και επιτρέποντας στην πλατφόρμα να επιλέξει το καλύτερα εκπαιδευμένο μοντέλο από τη λίστα.