Bygg en maskinlæringsmodell for å forutsi elevenes ytelse ved å bruke Amazon SageMaker Canvas

Det har skjedd en paradigmeendring i tankedelingen til utdanningskunder som nå er villige til å utforske nye teknologier og analyser. Universiteter og andre høyere læringsinstitusjoner har samlet inn enorme mengder data gjennom årene, og nå utforsker de alternativer for å bruke disse dataene for dypere innsikt og bedre utdanningsresultater.

Du kan bruke maskinlæring (ML) for å generere denne innsikten og bygge prediktive modeller. Lærere kan også bruke ML for å identifisere utfordringer i læringsutbytte, øke suksess og oppbevaring blant studenter, og utvide rekkevidden og virkningen av nettbasert læringsinnhold.

Imidlertid mangler høyere utdanningsinstitusjoner ofte ML-fagfolk og datavitere. Med dette faktum leter de etter løsninger som raskt kan tas i bruk av deres eksisterende forretningsanalytikere.

Amazon SageMaker Canvas er en lav-kode/ingen kode ML-tjeneste som gjør det mulig for forretningsanalytikere å utføre dataforberedelse og transformasjon, bygge ML-modeller og distribuere disse modellene i en styrt arbeidsflyt. Analytikere kan utføre alle disse aktivitetene med noen få klikk og uten å skrive et eneste stykke kode.

I dette innlegget viser vi hvordan du bruker SageMaker Canvas til å bygge en ML-modell for å forutsi elevprestasjoner.

Løsningsoversikt

For dette innlegget diskuterer vi en spesifikk brukssak: hvordan universiteter kan forutsi studentfrafall eller fortsettelse i forkant av avsluttende eksamener ved å bruke SageMaker Canvas. Vi forutser om studenten vil droppe ut, melde seg på (fortsette) eller oppgradere ved slutten av kurset. Vi kan bruke resultatet fra spådommen til å iverksette proaktive tiltak for å forbedre elevenes prestasjoner og forhindre potensielt frafall.

Løsningen inneholder følgende komponenter:

• Inntak av data – Importere data fra din lokale datamaskin til SageMaker Canvas
• Dataforberedelse – Rengjør og transformer dataene (om nødvendig) i SageMaker Canvas
• Bygg ML-modellen – Bygg prediksjonsmodellen inne i SageMaker Canvas for å forutsi elevenes prestasjoner
• Prediksjon – Generer batch- eller enkeltspådommer
• Collaboration – Analytikere som bruker SageMaker Canvas og dataforskere som bruker Amazon SageMaker Studio kan samhandle mens de jobber i sine respektive innstillinger, dele domenekunnskap og gi eksperttilbakemeldinger for å forbedre modellene

Følgende diagram illustrerer løsningsarkitekturen.

Forutsetninger

For dette innlegget bør du fullføre følgende forutsetninger:

1. Ha en AWS-konto.
2. Sett opp SageMaker Canvas. For instruksjoner, se Forutsetninger for å sette opp Amazon SageMaker Canvas.
3. Last ned følgende studentdatasett til din lokale datamaskin.

Datasettet inneholder studentbakgrunnsinformasjon som demografi, akademisk reise, økonomisk bakgrunn og mer. Datasettet inneholder 37 kolonner, hvorav 36 er funksjoner og 1 er en etikett. Etikettkolonnenavnet er Target, og det inneholder kategoriske data: frafall, påmeldte og uteksaminerte.

Datasettet kommer under Attribution 4.0 International (CC BY 4.0) lisens og er gratis å dele og tilpasse.

Inntak av data

Det første trinnet for enhver ML-prosess er å innta dataene. Fullfør følgende trinn:

1. Velg på SageMaker Canvas-konsollen Import.
2. Importer Dropout_Academic Success - Sheet1.csv datasett til SageMaker Canvas.
3. Velg datasettet og velg Lag en modell.
4. Navn på model student-performance-model.

Dataforberedelse

For ML-problemer analyserer dataforskere datasettet for uteliggere, håndterer de manglende verdiene, legger til eller fjerner felt og utfører andre transformasjoner. Analytikere kan utføre de samme handlingene i SageMaker Canvas ved hjelp av det visuelle grensesnittet. Vær oppmerksom på at større datatransformasjon er utenfor rammen for dette innlegget.

I det følgende skjermbildet viser den første uthevede delen (annotert som 1 i skjermbildet) alternativene som er tilgjengelige med SageMaker Canvas. IT-ansatte kan bruke disse handlingene på datasettet og kan til og med utforske datasettet for flere detaljer ved å velge Datavisualisering.

Den andre uthevede delen (annotert som 2 i skjermbildet) indikerer at datasettet ikke har noen manglende eller feilaktige poster.

Bygg ML-modellen

For å fortsette med opplæring og bygging av ML-modellen, må vi velge kolonnen som må forutsies.

1. På SageMaker Canvas-grensesnittet, for Velg en kolonne du vil forutsi, velg Mål.

Så snart du velger målkolonnen, vil den be deg om å validere data.

2. Velg Validere, og innen få minutter vil SageMaker Canvas fullføre valideringen av dataene dine.

Nå er det på tide å bygge modellen. Du har to alternativer: Rask bygging og Standard konstruksjon. Analytikere kan velge ett av alternativene basert på dine behov.

3. For dette innlegget velger vi Standard konstruksjon.

Bortsett fra hastighet og nøyaktighet, er en stor forskjell mellom Standard build og Quick build at Standard build gir muligheten til å dele modellen med dataforskere, noe Quick build ikke gjør.

SageMaker Canvas tok omtrent 25 minutter å trene og bygge modellen. Modellene dine kan ta mer eller mindre tid, avhengig av faktorer som inndatastørrelse og kompleksitet. Nøyaktigheten til modellen var rundt 80 %, som vist på følgende skjermbilde. Du kan utforske den nederste delen for å se virkningen av hver kolonne på spådommen.

Så langt har vi lastet opp datasettet, forberedt datasettet og bygget prediksjonsmodellen for å måle elevenes prestasjoner. Deretter har vi to alternativer:

• Generer en batch- eller enkeltprediksjon
• Del denne modellen med dataforskerne for tilbakemelding eller forbedringer

Prediksjon

Velg forutsi å begynne å generere spådommer. Du kan velge mellom to alternativer:

• Batch prediksjon – Du kan laste opp datasett her og la SageMaker Canvas forutsi ytelsen for elevene. Du kan bruke disse spådommene til å utføre proaktive handlinger.
• Enkel prediksjon – I dette alternativet oppgir du verdiene for en enkelt student. SageMaker Canvas vil forutsi ytelsen for den aktuelle studenten.

Collaboration

I noen tilfeller vil du som analytiker kanskje få tilbakemelding fra ekspertdataforskere på modellen før du går videre med spådommen. For å gjøre det, velg Del og spesifiser Studio-brukeren du vil dele med.

Deretter kan dataforskeren fullføre følgende trinn:

1. På Studio-konsollen, i navigasjonsruten, under Modeller, velg Delte modeller.
2. Velg Se modell for å åpne modellen.

De kan oppdatere modellen på en av følgende måter:

• Del en ny modell – Dataforskeren kan endre datatransformasjonene, omskole modellen og deretter dele modellen
• Del en alternativ modell – Dataforskeren kan velge en alternativ modell fra listen over trente Amazon SageMaker Autopilot modeller og dele det med SageMaker Canvas-brukeren.

For dette eksemplet velger vi Del en alternativ modell og anta inferenslatensen da nøkkelparameteren delte den nest beste modellen med SageMaker Canvas-brukeren.

Dataforskeren kan se etter andre parametere som F1-score, presisjon, tilbakekalling og loggtap som beslutningskriterium for å dele en alternativ modell med SageMaker Canvas-brukeren.

I dette scenariet har den beste modellen en nøyaktighet på 80 % og inferenslatens på 0.781 sekunder, mens den nest beste modellen har en nøyaktighet på 79.9 % og inferenslatens på 0.327 sekunder.

3. Velg Del å dele en alternativ modell med SageMaker Canvas-brukeren.
4. Legg til SageMaker Canvas-brukeren for å dele modellen med.
5. Legg til et valgfritt notat, og velg deretter Del.
6. Velg en alternativ modell å dele.
7. Legg til tilbakemelding og velg Del å dele modellen med SageMaker Canvas-brukeren.

Etter at dataforskeren har delt en oppdatert modell med deg, vil du få et varsel og SageMaker Canvas vil begynne å importere modellen til konsollen.

SageMaker Canvas vil bruke et øyeblikk på å importere den oppdaterte modellen, og deretter vil den oppdaterte modellen reflekteres som en ny versjon (V3 i dette tilfellet).

Du kan nå bytte mellom versjonene og generere spådommer fra hvilken som helst versjon.

Hvis en administrator er bekymret for å administrere tillatelser for analytikere og datavitere, kan de bruke Amazon SageMaker Rolle Manager.

Rydd opp

For å unngå fremtidige kostnader, slett ressursene du opprettet mens du fulgte dette innlegget. SageMaker Canvas fakturerer deg for varigheten av økten, og vi anbefaler å logge ut av Canvas når du ikke bruker det. Referere til Logger ut av Amazon SageMaker Canvas for mer informasjon.

konklusjonen

I dette innlegget diskuterte vi hvordan SageMaker Canvas kan hjelpe høyere læringsinstitusjoner med å bruke ML-evner uten å kreve ML-ekspertise. I vårt eksempel viste vi hvordan en analytiker raskt kan bygge en svært nøyaktig prediktiv ML-modell uten å skrive noen kode. Universitetet kan nå handle på denne innsikten ved å spesifikt målrette mot studenter som står i fare for å droppe ut av et kurs med individualisert oppmerksomhet og ressurser, til fordel for begge parter.

Vi demonstrerte trinnene fra å laste dataene inn i SageMaker Canvas, bygge modellen i Canvas og motta tilbakemeldinger fra dataforskere via Studio. Hele prosessen ble gjennomført gjennom nettbaserte brukergrensesnitt.

For å starte din lavkode/ingen kode ML-reise, se Amazon SageMaker Canvas.

---

Om forfatteren

Ashutosh Kumar er en løsningsarkitekt med Public Sector-Education Team. Han brenner for å transformere virksomheter med digitale løsninger. Han har god erfaring innen databaser, AI/ML, dataanalyse, databehandling og lagring.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
• kilde: https://aws.amazon.com/blogs/machine-learning/build-a-machine-learning-model-to-predict-student-performance-using-amazon-sagemaker-canvas/