در این پست، نحوه پیکربندی یک ویژگی جدید احراز هویت مبتنی بر OAuth برای استفاده را نشان میدهیم. دانه برف in Amazon SageMaker Data Rangler. Snowflake یک پلت فرم داده ابری است که راه حل های داده ای را برای ذخیره سازی داده ها در علم داده ارائه می دهد. دانه برف یک شریک AWS با چندین اعتبار AWS، از جمله شایستگی های AWS در یادگیری ماشین (ML)، خرده فروشی، و داده ها و تجزیه و تحلیل.
Data Wrangler آمادهسازی دادهها و فرآیند مهندسی ویژگیها را ساده میکند و با ارائه یک رابط بصری واحد برای دانشمندان داده برای انتخاب و پاکسازی دادهها، ایجاد ویژگیها، و آمادهسازی خودکار دادهها در گردشهای کاری ML بدون نوشتن کد، زمان را از هفتهها به دقیقه کاهش میدهد. می توانید داده ها را از چندین منبع داده وارد کنید، مانند سرویس ذخیره سازی ساده آمازون (Amazon S3) آمازون آتنا, آمازون Redshift, آمازون EMR، و دانه برف. با استفاده از این ویژگی جدید، می توانید از ارائه دهنده هویت خود (IdP) مانند Okta, لاجوردی م، یا فدراسیون پینگ برای اتصال به Snowflake از طریق Data Wrangler.
بررسی اجمالی راه حل
در بخشهای بعدی، مراحلی را برای یک سرپرست برای راهاندازی IdP، Snowflake و Studio ارائه میکنیم. ما همچنین مراحلی را که دانشمندان داده میتوانند برای پیکربندی جریان داده، تجزیه و تحلیل کیفیت دادهها و افزودن تبدیل دادهها انجام دهند، شرح میدهیم. در نهایت، نحوه صادرات جریان داده و آموزش یک مدل با استفاده از آن را نشان میدهیم SageMaker Autopilot.
پیش نیازها
برای این راهنما، شما باید پیش نیازهای زیر را داشته باشید:
- برای ادمین:
- یک کاربر Snowflake با مجوز ایجاد ادغام های ذخیره سازی و ادغام های امنیتی در Snowflake.
- یک حساب AWS با مجوز برای ایجاد هویت AWS و مدیریت دسترسی (IAM) سیاست ها و نقش ها.
- دسترسی و مجوز برای پیکربندی IDP برای ثبت برنامه Data Wrangler و راه اندازی سرور مجوز یا API.
- برای دانشمند داده:
راه اندازی مدیر
به جای اینکه کاربرانتان مستقیماً اطلاعات Snowflake خود را در Data Wrangler وارد کنند، میتوانید از آنها بخواهید از IdP برای دسترسی به Snowflake استفاده کنند.
مراحل زیر برای فعال کردن دسترسی Data Wrangler OAuth به Snowflake انجام می شود:
- IdP را پیکربندی کنید.
- Snowflake را پیکربندی کنید.
- SageMaker Studio را پیکربندی کنید.
IdP را پیکربندی کنید
برای تنظیم IdP خود، باید برنامه Data Wrangler را ثبت کنید و سرور مجوز یا API خود را راه اندازی کنید.
برنامه Data Wrangler را در IdP ثبت کنید
برای IdP هایی که Data Wrangler پشتیبانی می کند به اسناد زیر مراجعه کنید:
از اسناد ارائه شده توسط IdP خود برای ثبت برنامه Data Wrangler خود استفاده کنید. اطلاعات و رویه های موجود در این بخش به شما کمک می کند تا نحوه استفاده صحیح از اسناد ارائه شده توسط IdP خود را درک کنید.
سفارشیسازیهای خاص علاوه بر مراحل در راهنماهای مربوطه در بخشهای فرعی فراخوانی میشوند.
- پیکربندی را انتخاب کنید که فرآیند ثبت Data Wrangler را به عنوان یک برنامه شروع می کند.
- دسترسی کاربران داخل IdP به Data Wrangler را فراهم کنید.
- با ذخیره اعتبار مشتری به عنوان راز Secrets Manager، احراز هویت مشتری OAuth را فعال کنید.
- یک URL تغییر مسیر را با استفاده از فرمت زیر مشخص کنید:
https://domain-ID.studio.AWS Region.sagemaker.aws/jupyter/default/lab
.
شما در حال تعیین شناسه دامنه SageMaker و منطقه AWS هستید که برای اجرای Data Wrangler استفاده می کنید. شما باید یک URL برای هر دامنه و منطقه ای که در آن Data Wrangler را اجرا می کنید، ثبت کنید. کاربران دامنه و منطقهای که URL تغییر مسیر برای خود تنظیم نکردهاند، نمیتوانند برای دسترسی به اتصال Snowflake با IdP احراز هویت کنند.
- مطمئن شوید که کد مجوز و انواع اعطای توکن بهروزرسانی برای برنامه Data Wrangler شما مجاز است.
سرور مجوز یا API را در IdP تنظیم کنید
در IdP خود، باید یک سرور مجوز یا یک رابط برنامه نویسی برنامه (API) راه اندازی کنید. برای هر کاربر، سرور مجوز یا API توکن هایی را با Snowflake به عنوان مخاطب به Data Wrangler ارسال می کند.
دانه برف از مفهوم استفاده می کند نقش که از نقش های IAM مورد استفاده در AWS متمایز هستند. برای استفاده از نقش پیشفرض مرتبط با حساب Snowflake، باید IdP را برای استفاده از ANY Role پیکربندی کنید. به عنوان مثال، اگر یک کاربر داشته باشد systems administrator
به عنوان نقش پیشفرض در پروفایل Snowflake، از اتصال Data Wrangler به Snowflake استفاده میکند. systems administrator
به عنوان نقش
از روش زیر برای راه اندازی سرور مجوز یا API در IdP خود استفاده کنید:
- از IdP خود، فرآیند راه اندازی سرور یا API را شروع کنید.
- سرور مجوز را برای استفاده از کد مجوز و بازخوانی انواع اعطای توکن پیکربندی کنید.
- طول عمر توکن دسترسی را مشخص کنید.
- مهلت زمانی بیکار نشانه رفرش را تنظیم کنید.
مهلت زمانی بیکار زمانی است که در صورت عدم استفاده، توکن تازه سازی منقضی می شود. اگر کارهایی را در Data Wrangler زمانبندی میکنید، توصیه میکنیم زمان وقفه بیکار را بیشتر از دفعات کار پردازش کنید. در غیر این صورت، برخی از کارهای پردازشی ممکن است با شکست مواجه شوند، زیرا رمز بهروزرسانی قبل از اجرا منقضی شده است. هنگامی که توکن بهروزرسانی منقضی میشود، کاربر باید با دسترسی به اتصالی که از طریق Data Wrangler به Snowflake برقرار کرده است دوباره احراز هویت کند.
توجه داشته باشید که Data Wrangler از نشانههای نوسازی چرخشی پشتیبانی نمیکند. استفاده از توکنهای بهروزرسانی چرخشی ممکن است منجر به شکست دسترسی یا نیاز کاربران به ورود مکرر به سیستم شود.
اگر توکن بهروزرسانی منقضی شود، کاربران شما باید با دسترسی به اتصالی که از طریق Data Wrangler به Snowflake برقرار کردهاند، احراز هویت مجدد انجام دهند.
- مشخص کردن
session:role-any
به عنوان دامنه جدید
برای Azure AD نیز باید یک شناسه منحصر به فرد برای محدوده مشخص کنید.
پس از راهاندازی ارائهدهنده OAuth، اطلاعاتی را که برای اتصال به ارائهدهنده نیاز دارد، در اختیار Data Wrangler قرار میدهید. می توانید از اسناد IdP خود برای دریافت مقادیر فیلدهای زیر استفاده کنید:
- نشانی اینترنتی رمز – URL توکنی که IdP به Data Wrangler ارسال می کند
- URL مجوز - URL سرور مجوز IdP
- شناسه مشتری - شناسه IdP
- راز مشتری - رازی که فقط سرور مجوز یا API آن را تشخیص می دهد
- دامنه OAuth - این فقط برای Azure AD است
Snowflake را پیکربندی کنید
برای پیکربندی Snowflake، دستورالعملها را تکمیل کنید وارد کردن داده ها از Snowflake.
از اسناد Snowflake برای IdP خود برای راه اندازی یک OAuth خارجی در Snowflake استفاده کنید. بخش قبل را ببینید برنامه Data Wrangler را در IdP ثبت کنید برای اطلاعات بیشتر در مورد نحوه راه اندازی یک OAuth ادغام خارجی.
هنگامی که یکپارچه سازی امنیتی را در Snowflake تنظیم می کنید، مطمئن شوید که آن را فعال کرده اید external_oauth_any_role_mode
.
SageMaker Studio را پیکربندی کنید
شما فیلدها و مقادیر را در یک Secrets Manager ذخیره میکنید و آن را به پیکربندی چرخه زندگی Studio که برای Data Wrangler استفاده میکنید اضافه میکنید. پیکربندی چرخه حیات یک اسکریپت پوسته است که به طور خودکار اعتبار ذخیره شده در مخفی را هنگامی که کاربر وارد استودیو می شود بارگیری می کند. برای اطلاعات در مورد ایجاد اسرار، نگاه کنید به اسرار کدگذاری شده را به مدیر اسرار AWS منتقل کنید. برای اطلاعات در مورد استفاده از تنظیمات چرخه زندگی در استودیو، رجوع کنید از تنظیمات چرخه زندگی با Amazon SageMaker Studio استفاده کنید.
یک راز برای اعتبارنامه Snowflake ایجاد کنید
برای ایجاد راز برای اعتبارنامه Snowflake، مراحل زیر را کامل کنید:
- در کنسول Secrets Manager، را انتخاب کنید یک راز جدید ذخیره کنید.
- برای نوع مخفی، انتخاب کنید نوع دیگری از راز.
- جزئیات راز خود را به صورت جفت کلید-مقدار مشخص کنید.
نام های کلیدی به دلیل حساسیت به حروف کوچک نیاز به حروف کوچک دارند. اگر هر یک از این موارد را اشتباه وارد کنید، Data Wrangler هشدار می دهد. در صورت تمایل مقادیر مخفی را به صورت جفت کلید-مقدار Key/value وارد کنید یا از آن استفاده کنید متن ساده گزینه.
در زیر فرمت مخفی مورد استفاده برای Okta است. اگر از Azure AD استفاده می کنید، باید آن را اضافه کنید datasource_oauth_scope
رشته.
- مقادیر قبلی را با انتخاب IdP و اطلاعات جمع آوری شده پس از ثبت برنامه به روز کنید.
- را انتخاب کنید بعدی.
- برای نام مخفی، پیشوند را اضافه کنید
AmazonSageMaker
(مثلا راز ما این استAmazonSageMaker-DataWranglerSnowflakeCreds
). - در گزينه ها بخش، یک برچسب با کلید اضافه کنید
SageMaker
و ارزشtrue
. - را انتخاب کنید بعدی.
- بقیه فیلدها اختیاری هستند. انتخاب کنید بعدی تا زمانی که شما گزینه ای برای انتخاب داشته باشید فروشگاه برای ذخیره راز
پس از اینکه راز را ذخیره کردید، به کنسول Secrets Manager بازگردانده می شوید.
- رازی را که ایجاد کردید انتخاب کنید، سپس ARN مخفی را بازیابی کنید.
- این را در ویرایشگر متن دلخواه خود ذخیره کنید تا بعداً هنگام ایجاد منبع داده Data Wrangler از آن استفاده کنید.
یک پیکربندی چرخه زندگی استودیو ایجاد کنید
برای ایجاد یک تنظیمات چرخه زندگی در استودیو، مراحل زیر را انجام دهید:
- در کنسول SageMaker، را انتخاب کنید تنظیمات چرخه حیات در صفحه ناوبری
- را انتخاب کنید ایجاد پیکربندی.
- را انتخاب کنید برنامه سرور Jupyter.
- یک پیکربندی چرخه حیات جدید ایجاد کنید یا یک پیکربندی موجود با محتوای زیر را اضافه کنید:
پیکربندی یک فایل با نام ایجاد می کند ".snowflake_identity_provider_oauth_config"
، حاوی راز در پوشه اصلی کاربر است.
- را انتخاب کنید ایجاد پیکربندی.
تنظیمات چرخه زندگی پیش فرض را تنظیم کنید
مراحل زیر را برای تنظیم تنظیمات چرخه زندگی که ایجاد کرده اید به عنوان پیش فرض انجام دهید:
- در کنسول SageMaker، را انتخاب کنید دامنه در صفحه ناوبری
- دامنه Studio را که برای این مثال استفاده می کنید انتخاب کنید.
- بر محیط برگه، در تنظیمات چرخه حیات برای برنامه های شخصی استودیو بخش، را انتخاب کنید ضمیمه کردن.
- برای منبع، انتخاب کنید پیکربندی موجود.
- پیکربندی را که به تازگی انجام دادید انتخاب کنید، سپس انتخاب کنید به دامنه پیوست کنید.
- پیکربندی جدید را انتخاب کرده و انتخاب کنید تنظیم به عنوان پیشفرض، پس از آن را انتخاب کنید تنظیم به عنوان پیشفرض دوباره در پیام پاپ آپ
تنظیمات جدید شما اکنون باید در زیر قابل مشاهده باشد تنظیمات چرخه حیات برای برنامه های شخصی استودیو به صورت پیش فرض
- برنامه استودیو را خاموش کنید و دوباره راه اندازی کنید تا تغییرات اعمال شوند.
تجربه دانشمند داده
در این بخش، نحوه اتصال دانشمندان داده به Snowflake به عنوان منبع داده در Data Wrangler و آماده سازی داده ها برای ML را پوشش می دهیم.
یک جریان داده جدید ایجاد کنید
برای ایجاد جریان داده، مراحل زیر را انجام دهید:
- در کنسول SageMaker، را انتخاب کنید Amazon SageMaker Studio در صفحه ناوبری
- را انتخاب کنید استودیو باز.
- در استودیو صفحه اصلی صفحه ، انتخاب کنید وارد کردن و آماده سازی داده ها به صورت بصری. متناوبا، در پرونده کشویی، انتخاب کنید جدید، پس از آن را انتخاب کنید SageMaker Data Wrangler Flow.
ایجاد یک جریان جدید می تواند چند دقیقه طول بکشد.
- بر وارد کردن داده صفحه ، انتخاب کنید ارتباط ایجاد کنید.
- را انتخاب کنید دانه برف از فهرست منابع داده
- برای روش احراز هویت، انتخاب کنید OAuth تأیید.
اگر OAuth را نمیبینید، مراحل قبلی پیکربندی چرخه حیات را تأیید کنید.
- جزئیات را برای نام حساب کاربری Snowflake و یکپارچه سازی فضای ذخیره سازی.
- نام اتصال را وارد کرده و انتخاب کنید اتصال.
شما به یک صفحه احراز هویت IdP هدایت می شوید. برای این مثال، ما از Okta استفاده می کنیم.
- نام کاربری و رمز عبور خود را وارد کنید، سپس انتخاب کنید ورود به سیستم.
پس از موفقیت آمیز بودن احراز هویت، به صفحه جریان داده استودیو هدایت می شوید.
- بر وارد کردن داده ها از Snowflake صفحه، اشیاء پایگاه داده را مرور کنید یا یک پرس و جو برای داده های مورد نظر اجرا کنید.
- در ویرایشگر پرس و جو، یک پرس و جو را وارد کنید و نتایج را پیش نمایش کنید.
در مثال زیر بارگذاری می کنیم داده های وام و تمام ستون ها را از 5,000 سطر بازیابی کنید.
- را انتخاب کنید وارد كردن.
- یک نام مجموعه داده را وارد کنید (برای این پست، ما استفاده می کنیم
snowflake_loan_dataset
) و انتخاب کنید اضافه کردن.
شما به مسیر هدایت می شوید آماده صفحه، که در آن می توانید تبدیل ها و تجزیه و تحلیل ها را به داده ها اضافه کنید.
Data Wrangler دریافت داده ها و انجام وظایف آماده سازی داده مانند تجزیه و تحلیل داده های اکتشافی، انتخاب ویژگی و مهندسی ویژگی را آسان می کند. ما در این پست در مورد آمادهسازی دادهها، تنها به چند مورد از قابلیتهای Data Wrangler اشاره کردهایم. می توانید از Data Wrangler برای تجزیه و تحلیل داده های پیشرفته تر مانند اهمیت ویژگی، نشت هدف و توضیح مدل با استفاده از یک رابط کاربری آسان و شهودی استفاده کنید.
تجزیه و تحلیل کیفیت داده ها
استفاده از گزارش کیفیت داده و بینش برای انجام تجزیه و تحلیل داده هایی که به Data Wrangler وارد کرده اید. Data Wrangler گزارش را از داده های نمونه برداری شده ایجاد می کند.
- در صفحه جریان Data Wrangler، علامت مثبت در کنار آن را انتخاب کنید انواع داده ها، پس از آن را انتخاب کنید دریافت اطلاعات بینش.
- را انتخاب کنید گزارش کیفیت داده و بینش برای نوع تحلیل.
- برای ستون هدف، ستون مورد نظر خود را انتخاب کنید.
- برای نوع مشکل، انتخاب کنید طبقه بندی.
- را انتخاب کنید ساختن.
گزارش بینش دارای خلاصهای از دادهها است که شامل اطلاعات کلی مانند مقادیر گمشده، مقادیر نامعتبر، انواع ویژگیها، تعداد پرت و غیره است. می توانید گزارش را دانلود کنید یا به صورت آنلاین مشاهده کنید.
تبدیل ها را به داده ها اضافه کنید
Data Wrangler بیش از 300 تبدیل داخلی دارد. در این بخش، ما از برخی از این تبدیل ها برای آماده سازی مجموعه داده برای یک مدل ML استفاده می کنیم.
- در صفحه جریان داده Wrangler، علامت مثبت را انتخاب کنید، سپس انتخاب کنید تبدیل را اضافه کنید.
اگر مراحل موجود در پست را دنبال می کنید، پس از افزودن مجموعه داده خود به طور خودکار به اینجا هدایت می شوید.
- نوع داده ستون ها را تأیید و اصلاح کنید.
با نگاه کردن به ستون ها، آن را شناسایی می کنیم MNTHS_SINCE_LAST_DELINQ
و MNTHS_SINCE_LAST_RECORD
به احتمال زیاد باید به عنوان یک نوع عدد به جای رشته نمایش داده شود.
- پس از اعمال تغییرات و افزودن مرحله، می توانید تأیید کنید که نوع داده ستون به شناور تغییر کرده است.
با نگاه کردن به داده ها، می توانیم متوجه شویم که فیلدها EMP_TITLE
, URL
, DESCRIPTION
و TITLE
احتمالاً در مورد استفاده ما ارزشی برای مدل ما ایجاد نمی کند، بنابراین می توانیم آنها را کنار بگذاریم.
- را انتخاب کنید مرحله را اضافه کنید، پس از آن را انتخاب کنید ستون ها را مدیریت کنید.
- برای دگرگون کردن، انتخاب کنید رها کردن ستون.
- برای ستون برای انداختن، مشخص نمودن
EMP_TITLE
,URL
,DESCRIPTION
وTITLE
. - را انتخاب کنید پیش نمایش و اضافه کردن.
در مرحله بعد، ما می خواهیم به دنبال داده های طبقه بندی شده در مجموعه داده خود باشیم. Data Wrangler دارای یک عملکرد داخلی برای رمزگذاری داده های طبقه بندی شده با استفاده از رمزگذاری های ترتیبی و تک داغ است. با نگاهی به مجموعه داده ما، می توانیم ببینیم که TERM
, HOME_OWNERSHIP
و PURPOSE
به نظر می رسد که همه ستون ها ماهیت طبقه بندی داشته باشند.
- یک مرحله دیگر اضافه کنید و انتخاب کنید کدگذاری طبقه بندی شده.
- برای دگرگون کردن، انتخاب کنید یک کدگذاری داغ.
- برای ستون ورودی، انتخاب کنید
TERM
. - برای سبک خروجی، انتخاب کنید ستون ها.
- تمام تنظیمات دیگر را به عنوان پیش فرض بگذارید، سپس انتخاب کنید پیش نمایش و اضافه کردن.
La HOME_OWNERSHIP
ستون دارای چهار مقدار ممکن است: RENT
, MORTGAGE
, OWN
، و دیگر.
- مراحل قبل را تکرار کنید تا یک رویکرد رمزگذاری تک داغ روی این مقادیر اعمال شود.
در نهایت، PURPOSE
ستون دارای چندین مقدار ممکن است. برای این دادهها، ما از یک رویکرد رمزگذاری تک داغ نیز استفاده میکنیم، اما خروجی را بهجای ستونها، بردار تنظیم میکنیم.
- برای دگرگون کردن، انتخاب کنید یک کدگذاری داغ.
- برای ستون ورودی، انتخاب کنید
PURPOSE
. - برای سبک خروجی، انتخاب کنید بردار.
- برای ستون خروجی، به این ستون می گوییم
PURPOSE_VCTR
.
این اصل را حفظ می کند PURPOSE
ستون، اگر تصمیم بگیریم بعداً از آن استفاده کنیم.
- تمام تنظیمات دیگر را به عنوان پیش فرض بگذارید، سپس انتخاب کنید پیش نمایش و اضافه کردن.
جریان داده را صادر کنید
در نهایت، ما کل این جریان داده را به یک فروشگاه ویژگی با یک کار پردازش SageMaker صادر می کنیم، که یک نوت بوک Jupyter با کد از قبل پر شده ایجاد می کند.
- در صفحه جریان داده، علامت مثبت و را انتخاب کنید صادرات به.
- محل صادرات را انتخاب کنید. برای مورد استفاده ما، ما انتخاب می کنیم فروشگاه ویژگی SageMaker.
نوت بوک صادر شده اکنون آماده اجرا است.
داده ها را صادر کنید و یک مدل را با Autopilot آموزش دهید
اکنون می توانیم با استفاده از مدل آموزش دهیم Amazon SageMaker Autopilot.
- در صفحه جریان داده، را انتخاب کنید آموزش تب.
- برای مکان آمازون S3، مکانی را برای ذخیره داده ها وارد کنید.
- را انتخاب کنید صادرات و آموزش.
- تنظیمات را در هدف و ویژگی ها, روش آموزش, استقرار و تنظیمات پیشرفتهو بررسی و ایجاد کنید بخش.
- را انتخاب کنید آزمایش ایجاد کنید تا بهترین مدل را برای مشکل خود پیدا کنید.
پاک کردن
اگر کار شما با Data Wrangler کامل شده است، نمونه Data Wrangler خود را خاموش کنید برای جلوگیری از پرداخت هزینه های اضافی
نتیجه
در این پست، ما اتصال را نشان دادیم Data Wrangler به Snowflake با استفاده از OAuth، تبدیل و تجزیه و تحلیل یک مجموعه داده و در نهایت صادرات آن به جریان داده به طوری که بتوان از آن در یک نوت بوک Jupyter استفاده کرد. مهمتر از همه، ما یک خط لوله برای آماده سازی داده ها بدون نیاز به نوشتن هیچ کدی ایجاد کردیم.
برای شروع کار با Data Wrangler، نگاه کنید داده های ML را با Amazon SageMaker Data Wrangler آماده کنید.
درباره نویسندگان
آجی گوویندارام یک معمار ارشد راه حل در AWS است. او با مشتریان استراتژیک که از AI/ML برای حل مشکلات پیچیده تجاری استفاده می کنند کار می کند. تجربه او در ارائه جهت فنی و همچنین کمک طراحی برای استقرار برنامه های کاربردی AI/ML در مقیاس متوسط تا بزرگ نهفته است. دانش او از معماری اپلیکیشن گرفته تا داده های بزرگ، تجزیه و تحلیل و یادگیری ماشینی را شامل می شود. او از گوش دادن به موسیقی در هنگام استراحت، تجربه در فضای باز و گذراندن وقت با عزیزانش لذت می برد.
بوسکو آلبوکرکی یک معمار راه حل شریک Sr. در AWS است و بیش از 20 سال تجربه در کار با پایگاه داده و محصولات تحلیلی از فروشندگان پایگاه داده سازمانی و ارائه دهندگان ابری دارد. او به شرکتهای بزرگ فناوری در طراحی راهحلهای تجزیه و تحلیل دادهها کمک کرده و تیمهای مهندسی را در طراحی و پیادهسازی پلتفرمهای تجزیه و تحلیل داده و محصولات داده رهبری کرده است.
مت مارسیلو یک مهندس شریک فروش Sr. در Snowflake است. او دارای 10 سال تجربه در نقش علم داده و یادگیری ماشین در مشاوره و سازمان های صنعتی است. مت تجربه توسعه و استقرار مدلهای هوش مصنوعی و ML در بسیاری از سازمانهای مختلف در زمینههایی مانند بازاریابی، فروش، عملیات، بالینی و مالی و همچنین مشاوره در نقشهای مشاوره دارد.
هوونگ نگوین یک رهبر محصول Amazon SageMaker Data Wrangler در AWS است. او 15 سال تجربه ایجاد محصولات مبتنی بر مشتری و داده محور برای فضاهای سازمانی و مصرف کننده دارد. او در اوقات فراغت خود از کتاب های صوتی، باغبانی، پیاده روی و گذراندن وقت با خانواده و دوستانش لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/access-snowflake-data-using-oauth-based-authentication-in-amazon-sagemaker-data-wrangler/
- :است
- $UP
- 000
- 10
- 100
- سال 15
- سال 20
- 7
- 8
- 9
- a
- قادر
- درباره ما
- دسترسی
- دسترسی به داده ها
- دسترسی
- حساب
- در میان
- Ad
- اضافه
- اضافی
- مدیر سایت
- پیشرفت
- پیشرفته
- مشاوره
- پس از
- AI
- AI / ML
- معرفی
- آمازون
- آمازون SageMaker
- Amazon SageMaker Data Rangler
- تجزیه و تحلیل
- تحلیل
- علم تجزیه و تحلیل
- تحلیل
- تجزیه و تحلیل
- و
- دیگر
- API
- نرم افزار
- ظاهر شدن
- کاربرد
- درخواست
- با استفاده از
- روش
- برنامه های
- معماری
- هستند
- مناطق
- AS
- کمک
- مرتبط است
- At
- ضمیمه کردن
- حضار
- سمعی
- تصدیق کردن
- تصدیق
- مجوز
- خودکار بودن
- بطور خودکار
- AWS
- لاجوردی
- BE
- زیرا
- قبل از
- شروع
- بهترین
- بزرگ
- بزرگ داده
- بدن
- کتاب
- ساخته شده در
- کسب و کار
- by
- صدا
- نام
- CAN
- قابلیت های
- مورد
- CAT
- تبادل
- انتخاب
- را انتخاب کنید
- مشتری
- بالینی
- ابر
- رمز
- ستون
- ستون ها
- شرکت
- کامل
- پیچیده
- مفهوم
- پیکر بندی
- اتصال
- اتصال
- ارتباط
- کنسول
- مشاوره
- مصرف کننده
- محتوا
- میتوانست
- پوشش
- پوشش داده شده
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- مجوزها و اعتبارات
- مشتریان
- داده ها
- تحلیل داده ها
- تجزیه و تحلیل داده ها
- بستر داده
- آماده سازی داده ها
- علم اطلاعات
- دانشمند داده
- داده محور
- پایگاه داده
- تصمیم گیری
- به طور پیش فرض
- نشان
- استقرار
- اعزام ها
- طرح
- طراحی
- جزئیات
- جزئیات
- در حال توسعه
- مختلف
- جهت
- مستقیما
- متمایز
- مستندات
- نمی کند
- دامنه
- آیا
- پایین
- دانلود
- قطره
- هر
- سردبیر
- اثر
- هر دو
- قادر ساختن
- مهندس
- مهندسی
- وارد
- سرمایه گذاری
- محیط
- مثال
- موجود
- تجربه
- تجربه
- تجزیه و تحلیل داده های اکتشافی
- صادرات
- خارجی
- FAIL
- خانواده
- ویژگی
- امکانات
- هزینه
- کمی از
- رشته
- زمینه
- پرونده
- سرانجام
- سرمایه گذاری
- پیدا کردن
- شناور
- جریان
- پیروی
- برای
- قالب
- فرکانس
- غالبا
- دوستان
- از جانب
- قابلیت
- سوالات عمومی
- دریافت کنید
- می دهد
- اعطا کردن
- بیشتر
- راهنما
- آیا
- داشتن
- کمک
- کمک کرد
- اینجا کلیک نمایید
- صفحه اصلی
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- ID
- شناسه
- شناسایی
- هویت
- آرام
- اجرای
- واردات
- اهمیت
- in
- شامل
- از جمله
- نادرست
- صنعت
- اطلاعات
- ورودی
- بینش
- بینش
- دستورالعمل
- ادغام
- یکپارچگی
- رابط
- حسی
- گرفتار
- IT
- کار
- شغل ها
- JPG
- کلید
- دانش
- بزرگ
- در مقیاس بزرگ
- رهبر
- یادگیری
- رهبری
- نهفته است
- wifecycwe
- عمر
- پسندیدن
- احتمالا
- فهرست
- استماع
- بار
- بارهای
- محل
- نگاه کنيد
- به دنبال
- محبوب
- دستگاه
- فراگیری ماشین
- ساخته
- ساخت
- باعث می شود
- ساخت
- مدیر
- بسیاری
- بازار یابی (Marketing)
- پیام
- قدرت
- دقیقه
- گم
- ML
- مدل
- مدل
- تغییر
- بیش
- اکثر
- چندگانه
- موسیقی
- نام
- نام
- طبیعت
- جهت یابی
- نیاز
- نیازمند
- نیازهای
- جدید
- بعد
- به ویژه
- دفتر یادداشت
- عدد
- اوت
- اشیاء
- of
- اوکتا
- on
- ONE
- آنلاین
- عملیات
- گزینه
- سازمان های
- اصلی
- دیگر
- در غیر این صورت
- خارج از منزل
- تولید
- خود
- با ما
- جفت
- قطعه
- شریک
- کلمه عبور
- انجام
- مجوز
- شخصی
- خط لوله
- سکو
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- به علاوه
- سیاست
- پاپ آپ
- ممکن
- پست
- مرجح
- آماده
- پیش نیازها
- پیش نمایش
- قبلی
- مشکل
- مشکلات
- روش
- روند
- در حال پردازش
- محصول
- محصولات
- مشخصات
- برنامه نويسي
- به درستی
- ارائه
- ارائه
- ارائه دهنده
- ارائه دهندگان
- فراهم می کند
- ارائه
- کیفیت
- نسبتا
- اماده
- توصیه
- تغییر مسیر
- کاهش
- منطقه
- ثبت نام
- ثبت نام
- ثبت
- راه اندازی مجدد
- گزارش
- نمایندگی
- نیاز
- قابل احترام
- REST
- نتیجه
- نتایج
- خرده فروشی
- نقش
- نقش
- دویدن
- در حال اجرا
- حکیم ساز
- حراجی
- زمان بندی
- علم
- دانشمند
- دانشمندان
- حوزه
- راز
- بخش
- بخش
- تیم امنیت لاتاری
- انتخاب
- ارشد
- حساسیت
- تنظیم
- محیط
- تنظیمات
- چند
- صدف
- باید
- نشان
- امضاء
- ساده
- تنها
- So
- مزایا
- حل
- برخی از
- منبع
- منابع
- فضاها
- هزینه
- آغاز شده
- شروع می شود
- گام
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- ذخیره سازی
- استراتژیک
- رشته
- استودیو
- موفق
- چنین
- خلاصه
- پشتیبانی
- پشتیبانی از
- TAG
- گرفتن
- طول می کشد
- هدف
- هدف قرار
- وظایف
- تیم ها
- فنی
- پیشرفته
- شرکتهای فناوری
- که
- La
- اطلاعات
- شان
- آنها
- اینها
- از طریق
- زمان
- به
- رمز
- نشانه
- قطار
- دگرگون کردن
- تحولات
- تبدیل شدن
- انواع
- زیر
- فهمیدن
- منحصر به فرد
- بروزرسانی
- URL
- استفاده کنید
- مورد استفاده
- کاربر
- رابط کاربری
- کاربران
- ارزش
- ارزشها
- فروشندگان
- بررسی
- از طريق
- چشم انداز
- قابل رویت
- خرید
- هشدار
- هفته
- خوب
- که
- در حین
- WHO
- تمام
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- گردش کار
- کارگر
- با این نسخهها کار
- نوشتن
- نوشته
- سال
- شما
- شما
- زفیرنت