Αυτή η ανάρτηση συντάχθηκε με τη Θάτσερ Θόρνμπερι από την ενέργεια bpx.
Η ταξινόμηση προσωπείων είναι η διαδικασία κατάτμησης λιθολογικών σχηματισμών από γεωλογικά δεδομένα στη θέση του γεωτρύπανου. Κατά τη διάρκεια της γεώτρησης, λαμβάνονται κορμοί καλωδίων, οι οποίοι έχουν γεωλογικές πληροφορίες εξαρτώμενες από το βάθος. Αναπτύσσονται γεωλόγοι για να αναλύσουν αυτά τα δεδομένα καταγραφής και να προσδιορίσουν τις περιοχές βάθους για πιθανές όψεις ενδιαφέροντος από τους διαφορετικούς τύπους δεδομένων καταγραφής. Η ακριβής ταξινόμηση αυτών των περιοχών είναι κρίσιμη για τις διαδικασίες γεώτρησης που ακολουθούν.
Η ταξινόμηση προσώπων με χρήση τεχνητής νοημοσύνης και μηχανικής μάθησης (ML) έχει γίνει όλο και πιο δημοφιλής τομέας έρευνας για πολλές μεγάλες εταιρείες πετρελαίου. Πολλοί επιστήμονες δεδομένων και επιχειρησιακοί αναλυτές σε μεγάλες εταιρείες πετρελαίου δεν έχουν τις απαραίτητες δεξιότητες για να εκτελέσουν προηγμένα πειράματα ML σε σημαντικές εργασίες, όπως η ταξινόμηση προσώπων. Για να το αντιμετωπίσουμε αυτό, σας δείχνουμε πώς μπορείτε εύκολα να προετοιμάσετε και να εκπαιδεύσετε ένα μοντέλο ταξινόμησης ML με το καλύτερο στην κατηγορία του για αυτό το πρόβλημα.
Σε αυτήν την ανάρτηση, που απευθύνεται κυρίως σε όσους χρησιμοποιούν ήδη το Snowflake, εξηγούμε πώς μπορείτε να εισαγάγετε δεδομένα εκπαίδευσης και επικύρωσης για μια εργασία ταξινόμησης προσώπου από Νιφάδα χιονιού σε Καμβάς Amazon SageMaker και στη συνέχεια εκπαιδεύστε το μοντέλο χρησιμοποιώντας ένα μοντέλο πρόβλεψης κατηγορίας 3+.
Επισκόπηση λύσεων
Η λύση μας αποτελείται από τα ακόλουθα βήματα:
- Ανεβάστε δεδομένα CSV facies από το τοπικό σας μηχάνημα στο Snowflake. Για αυτήν την ανάρτηση, χρησιμοποιούμε δεδομένα από τα ακόλουθα αποθετήριο ανοιχτού κώδικα GitHub.
- Διαμορφώστε Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) ρόλους για το Snowflake και δημιουργήστε μια ενσωμάτωση Snowflake.
- Δημιουργήστε ένα μυστικό για τα διαπιστευτήρια Snowflake (προαιρετικό, αλλά συνιστάται).
- Εισαγάγετε το Snowflake απευθείας στον Καμβά.
- Κατασκευάστε ένα μοντέλο ταξινόμησης προσωπείων.
- Αναλύστε το μοντέλο.
- Εκτελέστε δέσμες και μεμονωμένες προβλέψεις χρησιμοποιώντας το μοντέλο πολλαπλών κλάσεων.
- Μοιραστείτε το εκπαιδευμένο μοντέλο σε Στούντιο Amazon SageMaker.
Προϋποθέσεις
Προαπαιτούμενα για αυτή τη θέση περιλαμβάνουν τα εξής:
Ανεβάστε δεδομένα CSV facies στο Snowflake
Σε αυτήν την ενότητα, παίρνουμε δύο σύνολα δεδομένων ανοιχτού κώδικα και τα ανεβάζουμε απευθείας από τον τοπικό μας υπολογιστή σε μια βάση δεδομένων Snowflake. Από εκεί, δημιουργήσαμε ένα επίπεδο ενοποίησης μεταξύ του Snowflake και του Canvas.
- Κατεβάστε το training_data.csv και validation_data_nofacies.csv αρχεία στον τοπικό σας υπολογιστή. Σημειώστε πού τα αποθηκεύσατε.
- Διασφαλίζοντας ότι διαθέτετε τα σωστά διαπιστευτήρια Snowflake και έχετε εγκαταστήσει την εφαρμογή για υπολογιστές Snowflake CLI, μπορείτε να κάνετε ομοσπονδία. Για περισσότερες πληροφορίες, ανατρέξτε στο Συνδεθείτε στο SnowSQL.
- Επιλέξτε την κατάλληλη αποθήκη νιφάδων χιονιού για να εργαστείτε, κάτι που στην περίπτωσή μας είναι
COMPUTE_WH
:
- Επιλέξτε μια βάση δεδομένων που θα χρησιμοποιήσετε για το υπόλοιπο της πορείας:
- Δημιουργήστε μια μορφή αρχείου με όνομα που θα περιγράφει ένα σύνολο σταδιακών δεδομένων για πρόσβαση ή φόρτωση σε πίνακες Snowflake.
Αυτό μπορεί να εκτελεστεί είτε στο Snowflake CLI είτε σε ένα φύλλο εργασίας Snowflake στην εφαρμογή web. Για αυτήν την ανάρτηση, εκτελούμε ένα ερώτημα SnowSQL στην εφαρμογή Ιστού. Βλέπω Ξεκινώντας με τα φύλλα εργασίας για οδηγίες για τη δημιουργία ενός φύλλου εργασίας στην εφαρμογή Ιστού Snowflake.
- Δημιουργήστε έναν πίνακα στο Snowflake χρησιμοποιώντας την πρόταση CREATE.
Η ακόλουθη πρόταση δημιουργεί έναν νέο πίνακα στο τρέχον ή καθορισμένο σχήμα (ή αντικαθιστά έναν υπάρχοντα πίνακα).
Είναι σημαντικό οι τύποι δεδομένων και η σειρά με την οποία εμφανίζονται να είναι σωστοί και να ευθυγραμμίζονται με αυτά που βρίσκονται στα αρχεία CSV που κατεβάσαμε προηγουμένως. Εάν δεν είναι συνεπείς, θα αντιμετωπίσουμε προβλήματα αργότερα όταν προσπαθήσουμε να αντιγράψουμε τα δεδομένα.
- Κάντε το ίδιο για τη βάση δεδομένων επικύρωσης.
Σημειώστε ότι το σχήμα είναι λίγο διαφορετικό από τα δεδομένα εκπαίδευσης. Και πάλι, βεβαιωθείτε ότι οι τύποι δεδομένων και οι παραγγελίες στηλών ή χαρακτηριστικών είναι σωστές.
- Φορτώστε το αρχείο δεδομένων CSV από το τοπικό σας σύστημα στο περιβάλλον σταδιοποίησης Snowflake:
- Ακολουθεί η σύνταξη της δήλωσης για το λειτουργικό σύστημα Windows:
- Ακολουθεί η σύνταξη της δήλωσης για Mac OS:
Το ακόλουθο στιγμιότυπο οθόνης δείχνει ένα παράδειγμα εντολής και εξόδου από το SnowSQL CLI.
- Αντιγράψτε τα δεδομένα στον πίνακα στόχο Snowflake.
Εδώ, φορτώνουμε τα δεδομένα CSV εκπαίδευσης στον πίνακα προορισμού, τον οποίο δημιουργήσαμε νωρίτερα. Σημειώστε ότι αυτό πρέπει να το κάνετε τόσο για τα αρχεία CSV εκπαίδευσης όσο και για την επικύρωση, αντιγράφοντάς τα στους πίνακες εκπαίδευσης και επικύρωσης, αντίστοιχα.
- Επαληθεύστε ότι τα δεδομένα έχουν φορτωθεί στον πίνακα προορισμού εκτελώντας ένα ερώτημα SELECT (μπορείτε να το κάνετε τόσο για τα δεδομένα εκπαίδευσης όσο και για τα δεδομένα επικύρωσης):
Διαμορφώστε τους ρόλους Snowflake IAM και δημιουργήστε την ενοποίηση Snowflake
Ως προϋπόθεση για αυτήν την ενότητα, ακολουθήστε την επίσημη τεκμηρίωση του Snowflake σχετικά με τον τρόπο γδιαμορφώστε μια ενοποίηση Snowflake Storage για πρόσβαση στο Amazon S3.
Ανακτήστε τον χρήστη IAM για το λογαριασμό σας στο Snowflake
Αφού διαμορφώσετε με επιτυχία την ενσωμάτωση αποθήκευσης Snowflake, εκτελέστε τα εξής DESCRIBE INTEGRATION
εντολή για ανάκτηση του ARN για τον χρήστη IAM που δημιουργήθηκε αυτόματα για το λογαριασμό σας στο Snowflake:
Καταγράψτε τις ακόλουθες τιμές από την έξοδο:
- STORAGE_AWS_IAM_USER_ARN - Ο χρήστης IAM που δημιουργήθηκε για το λογαριασμό σας στο Snowflake
- STORAGE_AWS_EXTERNAL_ID - Το εξωτερικό αναγνωριστικό που απαιτείται για τη δημιουργία σχέσης εμπιστοσύνης
Ενημερώστε την πολιτική εμπιστοσύνης ρόλων IAM
Τώρα ενημερώνουμε την πολιτική εμπιστοσύνης:
- Στην κονσόλα IAM, επιλέξτε ρόλους στο παράθυρο πλοήγησης.
- Επιλέξτε το ρόλο που δημιουργήσατε.
- Στις Σχέση εμπιστοσύνης καρτέλα, επιλέξτε Επεξεργασία σχέσης εμπιστοσύνης.
- Τροποποιήστε το έγγραφο πολιτικής όπως φαίνεται στον παρακάτω κώδικα με τις τιμές εξόδου DESC STORAGE INTEGRATION που καταγράψατε στο προηγούμενο βήμα.
- Επιλέξτε Ενημέρωση πολιτικής εμπιστοσύνης.
Δημιουργήστε μια εξωτερική σκηνή στο Snowflake
Χρησιμοποιούμε ένα εξωτερικό στάδιο στο Snowflake για τη φόρτωση δεδομένων από έναν κάδο S3 στο δικό σας λογαριασμό στο Snowflake. Σε αυτό το βήμα, δημιουργούμε ένα εξωτερικό στάδιο (Amazon S3) που αναφέρεται στην ενοποίηση αποθήκευσης που δημιουργήσατε. Για περισσότερες πληροφορίες, δείτε Δημιουργία Στάδιο S3.
Αυτό απαιτεί έναν ρόλο που έχει το CREATE_STAGE
προνόμιο για το σχήμα καθώς και το προνόμιο USAGE για την ενσωμάτωση αποθήκευσης. Μπορείτε να εκχωρήσετε αυτά τα δικαιώματα στον ρόλο όπως φαίνεται στον κώδικα στο επόμενο βήμα.
Δημιουργήστε το στάδιο χρησιμοποιώντας το CREATE_STAGE
εντολή με σύμβολα κράτησης θέσης για το εξωτερικό στάδιο και κάδο S3 και πρόθεμα. Το στάδιο αναφέρεται επίσης σε ένα όνομα αρχείου που ονομάζεται αντικείμενο my_csv_format
:
Δημιουργήστε ένα μυστικό για τα διαπιστευτήρια Snowflake
Το Canvas σάς επιτρέπει να χρησιμοποιείτε το ARN ενός Διευθυντής μυστικών AWS μυστικό ή όνομα λογαριασμού Snowflake, όνομα χρήστη και κωδικό πρόσβασης για πρόσβαση στο Snowflake. Εάν σκοπεύετε να χρησιμοποιήσετε την επιλογή όνομα λογαριασμού Snowflake, όνομα χρήστη και κωδικό πρόσβασης, μεταβείτε στην επόμενη ενότητα, η οποία καλύπτει την προσθήκη της πηγής δεδομένων.
Για να δημιουργήσετε ένα μυστικό Secrets Manager με μη αυτόματο τρόπο, ακολουθήστε τα παρακάτω βήματα:
- Στην κονσόλα Secrets Manager, επιλέξτε Αποθηκεύστε ένα νέο μυστικό.
- Για Επιλέξτε μυστικό τύπο¸ επιλέξτε Άλλοι τύποι μυστικών.
- Καθορίστε τις λεπτομέρειες του μυστικού σας ως ζεύγη κλειδιού-τιμής.
Τα ονόματα του κλειδιού έχουν διάκριση πεζών-κεφαλαίων και πρέπει να είναι πεζά.
Εάν προτιμάτε, μπορείτε να χρησιμοποιήσετε την επιλογή απλού κειμένου και να εισαγάγετε τις μυστικές τιμές ως JSON:
- Επιλέξτε Επόμενο.
- Για Μυστικό όνομα, προσθέστε το πρόθεμα
AmazonSageMaker
(για παράδειγμα, το μυστικό μας είναιAmazonSageMaker-CanvasSnowflakeCreds
). - Στο Ετικέτες ενότητα, προσθέστε μια ετικέτα με το κλειδί SageMaker και τιμή true.
- Επιλέξτε Επόμενο.
- Τα υπόλοιπα πεδία είναι προαιρετικά. επιλέγω Επόμενο έως ότου έχετε την επιλογή να επιλέξετε κατάστημα για να αποθηκεύσει το μυστικό.
- Αφού αποθηκεύσετε το μυστικό, επιστρέφετε στην κονσόλα του Secrets Manager.
- Επιλέξτε το μυστικό που μόλις δημιουργήσατε και, στη συνέχεια, ανακτήστε το μυστικό ARN.
- Αποθηκεύστε το στο πρόγραμμα επεξεργασίας κειμένου που προτιμάτε για χρήση αργότερα κατά τη δημιουργία της προέλευσης δεδομένων Canvas.
Εισαγάγετε το Snowflake απευθείας στον Καμβά
Για να εισαγάγετε το σύνολο δεδομένων Facies απευθείας στον Καμβά, ολοκληρώστε τα παρακάτω βήματα:
- Στην κονσόλα SageMaker, επιλέξτε Καμβάς Amazon SageMaker στο παράθυρο πλοήγησης.
- Επιλέξτε το προφίλ χρήστη σας και επιλέξτε Άνοιγμα καμβά.
- Στη σελίδα προορισμού Καμβάς, επιλέξτε Δεδομένα στο παράθυρο πλοήγησης.
- Επιλέξτε εισαγωγή.
- Κάντε κλικ στο Νιφάδα χιονιού στην παρακάτω εικόνα και μετά αμέσως "Προσθήκη σύνδεσης".
- Εισαγάγετε το ARN του μυστικού Snowflake που δημιουργήσαμε προηγουμένως, το όνομα ενσωμάτωσης αποθήκευσης (
SAGEMAKER_CANVAS_INTEGRATION
), και ένα μοναδικό όνομα σύνδεσης της επιλογής σας. - Επιλέξτε Προσθήκη σύνδεσης.
Εάν όλες οι καταχωρήσεις είναι έγκυρες, θα πρέπει να δείτε όλες τις βάσεις δεδομένων που σχετίζονται με τη σύνδεση στο παράθυρο πλοήγησης (δείτε το ακόλουθο παράδειγμα για NICK_FACIES
).
- Επιλέξτε
TRAINING_DATA
πίνακα και μετά επιλέξτε Προεπισκόπηση δεδομένων.
Εάν είστε ικανοποιημένοι με τα δεδομένα, μπορείτε να επεξεργαστείτε την προσαρμοσμένη SQL στο πρόγραμμα οπτικοποίησης δεδομένων.
- Επιλέξτε Επεξεργασία σε SQL.
- Εκτελέστε την ακόλουθη εντολή SQL πριν την εισαγωγή στο Canvas. (Αυτό προϋποθέτει ότι καλείται η βάση δεδομένων
NICK_FACIES
. Αντικαταστήστε αυτήν την τιμή με το όνομα της βάσης δεδομένων σας.)
Κάτι παρόμοιο με το παρακάτω στιγμιότυπο οθόνης θα πρέπει να εμφανίζεται στο Εισαγωγή προεπισκόπησης τμήμα.
- Εάν είστε ικανοποιημένοι με την προεπισκόπηση, επιλέξτε Εισαγωγή δεδομένων.
- Επιλέξτε ένα κατάλληλο όνομα δεδομένων, διασφαλίζοντας ότι είναι μοναδικό και έχει λιγότερους από 32 χαρακτήρες.
- Χρησιμοποιήστε την ακόλουθη εντολή για να εισαγάγετε το σύνολο δεδομένων επικύρωσης, χρησιμοποιώντας την ίδια μέθοδο όπως προηγουμένως:
Κατασκευάστε ένα μοντέλο ταξινόμησης προσωπείων
Για να δημιουργήσετε το μοντέλο ταξινόμησης προσώπων, ολοκληρώστε τα παρακάτω βήματα:
- Επιλέξτε Μοντέλα στο παράθυρο πλοήγησης και, στη συνέχεια, επιλέξτε Νέο μοντέλο.
- Δώστε στο μοντέλο σας ένα κατάλληλο όνομα.
- Στις Αγορά καρτέλα, επιλέξτε το σύνολο δεδομένων εκπαίδευσης που εισήχθη πρόσφατα και, στη συνέχεια, επιλέξτε Επιλέξτε σύνολο δεδομένων.
- Στις Χτίστε καρτέλα, αφήστε το
WELL_NAME
στήλη.
Το κάνουμε αυτό επειδή τα ίδια τα ονόματα των πηγαδιών δεν είναι χρήσιμες πληροφορίες για το μοντέλο ML. Είναι απλώς αυθαίρετα ονόματα που θεωρούμε χρήσιμα για να διακρίνουμε τα ίδια τα πηγάδια. Το όνομα που δίνουμε σε ένα συγκεκριμένο φρεάτιο είναι άσχετο με το μοντέλο ML.
- Επιλέξτε FACIES ως στήλη-στόχο.
- Άδεια Τύπος μοντέλου as Πρόβλεψη κατηγορίας 3+.
- Επικυρώστε τα δεδομένα.
- Επιλέξτε Τυπική κατασκευή.
Η σελίδα σας θα πρέπει να μοιάζει με το παρακάτω στιγμιότυπο οθόνης λίγο πριν δημιουργήσετε το μοντέλο σας.
Αφού επιλέξετε Τυπική κατασκευή, το μοντέλο εισέρχεται στο στάδιο της ανάλυσης. Σας παρέχεται ένας αναμενόμενος χρόνος κατασκευής. Τώρα μπορείτε να κλείσετε αυτό το παράθυρο, να αποσυνδεθείτε από το Canvas (για να αποφύγετε χρεώσεις) και να επιστρέψετε στο Canvas αργότερα.
Αναλύστε το μοντέλο ταξινόμησης προσωπείων
Για να αναλύσετε το μοντέλο, ολοκληρώστε τα παρακάτω βήματα:
- Συνδυάστε ξανά στον Καμβά.
- Εντοπίστε το μοντέλο που δημιουργήσατε προηγουμένως, επιλέξτε Δες, κατόπιν επιλέξτε Αναλύστε.
- Στις Επισκόπηση καρτέλα, μπορείτε να δείτε τον αντίκτυπο που έχουν μεμονωμένα χαρακτηριστικά στην έξοδο του μοντέλου.
- Στο δεξιό τμήμα του παραθύρου, μπορείτε να απεικονίσετε την επίδραση που έχει ένα δεδομένο χαρακτηριστικό (άξονας X) στην πρόβλεψη κάθε κλάσης προσώπων (άξονας Υ).
Αυτές οι απεικονίσεις θα αλλάξουν ανάλογα ανάλογα με τη δυνατότητα που θα επιλέξετε. Σας ενθαρρύνουμε να εξερευνήσετε αυτήν τη σελίδα περνώντας με ποδήλατο και στις 9 κατηγορίες και τις 10 λειτουργίες.
- Στις Βαθμολόγηση καρτέλα, μπορούμε να δούμε την προβλεπόμενη έναντι της πραγματικής ταξινόμησης προσώπων.
- Επιλέξτε Σύνθετες μετρήσεις για προβολή βαθμολογιών F1, μέση ακρίβεια, ακρίβεια, ανάκληση και AUC.
- Και πάλι, ενθαρρύνουμε την προβολή όλων των διαφορετικών τάξεων.
- Επιλέξτε Λήψη για λήψη μιας εικόνας στον τοπικό σας υπολογιστή.
Στην παρακάτω εικόνα, μπορούμε να δούμε μια σειρά από διαφορετικές προηγμένες μετρήσεις, όπως το σκορ F1. Στη στατιστική ανάλυση, η βαθμολογία F1 μεταφέρει την ισορροπία μεταξύ της ακρίβειας και της ανάκλησης ενός μοντέλου ταξινόμησης και υπολογίζεται χρησιμοποιώντας την ακόλουθη εξίσωση: 2*((Precision * Recall)/ (Precision + Recall))
.
Εκτέλεση δέσμης και μεμονωμένης πρόβλεψης χρησιμοποιώντας το μοντέλο ταξινόμησης προσωπείων πολλών κατηγοριών
Για να εκτελέσετε μια πρόβλεψη, ολοκληρώστε τα παρακάτω βήματα:
- Επιλέξτε Ενιαία πρόβλεψη για να τροποποιήσετε τις τιμές των χαρακτηριστικών όπως απαιτείται και να λάβετε μια ταξινόμηση προσώπου στα δεξιά της σελίδας.
Στη συνέχεια, μπορείτε να αντιγράψετε την εικόνα του γραφήματος προβλέψεων στο πρόχειρό σας και επίσης να κάνετε λήψη των προβλέψεων σε ένα αρχείο CSV.
- Επιλέξτε Πρόβλεψη παρτίδας και στη συνέχεια επιλέξτε Επιλέξτε σύνολο δεδομένων για να επιλέξετε το σύνολο δεδομένων επικύρωσης που εισαγάγατε προηγουμένως.
- Επιλέξτε Δημιουργήστε προβλέψεις.
Ανακατευθύνεστε στο Προλέγω σελίδα, όπου το Κατάσταση θα διαβασω Δημιουργία προβλέψεων για λίγα δευτερόλεπτα.
Μετά την επιστροφή των προβλέψεων, μπορείτε να κάνετε προεπισκόπηση, λήψη ή διαγραφή των προβλέψεων επιλέγοντας το μενού επιλογών (τρεις κάθετες κουκκίδες) δίπλα στις προβλέψεις.
Το παρακάτω είναι ένα παράδειγμα προεπισκόπησης προβλέψεων.
Μοιραστείτε ένα εκπαιδευμένο μοντέλο στο Studio
Τώρα μπορείτε να μοιραστείτε την πιο πρόσφατη έκδοση του μοντέλου με άλλον χρήστη του Studio. Αυτό επιτρέπει στους επιστήμονες δεδομένων να επανεξετάσουν το μοντέλο λεπτομερώς, να το δοκιμάσουν, να κάνουν οποιεσδήποτε αλλαγές που μπορεί να βελτιώσουν την ακρίβεια και να μοιραστούν μαζί σας το ενημερωμένο μοντέλο.
Η δυνατότητα κοινής χρήσης της εργασίας σας με έναν πιο τεχνικό χρήστη μέσα στο Studio είναι ένα βασικό χαρακτηριστικό του Canvas, δεδομένης της βασικής διάκρισης μεταξύ των ροών εργασίας των ML personas. Σημειώστε την έντονη εστίαση εδώ στη συνεργασία μεταξύ διαλειτουργικών ομάδων με διαφορετικές τεχνικές ικανότητες.
- Επιλέξτε Κοινοποίηση για να μοιραστείτε το μοντέλο.
- Επιλέξτε ποια έκδοση μοντέλου θα μοιραστείτε.
- Εισαγάγετε τον χρήστη του Studio για κοινή χρήση του μοντέλου.
- Προσθέστε μια προαιρετική σημείωση.
- Επιλέξτε Κοινοποίηση.
Συμπέρασμα
Σε αυτήν την ανάρτηση, δείξαμε πώς με λίγα μόνο κλικ στο Amazon SageMaker Canvas μπορείτε να προετοιμάσετε και να εισαγάγετε τα δεδομένα σας από το Snowflake, να ενώσετε τα σύνολα δεδομένων σας, να αναλύσετε την εκτιμώμενη ακρίβεια, να επαληθεύσετε ποιες στήλες έχουν αντίκτυπο, να εκπαιδεύσετε το μοντέλο με την καλύτερη απόδοση και να δημιουργήσετε νέο άτομο ή προβλέψεις παρτίδας. Είμαστε ενθουσιασμένοι που ακούμε τα σχόλιά σας και σας βοηθάμε να λύσετε ακόμη περισσότερα επιχειρηματικά προβλήματα με το ML. Για να φτιάξετε τα δικά σας μοντέλα, δείτε Ξεκινώντας με τη χρήση του Amazon SageMaker Canvas.
Σχετικά με τους Συγγραφείς
Νικ Μακάρθι είναι Μηχανικός Μηχανικής Μάθησης στην ομάδα AWS Professional Services. Έχει συνεργαστεί με πελάτες AWS σε διάφορους κλάδους, συμπεριλαμβανομένης της υγειονομικής περίθαλψης, των οικονομικών, του αθλητισμού, των τηλεπικοινωνιών και της ενέργειας για να επιταχύνει τα επιχειρηματικά τους αποτελέσματα μέσω της χρήσης AI/ML. Σε συνεργασία με την ομάδα επιστήμης δεδομένων bpx, ο Nick ολοκλήρωσε πρόσφατα την κατασκευή της πλατφόρμας Machine Learning της bpx στο Amazon SageMaker.
Θάτσερ Θόρνμπερι είναι Μηχανικός Μηχανικής Μάθησης στην bpx Energy. Υποστηρίζει τους επιστήμονες δεδομένων της bpx αναπτύσσοντας και διατηρώντας την βασική πλατφόρμα Data Science της εταιρείας στο Amazon SageMaker. Στον ελεύθερο χρόνο του λατρεύει να χακάρει σε προσωπικά έργα κωδικοποίησης και να περνά χρόνο σε εξωτερικούς χώρους με τη γυναίκα του.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
- Αγορά και πώληση μετοχών σε εταιρείες PRE-IPO με το PREIPO®. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/prepare-training-and-validation-dataset-for-facies-classification-using-snowflake-integration-and-train-using-amazon-sagemaker-canvas/
- :έχει
- :είναι
- :που
- $UP
- 10
- 100
- 11
- 12
- 14
- 17
- 50
- 7
- 8
- 9
- a
- ικανότητες
- ικανότητα
- επιταχύνουν
- πρόσβαση
- αναλόγως
- Λογαριασμός
- ακρίβεια
- με ακρίβεια
- απέναντι
- Ενέργειες
- πραγματικός
- προσθέτω
- προσθήκη
- διεύθυνση
- προηγμένες
- πάλι
- AI
- AI / ML
- Απευθύνεται
- ευθυγράμμιση
- Όλα
- επιτρέπουν
- επιτρέπει
- ήδη
- Επίσης
- Amazon
- Amazon Sage Maker
- Καμβάς Amazon SageMaker
- Amazon υπηρεσίες Web
- an
- ανάλυση
- Αναλυτές
- αναλύσει
- και
- Άλλος
- κάθε
- app
- εμφανίζομαι
- Εφαρμογή
- κατάλληλος
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- AS
- συσχετισμένη
- At
- αυτομάτως
- μέσος
- αποφύγετε
- AWS
- Επαγγελματικές υπηρεσίες AWS
- Άξονας
- πίσω
- Υπόλοιπο
- BE
- επειδή
- γίνονται
- ήταν
- πριν
- παρακάτω
- ΚΑΛΎΤΕΡΟΣ
- μεταξύ
- και οι δύο
- χτίζω
- Κτίριο
- επιχείρηση
- αλλά
- by
- που ονομάζεται
- CAN
- καμβάς
- περίπτωση
- κατηγορία
- αλλαγή
- Αλλαγές
- χαρακτήρες
- φορτία
- Διάγραμμα
- Επιλέξτε
- επιλέγοντας
- τάξη
- τάξεις
- ταξινόμηση
- πελάτες
- Κλεισιμο
- κωδικός
- Κωδικοποίηση
- συνεργασία
- Στήλη
- Στήλες
- Εταιρείες
- Εταιρεία
- πλήρης
- κατάσταση
- σύνδεση
- πρόξενος
- αντιγραφή
- πυρήνας
- διορθώσει
- Καλύπτει
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- Διαπιστεύσεις
- κρίσιμης
- διαλειτουργικές ομάδες
- Ρεύμα
- έθιμο
- ημερομηνία
- επιστημονικά δεδομένα
- βάση δεδομένων
- βάσεις δεδομένων
- σύνολα δεδομένων
- Σε συνάρτηση
- αναπτυχθεί
- βάθος
- περιγράφουν
- επιφάνεια εργασίας
- λεπτομέρεια
- καθέκαστα
- Προσδιορίστε
- ανάπτυξη
- διαφορετικές
- διαφέρουν
- κατευθείαν
- διακρίνω
- do
- έγγραφο
- τεκμηρίωση
- Μην
- κατεβάσετε
- Πτώση
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- εύκολα
- συντάκτης
- αποτέλεσμα
- είτε
- ενθαρρύνει
- ενέργεια
- μηχανικός
- εξασφαλίζω
- εξασφαλίζοντας
- εισάγετε
- Εισέρχεται
- Περιβάλλον
- εγκαθιδρύω
- αναμενόμενη
- Αιθέρας (ΕΤΗ)
- Even
- παράδειγμα
- ενθουσιασμένοι
- υφιστάμενα
- αναμένεται
- πειράματα
- Εξηγήστε
- διερευνήσει
- εξωτερικός
- f1
- Χαρακτηριστικό
- Χαρακτηριστικά
- ανατροφοδότηση
- λίγοι
- λιγότερα
- Πεδία
- Αρχεία
- Αρχεία
- χρηματοδότηση
- Εύρεση
- Συγκέντρωση
- ακολουθήστε
- Εξής
- Για
- μορφή
- σχηματισμός
- Βρέθηκαν
- Δωρεάν
- από
- παράγουν
- παίρνω
- GitHub
- Δώστε
- δεδομένου
- χορηγεί
- σιδηροπρίονο
- ευτυχισμένος
- Έχω
- που έχει
- he
- υγειονομική περίθαλψη
- ακούω
- βοήθεια
- εδώ
- του
- Πως
- Πώς να
- HTML
- http
- HTTPS
- IAM
- ID
- Ταυτότητα
- if
- εικόνα
- αμέσως
- Επίπτωση
- επιπτώσεις
- εισαγωγή
- σημαντικό
- εισαγωγή
- βελτίωση
- in
- περιλαμβάνουν
- Συμπεριλαμβανομένου
- όλο και περισσότερο
- ατομικές
- βιομηχανίες
- πληροφορίες
- εγκατασταθεί
- οδηγίες
- ολοκλήρωση
- σκοπεύω
- τόκος
- σε
- έρευνα
- θέματα
- IT
- ενταχθούν
- jpg
- json
- μόλις
- Κλειδί
- προσγείωση
- σελίδα προορισμού
- large
- αργότερα
- αργότερο
- στρώμα
- μάθηση
- λίγο
- φορτίο
- φόρτωση
- τοπικός
- τοποθεσία
- κούτσουρο
- Μακριά
- ματιά
- αγαπά
- mac
- μηχανή
- μάθηση μηχανής
- Majors
- κάνω
- διευθυντής
- χειροκίνητα
- πολοί
- Ενδέχεται..
- Μενού
- απλώς
- μέθοδος
- Metrics
- ML
- μοντέλο
- μοντέλα
- τροποποιήσει
- περισσότερο
- πρέπει
- όνομα
- Ονομάστηκε
- ονόματα
- Πλοήγηση
- απαραίτητος
- που απαιτούνται
- Νέα
- επόμενη
- σημείωση
- τώρα
- αριθμός
- αντικείμενο
- λαμβάνεται
- of
- επίσημος ανώτερος υπάλληλος
- Πετρέλαιο
- on
- ανοικτού κώδικα
- Επιλογή
- Επιλογές
- or
- τάξη
- παραγγελιών
- OS
- δικός μας
- έξω
- αποτελέσματα
- ύπαιθρο
- παραγωγή
- δική
- P&E
- σελίδα
- ζεύγη
- παράθυρο
- Ειδικότερα
- Κωδικός Πρόσβασης
- εκτέλεση
- προσωπικός
- Απλό κείμενο
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- σας παρακαλούμε
- πολιτική
- Δημοφιλής
- Θέση
- δυναμικού
- Ακρίβεια
- προβλεπόμενη
- πρόβλεψη
- Προβλέψεις
- προτιμώ
- προτιμάται
- Προετοιμάστε
- Προβολή
- προηγούμενος
- προηγουμένως
- πρωτίστως
- Κύριος
- προνόμιο
- προνόμια
- Πρόβλημα
- προβλήματα
- διαδικασια μας
- Διεργασίες
- επαγγελματίας
- Προφίλ ⬇️
- έργα
- παρέχεται
- δημόσιο
- Διάβασε
- πρόσφατα
- καταγράφονται
- αναφορές
- περιοχές
- αντικαθιστώ
- Απαιτεί
- ΠΕΡΙΦΕΡΕΙΑ
- απόδοση
- ανασκόπηση
- δεξιά
- Ρόλος
- ρόλους
- τρέξιμο
- τρέξιμο
- σοφός
- ίδιο
- Επιστήμη
- επιστήμονες
- σκορ
- δευτερόλεπτα
- Μυστικό
- Τμήμα
- δείτε
- Υπηρεσίες
- σειρά
- Κοινοποίηση
- θα πρέπει να
- δείχνουν
- έδειξε
- παρουσιάζεται
- Δείχνει
- παρόμοιες
- ενιαίας
- σύνολο ικανοτήτων
- βάση δεδομένων νιφάδα χιονιού
- λύση
- SOLVE
- Πηγή
- καθορίζεται
- δαπανήσει
- Αθλητισμός
- SQL
- Στάδιο
- σκαλωσιά
- ξεκίνησε
- Δήλωση
- στατιστικός
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- ισχυρός
- στούντιο
- Ακολούθως
- Επιτυχώς
- τέτοιος
- κατάλληλος
- Υποστηρίζει
- σύνταξη
- σύστημα
- τραπέζι
- TAG
- Πάρτε
- στόχος
- Έργο
- εργασίες
- ομάδες
- Τεχνικός
- τηλεπικοινωνιών
- δοκιμή
- από
- ότι
- Η
- τους
- Τους
- τους
- τότε
- Εκεί.
- Αυτοί
- αυτοί
- αυτό
- εκείνοι
- τρία
- Μέσω
- ώρα
- προς την
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- αληθής
- Εμπιστευθείτε
- προσπαθώ
- δύο
- τύπος
- τύποι
- μοναδικός
- Ενημέρωση
- ενημερώθηκε
- URL
- Χρήση
- χρήση
- Χρήστες
- όνομα χρήστη
- χρησιμοποιώντας
- επικύρωση
- αξία
- Αξίες
- διάφορα
- επαληθεύει
- εκδοχή
- κατακόρυφος
- Δες
- προβολή
- φαντάζομαι
- vs
- περιδιάβαση
- Αποθήκη
- ήταν
- we
- ιστός
- Εφαρμογή Web
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- Wells
- Τι
- Τι είναι
- πότε
- Ποιό
- Ο ΟΠΟΊΟΣ
- γυναίκα
- θα
- παράθυρα
- με
- εντός
- Εργασία
- εργάστηκαν
- ροές εργασίας
- εργαζόμενος
- X
- εσείς
- Σας
- zephyrnet