قم ببناء نماذج التعلم الآلي وتقييمها بتكوينات متقدمة باستخدام لوحة المتصدرين لنموذج SageMaker Canvas | خدمات الويب الأمازون

قماش أمازون سيج ميكر هي مساحة عمل بدون تعليمات برمجية تمكن المحللين وعلماء بيانات المواطنين من إنشاء تنبؤات دقيقة للتعلم الآلي (ML) لاحتياجات أعمالهم. بدءًا من اليوم، يدعم SageMaker Canvas تكوينات بناء النماذج المتقدمة مثل تحديد طريقة تدريب (تحسين المجموعة أو المعلمة الفائقة) والخوارزميات، وتخصيص نسبة تقسيم بيانات التدريب والتحقق من الصحة، ووضع حدود لتكرارات autoML ووقت تشغيل المهمة، مما يسمح للمستخدمين بالتخصيص تكوينات بناء النموذج دون الحاجة إلى كتابة سطر واحد من التعليمات البرمجية. يمكن أن توفر هذه المرونة تطوير نموذج أكثر قوة وثاقبة. يمكن لأصحاب المصلحة غير التقنيين استخدام ميزات عدم وجود تعليمات برمجية مع الإعدادات الافتراضية، في حين يمكن لعلماء بيانات المواطنين تجربة العديد من خوارزميات وتقنيات التعلم الآلي، مما يساعدهم على فهم الأساليب التي تعمل بشكل أفضل مع بياناتهم وتحسينها لضمان جودة النموذج وأدائه.

بالإضافة إلى تكوينات بناء النماذج، توفر SageMaker Canvas الآن أيضًا لوحة صدارة للنماذج. تتيح لك لوحة المتصدرين مقارنة مقاييس الأداء الرئيسية (على سبيل المثال، الدقة والإحكام والاستدعاء ودرجة F1) لتكوينات النماذج المختلفة لتحديد أفضل نموذج لبياناتك، وبالتالي تحسين الشفافية في بناء النماذج ومساعدتك على اتخاذ قرارات مستنيرة بشأن اختيارات النموذج. يمكنك أيضًا عرض سير عمل بناء النموذج بالكامل، بما في ذلك خطوات المعالجة المسبقة المقترحة والخوارزميات ونطاقات المعلمات الفائقة في دفتر ملاحظات. للوصول إلى هذه الوظائف، قم بتسجيل الخروج ثم قم بتسجيل الدخول مرة أخرى إلى SageMaker Canvas واختر تكوين النموذج عند بناء النماذج.

في هذا المنشور، نرشدك خلال عملية استخدام تكوينات بناء النموذج المتقدم SageMaker Canvas الجديدة لبدء التدريب على تحسين المجموعة والمعلمات الفائقة (HPO).

حل نظرة عامة

في هذا القسم، نعرض لك إرشادات خطوة بخطوة لتكوينات بناء النموذج المتقدم SageMaker Canvas الجديد لبدء التدريب على تحسين المجموعة والمعلمات الفائقة (HPO) لتحليل مجموعة البيانات الخاصة بنا، وبناء نماذج تعلم الآلة عالية الجودة، والاطلاع على لوحة المتصدرين للنموذج لتحديد النموذج الذي سيتم نشره للاستدلال. يمكن لـ SageMaker Canvas تحديد طريقة التدريب تلقائيًا بناءً على حجم مجموعة البيانات، أو يمكنك تحديدها يدويًا. الاختيارات هي:

• سويا: يستخدم AutoGluon مكتبة لتدريب العديد من النماذج الأساسية. للعثور على أفضل مجموعة لمجموعة البيانات الخاصة بك، يقوم وضع المجموعة بتشغيل 10 تجارب باستخدام إعدادات مختلفة للنموذج ومعلمات التعريف. ثم يتم دمج هذه النماذج باستخدام طريقة تجميع التراص لإنشاء نموذج تنبؤي مثالي. في وضع المجموعة، يدعم SageMaker Canvas الأنواع التالية من خوارزميات التعلم الآلي:
  • ضوء جي بي إم: إطار عمل محسّن يستخدم الخوارزميات المستندة إلى الشجرة مع تعزيز التدرج. تستخدم هذه الخوارزمية الأشجار التي تنمو في العرض بدلاً من العمق وهي مُحسّنة للغاية للسرعة.
  • كات بوست: إطار عمل يستخدم الخوارزميات المستندة إلى الشجرة مع تعزيز التدرج. الأمثل للتعامل مع المتغيرات الفئوية.
  • اكس جي بوست: إطار عمل يستخدم خوارزميات قائمة على الأشجار مع تعزيز التدرج الذي ينمو في العمق بدلاً من الاتساع.
  • غابة عشوائية: خوارزمية مبنية على الشجرة تستخدم عدة أشجار قرار على عينات فرعية عشوائية من البيانات مع الاستبدال. يتم تقسيم الأشجار إلى العقد المثالية في كل مستوى. يتم حساب متوسط ​​قرارات كل شجرة معًا لمنع الإفراط في التخصيص وتحسين التنبؤات.
  • أشجار إضافية: خوارزمية قائمة على الشجرة تستخدم العديد من أشجار القرار في مجموعة البيانات بأكملها. يتم تقسيم الأشجار بشكل عشوائي على كل مستوى. تكون قرارات كل شجرة متوسطة لمنع التجاوز ولتحسين التنبؤات. تضيف الأشجار الإضافية درجة من التوزيع العشوائي مقارنةً بخوارزمية الغابة العشوائية.
  • النماذج الخطية: إطار يستخدم معادلة خطية لنمذجة العلاقة بين متغيرين في البيانات المرصودة.
  • شعلة الشبكة العصبية: نموذج شبكة عصبية يتم تنفيذه باستخدام Pytorch.
  • الشبكة العصبية fast.ai: نموذج شبكة عصبية يتم تنفيذه باستخدام fast.ai.
• تحسين المعلمة الفائقة (HPO): تعثر SageMaker Canvas على أفضل إصدار للنموذج عن طريق ضبط المعلمات الفائقة باستخدام التحسين الافتراضي أو التحسين متعدد الدقة أثناء تشغيل وظائف التدريب على مجموعة البيانات الخاصة بك. يحدد وضع HPO الخوارزميات الأكثر صلة بمجموعة البيانات الخاصة بك ويحدد أفضل نطاق من المعلمات الفائقة لضبط النماذج الخاصة بك. لضبط نماذجك، يقوم وضع HPO بتشغيل ما يصل إلى 100 تجربة (افتراضي) للعثور على إعدادات المعلمات الفائقة المثالية ضمن النطاق المحدد. إذا كان حجم مجموعة البيانات الخاصة بك أقل من 100 ميجابايت، فإن SageMaker Canvas يستخدم التحسين Bayesian. تختار SageMaker Canvas تحسين الدقة المتعددة إذا كانت مجموعة البيانات الخاصة بك أكبر من 100 ميجابايت. في التحسين متعدد الدقة، يتم إصدار المقاييس بشكل مستمر من حاويات التدريب. يتم إيقاف التجربة ذات الأداء الضعيف مقابل مقياس موضوعي محدد مبكرًا. يتم تخصيص المزيد من الموارد للتجربة ذات الأداء الجيد. في وضع HPO، يدعم SageMaker Canvas الأنواع التالية من خوارزميات التعلم الآلي:
• المتعلم الخطي: خوارزمية تعلم خاضعة للإشراف يمكنها حل مشكلات التصنيف أو الانحدار.
• اكس جي بوست: خوارزمية تعلم خاضعة للإشراف تحاول التنبؤ بدقة بمتغير مستهدف من خلال الجمع بين مجموعة من التقديرات من مجموعة من النماذج الأبسط والأضعف.
• خوارزمية التعلم العميق: شبكة عصبية اصطناعية متعددة الطبقات (MLP) وشبكة عصبية اصطناعية مغذية. يمكن لهذه الخوارزمية التعامل مع البيانات غير القابلة للفصل خطيًا.
• السيارات: يختار SageMaker Canvas تلقائيًا إما وضع المجموعة أو وضع HPO بناءً على حجم مجموعة البيانات الخاصة بك. إذا كان حجم مجموعة البيانات الخاصة بك أكبر من 100 ميجابايت، فإن SageMaker Canvas تختار HPO. وإلا فإنه يختار وضع المجموعة.

المتطلبات الأساسية المسبقة

لهذه المشاركة، يجب عليك إكمال المتطلبات الأساسية التالية:

1. أحصل على حساب AWS.
2. قم بإعداد SageMaker Canvas. يرى المتطلبات الأساسية لإعداد Amazon SageMaker Canvas.
3. تحميل الكلاسيكية مجموعة بيانات تيتانيك لجهاز الكمبيوتر المحلي الخاص بك.

قم بإنشاء نموذج

نرشدك خلال استخدام مجموعة بيانات Titanic وSageMaker Canvas لإنشاء نموذج يتنبأ بالركاب الذين نجوا من حطام سفينة Titanic. هذه مشكلة تصنيف ثنائي. نحن نركز على إنشاء تجربة Canvas باستخدام وضع تدريب المجموعة ومقارنة نتائج درجة F1 ووقت التشغيل الإجمالي مع تجربة SageMaker Canvas باستخدام وضع تدريب HPO (100 تجربة).

اسم العمود	الوصف
Passengerid	رقم الهوية
نجا	بقاء
بي كلاس	فئة التذكرة
الاسم	اسم الراكب
الجنس	الجنس
العمر	العمر بالسنين
الأشقاء	عدد الأشقاء أو الأزواج على متن تيتانيك
بارش	عدد الآباء أو الأطفال على متن تيتانيك
تذكرة	رقم التذكرة
فعل	معرض الركاب
قمرة	رقم المقصورة
مميز	ميناء الإقلاع

• مجموعة بيانات تيتانيك يحتوي على 890 صفًا و12 عمودًا. ويحتوي على معلومات ديموغرافية حول الركاب (العمر والجنس وفئة التذكرة وما إلى ذلك) وعمود الهدف "الناجون" (نعم/لا).

1. ابدأ باستيراد مجموعة البيانات إلى SageMaker Canvas. قم بتسمية مجموعة البيانات جبار.
   
2. حدد مجموعة بيانات تيتانيك واختر إنشاء نموذج جديد. أدخل اسمًا للنموذج، ثم اختر التحليل التنبئي حسب نوع المشكلة، واختيار إنشاء.
   
3. تحت حدد عمودًا للتنبؤ به، استخدم العمود الهدف المنسدلة للاختيار نجا. عمود الهدف Survived هو نوع بيانات ثنائي بقيم 0 (لم ينج) و1 (نجا).

تكوين وتشغيل النموذج

في التجربة الأولى، يمكنك تكوين SageMaker Canvas لتشغيل تدريب جماعي على مجموعة البيانات بدقة كمقياس هدفك. تشير درجة الدقة الأعلى إلى أن النموذج يقوم بتنبؤات أكثر صحة، بينما تشير درجة الدقة الأقل إلى أن النموذج يرتكب المزيد من الأخطاء. تعمل الدقة بشكل جيد مع مجموعات البيانات المتوازنة. لتدريب المجموعة، حدد XGBoost وRandom Forest وCatBoost وLinear Models كخوارزمياتك. اترك تقسيم البيانات على الوضع الافتراضي 80/20 للتدريب والتحقق من الصحة. وأخيرًا، قم بتكوين مهمة التدريب بحيث يتم تشغيلها بحد أقصى لمدة ساعة واحدة.

1. ابدأ بالاختيار تكوين النموذج.
   
2. يؤدي هذا إلى ظهور نافذة مشروطة لـ تكوين النموذج. حدد متقدم من جزء التنقل.
   
3. ابدأ في تكوين النموذج الخاص بك عن طريق التحديد مقياس موضوعي. لهذه التجربة، حدد دقة. تخبرك درجة الدقة بعدد المرات التي تكون فيها تنبؤات النموذج صحيحة بشكل عام.
   
4. أختار طريقة التدريب والخوارزميات وحدد طاقم. تتضمن أساليب المجموعة في التعلم الآلي إنشاء نماذج متعددة ثم دمجها للحصول على نتائج محسنة. تُستخدم هذه التقنية لزيادة دقة التنبؤ من خلال الاستفادة من نقاط القوة في الخوارزميات المختلفة. من المعروف أن الأساليب المجمعة تنتج حلولاً أكثر دقة من النموذج الواحد، كما هو موضح في العديد من مسابقات التعلم الآلي والتطبيقات الواقعية.
   
5. حدد الخوارزميات المختلفة لاستخدامها في المجموعة. لهذه التجربة، حدد XGBoost, خطي, كاتبووستو غابة عشوائية. مسح كافة الخوارزميات الأخرى.
   
6. أختار تقسيم البيانات من جزء التنقل. بالنسبة لهذه التجربة، اترك تقسيم التدريب والتحقق الافتراضي إلى 80/20. يستخدم التكرار التالي للتجربة تقسيمًا مختلفًا لمعرفة ما إذا كان سيؤدي إلى أداء أفضل للنموذج.
   
7. أختار الحد الأقصى للمرشحين ووقت التشغيل من جزء التنقل وقم بتعيين الحد الأقصى لوقت تشغيل الوظيفة إلى 1 ساعة واختر حفظ.
   
8. اختار بناء قياسي لبدء البناء.
   

في هذه المرحلة، يقوم SageMaker Canvas باستدعاء تدريب النموذج بناءً على التكوين الذي قدمته. نظرًا لأنك حددت الحد الأقصى لوقت التشغيل لمهمة التدريب وهو ساعة واحدة، فإن SageMaker Canvas سيستغرق ما يصل إلى ساعة لتشغيل مهمة التدريب.

راجع النتائج

عند الانتهاء من مهمة التدريب، يعيدك SageMaker Canvas تلقائيًا إلى طريقة عرض التحليل ويعرض نتائج المقاييس الموضوعية التي قمت بتكوينها لتجربة التدريب النموذجي. في هذه الحالة، ترى أن دقة النموذج تبلغ 86.034 بالمائة.

1. اختر زر سهم الانهيار المجاور لـ المتصدرين النموذجية لمراجعة بيانات أداء النموذج.
   
2. إختار ال سجل للتعمق أكثر في رؤى دقة النموذج. أفاد النموذج المدرّب أنه يمكنه التنبؤ بالركاب الذين لم ينجوا بشكل صحيح بنسبة 89.72 بالمائة من الوقت.
   
3. إختار ال المقاييس المتقدمة علامة تبويب لتقييم تفاصيل أداء النموذج الإضافية. ابدأ بالاختيار جدول المقاييس لمراجعة تفاصيل المقاييس مثل F1, دقة, تذكرو AUC.
   
4. يساعد SageMaker Canvas أيضًا على تصور الارتباك مصفوفة للنموذج المدرب .
   
5. ويتصور منحنى استدعاء الدقة. يشير AUPRC الذي يبلغ 0.86 إلى دقة تصنيف عالية، وهو أمر جيد.
   
6. اختار المتصدرين النموذجية لمقارنة مقاييس الأداء الرئيسية (مثل الدقة والدقة والاستدعاء ودرجة F1) للنماذج المختلفة التي تم تقييمها بواسطة SageMaker Canvas لتحديد أفضل نموذج للبيانات، استنادًا إلى التكوين الذي قمت بتعيينه لهذه التجربة. يتم تمييز النموذج الافتراضي الذي يتمتع بأفضل أداء باستخدام الخيار النموذج الافتراضي التسمية على لوحة المتصدرين النموذجية.
   
7. يمكنك استخدام قائمة السياق الموجودة على الجانب للتعمق أكثر في تفاصيل أي من النماذج أو لجعل النموذج هو النموذج الافتراضي. يختار عرض تفاصيل النموذج على النموذج الثاني في لوحة المتصدرين لمعرفة التفاصيل.
   
8. يقوم SageMaker Canvas بتغيير طريقة العرض لإظهار تفاصيل النموذج المرشح المحدد. على الرغم من أن تفاصيل النموذج الافتراضي متاحة بالفعل، فإن عرض تفاصيل النموذج البديل يستغرق من 10 إلى 15 دقيقة لرسم التفاصيل.
   

إنشاء نموذج ثان

الآن بعد أن قمت ببناء نموذج وتشغيله ومراجعته، دعنا نبني نموذجًا ثانيًا للمقارنة.

1. ارجع إلى عرض النموذج الافتراضي عن طريق الاختيار X في الزاوية العليا. الآن، اختر أضف نسخة لإنشاء نسخة جديدة من النموذج.
   
2. حدد مجموعة بيانات Titanic التي قمت بإنشائها في البداية، ثم اختر حدد مجموعة البيانات.
   

يقوم SageMaker Canvas تلقائيًا بتحميل النموذج مع تحديد العمود المستهدف بالفعل. في هذه التجربة الثانية، يمكنك التبديل إلى تدريب HPO لمعرفة ما إذا كان يؤدي إلى نتائج أفضل لمجموعة البيانات. بالنسبة لهذا النموذج، يمكنك الاحتفاظ بنفس المقاييس الموضوعية (الدقة) للمقارنة مع التجربة الأولى واستخدام خوارزمية XGBoost للتدريب على HPO. يمكنك تغيير تقسيم البيانات للتدريب والتحقق من الصحة إلى 70/30 وتكوين الحد الأقصى للمرشحين وقيم وقت التشغيل لوظيفة HPO إلى 20 مرشحًا والحد الأقصى لوقت تشغيل المهمة بساعة واحدة.

تكوين وتشغيل النموذج

1. ابدأ التجربة الثانية بالاختيار تكوين النموذج لتكوين تفاصيل التدريب النموذجي الخاص بك.
   
2. في مجلة تكوين النموذج نافذة، حدد مقياس موضوعي من جزء التنقل. ل مقياس موضوعي، استخدم القائمة المنسدلة للتحديد دقة، يتيح لك ذلك رؤية جميع مخرجات الإصدار ومقارنتها جنبًا إلى جنب.
   
3. أختار طريقة التدريب والخوارزميات. حدد تحسين Hyperparameter لطريقة التدريب . ثم قم بالتمرير لأسفل لتحديد الخوارزميات.
   
4. أختار XGBoost للخوارزمية. يوفر XGBoost تعزيزًا متوازيًا للشجرة يحل العديد من مشكلات علم البيانات بسرعة ودقة، ويقدم مجموعة كبيرة من المعلمات الفائقة التي يمكن ضبطها لتحسين نموذج XGBoost والاستفادة منه بالكامل.
   
5. أختار تقسيم البيانات. بالنسبة لهذا النموذج، قم بتعيين تقسيم بيانات التدريب والتحقق من الصحة إلى 70/30.
   
6. أختار الحد الأقصى للمرشحين ووقت التشغيل وقم بتعيين قيم مهمة HPO على 20 لـ ماكس المرشحين و 1 ساعة ل الحد الأقصى لوقت تشغيل الوظيفة. أختر حفظ لإنهاء تكوين النموذج الثاني.
   
7. الآن بعد أن قمت بتكوين النموذج الثاني، اختر بناء قياسي لبدء التدريب.
   

يستخدم SageMaker Canvas التكوين لبدء مهمة HPO. مثل الوظيفة الأولى، ستستغرق هذه المهمة التدريبية ما يصل إلى ساعة لإكمالها.

راجع النتائج

عند اكتمال مهمة تدريب HPO (أو انتهاء الحد الأقصى لوقت التشغيل)، يعرض SageMaker Canvas مخرجات مهمة التدريب بناءً على النموذج الافتراضي ويعرض درجة دقة النموذج.

1. اختار المتصدرين النموذجية لعرض قائمة بجميع النماذج المرشحة العشرين من تدريب HPO. يتم وضع علامة على أفضل نموذج، استنادًا إلى هدف العثور على أفضل دقة، كنموذج افتراضي.
   

في حين دقة الافتراضي النموذج هو الأفضل، ونموذج آخر من تشغيل وظيفة HPO له مساحة أعلى تحت درجة منحنى ROC (AUC). يتم استخدام درجة AUC لتقييم أداء نموذج التصنيف الثنائي. تشير AUC الأعلى إلى أن النموذج أفضل في التمييز بين الفئتين، حيث تمثل 1 درجة مثالية و0.5 تشير إلى تخمين عشوائي.

2. استخدم قائمة السياق لجعل النموذج ذو الـ AUC الأعلى هو النموذج الافتراضي. حدد قائمة السياق لهذا النموذج وحدد التغيير إلى النموذج الافتراضي في قائمة السطر كما هو موضح في الشكل 31 التالي.
   

يستغرق SageMaker Canvas بضع دقائق لتغيير النموذج المحدد إلى النموذج الافتراضي الجديد للإصدار 2 من التجربة ونقله إلى أعلى قائمة النماذج.

قارن النماذج

في هذه المرحلة، لديك نسختان من النموذج الخاص بك ويمكنك عرضهما جنبًا إلى جنب من خلال الانتقال إلى نماذجي في قماش SageMaker.

1. أختار توقع البقاء على قيد الحياة على تيتانيك لرؤية إصدارات النموذج المتاحة.
   
2. هناك إصداران ويتم عرض أدائهما في شكل جدول للمقارنة جنبًا إلى جنب.
   
3. يمكنك أن ترى أن الإصدار 1 من النموذج (الذي تم تدريبه باستخدام خوارزميات المجموعة) يتمتع بدقة أفضل. يمكنك الآن استخدام SageMaker Canvas لإنشاء دفتر ملاحظات SageMaker - يحتوي على تعليمات برمجية وتعليقات وتعليمات - لتخصيص AutoGluon التجارب وتشغيل سير عمل SageMaker Canvas دون كتابة سطر واحد من التعليمات البرمجية. يمكنك إنشاء دفتر ملاحظات SageMaker عن طريق اختيار قائمة السياق وتحديدها عرض دفتر الملاحظات.
   
4. يظهر دفتر ملاحظات SageMaker في نافذة منبثقة. يساعدك دفتر الملاحظات على فحص وتعديل المعلمات التي يقترحها SageMaker Canvas. يمكنك تحديد أحد التكوينات التي تقترحها SageMaker Canvas بشكل تفاعلي، وتعديلها، وتشغيل مهمة معالجة لتدريب النماذج بناءً على التكوين المحدد في بيئة SageMaker Studio.
   

الإستنباط

الآن بعد أن حددت النموذج الأفضل، يمكنك استخدام قائمة السياق للقيام بذلك نشره إلى نقطة نهاية للاستدلال في الوقت الحقيقي.

أو استخدم قائمة السياق لتفعيل نموذج ML الخاص بك في الإنتاج من خلال تسجيل نموذج التعلم الآلي (ML) في سجل نموذج SageMaker.

تنظيف

لتجنب تكبد رسوم مستقبلية، احذف الموارد التي قمت بإنشائها أثناء متابعة هذا المنشور. يفرض عليك SageMaker Canvas رسومًا مقابل مدة الجلسة، ونوصي بتسجيل الخروج من SageMaker Canvas عندما لا تستخدمه.

يرى تسجيل الخروج من Amazon SageMaker Canvas لمزيد من التفاصيل.

وفي الختام

تعد SageMaker Canvas أداة قوية تعمل على إضفاء الطابع الديمقراطي على التعلم الآلي، وتلبي احتياجات كل من أصحاب المصلحة غير التقنيين وعلماء بيانات المواطنين. تعمل الميزات المقدمة حديثًا، بما في ذلك تكوينات بناء النموذج المتقدمة ولوحة المتصدرين النموذجية، على زيادة مرونة النظام الأساسي وشفافيته. يمكّنك هذا من تخصيص نماذج التعلم الآلي الخاصة بك لتناسب احتياجات العمل المحددة دون الخوض في التعليمات البرمجية. تمكّنك القدرة على تخصيص أساليب التدريب والخوارزميات وتقسيمات البيانات والمعلمات الأخرى من تجربة تقنيات تعلم الآلة المتنوعة، مما يعزز فهمًا أعمق لأداء النموذج.

يعد تقديم نموذج لوحة المتصدرين بمثابة تحسين كبير، حيث يوفر نظرة عامة واضحة على مقاييس الأداء الرئيسية للتكوينات المختلفة. تتيح هذه الشفافية للمستخدمين اتخاذ قرارات مستنيرة بشأن اختيارات النماذج والتحسينات. من خلال عرض سير عمل بناء النموذج بالكامل، بما في ذلك خطوات المعالجة المسبقة المقترحة والخوارزميات ونطاقات المعلمات الفائقة في دفتر ملاحظات، يسهل SageMaker Canvas الفهم الشامل لعملية تطوير النموذج.

لبدء رحلة تعلم الآلة ذات التعليمات البرمجية المنخفضة/بدون تعليمات برمجية، راجع قماش أمازون سيج ميكر.

شكر خاص لكل من ساهم في الإطلاق:

إيشا دوتا، إد تشيونغ، ماكس كوندراشوف، ألان جونسون، ريديم راستوجي، رانجا ريدي باليلرا، روشين وين، روينونج تيان، سانديبان مانا، رينو روزيرا، فيكاش جارج، راميش سيكاران، وجونجان جارج.

---

حول المؤلف

جانيشا أناند هو مدير أول للمنتجات في فريق SageMaker Low / No Code ML ، والذي يتضمن SageMaker Canvas و SageMaker Autopilot. إنها تستمتع بالقهوة والبقاء نشطة وقضاء الوقت مع عائلتها.

إندي ساوني هو أحد كبار قادة حلول العملاء في Amazon Web Services. يعمل إندي دائمًا على حل مشاكل العملاء بشكل عكسي، ويقدم المشورة للمديرين التنفيذيين لعملاء مؤسسة AWS من خلال رحلة التحول السحابي الفريدة الخاصة بهم. يتمتع بخبرة تزيد عن 25 عامًا في مساعدة مؤسسات المؤسسات على تبني التقنيات الناشئة وحلول الأعمال. إندي هو متخصص متعمق في مجتمع AWS Technical Field Community للذكاء الاصطناعي والتعلم الآلي (AI/ML)، مع التخصص في الذكاء الاصطناعي التوليدي وحلول SageMaker ذات التعليمات البرمجية المنخفضة/بدون تعليمات برمجية (LCNC).

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://aws.amazon.com/blogs/machine-learning/build-and-evaluate-machine-learning-models-with-advanced-configurations-using-the-sagemaker-canvas-model-leaderboard/