AutoML avulla voit saada nopeita, yleisiä oivalluksia tiedoistasi heti koneoppimisprojektin (ML) elinkaaren alussa. Kun ymmärrät etukäteen, mitkä esikäsittelytekniikat ja algoritmityypit tarjoavat parhaat tulokset, lyhentää oikean mallin kehittämiseen, kouluttamiseen ja käyttöönottoon kuluvaa aikaa. Sillä on ratkaiseva rooli jokaisen mallin kehitysprosessissa, ja sen avulla datatutkijat voivat keskittyä lupaavimpiin ML-tekniikoihin. Lisäksi AutoML tarjoaa perusmallin suorituskyvyn, joka voi toimia vertailukohtana datatieteen tiimille.
AutoML-työkalu soveltaa tietoihisi erilaisia algoritmeja ja erilaisia esikäsittelytekniikoita. Se voi esimerkiksi skaalata dataa, suorittaa yksimuuttujaisen ominaisuuden valinnan, suorittaa PCA:n eri varianssikynnystasoilla ja soveltaa klusterointia. Tällaisia esikäsittelytekniikoita voitaisiin soveltaa yksittäin tai yhdistää putkistoon. Myöhemmin AutoML-työkalu kouluttaa erilaisia malleja, kuten lineaarista regressiota, elastista verkkoa tai satunnaismetsää, esikäsitellyn tietojoukon eri versioille ja suorittaa hyperparametrien optimoinnin (HPO). Amazon SageMaker -autopilotti eliminoi ML-mallien rakentamisen raskaan noston. Tietojoukon toimituksen jälkeen SageMaker Autopilot tutkii automaattisesti erilaisia ratkaisuja löytääkseen parhaan mallin. Mutta entä jos haluat ottaa käyttöön räätälöidyn version AutoML-työnkulusta?
Tämä viesti näyttää, kuinka voit luoda mukautetun AutoML-työnkulun Amazon Sage Maker käyttämällä Amazon SageMaker automaattinen mallin viritys mallikoodilla, joka on saatavilla kohdassa a GitHub-repo.
Ratkaisun yleiskatsaus
Tässä käyttötapauksessa oletetaan, että olet osa datatieteen tiimiä, joka kehittää malleja erikoistuneella toimialueella. Olet kehittänyt joukon mukautettuja esikäsittelytekniikoita ja valinnut joukon algoritmeja, joiden yleensä odotat toimivan hyvin ML-ongelmasi kanssa. Kun työskentelet uusien ML-käyttötapausten parissa, haluat ensin suorittaa AutoML-ajon käyttämällä esikäsittelytekniikoita ja algoritmeja mahdollisten ratkaisujen rajaamiseksi.
Tässä esimerkissä et käytä erityistä tietojoukkoa; sen sijaan työskentelet Kalifornian asuntojen tietojoukon kanssa, josta tuot Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Tavoitteena on esitellä ratkaisun tekninen toteutus SageMaker HPO:lla, jota voidaan myöhemmin soveltaa mihin tahansa tietojoukkoon ja verkkotunnukseen.
Seuraava kaavio esittää kokonaisratkaisun työnkulkua.
Edellytykset
Seuraavat ovat tämän postauksen esittelyn suorittamisen edellytyksiä:
Toteuta ratkaisu
Koko koodi on saatavilla osoitteessa GitHub repo.
Ratkaisun käyttöönottovaiheet (työnkulkukaavion mukaisesti) ovat seuraavat:
- Luo muistikirjan esimerkki ja määritä seuraavat:
- varten Muistikirjan ilmentymän tyyppi, valitse ml. t. väliaine.
- varten Elastinen päätelmä, valitse ei mitään.
- varten Alustan tunniste, valitse Amazon Linux 2, Jupyter Lab 3.
- varten IAM-rooli, valitse oletusarvo
AmazonSageMaker-ExecutionRole
. Jos sitä ei ole, luo uusi AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) rooli ja liitä AmazonSageMakerFullAccess IAM-käytäntö.
Huomaa, että sinun tulee luoda minimaalisesti rajattu suoritusrooli ja -käytäntö tuotannossa.
- Avaa JupyterLab-käyttöliittymä muistikirjasi ilmentymää varten ja kloonaa GitHub-repo.
Voit tehdä sen aloittamalla uuden pääte-istunnon ja suorittamalla git clone <REPO>
-komentoa tai käyttämällä käyttöliittymätoimintoa, kuten seuraavassa kuvakaappauksessa näkyy.
- Avaa
automl.ipynb
muistikirjatiedosto, valitseconda_python3
ydin ja seuraa ohjeita käynnistääksesi a joukko HPO:n työpaikkoja.
Jos haluat suorittaa koodin ilman muutoksia, sinun on lisättävä palvelukiintiötä ml.m5.suuri koulutustöiden käyttöön ja Tapausten määrä kaikissa koulutustehtävissä. AWS sallii oletuksena vain 20 rinnakkaista SageMaker-koulutustyötä molemmille kiintiöille. Sinun on pyydettävä kiintiön korotusta 30:een molemmille. Molemmat kiintiömuutokset tulee yleensä hyväksyä muutamassa minuutissa. Viitata Pyydetään kiintiön korotusta lisätietoja.
Jos et halua muuttaa kiintiötä, voit yksinkertaisesti muuttaa kiintiön arvoa MAX_PARALLEL_JOBS
muuttuja skriptissä (esimerkiksi arvoon 5).
- Jokainen HPO-työ täydentää joukon koulutustyö kokeiluja ja osoita malli optimaalisilla hyperparametreilla.
- Analysoi tulokset ja ottaa käyttöön parhaiten toimivan mallin.
Tämä ratkaisu aiheuttaa kuluja AWS-tililläsi. Tämän ratkaisun hinta riippuu HPO:n koulutustöiden määrästä ja kestosta. Kun nämä kasvavat, niin kustannukset kasvavat. Voit vähentää kustannuksia rajoittamalla harjoitusaikaa ja määrittämällä TuningJobCompletionCriteriaConfig
myöhemmin tässä viestissä käsiteltyjen ohjeiden mukaisesti. Katso hintatiedot osoitteesta Amazon SageMaker -hinnoittelu.
Seuraavissa osioissa käsittelemme muistikirjaa yksityiskohtaisemmin koodiesimerkein sekä vaiheet tulosten analysoimiseksi ja parhaan mallin valitsemiseksi.
Alkuasennus
Aloitetaan juoksemalla Tuonti ja asetukset osassa custom-automl.ipynb
muistikirja. Se asentaa ja tuo kaikki vaaditut riippuvuudet, instantoi SageMaker-istunnon ja -asiakasohjelman sekä asettaa oletusarvoisen Alue- ja S3-säihön tietojen tallentamista varten.
Tietojen valmistelu
Lataa California Housing -tietojoukko ja valmistele se suorittamalla Lataa tiedot muistikirjan osio. Tietojoukko jaetaan harjoitus- ja testaustietokehyksiin ja ladataan SageMaker-istunnon oletusarvoiseen S3-säihöön.
Koko tietojoukossa on 20,640 9 tietuetta ja yhteensä XNUMX saraketta kohde mukaan lukien. Tavoitteena on ennustaa talon mediaaniarvo (medianHouseValue
sarake). Seuraava kuvakaappaus näyttää tietojoukon ylimmät rivit.
Koulutuksen käsikirjoitusmalli
Tämän viestin AutoML-työnkulku perustuu scikit opittava putkien ja algoritmien esikäsittely. Tavoitteena on luoda suuri yhdistelmä erilaisia esikäsittelyputkia ja algoritmeja parhaan suorituskyvyn löytämiseksi. Aloitetaan luomalla yleinen harjoitusskripti, joka säilyy paikallisesti kannettavan tietokoneen ilmentymässä. Tässä komentosarjassa on kaksi tyhjää kommenttilohkoa: toinen hyperparametrien lisäämistä varten ja toinen esikäsittelymallin liukuhihnaobjektia varten. Ne ruiskutetaan dynaamisesti jokaiselle esikäsittelymalliehdokkaalle. Yhden yleisen skriptin tarkoitus on pitää toteutus KUIVANA (älä toista itseäsi).
Luo esikäsittely- ja malliyhdistelmiä
- preprocessors
sanakirja sisältää esikäsittelytekniikat, joita sovelletaan kaikkiin mallin syöttöominaisuuksiin. Jokainen resepti määritellään käyttämällä a Pipeline
tai FeatureUnion
objekti scikit-learnistä, joka ketjuttaa yhteen yksittäiset datamuunnokset ja pinoa ne yhteen. Esimerkiksi, mean-imp-scale
on yksinkertainen resepti, joka varmistaa, että puuttuvat arvot lasketaan käyttäen vastaavien sarakkeiden keskiarvoja ja että kaikki ominaisuudet skaalataan käyttämällä StandardScaler. Sen sijaan mean-imp-scale-pca
reseptiketjut yhdistävät muutaman lisätoiminnon:
- Laske sarakkeista puuttuvat arvot sen keskiarvolla.
- Käytä ominaisuuden skaalausta keskiarvon ja keskihajonnan avulla.
- Laske PCA syötetietojen päälle määritetyllä varianssikynnysarvolla ja yhdistä se laskettujen ja skaalattujen syöttöominaisuuksien kanssa.
Tässä viestissä kaikki syöttöominaisuudet ovat numeerisia. Jos syötetietojoukossasi on useampia tietotyyppejä, sinun tulee määrittää monimutkaisempi liukuhihna, jossa eri esikäsittelyhaaroja sovelletaan eri ominaisuustyyppisarjoihin.
- models
sanakirja sisältää määritykset eri algoritmeista, joihin sovitat tietojoukon. Jokaisella mallityypillä on sanakirjassa seuraavat tiedot:
- script_output – Osoittaa estimaattorin käyttämän harjoitusskriptin sijaintiin. Tämä kenttä täytetään dynaamisesti, kun
models
sanakirja on yhdistettypreprocessors
sanakirja. - lisäykset – Määrittää koodin, joka lisätään tiedostoon
script_draft.py
ja sen jälkeen tallennettu allescript_output
. Avain“preprocessor”
jätetään tarkoituksella tyhjäksi, koska tämä paikka on täytetty yhdellä esiprosessoreista, jotta voidaan luoda useita malli-esiprosessoriyhdistelmiä. - hyperparametrien – Hyperparametrien joukko, jotka HPO-työ optimoidaan.
- include_cls_metadata – SageMakerin vaatimat lisätiedot
Tuner
luokka.
Täydellinen esimerkki models
sanakirja on saatavilla GitHub-arkistosta.
Seuraavaksi käydään läpi preprocessors
ja models
sanakirjoja ja luoda kaikki mahdolliset yhdistelmät. Esimerkiksi jos sinun preprocessors
sanakirja sisältää 10 reseptiä ja sinulla on 5 mallin määritelmää models
sanakirja, äskettäin luotu pipelines-sanakirja sisältää 50 esiprosessorimallin liukuhihnaa, jotka arvioidaan HPO:n aikana. Huomaa, että yksittäisiä liukuhihnakomentosarjoja ei ole vielä luotu tässä vaiheessa. Jupyter-muistikirjan seuraava koodilohko (solu 9) iteroidaan kaikkien esiprosessorimalliobjektien läpi pipelines
sanakirja, lisää kaikki asiaankuuluvat koodinpalat ja säilyttää putkikohtaisen version komentosarjasta paikallisesti muistikirjassa. Näitä komentosarjoja käytetään seuraavissa vaiheissa luotaessa yksittäisiä arvioita, jotka liität HPO-työhön.
Määrittele arvioijat
Voit nyt määrittää SageMakerin arvioijat, joita HPO-työ käyttää, kun komentosarjat ovat valmiit. Aloitetaan luomalla kääreluokka, joka määrittelee joitain yhteisiä ominaisuuksia kaikille arvioijille. Se perii SKLearn
luokka ja määrittää roolin, ilmentymien määrän ja tyypin sekä mitä sarakkeita komentosarja käyttää ominaisuuksina ja kohteena.
Rakennetaan estimators
sanakirja iteroimalla kaikki ennen luodut ja siinä sijaitsevat komentosarjat scripts
hakemistosta. Luo uusi estimaattori käyttämällä SKLearnBase
luokka, yksilöllinen estimaattorinimi ja yksi skripteistä. Huomaa, että estimators
sanakirjassa on kaksi tasoa: ylin taso määrittelee a pipeline_family
. Tämä on looginen ryhmittely, joka perustuu arvioitavien mallien tyyppiin ja on yhtä suuri kuin mallin pituus models
sanakirja. Toinen taso sisältää yksittäisiä esiprosessorityyppejä yhdistettynä annettuihin pipeline_family
. Tämä looginen ryhmittely vaaditaan HPO-työtä luotaessa.
Määritä HPO-virittimen argumentit
Optimoi argumenttien siirtäminen HPO:hon Tuner
luokka, HyperparameterTunerArgs
dataluokka alustetaan HPO-luokan vaatimilla argumenteilla. Sen mukana tulee joukko toimintoja, jotka varmistavat, että HPO-argumentit palautetaan siinä muodossa, joka on odotettavissa, kun useita mallimäärityksiä otetaan käyttöön kerralla.
Seuraava koodilohko käyttää aiemmin esiteltyä HyperparameterTunerArgs
dataluokka. Luot toisen sanakirjan nimeltä hp_args
ja luoda kullekin syöttöparametrit estimator_family
mistä estimators
sanakirja. Näitä argumentteja käytetään seuraavassa vaiheessa, kun kunkin malliperheen HPO-töitä alustetaan.
Luo HPO-viritinobjekteja
Tässä vaiheessa luot jokaiselle yksittäiset virittimet estimator_family
. Miksi luot kolme erillistä HPO-työpaikkaa sen sijaan, että käynnistäisit vain yhden kaikista arvioijista? The HyperparameterTuner
luokka on rajoitettu 10 siihen liitettyyn mallimäärittelyyn. Siksi jokainen HPO on vastuussa parhaiten suoriutuneen esiprosessorin löytämisestä tietylle malliperheelle ja tämän malliperheen hyperparametrien virittämisestä.
Seuraavassa on vielä muutama seikka asennuksesta:
- Optimointistrategia on bayesilainen, mikä tarkoittaa, että HPO seuraa aktiivisesti kaikkien kokeiden suorituskykyä ja ohjaa optimointia kohti lupaavia hyperparametriyhdistelmiä. Varhainen pysähdys on asetettava pois or auto kun työskentelet Bayesin strategian kanssa, joka käsittelee itse logiikan.
- Kukin HPO-työ suoritetaan enintään 100 työlle ja 10 työlle rinnakkain. Jos käsittelet suurempia tietojoukkoja, saatat haluta lisätä töiden kokonaismäärää.
- Lisäksi saatat haluta käyttää asetuksia, jotka säätelevät, kuinka kauan työ on käynnissä ja kuinka monta työtä HPO käynnistää. Yksi tapa tehdä se on asettaa enimmäisajoaika sekunneissa (tälle viestille asetimme sen 1 tuntiin). Toinen on käyttää äskettäin julkaistua
TuningJobCompletionCriteriaConfig
. Se tarjoaa joukon asetuksia, jotka seuraavat töiden edistymistä ja päättävät, onko todennäköistä, että useampi työ parantaa tulosta. Tässä viestissä asetamme koulutustöiden enimmäismääräksi 20. Näin, jos pisteet eivät parane (esimerkiksi neljännenkymmenennen kokeen jälkeen), sinun ei tarvitse maksaa jäljellä olevista kokeista ennen kuinmax_jobs
saavutetaan.
Käydään nyt läpi tuners
ja hp_args
sanakirjoja ja käynnistää kaikki HPO-työt SageMakerissa. Huomaa, että odotusargumentin käyttö on asetettu arvoon False
, mikä tarkoittaa, että ydin ei odota tulosten valmistumista ja voit käynnistää kaikki työt kerralla.
On todennäköistä, että kaikki koulutustyöt eivät valmistu ja osan niistä saattaa keskeyttää HPO:n työ. Syynä tähän on TuningJobCompletionCriteriaConfig
-optimointi päättyy, jos jokin määritetyistä ehdoista täyttyy. Tässä tapauksessa, kun optimointiehdot eivät parane 20 peräkkäisen työn aikana.
Analysoi tuloksia
Muistikirjan solu 15 tarkistaa, ovatko kaikki HPO-työt valmiit, ja yhdistää kaikki tulokset pandatietokehykseen lisäanalyysiä varten. Ennen kuin analysoimme tuloksia yksityiskohtaisesti, katsotaanpa korkeatasoista SageMaker-konsolia.
Ylimpänä Hyperparametrien viritystyöt -sivulla näet kolme aloitettua HPO-työtäsi. He kaikki lopettivat aikaisin eivätkä suorittaneet kaikkia 100 koulutustyötä. Seuraavasta kuvakaappauksesta näet, että Elastic-Net-malliperhe suoritti eniten kokeita, kun taas muut eivät tarvinneet niin montaa koulutustöitä parhaan tuloksen löytämiseksi.
Voit avata HPO-työn nähdäksesi lisätietoja, kuten yksittäisiä koulutustehtäviä, työn kokoonpanoa ja parhaan koulutustyön tietoja ja suorituskykyä.
Tuotetaan tuloksiin perustuva visualisointi, jotta saadaan enemmän käsitystä AutoML-työnkulun suorituskyvystä kaikissa malliperheissä.
Seuraavasta kaaviosta voit päätellä, että Elastic-Net
mallin suorituskyky vaihteli 70,000 80,000 ja XNUMX XNUMX RMSE:n välillä ja lopulta pysähtyi, koska algoritmi ei kyennyt parantamaan suorituskykyään erilaisten esikäsittelytekniikoiden ja hyperparametriarvojen kokeilemisesta huolimatta. Näyttää myös siltä RandomForest
suorituskyky vaihteli paljon riippuen HPO:n tutkimasta hyperparametrijoukosta, mutta monista kokeista huolimatta se ei voinut mennä alle 50,000 XNUMX RMSE-virheen. GradientBoosting
saavutti parhaan suorituskyvyn jo alusta alkaen alle 50,000 XNUMX RMSE:ssä. HPO yritti parantaa tätä tulosta entisestään, mutta ei pystynyt saavuttamaan parempaa suorituskykyä muilla hyperparametriyhdistelmillä. Yleinen johtopäätös kaikista HPO-töistä on, että ei vaadittu niin montaa työtä parhaan suorituskyvyn hyperparametrijoukon löytämiseksi kullekin algoritmille. Voit parantaa tulosta entisestään luomalla lisää ominaisuuksia ja suorittamalla lisäominaisuuksien suunnittelua.
Voit myös tarkastella yksityiskohtaisempaa näkymää malli-esiprosessori-yhdistelmästä tehdäksesi johtopäätöksiä lupaavimmista yhdistelmistä.
Valitse paras malli ja ota se käyttöön
Seuraava koodinpätkä valitsee parhaan mallin alimman saavutetun tavoitearvon perusteella. Voit sitten ottaa mallin käyttöön SageMaker-päätepisteenä.
Puhdistaa
Estä ei-toivotut veloitukset AWS-tililtäsi suosittelemme poistamaan tässä viestissä käyttämäsi AWS-resurssit:
- Tyhjennä Amazon S3 -konsolissa tiedot S3-ämpäristä, johon harjoitustiedot on tallennettu.
- Pysäytä muistikirjan ilmentymä SageMaker-konsolissa.
- Poista mallin päätepiste, jos otit sen käyttöön. Päätepisteet tulee poistaa, kun ne eivät ole enää käytössä, koska ne laskutetaan käyttöönoton ajan mukaan.
Yhteenveto
Tässä viestissä esittelimme kuinka luoda mukautettu HPO-työ SageMakerissa käyttämällä mukautettua valikoimaa algoritmeja ja esikäsittelytekniikoita. Tämä esimerkki osoittaa erityisesti, kuinka automatisoidaan monien opetuskomentosarjojen luontiprosessi ja kuinka Python-ohjelmointirakenteita käytetään useiden rinnakkaisten optimointitöiden tehokkaaseen käyttöönottoon. Toivomme, että tämä ratkaisu muodostaa tukikehyksen kaikille mukautetuille mallinsäätötöille, joita otat käyttöön SageMakerin avulla parantaaksesi suorituskykyä ja nopeuttaaksesi ML-työnkulkujasi.
Tutustu seuraaviin resursseihin syventääksesi tietämystäsi SageMaker HPO:n käytöstä:
Tietoja Tekijät
Konrad Semsch on vanhempi ML-ratkaisuarkkitehti Amazon Web Services Data Lab -tiimissä. Hän auttaa asiakkaita käyttämään koneoppimista ratkaisemaan liiketoimintahaasteitaan AWS:n avulla. Hän nauttii keksimisestä ja yksinkertaistamisesta tarjotakseen asiakkaille yksinkertaisia ja pragmaattisia ratkaisuja tekoäly-/ML-projekteihinsa. Hän on intohimoisin MlOpsiin ja perinteiseen datatieteeseen. Työn ulkopuolella hän on suuri purjelautailun ja leijalautailun ystävä.
Tonnikala Ersoy on AWS:n vanhempi ratkaisuarkkitehti. Hänen ensisijaisena tavoitteenaan on auttaa julkisen sektorin asiakkaita ottamaan käyttöön pilviteknologioita työkuormitukseensa. Hänellä on tausta sovelluskehityksestä, yritysarkkitehtuurista ja yhteyskeskustekniikoista. Hänen kiinnostuksen kohteitaan ovat palvelimettomat arkkitehtuurit ja AI/ML.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- 15%
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- pystyy
- Meistä
- pääsy
- Mukaan
- Tili
- Saavuttaa
- saavutettu
- poikki
- aktiivisesti
- lisä-
- Lisäksi
- hyväksyä
- Jälkeen
- AI / ML
- tavoitteena
- algoritmi
- algoritmit
- Kaikki
- Salliminen
- mahdollistaa
- jo
- Myös
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- analyysi
- analysoida
- analysointi
- ja
- Toinen
- Kaikki
- Hakemus
- Application Development
- sovellettu
- sovelletaan
- käyttää
- hyväksytty
- arkkitehtuuri
- OVAT
- perustelu
- perustelut
- AS
- olettaa
- At
- liittää
- auto
- automatisoida
- automaattisesti
- automaattisesti
- AutoML
- saatavissa
- AWS
- tausta
- pohja
- perustua
- Lähtötilanne
- Bayes
- BE
- koska
- ennen
- Alku
- alle
- PARAS
- Paremmin
- välillä
- Iso
- Tukkia
- Blocks
- sekä
- oksat
- rakentaa
- Rakentaminen
- liiketoiminta
- mutta
- nappia
- by
- Kalifornia
- soittaa
- nimeltään
- CAN
- ehdokkaat
- tapaus
- tapauksissa
- keskus
- kahleet
- haasteet
- muuttaa
- Muutokset
- maksut
- Tarkastukset
- Valita
- luokka
- CLF
- asiakas
- pilvi
- Cluster
- klustereiden
- koodi
- Sarake
- Pylväät
- yhdistelmä
- yhdistelmät
- yhdistetty
- yhdistää
- tulee
- kommentti
- Yhteinen
- täydellinen
- Valmistunut
- Suoritettuaan
- monimutkainen
- päättelee
- johtopäätös
- Suorittaa
- Konfigurointi
- peräkkäinen
- Console
- ottaa yhteyttä
- yhteyskeskukseen
- sisältää
- kontrasti
- ohjaus
- Hinta
- kustannukset
- voisi
- luoda
- luotu
- Luominen
- kriteerit
- ratkaiseva
- Tällä hetkellä
- asiakassuhde
- Asiakkaat
- tiedot
- tietojenkäsittely
- aineistot
- tekemisissä
- päättää
- Syventää
- oletusarvo
- määritelty
- määrittelee
- määrittelemällä
- määritelmät
- osoittaa
- osoittaa
- riippua
- riippuvuudet
- Riippuen
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- ajelehtia
- Huolimatta
- yksityiskohta
- yksityiskohtainen
- yksityiskohdat
- kehittää
- kehitetty
- Kehitys
- kehittää
- poikkeama
- DICT
- eri
- hakemistot
- pohtia
- keskusteltiin
- do
- ei
- verkkotunnuksen
- Dont
- alas
- piirtää
- kuivua
- kesto
- aikana
- dynaamisesti
- kukin
- Varhainen
- tehokas
- eliminoi
- mahdollistaa
- päätepiste
- Tekniikka
- varmistaa
- varmistaa
- yritys
- Koko
- täysin
- yhtäläinen
- virhe
- arvioida
- arvioitu
- lopulta
- Joka
- tutkia
- esimerkki
- Esimerkit
- teloitus
- olla
- odottaa
- odotettu
- kokeilu
- selitti
- tutkitaan
- Tutkii
- väärä
- perheet
- perhe
- tuuletin
- Ominaisuus
- Ominaisuudet
- harvat
- ala
- filee
- täynnä
- Löytää
- löytäminen
- Etunimi
- sovittaa
- viisi
- Keskittää
- seurata
- jälkeen
- seuraa
- varten
- metsä
- muoto
- muoto
- FRAME
- alkaen
- etuosa
- koko
- toiminto
- toiminnallisuus
- tehtävät
- edelleen
- general
- tuottaa
- syntyy
- tuottaa
- saada
- mennä
- GitHub
- tietty
- Go
- tavoite
- menee
- kaavio
- käsi
- Vetimet
- Olla
- ottaa
- he
- raskas
- raskas nosto
- auttaa
- auttaa
- hänen
- korkean tason
- korkeampi
- suurin
- toivoa
- tunti
- Talo
- kotitalouksien
- kotelo
- Miten
- Miten
- HTML
- http
- HTTPS
- Hyperparametrien optimointi
- Hyperparametrien viritys
- Identiteetti
- if
- toteuttaa
- täytäntöönpano
- tuoda
- tuonti
- parantaa
- parantaminen
- in
- sisältää
- Mukaan lukien
- Kasvaa
- osoittaa
- henkilökohtainen
- Erikseen
- tiedot
- panos
- tuloa
- insertit
- oivalluksia
- esimerkki
- sen sijaan
- ohjeet
- integraatio
- tarkoituksella
- etu
- liitäntä
- tulee
- käyttöön
- IT
- SEN
- itse
- Job
- Työpaikat
- jpg
- vain
- vain yksi
- Pitää
- avain
- tuntemus
- laboratorio
- suuri
- suurempi
- myöhemmin
- käynnistettiin
- käynnistäminen
- oppiminen
- vasemmalle
- Pituus
- Taso
- tasot
- elinkaari
- nosto
- pitää
- Todennäköisesti
- rajoittamalla
- linux
- kuormitus
- paikallisesti
- sijaitsevat
- sijainti
- logiikka
- looginen
- Pitkät
- kauemmin
- katso
- Erä
- alin
- kone
- koneoppiminen
- monet
- maksimi
- Saattaa..
- tarkoittaa
- välineet
- mennä
- tapasi
- Metrics
- ehkä
- minuuttia
- puuttuva
- ML
- MLOps
- malli
- mallit
- muokata
- monitori
- näytöt
- lisää
- eniten
- moninkertainen
- nimi
- kapea
- navigoi
- Tarve
- Uusi
- hiljattain
- seuraava
- Nro
- Ei eristetty
- muistikirja
- huomattava
- nyt
- numero
- numpy
- objekti
- tavoite
- esineet
- of
- pois
- Tarjoukset
- on
- kerran
- ONE
- vain
- avata
- Operations
- optimaalinen
- optimointi
- Optimoida
- optimoitu
- or
- tilata
- OS
- Muut
- Muuta
- ulos
- ulostulo
- ulkopuolella
- yli
- yleinen
- sivulla
- pandas
- Parallel
- parametrit
- osa
- erityinen
- Ohimenevä
- intohimoinen
- polku
- Maksaa
- Suorittaa
- suorituskyky
- esittävä
- jatkuu
- kappaletta
- putki
- Platon
- Platonin tietotieto
- PlatonData
- soittaa
- pistoke
- Kohta
- pistettä
- politiikka
- väestö
- mahdollinen
- Kirje
- mahdollinen
- pragmaattinen
- ennustaa
- Predictor
- Valmistella
- edellytyksiä
- lahjat
- estää
- aiemmin
- hinnoittelu
- ensisijainen
- Painaa
- Ongelma
- prosessi
- tuottaa
- tuotanto
- Ohjelmointi
- Edistyminen
- projekti
- hankkeet
- lupaava
- ominaisuudet
- toimittaa
- tarjoaa
- tarjoamalla
- julkinen
- tarkoitus
- Python
- satunnainen
- nopea
- saavutettu
- valmis
- reason
- äskettäin
- resepti
- suositella
- asiakirjat
- vähentää
- vähentää
- katso
- viite
- suhteen
- regex
- alue
- julkaistu
- merkityksellinen
- jäljellä oleva
- poistaa
- toistaa
- säilytyspaikka
- pyyntö
- edellyttää
- tarvitaan
- Esittelymateriaalit
- ne
- vastuullinen
- rajoitettu
- johtua
- tulokset
- palata
- oikein
- Rooli
- ajaa
- juoksu
- toimii
- runtime
- sagemaker
- SageMaker automaattinen mallin viritys
- tallennettu
- Asteikko
- skaalaus
- tiede
- tutkijat
- scikit opittava
- laajuus
- pisteet
- käsikirjoitus
- skriptejä
- Toinen
- sekuntia
- Osa
- osiot
- sektori
- nähdä
- näyttää
- valittu
- valinta
- SELF
- vanhempi
- erillinen
- palvella
- serverless
- palvelu
- Palvelut
- Istunto
- setti
- Setit
- settings
- setup
- hän
- shouldnt
- malliesimerkki
- esitetty
- Näytä
- Yksinkertainen
- yksinkertaistaminen
- yksinkertaisesti
- pätkä
- So
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- erikoistunut
- erityinen
- määrittely
- tekniset tiedot
- määritelty
- nopeus
- jakaa
- pino
- standardi
- Alkaa
- Aloita
- Tila
- Vaihe
- Askeleet
- stop
- pysähtynyt
- pysäyttäminen
- Levytila
- tallennettu
- tallentamiseksi
- Strategia
- rakenne
- rakenteet
- Myöhemmin
- niin
- Tuetut
- taulukko
- Räätälöity
- ottaa
- Kohde
- joukkue-
- Tekninen
- tekniikat
- Technologies
- terminaali
- testi
- Testaus
- että
- -
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- Nämä
- ne
- tätä
- ne
- kolmella
- kynnys
- Kautta
- aika
- että
- yhdessä
- työkalu
- ylin
- Yhteensä
- kohti
- perinteinen
- Juna
- koulutus
- muunnokset
- oikeudenkäynti
- tutkimuksissa
- kokeillut
- laukaista
- laukeaa
- liipaisu
- yrittää
- viritys
- kaksi
- tyyppi
- tyypit
- tyypillisesti
- ui
- varten
- ymmärtäminen
- unique
- asti
- toivottuja
- ladattu
- Käyttö
- käyttää
- käyttölaukku
- käytetty
- käyttötarkoituksiin
- käyttämällä
- VAHVISTA
- arvo
- arvot
- muuttuja
- monipuolinen
- eri
- versio
- versiot
- Näytä
- visualisointi
- W
- odottaa
- läpikäynti
- haluta
- oli
- Tapa..
- we
- verkko
- verkkopalvelut
- HYVIN
- olivat
- Mitä
- kun
- taas
- onko
- joka
- miksi
- tulee
- with
- sisällä
- ilman
- Referenssit
- työnkulku
- työnkulkuja
- työskentely
- olisi
- kirjoittaa
- vielä
- Voit
- Sinun
- itse
- zephyrnet