يدعم Amazon SageMaker Autopilot الآن بيانات السلاسل الزمنية

Amazon SageMaker الطيار الآلي يقوم تلقائيًا بإنشاء وتدريب وضبط أفضل نماذج التعلم الآلي (ML) استنادًا إلى بياناتك ، مع السماح لك بالحفاظ على التحكم الكامل والرؤية. لقد أعلنا مؤخرا دعم لبيانات السلاسل الزمنية في الطيار الآلي. يمكنك استخدام الطيار الآلي لمعالجة مهام الانحدار والتصنيف على بيانات السلاسل الزمنية ، أو بيانات التسلسل بشكل عام. بيانات السلاسل الزمنية هي نوع خاص من بيانات التسلسل حيث يتم جمع نقاط البيانات في فترات زمنية متساوية.

يعد إعداد البيانات يدويًا واختيار نموذج ML المناسب وتحسين معلماته مهمة معقدة ، حتى بالنسبة لممارس خبير. على الرغم من وجود طرق آلية يمكنها العثور على أفضل النماذج ومعلماتها ، إلا أنها لا تستطيع عادةً معالجة البيانات التي تأتي على شكل تسلسلات ، مثل حركة مرور الشبكة أو استهلاك الكهرباء أو النفقات المنزلية المسجلة بمرور الوقت. نظرًا لأن هذه البيانات تأخذ شكل الملاحظات المكتسبة في نقاط زمنية مختلفة ، فلا يمكن التعامل مع الملاحظات المتتالية على أنها مستقلة عن بعضها البعض وتحتاج إلى معالجتها ككل. يمكنك استخدام الطيار الآلي لمجموعة واسعة من المشاكل المتعلقة بالتعامل مع البيانات المتسلسلة. على سبيل المثال ، يمكنك تصنيف حركة مرور الشبكة المسجلة بمرور الوقت لتحديد الأنشطة الضارة ، أو تحديد ما إذا كان الأفراد مؤهلين للحصول على قرض عقاري بناءً على تاريخهم الائتماني. أنت تقدم مجموعة بيانات تحتوي على بيانات السلاسل الزمنية ويتولى الطيار الآلي الباقي ، ومعالجة البيانات المتسلسلة من خلال تحويلات الميزات المتخصصة والعثور على أفضل نموذج نيابة عنك.

يقضي الطيار الآلي على الرفع الثقيل لنماذج ML الخاصة بالبناء ، ويساعدك تلقائيًا على إنشاء أفضل نموذج ML وتدريبه وضبطه استنادًا إلى بياناتك. يقوم الطيار الآلي بتشغيل العديد من الخوارزميات على بياناتك ويقوم بضبط المعلمات التشعبية الخاصة بهم على بنية أساسية للحوسبة مُدارة بالكامل. في هذا المنشور ، نوضح كيف يمكنك استخدام الطيار الآلي لحل مسائل التصنيف والانحدار على بيانات السلاسل الزمنية. للحصول على إرشادات حول إنشاء نموذج الطيار الآلي والتدريب عليه ، راجع توقع زخم العملاء باستخدام Amazon SageMaker Autopilot.

تصنيف بيانات السلاسل الزمنية باستخدام الطيار الآلي

كمثال مستمر ، نعتبر مشكلة متعددة الفئات في السلسلة الزمنية بيانات UWaveGestureLibraryX، التي تحتوي على قراءات متساوية البُعد لمستشعرات مقياس التسارع أثناء أداء إيماءات اليد الثمانية المحددة مسبقًا. من أجل التبسيط ، نأخذ في الاعتبار البعد X فقط لمقياس التسارع. تتمثل المهمة في بناء نموذج تصنيف لتعيين بيانات السلاسل الزمنية من قراءات المستشعر إلى الإيماءات المحددة مسبقًا. يوضح الشكل التالي الصفوف الأولى من مجموعة البيانات بتنسيق CSV. يتكون الجدول بأكمله من 896 صفًا وعمودين: العمود الأول عبارة عن تسمية إيماءة والعمود الثاني عبارة عن سلسلة زمنية لقراءات أجهزة الاستشعار.

قم بتحويل البيانات إلى التنسيق الصحيح باستخدام Amazon SageMaker Data Wrangler

علاوة على قبول أعمدة النص الرقمية والقاطعية والقياسية ، يقبل الطيار الآلي الآن أيضًا عمود إدخال تسلسل. إذا كانت بيانات السلاسل الزمنية الخاصة بك لا تتبع هذا التنسيق ، فيمكنك تحويلها بسهولة من خلالها أمازون سيج ميكر داتا رانجلر. يقلل Data Wrangler الوقت الذي يستغرقه تجميع البيانات وإعدادها لـ ML من أسابيع إلى دقائق. باستخدام Data Wrangler ، يمكنك تبسيط عملية إعداد البيانات وهندسة الميزات ، وإكمال كل خطوة من خطوات سير عمل إعداد البيانات ، بما في ذلك اختيار البيانات ، والتنقية ، والاستكشاف ، والتصور من واجهة مرئية واحدة. على سبيل المثال ، ضع في اعتبارك نفس مجموعة البيانات ولكن بتنسيق إدخال مختلف: كل إيماءة (محددة بواسطة المعرف) هي سلسلة من قياسات متساوية البعد لمقياس التسارع. عند تخزينه عموديًا ، يحتوي كل صف على طابع زمني وقيمة واحدة. يقارن الشكل التالي هذه البيانات بتنسيقها الأصلي وتنسيق تسلسل.

لتحويل مجموعة البيانات هذه إلى التنسيق الموضح سابقًا باستخدام Data Wrangler ، قم بتحميل مجموعة البيانات من خدمة تخزين أمازون البسيطة (أمازون S3). ثم استخدم ملف السلاسل الزمنية المجموعة بالتحويل، كما هو موضح في لقطة الشاشة التالية ، وقم بتصدير البيانات مرة أخرى إلى Amazon S3 بتنسيق CSV.

عندما تكون مجموعة البيانات بالتنسيق المحدد لها ، يمكنك المتابعة مع الطيار الآلي. للتحقق من محولات السلاسل الزمنية الأخرى لبيانات رانجلر الرجوع إليها قم بإعداد بيانات السلاسل الزمنية باستخدام Amazon SageMaker Data Wrangler.

إطلاق وظيفة AutoML

كما هو الحال مع أنواع الإدخال الأخرى التي يدعمها الطيار الآلي ، يعد كل صف من مجموعة البيانات ملاحظة مختلفة وكل عمود عبارة عن ميزة. في هذا المثال ، لدينا عمود واحد يحتوي على بيانات السلاسل الزمنية ، ولكن يمكن أن يكون لديك عدة أعمدة للسلاسل الزمنية. يمكنك أيضًا الحصول على أعمدة متعددة بأنواع إدخال مختلفة ، مثل السلاسل الزمنية والنص والرقمي.

إلى إنشاء تجربة الطيار الآلي، ضع مجموعة البيانات في حاوية S3 وأنشئ تجربة جديدة بداخلها أمازون ساجميكر ستوديو. كما هو موضح في لقطة الشاشة التالية ، يجب عليك تحديد اسم التجربة ، وموقع S3 لمجموعة البيانات ، وموقع S3 للقطع الأثرية الناتجة ، واسم العمود المراد توقعه.

يقوم الطيار الآلي بتحليل البيانات وإنشاء خطوط ML وتشغيل 250 تكرارًا افتراضيًا لتحسين المعلمة الفائقة في مهمة التصنيف هذه. كما هو موضح في ليدربورد النموذج التالي ، تصل دقة الطيار الآلي إلى 0.821 ، ويمكنك نشر أفضل نموذج بنقرة واحدة فقط.

بالإضافة إلى ذلك ، يقوم الطيار الآلي بإنشاء ملف تقرير استكشاف البيانات، حيث يمكنك تصور واستكشاف بياناتك.

الشفافية هي أساس للطيار الآلي. يمكنك فحص خطوط أنابيب ML التي تم إنشاؤها وتعديلها داخل دفتر ملاحظات تعريف المرشح. توضح لقطة الشاشة التالية كيف يوصي الطيار الآلي بمجموعة من خطوط الأنابيب ، تجمع بين محول السلاسل الزمنية TSFeatureExtractor باستخدام خوارزميات ML المختلفة ، مثل أشجار القرار المعززة بالتدرج والنماذج الخطية. ال TSFeatureExtractor يستخرج لك مئات من ميزات السلاسل الزمنية ، والتي يتم تغذيتها بعد ذلك إلى خوارزميات المصب لعمل تنبؤات. للحصول على القائمة الكاملة لميزات السلاسل الزمنية ، يرجى الرجوع إلى نظرة عامة على الميزات المستخرجة.

وفي الختام

في هذا المنشور ، أوضحنا كيفية استخدام SageMaker Autopilot لحل مشاكل تصنيف السلاسل الزمنية والانحدار ببضع نقرات.

لمزيد من المعلومات حول الطيار الآلي ، انظر Amazon SageMaker الطيار الآلي. لاستكشاف الميزات ذات الصلة بـ SageMaker ، راجع أمازون سيج ميكر داتا رانجلر.

---

حول المؤلف

نيكيتا ايفكين هو عالم تطبيقي ، Amazon SageMaker Data Wrangler.

آن ميلبرت هو مهندس تطوير برمجيات يعمل على الضبط التلقائي للنموذج Amazon SageMaker.

فاليريو بيروني هو مدير علوم تطبيقية يعمل على الضبط التلقائي للنموذج والطيار الآلي من Amazon SageMaker.

ميغان ساتيش هو مهندس تطوير برمجيات يعمل على الضبط التلقائي للنموذج Amazon SageMaker.

علي التكبيري هو مهندس حلول متخصص في الذكاء الاصطناعي / التعلم الآلي ، ويساعد العملاء باستخدام التعلم الآلي لحل تحديات أعمالهم على سحابة AWS.

• كوينسمارت. أفضل بورصة للبيتكوين والعملات المشفرة في أوروبا.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. دخول مجاني.
• كريبتوهوك. الرادار. تجربة مجانية.
• المصدر: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-autopilot-now-supports-time-series-data/