با استفاده از آمازون SageMaker Canvas با یادگیری ماشینی بدون کد به نتایج تجاری مؤثری دست یابید

در 30 نوامبر 2021، ما اعلام کرد در دسترس بودن عمومی آمازون SageMaker Canvas، یک رابط بصری نقطه و کلیک که به تحلیلگران تجاری امکان می دهد بدون نیاز به نوشتن یک خط کد، پیش بینی های یادگیری ماشینی (ML) بسیار دقیق را تولید کنند. با Canvas، می توانید جریان اصلی ML را در سراسر سازمان خود داشته باشید، بنابراین تحلیلگران کسب و کار بدون علم داده یا تجربه ML می توانند از پیش بینی های دقیق ML برای تصمیم گیری های مبتنی بر داده استفاده کنند.

ML در حال تبدیل شدن به همه جا در سازمان ها در سراسر صنایع برای جمع آوری بینش های تجاری ارزشمند با استفاده از پیش بینی های داده های موجود به سرعت و دقیق است. کلید مقیاس بندی استفاده از ML در دسترس تر کردن آن است. این به معنای توانمندسازی تحلیلگران تجاری برای استفاده از ML به تنهایی، بدون وابستگی به تیم های علم داده است. Canvas به تحلیلگران کسب و کار کمک می کند تا بدون نیاز به دانستن جزئیاتی مانند انواع الگوریتم، پارامترهای آموزشی یا منطق مجموعه، ML را برای مشکلات رایج تجاری اعمال کنند. امروزه، مشتریان از Canvas برای رسیدگی به طیف وسیعی از موارد استفاده در عمودی‌ها از جمله تشخیص ریزش، تبدیل فروش و پیش‌بینی سری‌های زمانی استفاده می‌کنند.

در این پست به قابلیت های کلیدی Canvas می پردازیم.

با Canvas شروع کنید

Canvas یک تور تعاملی ارائه می دهد تا به شما کمک کند در رابط بصری حرکت کنید، با وارد کردن داده ها از ابر یا منابع داخلی. شروع کار با Canvas سریع است. ما مجموعه داده‌های نمونه را برای موارد استفاده چندگانه، از جمله پیش‌بینی ریزش مشتری، تخمین احتمالات پیش‌فرض وام، پیش‌بینی تقاضا، و پیش‌بینی زمان‌های تحویل زنجیره تامین ارائه می‌کنیم. این مجموعه داده‌ها همه موارد استفاده‌ای را که در حال حاضر توسط Canvas پشتیبانی می‌شود، شامل طبقه‌بندی باینری، طبقه‌بندی چند طبقه، رگرسیون و پیش‌بینی سری‌های زمانی را پوشش می‌دهد. برای کسب اطلاعات بیشتر در مورد پیمایش Canvas و استفاده از مجموعه داده‌های نمونه، رجوع کنید Amazon SageMaker Canvas با تورهای محصول تعاملی جدید و مجموعه داده‌های نمونه، ورود را تسریع می‌کند..

تجزیه و تحلیل داده های اکتشافی

پس از وارد کردن داده‌های خود، Canvas به شما امکان می‌دهد قبل از ساخت مدل‌های پیش‌بینی، آن‌ها را کاوش و تجزیه و تحلیل کنید. می توانید پیش نمایش داده های وارد شده خود را مشاهده کنید و توزیع ویژگی های مختلف را تجسم کنید. سپس می توانید انتخاب کنید که داده های خود را تغییر دهید تا برای حل مشکل شما مناسب باشد. برای مثال، می‌توانید ستون‌ها را رها کنید، تاریخ و زمان را استخراج کنید، مقادیر گمشده را درج کنید، یا مقادیر پرت را با مقادیر استاندارد یا سفارشی جایگزین کنید. این فعالیت ها در یک مدل ثبت می شوند دستور العمل، که مجموعه ای از مراحل برای آماده سازی داده ها است. این دستور العمل در طول چرخه عمر یک مدل خاص ML از آماده سازی داده ها تا تولید پیش بینی ها حفظ می شود. دیدن Amazon SageMaker Canvas قابلیت ها را برای آماده سازی و تجزیه و تحلیل بهتر داده ها برای یادگیری ماشینی گسترش می دهد برای کسب اطلاعات بیشتر در مورد آماده سازی و تجزیه و تحلیل داده ها در Canvas.

داده های خود را تجسم کنید

Canvas همچنین توانایی تعریف و ایجاد ویژگی های جدید در داده های خود را از طریق عملگرهای ریاضی و توابع منطقی ارائه می دهد. می‌توانید با کشیدن و رها کردن ویژگی‌ها مستقیماً روی نمودارها، داده‌های خود را از طریق نمودارهای جعبه، نمودارهای میله‌ای، و نمودارهای پراکنده تجسم و کاوش کنید. علاوه بر این، Canvas ماتریس های همبستگی را برای متغیرهای عددی و طبقه ای برای درک روابط بین ویژگی ها در داده های شما ارائه می دهد. از این اطلاعات می توان برای اصلاح داده های ورودی و ایجاد مدل های دقیق تر استفاده کرد. برای جزئیات بیشتر در مورد قابلیت های تجزیه و تحلیل داده ها در Canvas، نگاه کنید به برای تجزیه و تحلیل داده های اکتشافی از Amazon SageMaker Canvas استفاده کنید. برای کسب اطلاعات بیشتر در مورد توابع و عملگرهای ریاضی در Canvas، مراجعه کنید Amazon SageMaker Canvas از توابع و عملگرهای ریاضی برای اکتشاف داده های غنی تر پشتیبانی می کند.

بعد از اینکه داده‌های خود را آماده و کاوش کردید، Canvas گزینه‌ای برای اعتبارسنجی مجموعه داده‌های خود در اختیار شما قرار می‌دهد تا بتوانید به طور فعال مشکلات کیفیت داده را بررسی کنید. Canvas داده‌ها را از طرف شما تأیید می‌کند و مسائلی مانند مقادیر از دست رفته در هر سطر یا ستون و تعداد زیادی برچسب منحصربه‌فرد در ستون هدف در مقایسه با تعداد ردیف‌ها را نشان می‌دهد. علاوه بر این، Canvas گزینه هایی برای رفع این مشکلات قبل از ساخت مدل ML در اختیار شما قرار می دهد. برای بررسی عمیق‌تر قابلیت‌های اعتبارسنجی داده‌ها، به شناسایی و اجتناب از مشکلات رایج داده در حین ساخت مدل‌های ML بدون کد با آمازون SageMaker Canvas.

ساخت مدل های ML

اولین قدم برای ساخت مدل های ML در Canvas، تعریف ستون هدف برای مشکل است. به عنوان مثال، می توانید تعداد کل اتاق ها را به عنوان ستون هدف برای تعیین قیمت خانه در یک مدل مسکن انتخاب کنید. از طرف دیگر، می توانید از Churn به عنوان ستون هدف برای تعیین احتمال از دست دادن مشتریان در شرایط مختلف استفاده کنید. پس از انتخاب ستون هدف، Canvas به طور خودکار نوع مشکل را برای مدل ساخته شده تعیین می کند.

قبل از ساختن یک مدل ML، می‌توانید با اجرای یک تحلیل پیش‌نمایش، بینش‌های جهت‌گیری در مورد دقت تخمینی مدل و نحوه تأثیرگذاری هر ویژگی بر نتایج بدست آورید. بر اساس این بینش ها، می توانید اطلاعات خود را بیشتر آماده، تجزیه و تحلیل یا کاوش کنید تا دقت مورد نظر را برای پیش بینی های مدل بدست آورید.

Canvas دو روش برای آموزش مدل های ML ارائه می دهد: ساخت سریع و ساخت استاندارد. هر دو روش یک مدل ML کاملاً آموزش دیده را با شفافیت کامل ارائه می دهند تا اهمیت هر ویژگی در نتیجه مدل را درک کنند. ساخت سریع بر سرعت و آزمایش تمرکز دارد، در حالی که ساخت استاندارد با انجام چندین تکرار پیش پردازش داده، انتخاب الگوریتم مناسب، کاوش در فضای فراپارامتر، و تولید مدل های کاندید متعدد قبل از انتخاب بهترین مدل، بر بالاترین سطوح دقت تمرکز می کند. این فرآیند در پشت صحنه توسط Canvas بدون نیاز به کدنویسی انجام می شود.

بهبودهای عملکرد جدید، زمان آموزش مدل ML را تا سه برابر سریع‌تر ارائه می‌کند، که نمونه‌سازی سریع و ارزش‌گذاری سریع‌تر برای نتایج کسب‌وکار را ممکن می‌سازد. برای کسب اطلاعات بیشتر، ببینید Amazon SageMaker Canvas زمان آموزش مدل ML را تا 3 برابر سریعتر اعلام می کند.

تحلیل مدل

پس از ساختن مدل، Canvas معیارهای دقیق دقت مدل و قابلیت توضیح ویژگی را ارائه می دهد.

Canvas همچنین یک نمودار Sankey ارائه می دهد که جریان داده ها را از یک مقدار به مقدار دیگر، از جمله مثبت کاذب و منفی کاذب نشان می دهد.

برای کاربرانی که علاقه مند به تجزیه و تحلیل معیارهای پیشرفته تر هستند، Canvas امتیازهای F1 را ارائه می دهد که دقت و یادآوری را با هم ترکیب می کند، یک متریک دقت که تعداد دفعات پیش بینی صحیح مدل را در کل مجموعه داده، و منطقه زیر منحنی (AUC) را ارائه می دهد، که چگونگی را اندازه گیری می کند. خوب مدل دسته بندی ها را در مجموعه داده جدا می کند.

پیش بینی های مدل

با Canvas، می‌توانید پیش‌بینی‌های بی‌درنگ را روی مدل آموزش‌دیده با تحلیل‌های تعاملی what-if با تجزیه و تحلیل تأثیر مقادیر ویژگی‌های مختلف بر دقت مدل اجرا کنید.

علاوه بر این، می‌توانید پیش‌بینی‌های دسته‌ای را روی هر مجموعه داده اعتبارسنجی به طور کلی اجرا کنید. این پیش‌بینی‌ها را می‌توان برای استفاده در برنامه‌های پایین‌دستی پیش‌نمایش و دانلود کرد.

اشتراک گذاری و همکاری

Canvas به شما امکان می دهد با به اشتراک گذاشتن مدل های خود با تیم های علم داده خود برای بررسی، بازخورد و به روز رسانی به سفر ML ادامه دهید. شما می توانید مدل های خود را با سایر کاربران به اشتراک بگذارید Amazon SageMaker Studio، یک محیط توسعه کاملاً یکپارچه (IDE) برای ML. کاربران استودیو می توانند مدل را بررسی کنند و در صورت نیاز، تبدیل داده ها را به روز کنند، مدل را دوباره آموزش دهند و نسخه به روز شده مدل را با کاربران Canvas به اشتراک بگذارند که سپس می توانند از آن برای ایجاد پیش بینی استفاده کنند.

علاوه بر این، دانشمندان داده می توانند مدل های ساخته شده در خارج از آن را به اشتراک بگذارند آمازون SageMaker با کاربران Canvas، از بین بردن کارهای سنگین برای ساخت یک ابزار یا رابط کاربری جداگانه برای به اشتراک گذاری مدل ها بین تیم های مختلف. با رویکرد مدل خود را بیاورید (BYOM)، اکنون می‌توانید از مدل‌های ML ساخته شده توسط تیم‌های علم داده خود در محیط‌های دیگر استفاده کنید و پیش‌بینی‌ها را در عرض چند دقیقه مستقیماً در Canvas ایجاد کنید. این همکاری بی‌وقفه بین تیم‌های تجاری و فنی با شفاف‌سازی مدل‌های ML و تسریع در استقرار ML به دموکراتیزه کردن ML در سراسر سازمان کمک می‌کند. برای کسب اطلاعات بیشتر در مورد اشتراک گذاری و همکاری بین تیم های تجاری و فنی با استفاده از Canvas، مراجعه کنید جدید - مدل‌های ML ساخته‌شده را در هرجایی به بوم آمازون SageMaker بیاورید و پیش‌بینی ایجاد کنید.

نتیجه

همین امروز با Canvas شروع کنید و از ML برای دستیابی به نتایج کسب و کار خود بدون نوشتن یک خط کد استفاده کنید. از تعامل بیشتر بیاموزید آموزش or دوره MOOC در Coursera. نوآوری مبارک!

---

درباره نویسنده

شیام سرینیواسان در تیم محصول ML با کد پایین/بدون کد AWS قرار دارد. او به فکر تبدیل جهان به جای بهتر از طریق فناوری است و دوست دارد که بخشی از این سفر باشد. شیام در اوقات فراغت خود دوست دارد مسافت های طولانی بدود، به دور دنیا سفر کند و فرهنگ های جدید را با خانواده و دوستان تجربه کند.

• 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/achieve-effective-business-outcomes-with-no-code-machine-learning-using-amazon-sagemaker-canvas/