โพสต์นี้เขียนร่วมกับ Thatcher Thornberry จาก bpx energy
การจำแนก Facies เป็นกระบวนการของการแบ่งกลุ่มชั้นหินจากข้อมูลทางธรณีวิทยาที่ตำแหน่งหลุมเจาะ ในระหว่างการขุดเจาะ จะได้รับบันทึกการเดินสายซึ่งมีข้อมูลทางธรณีวิทยาที่ขึ้นกับความลึก นักธรณีวิทยาถูกนำไปใช้เพื่อวิเคราะห์ข้อมูลบันทึกนี้และกำหนดช่วงความลึกสำหรับสิ่งที่น่าสนใจจากข้อมูลบันทึกประเภทต่างๆ การจำแนกภูมิภาคเหล่านี้อย่างแม่นยำมีความสำคัญอย่างยิ่งต่อกระบวนการขุดเจาะที่ตามมา
การจำแนกประเภท Facies โดยใช้ AI และการเรียนรู้ของเครื่อง (ML) กลายเป็นพื้นที่ที่ได้รับความนิยมมากขึ้นในการตรวจสอบสำหรับสาขาวิชาน้ำมันหลายแห่ง นักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ธุรกิจจำนวนมากของบริษัทน้ำมันขนาดใหญ่ไม่มีชุดทักษะที่จำเป็นในการดำเนินการทดลอง ML ขั้นสูงในงานสำคัญ เช่น การจำแนกประเภทของอาคาร เพื่อแก้ไขปัญหานี้ เราจะแสดงวิธีจัดเตรียมและฝึกอบรมโมเดลการจัดประเภท ML ที่ดีที่สุดในระดับเดียวกันสำหรับปัญหานี้
ในโพสต์นี้ มุ่งเป้าไปที่ผู้ที่ใช้ Snowflake อยู่แล้วเป็นหลัก เราจะอธิบายวิธีที่คุณสามารถนำเข้าทั้งข้อมูลการฝึกอบรมและการตรวจสอบสำหรับงานจำแนกประเภทอาคารจาก เกล็ดหิมะ เข้าไป ผืนผ้าใบ Amazon SageMaker แล้วฝึกโมเดลโดยใช้โมเดลการคาดการณ์ 3+ หมวดหมู่
ภาพรวมโซลูชัน
โซลูชันของเราประกอบด้วยขั้นตอนต่อไปนี้:
- อัปโหลดข้อมูล CSV facies จากเครื่องของคุณไปยัง Snowflake สำหรับโพสต์นี้ เราใช้ข้อมูลจากสิ่งต่อไปนี้ GitHub repo แบบโอเพ่นซอร์ส.
- กำหนดค่า AWS Identity และการจัดการการเข้าถึง (IAM) บทบาทสำหรับ Snowflake และสร้างการรวม Snowflake
- สร้างความลับสำหรับข้อมูลประจำตัวของ Snowflake (ไม่บังคับ แต่แนะนำ)
- นำเข้า Snowflake ลงใน Canvas โดยตรง
- สร้างแบบจำลองการจัดประเภทอาคาร
- วิเคราะห์แบบจำลอง
- เรียกใช้การคาดการณ์แบบกลุ่มและแบบเดี่ยวโดยใช้แบบจำลองหลายคลาส
- แบ่งปันรูปแบบการฝึกอบรมไปที่ สตูดิโอ Amazon SageMaker.
เบื้องต้น
ข้อกำหนดเบื้องต้นสำหรับโพสต์นี้มีดังต่อไปนี้:
อัปโหลดข้อมูล CSV facies ไปยัง Snowflake
ในส่วนนี้ เรานำชุดข้อมูลโอเพ่นซอร์สสองชุดมาอัปโหลดโดยตรงจากเครื่องของเราไปยังฐานข้อมูล Snowflake จากตรงนั้น เราตั้งค่าเลเยอร์การรวมระหว่าง Snowflake และ Canvas
- ดาวน์โหลด training_data.csv และ validation_data_nofacies.csv ไฟล์ไปยังเครื่องท้องถิ่นของคุณ จดบันทึกตำแหน่งที่คุณบันทึกไว้
- ตรวจสอบให้แน่ใจว่าคุณมีข้อมูลรับรอง Snowflake ที่ถูกต้องและติดตั้งแอปเดสก์ท็อป Snowflake CLI แล้ว คุณสามารถรวมเข้าด้วยกัน สำหรับข้อมูลเพิ่มเติม โปรดดูที่ เข้าสู่ระบบ SnowSQL.
- เลือกคลังสินค้า Snowflake ที่เหมาะสมในการทำงาน ซึ่งในกรณีของเราคือ
COMPUTE_WH
:
- เลือกฐานข้อมูลที่จะใช้สำหรับคำแนะนำที่เหลือ:
- สร้างรูปแบบไฟล์ที่มีชื่อซึ่งจะอธิบายถึงชุดของข้อมูลที่จัดฉากเพื่อเข้าถึงหรือโหลดลงในตาราง Snowflake
สามารถเรียกใช้ได้ทั้งใน Snowflake CLI หรือในเวิร์กชีต Snowflake บนเว็บแอปพลิเคชัน สำหรับโพสต์นี้ เราเรียกใช้แบบสอบถาม SnowSQL ในเว็บแอปพลิเคชัน ดู เริ่มต้นใช้งานแผ่นงาน สำหรับคำแนะนำในการสร้างแผ่นงานบนเว็บแอปพลิเคชัน Snowflake
- สร้างตารางใน Snowflake โดยใช้คำสั่ง CREATE
ข้อความต่อไปนี้สร้างตารางใหม่ในสคีมาปัจจุบันหรือที่ระบุ (หรือแทนที่ตารางที่มีอยู่)
สิ่งสำคัญคือชนิดข้อมูลและลำดับที่ปรากฏจะต้องถูกต้อง และสอดคล้องกับสิ่งที่พบในไฟล์ CSV ที่เราดาวน์โหลดมาก่อนหน้านี้ หากไม่สอดคล้องกัน เราจะพบปัญหาในภายหลังเมื่อเราพยายามคัดลอกข้อมูลข้าม
- ทำเช่นเดียวกันกับฐานข้อมูลการตรวจสอบ
โปรดทราบว่าสคีมาจะแตกต่างกับข้อมูลการฝึกเล็กน้อย ตรวจสอบให้แน่ใจอีกครั้งว่าชนิดข้อมูลและลำดับของคอลัมน์หรือฟีเจอร์นั้นถูกต้อง
- โหลดไฟล์ข้อมูล CSV จากระบบโลคัลของคุณไปยังสภาพแวดล้อมการจัดเตรียม Snowflake:
- ต่อไปนี้คือไวยากรณ์ของคำสั่งสำหรับ Windows OS:
- ต่อไปนี้คือไวยากรณ์ของคำสั่งสำหรับ Mac OS:
ภาพหน้าจอต่อไปนี้แสดงตัวอย่างคำสั่งและเอาต์พุตจากภายใน SnowSQL CLI
- คัดลอกข้อมูลลงในตาราง Snowflake เป้าหมาย
ที่นี่ เราโหลดข้อมูล CSV การฝึกอบรมไปยังตารางเป้าหมายซึ่งเราสร้างไว้ก่อนหน้านี้ โปรดทราบว่าคุณต้องดำเนินการนี้กับทั้งไฟล์ CSV การฝึกอบรมและการตรวจสอบความถูกต้อง โดยคัดลอกลงในตารางการฝึกอบรมและการตรวจสอบความถูกต้องตามลำดับ
- ตรวจสอบว่าข้อมูลถูกโหลดลงในตารางเป้าหมายโดยเรียกใช้แบบสอบถาม SELECT (คุณสามารถทำได้ทั้งข้อมูลการฝึกอบรมและการตรวจสอบความถูกต้อง):
กำหนดค่าบทบาท IAM ของ Snowflake และสร้างการรวม Snowflake
ตามข้อกำหนดเบื้องต้นสำหรับส่วนนี้ โปรดปฏิบัติตามเอกสาร Snowflake อย่างเป็นทางการเกี่ยวกับวิธีคกำหนดค่า Snowflake Storage Integration เพื่อเข้าถึง Amazon S3.
เรียกผู้ใช้ IAM สำหรับบัญชี Snowflake ของคุณ
เมื่อคุณกำหนดค่าการรวมพื้นที่เก็บข้อมูล Snowflake สำเร็จแล้ว ให้เรียกใช้สิ่งต่อไปนี้ DESCRIBE INTEGRATION
คำสั่งเพื่อดึง ARN สำหรับผู้ใช้ IAM ที่สร้างขึ้นโดยอัตโนมัติสำหรับบัญชี Snowflake ของคุณ:
บันทึกค่าต่อไปนี้จากเอาต์พุต:
- STORAGE_AWS_IAM_USER_ARN – ผู้ใช้ IAM ที่สร้างขึ้นสำหรับบัญชี Snowflake ของคุณ
- STORAGE_AWS_EXTERNAL_ID – ID ภายนอกที่จำเป็นในการสร้างความสัมพันธ์ที่เชื่อถือได้ trust
อัปเดตนโยบายความเชื่อถือของบทบาท IAM
ตอนนี้เราอัปเดตนโยบายความน่าเชื่อถือ:
- บนคอนโซล IAM ให้เลือก บทบาท ในบานหน้าต่างนำทาง
- เลือกบทบาทที่คุณสร้างขึ้น
- เกี่ยวกับ ความสัมพันธ์ที่ไว้วางใจ เลือกแท็บ แก้ไขความสัมพันธ์ความไว้วางใจ.
- แก้ไขเอกสารนโยบายตามที่แสดงในโค้ดต่อไปนี้ด้วยค่าเอาต์พุต DESC STORAGE INTEGRATION ที่คุณบันทึกไว้ในขั้นตอนก่อนหน้า
- Choose อัปเดตนโยบายความน่าเชื่อถือ.
สร้างสเตจภายนอกใน Snowflake
เราใช้สเตจภายนอกภายใน Snowflake เพื่อโหลดข้อมูลจากบัคเก็ต S3 ในบัญชีของคุณเข้าสู่ Snowflake ในขั้นตอนนี้ เราจะสร้างสเตจภายนอก (Amazon S3) ที่อ้างอิงถึงการรวมระบบจัดเก็บข้อมูลที่คุณสร้างขึ้น ดูข้อมูลเพิ่มเติมได้ที่ การสร้าง S3 Stage.
นี้ต้องมีบทบาทที่มี CREATE_STAGE
สิทธิพิเศษสำหรับ schema เช่นเดียวกับสิทธิ์การใช้งาน USAGE ในการรวมหน่วยเก็บข้อมูล คุณสามารถให้สิทธิ์เหล่านี้กับบทบาทตามที่แสดงในโค้ดในขั้นตอนถัดไป
สร้างเวทีโดยใช้ CREATE_STAGE
คำสั่งพร้อมตัวยึดตำแหน่งสำหรับสเตจภายนอกและบัคเก็ต S3 และคำนำหน้า สเตจยังอ้างอิงอ็อบเจ็กต์รูปแบบไฟล์ที่มีชื่อเรียกว่า my_csv_format
:
สร้างความลับสำหรับข้อมูลประจำตัวของ Snowflake
Canvas อนุญาตให้คุณใช้ ARN ของ ผู้จัดการความลับของ AWS ความลับหรือชื่อบัญชี Snowflake ชื่อผู้ใช้ และรหัสผ่านเพื่อเข้าถึง Snowflake หากคุณต้องการใช้ตัวเลือกชื่อบัญชี Snowflake ชื่อผู้ใช้ และรหัสผ่าน ให้ข้ามไปยังส่วนถัดไป ซึ่งครอบคลุมถึงการเพิ่มแหล่งข้อมูล
หากต้องการสร้างข้อมูลลับของ Secrets Manager ด้วยตนเอง ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Secrets Manager ให้เลือก เก็บความลับใหม่.
- สำหรับ เลือกประเภทความลับ¸ เลือก ความลับประเภทอื่นๆ.
- ระบุรายละเอียดของข้อมูลลับของคุณเป็นคู่คีย์-ค่า
ชื่อของคีย์ต้องตรงตามตัวพิมพ์เล็กและใหญ่ และต้องเป็นตัวพิมพ์เล็ก
หากต้องการ คุณสามารถใช้ตัวเลือกข้อความธรรมดาและป้อนค่าลับเป็น JSON:
- Choose ถัดไป.
- สำหรับ ชื่อลับ, เพิ่มคำนำหน้า
AmazonSageMaker
(เช่น ความลับของเราคือAmazonSageMaker-CanvasSnowflakeCreds
). - ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร แท็ก เพิ่มแท็กด้วยคีย์ SageMaker และค่าจริง
- Choose ถัดไป.
- ฟิลด์ที่เหลือเป็นทางเลือก เลือก ถัดไป จนกว่าจะมีตัวเลือกให้ ร้านค้า เพื่อเก็บความลับ
- หลังจากที่คุณเก็บข้อมูลลับ คุณจะกลับไปที่คอนโซลตัวจัดการความลับ
- เลือกความลับที่คุณเพิ่งสร้างขึ้น จากนั้นดึงข้อมูล ARN ลับ
- เก็บไว้ในโปรแกรมแก้ไขข้อความที่คุณต้องการเพื่อใช้ในภายหลังเมื่อคุณสร้างแหล่งข้อมูล Canvas
นำเข้า Snowflake ลงใน Canvas โดยตรง
หากต้องการนำเข้าชุดข้อมูล facies ของคุณไปยัง Canvas โดยตรง ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล SageMaker ให้เลือก ผืนผ้าใบ Amazon SageMaker ในบานหน้าต่างนำทาง
- เลือกโปรไฟล์ผู้ใช้ของคุณและเลือก เปิดผ้าใบ.
- บนหน้า Landing Page ของ Canvas ให้เลือก ชุดข้อมูล ในบานหน้าต่างนำทาง
- Choose นำเข้า.
- คลิกที่ เกล็ดหิมะ ในภาพด้านล่างแล้วทันที “เพิ่มการเชื่อมต่อ”.
- ป้อน ARN ของรหัสลับ Snowflake ที่เราสร้างไว้ก่อนหน้านี้ ชื่อการรวมหน่วยเก็บข้อมูล (
SAGEMAKER_CANVAS_INTEGRATION
) และชื่อการเชื่อมต่อเฉพาะที่คุณเลือก - Choose เพิ่มการเชื่อมต่อ.
หากรายการทั้งหมดถูกต้อง คุณควรเห็นฐานข้อมูลทั้งหมดที่เกี่ยวข้องกับการเชื่อมต่อในบานหน้าต่างนำทาง (ดูตัวอย่างต่อไปนี้สำหรับ NICK_FACIES
).
- เลือก
TRAINING_DATA
ตาราง จากนั้นเลือก ดูตัวอย่างชุดข้อมูล.
หากคุณพอใจกับข้อมูล คุณสามารถแก้ไข SQL แบบกำหนดเองใน data visualizer
- Choose แก้ไขในSQL.
- เรียกใช้คำสั่ง SQL ต่อไปนี้ก่อนที่จะนำเข้าไปยัง Canvas (อันนี้ถือว่าเรียกฐานข้อมูล
NICK_FACIES
. แทนที่ค่านี้ด้วยชื่อฐานข้อมูลของคุณ)
สิ่งที่คล้ายกับภาพหน้าจอต่อไปนี้ควรปรากฏใน แสดงตัวอย่างการนำเข้า มาตรา.
- หากคุณพอใจกับการแสดงตัวอย่าง ให้เลือก นำเข้าข้อมูล.
- เลือกชื่อข้อมูลที่เหมาะสม ตรวจสอบให้แน่ใจว่าชื่อนั้นไม่ซ้ำกันและมีความยาวน้อยกว่า 32 อักขระ
- ใช้คำสั่งต่อไปนี้เพื่อนำเข้าชุดข้อมูลการตรวจสอบโดยใช้วิธีการเดียวกับก่อนหน้านี้:
สร้างแบบจำลองการจัดประเภทอาคาร
หากต้องการสร้างแบบจำลองการจัดประเภท Facies ให้ทำตามขั้นตอนต่อไปนี้:
- Choose Models ในบานหน้าต่างนำทาง จากนั้นเลือก โมเดลใหม่.
- ตั้งชื่อโมเดลของคุณให้เหมาะสม
- เกี่ยวกับ เลือก แท็บ เลือกชุดข้อมูลการฝึกอบรมที่เพิ่งนำเข้า จากนั้นเลือก เลือกชุดข้อมูล.
- เกี่ยวกับ สร้าง แท็บ วาง
WELL_NAME
คอลัมน์.
เราทำเช่นนี้เนื่องจากชื่อหลุมนั้นไม่ใช่ข้อมูลที่เป็นประโยชน์สำหรับโมเดล ML พวกเขาเป็นเพียงชื่อตามอำเภอใจที่เราพบว่ามีประโยชน์ในการแยกความแตกต่างระหว่างบ่อน้ำ ชื่อที่เราตั้งให้กับหลุมเจาะจงนั้นไม่เกี่ยวข้องกับแบบจำลอง ML
- เลือก FACIES เป็นคอลัมน์เป้าหมาย
- ทิ้ง ประเภทรุ่น as การทำนายหมวดหมู่ 3+.
- ตรวจสอบความถูกต้องของข้อมูล
- Choose โครงสร้างมาตรฐาน.
หน้าของคุณควรมีลักษณะคล้ายกับภาพหน้าจอต่อไปนี้ก่อนที่จะสร้างแบบจำลองของคุณ
หลังจากที่คุณเลือก โครงสร้างมาตรฐานแบบจำลองจะเข้าสู่ขั้นตอนการวิเคราะห์ คุณได้รับเวลาสร้างที่คาดไว้ ตอนนี้คุณสามารถปิดหน้าต่างนี้ ออกจากระบบ Canvas (เพื่อหลีกเลี่ยงการเรียกเก็บเงิน) และกลับไปที่ Canvas ในภายหลัง
วิเคราะห์รูปแบบการจำแนกประเภทอาคาร
ในการวิเคราะห์โมเดล ให้ทำตามขั้นตอนต่อไปนี้:
- รวมพลังกลับเข้าสู่ผืนผ้าใบ
- ค้นหาโมเดลที่คุณสร้างไว้ก่อนหน้านี้ เลือก รายละเอียดแล้วเลือก วิเคราะห์.
- เกี่ยวกับ ขององค์กร แท็บ คุณสามารถดูผลกระทบที่คุณสมบัติแต่ละอย่างมีต่อเอาต์พุตของโมเดล
- ในบานหน้าต่างด้านขวา คุณสามารถเห็นภาพผลกระทบที่คุณลักษณะที่กำหนด (แกน X) มีต่อการคาดคะเนของแต่ละชั้นเรียน (แกน Y)
การแสดงภาพเหล่านี้จะเปลี่ยนไปตามคุณลักษณะที่คุณเลือก เราขอแนะนำให้คุณสำรวจหน้านี้โดยหมุนเวียนผ่านคลาสทั้ง 9 คลาสและฟีเจอร์ 10 อย่าง
- เกี่ยวกับ เกณฑ์การให้คะแนน แท็บ เราสามารถดูการจัดประเภทอาคารที่คาดคะเนกับอาคารจริงได้
- Choose ตัวชี้วัดขั้นสูง เพื่อดูคะแนน F1 ความแม่นยำโดยเฉลี่ย ความแม่นยำ การเรียกคืน และ AUC
- เราขอแนะนำให้ดูชั้นเรียนที่แตกต่างกันทั้งหมดอีกครั้ง
- Choose ดาวน์โหลด เพื่อดาวน์โหลดภาพไปยังเครื่องของคุณ
ในภาพต่อไปนี้ เราสามารถเห็นเมตริกขั้นสูงต่างๆ เช่น คะแนน F1 ในการวิเคราะห์ทางสถิติ คะแนน F1 บ่งบอกถึงความสมดุลระหว่างความแม่นยำและการเรียกคืนของแบบจำลองการจำแนกประเภท และคำนวณโดยใช้สมการต่อไปนี้: 2*((Precision * Recall)/ (Precision + Recall))
.
เรียกใช้การคาดคะเนแบบกลุ่มและแบบเดี่ยวโดยใช้แบบจำลองการจัดประเภท Facies แบบหลายชั้น
หากต้องการเรียกใช้การคาดคะเน ให้ทำตามขั้นตอนต่อไปนี้:
- Choose คำทำนายเดียว เพื่อแก้ไขค่าคุณลักษณะตามต้องการ และรับการจัดประเภท Facies ที่ด้านขวาของหน้า
จากนั้น คุณสามารถคัดลอกภาพแผนภูมิการคาดคะเนไปยังคลิปบอร์ดของคุณ และดาวน์โหลดการคาดคะเนเป็นไฟล์ CSV
- Choose การทำนายแบทช์ แล้วเลือก เลือกชุดข้อมูล เพื่อเลือกชุดข้อมูลการตรวจสอบที่คุณนำเข้าก่อนหน้านี้
- Choose สร้างคำทำนาย.
คุณถูกเปลี่ยนเส้นทางไปที่ ทำนาย หน้าที่ Status จะอ่าน สร้างการคาดการณ์ ไม่กี่วินาที
หลังจากคำทำนายถูกส่งกลับ คุณสามารถดูตัวอย่าง ดาวน์โหลด หรือลบคำทำนายได้โดยเลือกเมนูตัวเลือก (จุดแนวตั้งสามจุด) ถัดจากคำทำนาย
ต่อไปนี้คือตัวอย่างการแสดงตัวอย่างการคาดการณ์
แชร์โมเดลที่ได้รับการฝึกฝนในสตูดิโอ
ตอนนี้คุณแชร์โมเดลเวอร์ชันล่าสุดกับผู้ใช้ Studio รายอื่นได้แล้ว ซึ่งช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถตรวจสอบโมเดลโดยละเอียด ทดสอบ ทำการเปลี่ยนแปลงใดๆ ที่อาจปรับปรุงความแม่นยำ และแชร์โมเดลที่อัปเดตกลับกับคุณ
ความสามารถในการแบ่งปันงานของคุณกับผู้ใช้ด้านเทคนิคมากขึ้นภายใน Studio เป็นคุณลักษณะหลักของ Canvas เนื่องจากความแตกต่างหลักระหว่างเวิร์กโฟลว์ของตัวละคร ML สังเกตการมุ่งเน้นที่การทำงานร่วมกันระหว่างทีมงานข้ามสายงานที่มีความสามารถทางเทคนิคที่แตกต่างกัน
- Choose Share เพื่อแชร์โมเดล
- เลือกรุ่นรุ่นที่จะแชร์
- ป้อนผู้ใช้ Studio เพื่อแชร์โมเดลด้วย
- เพิ่มหมายเหตุเพิ่มเติม
- Choose Share.
สรุป
ในโพสต์นี้ เราได้แสดงให้เห็นว่าการคลิกเพียงไม่กี่ครั้งใน Amazon SageMaker Canvas คุณสามารถเตรียมและนำเข้าข้อมูลจาก Snowflake รวมชุดข้อมูลของคุณ วิเคราะห์ความแม่นยำโดยประมาณ ตรวจสอบว่าคอลัมน์ใดมีผลกระทบ ฝึกโมเดลที่มีประสิทธิภาพดีที่สุด และสร้างบุคคลใหม่ หรือการทำนายแบบกลุ่ม เรารู้สึกตื่นเต้นที่จะรับฟังคำติชมของคุณและช่วยคุณแก้ปัญหาทางธุรกิจได้มากขึ้นด้วย ML หากต้องการสร้างโมเดลของคุณเอง โปรดดูที่ เริ่มต้นใช้งาน Amazon SageMaker Canvas.
เกี่ยวกับผู้เขียน
นิค แม็กคาร์ธี เป็นวิศวกรการเรียนรู้ของเครื่องในทีม AWS Professional Services เขาทำงานร่วมกับลูกค้า AWS ในอุตสาหกรรมต่างๆ รวมถึงการดูแลสุขภาพ การเงิน กีฬา โทรคมนาคม และพลังงาน เพื่อเร่งผลลัพธ์ทางธุรกิจของพวกเขาผ่านการใช้ AI/ML เมื่อทำงานร่วมกับทีมวิทยาศาสตร์ข้อมูล bpx Nick เพิ่งสร้างแพลตฟอร์มการเรียนรู้ของเครื่องของ bpx บน Amazon SageMaker เสร็จ
แทตเชอร์ ธอร์นเบอร์รี่ เป็นวิศวกรการเรียนรู้ของเครื่องที่ bpx Energy เขาสนับสนุนนักวิทยาศาสตร์ข้อมูลของ bpx โดยการพัฒนาและบำรุงรักษาแพลตฟอร์ม Data Science หลักของบริษัทใน Amazon SageMaker ในเวลาว่างเขาชอบแฮ็กโครงการเขียนโค้ดส่วนตัวและใช้เวลานอกบ้านกับภรรยา
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตไอสตรีม. ข้อมูลอัจฉริยะ Web3 ขยายความรู้ เข้าถึงได้ที่นี่.
- การสร้างอนาคตโดย Adryenn Ashley เข้าถึงได้ที่นี่.
- ซื้อและขายหุ้นในบริษัท PRE-IPO ด้วย PREIPO® เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/prepare-training-and-validation-dataset-for-facies-classification-using-snowflake-integration-and-train-using-amazon-sagemaker-canvas/
- :มี
- :เป็น
- :ที่ไหน
- $ ขึ้น
- 10
- 100
- 11
- 12
- 14
- 17
- 50
- 7
- 8
- 9
- a
- ความสามารถ
- ความสามารถ
- เร่งความเร็ว
- เข้า
- ตาม
- ลงชื่อเข้าใช้
- ความถูกต้อง
- แม่นยำ
- ข้าม
- การกระทำ
- ที่เกิดขึ้นจริง
- เพิ่ม
- เพิ่ม
- ที่อยู่
- สูง
- อีกครั้ง
- AI
- AI / ML
- มีวัตถุประสงค์เพื่อ
- จัดแนว
- ทั้งหมด
- อนุญาต
- ช่วยให้
- แล้ว
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- ผืนผ้าใบ Amazon SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- นักวิเคราะห์
- วิเคราะห์
- และ
- อื่น
- ใด
- app
- ปรากฏ
- การใช้งาน
- เหมาะสม
- เป็น
- AREA
- AS
- ที่เกี่ยวข้อง
- At
- อัตโนมัติ
- เฉลี่ย
- หลีกเลี่ยง
- AWS
- บริการระดับมืออาชีพของ AWS
- แกน
- กลับ
- ยอดคงเหลือ
- BE
- เพราะ
- กลายเป็น
- รับ
- ก่อน
- ด้านล่าง
- ที่ดีที่สุด
- ระหว่าง
- ทั้งสอง
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- แต่
- by
- ที่เรียกว่า
- CAN
- ผ้าใบ
- กรณี
- หมวดหมู่
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- อักขระ
- โหลด
- แผนภูมิ
- Choose
- เลือก
- ชั้น
- ชั้นเรียน
- การจัดหมวดหมู่
- ลูกค้า
- ปิดหน้านี้
- รหัส
- การเข้ารหัส
- การทำงานร่วมกัน
- คอลัมน์
- คอลัมน์
- บริษัท
- บริษัท
- สมบูรณ์
- สภาพ
- การเชื่อมต่อ
- ปลอบใจ
- การทำสำเนา
- แกน
- แก้ไข
- ครอบคลุม
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- หนังสือรับรอง
- วิกฤติ
- ทีมข้ามสายงาน
- ปัจจุบัน
- ประเพณี
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- ชุดข้อมูล
- ทั้งนี้ขึ้นอยู่กับ
- นำไปใช้
- ความลึก
- บรรยาย
- เดสก์ท็อป
- รายละเอียด
- รายละเอียด
- กำหนด
- ที่กำลังพัฒนา
- ต่าง
- แตกต่าง
- โดยตรง
- เห็นความแตกต่าง
- do
- เอกสาร
- เอกสาร
- Dont
- ดาวน์โหลด
- หล่น
- ในระหว่าง
- แต่ละ
- ก่อน
- อย่างง่ายดาย
- บรรณาธิการ
- ผล
- ทั้ง
- ส่งเสริม
- พลังงาน
- วิศวกร
- ทำให้มั่นใจ
- การสร้างความมั่นใจ
- เข้าสู่
- รุก
- สิ่งแวดล้อม
- สร้าง
- ประมาณ
- อีเธอร์ (ETH)
- แม้
- ตัวอย่าง
- ตื่นเต้น
- ที่มีอยู่
- ที่คาดหวัง
- การทดลอง
- อธิบาย
- สำรวจ
- ภายนอก
- f1
- ลักษณะ
- คุณสมบัติ
- ข้อเสนอแนะ
- สองสาม
- น้อยลง
- สาขา
- เนื้อไม่มีมัน
- ไฟล์
- เงินทุน
- หา
- โฟกัส
- ปฏิบัติตาม
- ดังต่อไปนี้
- สำหรับ
- รูป
- การสร้าง
- พบ
- ฟรี
- ราคาเริ่มต้นที่
- สร้าง
- ได้รับ
- GitHub
- ให้
- กำหนด
- ให้
- สับ
- มีความสุข
- มี
- มี
- he
- การดูแลสุขภาพ
- ได้ยิน
- ช่วย
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ของเขา
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- AMI
- ID
- เอกลักษณ์
- if
- ภาพ
- ทันที
- ส่งผลกระทบ
- มีประสิทธิภาพ
- นำเข้า
- สำคัญ
- การนำเข้า
- ปรับปรุง
- in
- ประกอบด้วย
- รวมทั้ง
- ขึ้น
- เป็นรายบุคคล
- อุตสาหกรรม
- ข้อมูล
- การติดตั้ง
- คำแนะนำการใช้
- บูรณาการ
- ตั้งใจ
- อยากเรียนรู้
- เข้าไป
- การสอบสวน
- ปัญหา
- IT
- ร่วม
- jpg
- JSON
- เพียงแค่
- คีย์
- เชื่อมโยงไปถึง
- หน้าที่เชื่อมโยง
- ใหญ่
- ต่อมา
- ล่าสุด
- ชั้น
- การเรียนรู้
- น้อย
- โหลด
- โหลด
- ในประเทศ
- ที่ตั้ง
- เข้าสู่ระบบ
- นาน
- ดู
- รัก
- Mac
- เครื่อง
- เรียนรู้เครื่อง
- วิชาเอก
- ทำ
- ผู้จัดการ
- ด้วยมือ
- หลาย
- อาจ..
- เมนู
- แค่
- วิธี
- ตัวชี้วัด
- ML
- แบบ
- โมเดล
- แก้ไข
- ข้อมูลเพิ่มเติม
- ต้อง
- ชื่อ
- ที่มีชื่อ
- ชื่อ
- การเดินเรือ
- จำเป็น
- จำเป็น
- ใหม่
- ถัดไป
- หมายเหตุ
- ตอนนี้
- จำนวน
- วัตถุ
- ที่ได้รับ
- of
- เป็นทางการ
- น้ำมัน
- on
- โอเพนซอร์ส
- ตัวเลือกเสริม (Option)
- Options
- or
- ใบสั่ง
- คำสั่งซื้อ
- OS
- ของเรา
- ออก
- ผลลัพธ์
- กลางแจ้ง
- เอาท์พุต
- ของตนเอง
- วิชาพลศึกษา
- หน้า
- คู่
- บานหน้าต่าง
- ในสิ่งที่สนใจ
- รหัสผ่าน
- ที่มีประสิทธิภาพ
- ส่วนบุคคล
- ข้อความธรรมดา
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- กรุณา
- นโยบาย
- ยอดนิยม
- โพสต์
- ที่มีศักยภาพ
- ความแม่นยำ
- ที่คาดการณ์
- คำทำนาย
- การคาดการณ์
- ชอบ
- ที่ต้องการ
- เตรียมการ
- ดูตัวอย่าง
- ก่อน
- ก่อนหน้านี้
- ส่วนใหญ่
- หลัก
- สิทธิพิเศษ
- สิทธิ์
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- กระบวนการ
- มืออาชีพ
- โปรไฟล์
- โครงการ
- ให้
- สาธารณะ
- อ่าน
- เมื่อเร็ว ๆ นี้
- บันทึก
- การอ้างอิง
- ภูมิภาค
- แทนที่
- ต้อง
- REST
- กลับ
- ทบทวน
- ขวา
- บทบาท
- บทบาท
- วิ่ง
- วิ่ง
- sagemaker
- เดียวกัน
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- คะแนน
- วินาที
- ลับ
- Section
- เห็น
- บริการ
- ชุด
- Share
- น่า
- โชว์
- แสดงให้เห็นว่า
- แสดง
- แสดงให้เห็นว่า
- คล้ายคลึงกัน
- เดียว
- ชุดทักษะ
- ฐานข้อมูลเกล็ดหิมะ
- ทางออก
- แก้
- แหล่ง
- ที่ระบุไว้
- ใช้จ่าย
- กีฬา
- SQL
- ระยะ
- การแสดงละคร
- ข้อความที่เริ่ม
- คำแถลง
- ทางสถิติ
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- แข็งแรง
- สตูดิโอ
- ต่อจากนั้น
- ประสบความสำเร็จ
- อย่างเช่น
- เหมาะสม
- รองรับ
- วากยสัมพันธ์
- ระบบ
- ตาราง
- TAG
- เอา
- เป้า
- งาน
- งาน
- ทีม
- ทีม
- วิชาการ
- โทรคมนาคม
- ทดสอบ
- กว่า
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- ตัวเอง
- แล้วก็
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- เหล่านั้น
- สาม
- ตลอด
- เวลา
- ไปยัง
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- จริง
- วางใจ
- ลอง
- สอง
- ชนิด
- ชนิด
- เป็นเอกลักษณ์
- บันทึก
- ให้กับคุณ
- URL
- การใช้
- ใช้
- ผู้ใช้งาน
- ชื่อผู้ใช้
- การใช้
- การตรวจสอบ
- ความคุ้มค่า
- ความคุ้มค่า
- ต่างๆ
- ตรวจสอบ
- รุ่น
- แนวตั้ง
- รายละเอียด
- การดู
- เห็นภาพ
- vs
- คำแนะนำ
- คลังสินค้า
- คือ
- we
- เว็บ
- โปรแกรมประยุกต์บนเว็บ
- บริการเว็บ
- ดี
- เวลส์
- อะไร
- ความหมายของ
- เมื่อ
- ที่
- WHO
- ภรรยา
- จะ
- หน้าต่าง
- กับ
- ภายใน
- งาน
- ทำงาน
- ขั้นตอนการทำงาน
- การทำงาน
- X
- เธอ
- ของคุณ
- ลมทะเล