Amazon SageMaker Autopilot toetab nüüd aegridade andmeid

Amazon SageMakeri autopiloot koostab, treenib ja häälestab teie andmete põhjal automaatselt parimaid masinõppe (ML) mudeleid, võimaldades samal ajal säilitada täielikku kontrolli ja nähtavust. Hiljuti teatasime aegridade andmete tugi Autopiloodis. Autopilooti saate kasutada aegridade andmete või üldiselt jadaandmete regressiooni- ja klassifitseerimisülesannete lahendamiseks. Aegridade andmed on eritüüpi jadaandmed, kus andmepunkte kogutakse ühtlaste ajavahemike järel.

Andmete käsitsi ettevalmistamine, õige ML-mudeli valimine ja selle parameetrite optimeerimine on keeruline ülesanne isegi asjatundlikule praktikule. Kuigi on olemas automatiseeritud lähenemisviisid, mis suudavad leida parimaid mudeleid ja nende parameetreid, ei suuda need tavaliselt käsitleda andmeid, mis tulevad jadadena, nagu võrguliiklus, elektritarbimine või aja jooksul registreeritud majapidamiskulud. Kuna need andmed on erinevatel ajahetkedel saadud vaatluste vormis, ei saa järjestikuseid vaatlusi käsitleda üksteisest sõltumatutena ja neid tuleb töödelda tervikuna. Autopilooti saate kasutada paljude järjestikuste andmetega seotud probleemide lahendamiseks. Näiteks saate liigitada aja jooksul salvestatud võrguliiklust, et tuvastada pahatahtlikku tegevust või teha kindlaks, kas isikud vastavad nende krediidiajaloo põhjal hüpoteeklaenule. Teie esitate aegridade andmeid sisaldava andmestiku ja Autopilot tegeleb ülejäänuga, töötleb järjestikuseid andmeid spetsiaalsete funktsiooniteisendustega ja leiab teie nimel parima mudeli.

Autopiloot välistab ML-mudelite ehitamise raske tõstmise ning aitab teil automaatselt luua, treenida ja häälestada teie andmete põhjal parima ML-mudeli. Autopiloot käitab teie andmetel mitut algoritmi ja häälestab nende hüperparameetreid täielikult hallatavas arvutusinfrastruktuuris. Selles postituses näitame, kuidas saate seda kasutada Autopiloot klassifitseerimis- ja regressiooniprobleemide lahendamiseks aegridade andmetel. Autopiloodi mudeli loomise ja treenimise juhised leiate siit Klientide vähenemise ennustamine Amazon SageMakeri autopiloodiga.

Aegridade andmete klassifitseerimine autopiloodi abil

Jooksva näitena käsitleme aegrea mitme klassi probleemi andmestik UWaveGestureLibraryX, mis sisaldab võrdsel kaugusel kiirendusmõõturi andurite näitu, sooritades samal ajal ühte kaheksast etteantud käeliigust. Lihtsuse huvides võtame arvesse ainult kiirendusmõõturi X mõõdet. Ülesandeks on koostada klassifitseerimismudel, et kaardistada aegridade andmed anduri näitudest eelmääratletud žestideni. Järgmisel joonisel on kujutatud CSV-vormingus andmestiku esimesed read. Kogu tabel koosneb 896 reast ja kahest veerust: esimene veerg on žesti silt ja teine ​​veerg on anduri näitude aegrida.

Teisendage andmed õigesse vormingusse rakendusega Amazon SageMaker Data Wrangler

Lisaks numbriliste, kategooriliste ja standardsete tekstiveergude aktsepteerimisele aktsepteerib Autopilot nüüd ka jada sisendveergu. Kui teie aegrea andmed ei järgi seda vormingut, saate need hõlpsalt teisendada Amazon SageMaker Data Wrangler. Data Wrangler vähendab ML jaoks andmete koondamiseks ja ettevalmistamiseks kuluvat aega nädalatelt minutiteni. Data Wrangleri abil saate lihtsustada andmete ettevalmistamise ja funktsioonide kavandamise protsessi ning viia lõpule andmete ettevalmistamise töövoo kõik etapid, sealhulgas andmete valimise, puhastamise, uurimise ja visualiseerimise ühest visuaalsest liidesest. Näiteks kaaluge sama andmestikku, kuid erinevas sisendvormingus: iga žest (määratud ID-ga) on kiirendusmõõturi võrdsete mõõtmiste jada. Vertikaalselt salvestamisel sisaldab iga rida ajatemplit ja ühte väärtust. Järgmisel joonisel võrreldakse neid andmeid nende algvormingus ja jadavormingus.

Selle andmestiku teisendamiseks varem kirjeldatud vormingusse Data Wrangleri abil laadige andmestik kohast Amazoni lihtne salvestusteenus (Amazon S3). Seejärel kasutage aegrida Rühmitamine teisenduse järgi, nagu on näidatud järgmisel ekraanipildil, ja eksportige andmed CSV-vormingus tagasi Amazon S3-sse.

Kui andmestik on määratud vormingus, saate jätkata funktsiooniga Autopilot. Teiste Data Wrangleri aegridade trafode vaatamiseks vaadake Valmistage ette aegridade andmed rakendusega Amazon SageMaker Data Wrangler.

Käivitage AutoML-i töö

Nagu ka teiste Autopiloti toetatavate sisendtüüpide puhul, on andmestiku iga rida erinev vaatlus ja iga veerg on funktsioon. Selles näites on meil üks veerg, mis sisaldab aegridade andmeid, kuid teil võib olla mitu aegrea veergu. Teil võib olla ka mitu erinevat tüüpi sisestustüüpi (nt aegread, tekst ja numbrid) veergu.

Et luua autopiloodi katse, asetage andmestik S3 ämbrisse ja looge selles uus katse Amazon SageMaker Studio. Nagu on näidatud järgmisel ekraanipildil, peate määrama katse nime, andmestiku S3 asukoha, väljundartefaktide S3 asukoha ja ennustatava veeru nime.

Autopiloot analüüsib andmeid, genereerib ML-konveierid ja käivitab selle klassifitseerimisülesande puhul 250 hüperparameetri optimeerimise vaikimisi iteratsiooni. Nagu on näidatud järgmises mudeli edetabelis, saavutab Autopilot täpsus 0.821 ja saate parima mudeli kasutusele võtta vaid ühe klõpsuga.

Lisaks genereerib Autopilot a andmete uurimise aruanne, kus saate oma andmeid visualiseerida ja uurida.

Läbipaistvus on Autopiloodi aluseks. Saate vaadata ja muuta loodud ML-konveieri kandidaatide määratluse märkmikus. Järgmine ekraanipilt näitab, kuidas Autopilot soovitab erinevaid torujuhtmeid, kombineerides aegrea trafo TSFeatureExtractor erinevate ML-algoritmidega, nagu näiteks gradientvõimendatud otsustuspuud ja lineaarsed mudelid. The TSFeatureExtractor ekstraktib teie jaoks sadu aegridade funktsioone, mis seejärel suunatakse prognooside tegemiseks allavoolu algoritmidele. Aegridade funktsioonide täieliku loendi leiate jaotisest Ekstraheeritud funktsioonide ülevaade.

Järeldus

Selles postituses näitasime, kuidas kasutada SageMakeri autopilooti aegridade klassifitseerimise ja regressiooniprobleemide lahendamiseks vaid mõne hiireklõpsuga.

Autopiloodi kohta lisateabe saamiseks vt Amazon SageMakeri autopiloot. SageMakeri seotud funktsioonide uurimiseks vt Amazon SageMaker Data Wrangler.

---

Autoritest

Nikita Ivkin on Amazon SageMaker Data Wrangleri rakendusteadlane.

Anne Milbert on tarkvaraarenduse insener, kes töötab Amazon SageMakeri automaatse mudeli häälestamise kallal.

Valerio Perrone on rakendusteaduste juht, kes töötab Amazon SageMakeri automaatse mudeli häälestamise ja autopiloodi kallal.

Meghana Satish on tarkvaraarenduse insener, kes töötab Amazon SageMakeri automaatse mudeli häälestamise kallal.

Ali Takbiri on tehisintellekti/ML-i spetsialist lahenduste arhitekt ja aitab masinõpet kasutades klientidel lahendada nende äriprobleeme AWS-i pilves.

• Münditark. Euroopa parim Bitcoini ja krüptobörs.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
• CryptoHawk. Altcoini radar. Tasuta prooviversioon.
• Allikas: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-autopilot-now-supports-time-series-data/