Amazon SageMaker पर बिना किसी कोड के जोखिम प्रबंधन मशीन लर्निंग वर्कफ़्लो बनाएं

वैश्विक वित्तीय संकट के बाद से, संभावित ग्राहकों के लिए ऋण की स्थिति की भविष्यवाणी करने सहित, बैंकों के लिए निर्णय लेने में जोखिम प्रबंधन ने एक प्रमुख भूमिका निभाई है। यह अक्सर एक डेटा-गहन अभ्यास होता है जिसके लिए मशीन लर्निंग (एमएल) की आवश्यकता होती है। हालांकि, जोखिम प्रबंधन एमएल वर्कफ़्लो बनाने के लिए सभी संगठनों के पास डेटा विज्ञान संसाधन और विशेषज्ञता नहीं है।

अमेज़न SageMaker एक पूरी तरह से प्रबंधित एमएल प्लेटफॉर्म है जो डेटा इंजीनियरों और व्यापार विश्लेषकों को एमएल मॉडल को जल्दी और आसानी से बनाने, प्रशिक्षित करने और तैनात करने की अनुमति देता है। डेटा इंजीनियर और व्यापार विश्लेषक सेजमेकर की नो-कोड/लो-कोड क्षमताओं का उपयोग करके सहयोग कर सकते हैं। डेटा इंजीनियर उपयोग कर सकते हैं अमेज़न SageMaker डेटा रैंगलर कोड लिखे बिना मॉडल बिल्डिंग के लिए डेटा को जल्दी से एकत्रित और तैयार करना। तब व्यापार विश्लेषक के दृश्य बिंदु-और-क्लिक इंटरफ़ेस का उपयोग कर सकते हैं अमेज़ॅन सेजमेकर कैनवास अपने दम पर सटीक एमएल भविष्यवाणियां उत्पन्न करने के लिए।

इस पोस्ट में, हम दिखाते हैं कि डेटा इंजीनियरों और व्यापार विश्लेषकों के लिए बिना कोड लिखे डेटा तैयार करने, मॉडल निर्माण और अनुमान को शामिल करते हुए एक एमएल वर्कफ़्लो बनाने के लिए सहयोग करना कितना आसान है।

समाधान अवलोकन

हालांकि एमएल विकास एक जटिल और पुनरावृत्त प्रक्रिया है, आप डेटा तैयार करने, मॉडल विकास और मॉडल परिनियोजन चरणों में एमएल वर्कफ़्लो को सामान्य कर सकते हैं।

डेटा रैंगलर और कैनवास डेटा तैयार करने और मॉडल विकास की जटिलताओं को सारगर्भित करते हैं, इसलिए आप कोड विकास के विशेषज्ञ के बिना अपने डेटा से अंतर्दृष्टि प्राप्त करके अपने व्यवसाय को मूल्य प्रदान करने पर ध्यान केंद्रित कर सकते हैं। निम्नलिखित आर्किटेक्चर आरेख घटकों को नो-कोड/लो-कोड समाधान में हाइलाइट करता है।

अमेज़न सरल भंडारण सेवा (अमेज़ॅन एस3) कच्चे डेटा, इंजीनियर डेटा और मॉडल कलाकृतियों के लिए हमारे डेटा भंडार के रूप में कार्य करता है। आप से डेटा आयात करना भी चुन सकते हैं अमेज़न रेडशिफ्ट, अमेज़न एथेना, डेटाब्रिक्स, और स्नोफ्लेक।

डेटा वैज्ञानिकों के रूप में, हम तब डेटा रैंगलर का उपयोग खोजपूर्ण डेटा विश्लेषण और फीचर इंजीनियरिंग के लिए करते हैं। हालांकि कैनवास फीचर इंजीनियरिंग कार्यों को चला सकता है, फीचर इंजीनियरिंग को मॉडल विकास के लिए सही रूप में डेटासेट को समृद्ध करने के लिए आमतौर पर कुछ सांख्यिकीय और डोमेन ज्ञान की आवश्यकता होती है। इसलिए, हम डेटा इंजीनियरों को यह जिम्मेदारी देते हैं ताकि वे डेटा रैंगलर के साथ कोड लिखे बिना डेटा को रूपांतरित कर सकें।

डेटा तैयार करने के बाद, हम डेटा विश्लेषकों को मॉडल निर्माण की ज़िम्मेदारियाँ देते हैं, जो बिना कोई कोड लिखे किसी मॉडल को प्रशिक्षित करने के लिए कैनवास का उपयोग कर सकते हैं।

अंत में, हम परिणामी मॉडल से सीधे कैनवास के भीतर एकल और बैच भविष्यवाणियां करते हैं, बिना मॉडल एंडपॉइंट को स्वयं परिनियोजित किए।

डेटासेट अवलोकन

हम लेंडिंग क्लब के संशोधित संस्करण का उपयोग करके ऋण की स्थिति का अनुमान लगाने के लिए सेजमेकर सुविधाओं का उपयोग करते हैं सार्वजनिक रूप से उपलब्ध ऋण विश्लेषण डेटासेट. डेटासेट में 2007-2011 तक जारी किए गए ऋणों के लिए ऋण डेटा होता है। ऋण और उधारकर्ता का वर्णन करने वाले कॉलम हमारी विशेषताएं हैं। कॉलम Loan_status लक्ष्य चर है, जिसका हम अनुमान लगाने की कोशिश कर रहे हैं।

डेटा रैंगलर में प्रदर्शित करने के लिए, हम डेटासेट को दो CSV फ़ाइलों में विभाजित करते हैं: भाग एक और भाग दो. हमने डेमो को आसान बनाने के लिए लेंडिंग क्लब के मूल डेटासेट से कुछ कॉलम हटा दिए हैं। हमारे डेटासेट में 37,000 से अधिक पंक्तियाँ और 21 फीचर कॉलम हैं, जैसा कि निम्न तालिका में वर्णित है।

आम नाम	Description
loan_status	ऋण की वर्तमान स्थिति (लक्ष्य चर)।
loan_amount	उधारकर्ता द्वारा आवेदन किए गए ऋण की सूचीबद्ध राशि। यदि क्रेडिट विभाग ऋण राशि को कम करता है, तो यह इस मूल्य में परिलक्षित होता है।
funded_amount_by_investors	उस समय उस ऋण के लिए निवेशकों द्वारा की गई कुल राशि।
term	ऋण पर भुगतान की संख्या। मान महीनों में हैं और 36 या 60 हो सकते हैं।
interest_rate	ऋण पर ब्याज दर।
installment	ऋण की उत्पत्ति होने पर उधारकर्ता द्वारा मासिक भुगतान।
grade	एलसी ने ऋण ग्रेड सौंपा।
sub_grade	एलसी ने ऋण सबग्रेड सौंपा।
employment_length	वर्षों में रोजगार की लंबाई। संभावित मान 0-10 के बीच हैं, जहाँ 0 का अर्थ एक वर्ष से कम है और 10 का अर्थ है दस या अधिक वर्ष।
home_ownership	पंजीकरण के दौरान उधारकर्ता द्वारा प्रदान की गई गृह स्वामित्व की स्थिति। हमारे मूल्य किराए, स्वयं, बंधक और अन्य हैं।
annual_income	पंजीकरण के दौरान उधारकर्ता द्वारा प्रदान की गई स्व-रिपोर्ट की गई वार्षिक आय।
verification_status	इंगित करता है कि आय को एलसी द्वारा सत्यापित किया गया था या नहीं।
issued_amount	जिस महीने ऋण का वित्त पोषण किया गया था।
purpose	ऋण अनुरोध के लिए उधारकर्ता द्वारा प्रदान की गई एक श्रेणी।
dti	बंधक और अनुरोधित एलसी ऋण को छोड़कर, उधारकर्ता की स्व-रिपोर्ट की गई मासिक आय से विभाजित, कुल ऋण दायित्वों पर उधारकर्ता के कुल मासिक ऋण भुगतान का उपयोग करके गणना की गई अनुपात।
earliest_credit_line	जिस महीने उधारकर्ता की सबसे पहले रिपोर्ट की गई क्रेडिट लाइन खोली गई थी।
inquiries_last_6_months	पिछले 6 महीनों में पूछताछ की संख्या (ऑटो और बंधक पूछताछ को छोड़कर)।
open_credit_lines	उधारकर्ता की क्रेडिट फ़ाइल में खुली क्रेडिट लाइनों की संख्या।
derogatory_public_records	अपमानजनक सार्वजनिक रिकॉर्ड की संख्या।
revolving_line_utilization_rate	रिवॉल्विंग लाइन यूटिलाइजेशन रेट, या सभी उपलब्ध रिवॉल्विंग क्रेडिट के सापेक्ष उधारकर्ता द्वारा उपयोग की जाने वाली क्रेडिट की राशि।
total_credit_lines	उधारकर्ता की क्रेडिट फ़ाइल में वर्तमान में क्रेडिट लाइनों की कुल संख्या।

हम इस डेटासेट का उपयोग अपने डेटा तैयार करने और मॉडल प्रशिक्षण के लिए करते हैं।

.. पूर्वापेक्षाएँ

निम्नलिखित पूर्वापेक्षा चरणों को पूरा करें:

1. दोनों ऋण फ़ाइलें अपलोड करें अपनी पसंद के S3 बाल्टी में।
2. सुनिश्चित करें कि आपके पास आवश्यक अनुमतियां हैं। अधिक जानकारी के लिए देखें डेटा रैंगलर के साथ शुरुआत करें.
3. डेटा रैंगलर का उपयोग करने के लिए कॉन्फ़िगर किया गया एक सेजमेकर डोमेन सेट करें। निर्देशों के लिए, देखें अमेज़न सेजमेकर डोमेन पर ऑनबोर्ड.

डेटा आयात करें

एक नया डेटा रैंगलर डेटा प्रवाह बनाएँ से अमेज़ॅन सेजमेकर स्टूडियो यूआई.

जहाँ आपने अपना डेटासेट रखा था, उस S3 बकेट से CSV फ़ाइलों का चयन करके Amazon S3 से डेटा आयात करें। दोनों फ़ाइलों को आयात करने के बाद, आप इसमें दो अलग-अलग कार्यप्रवाह देख सकते हैं डेटा प्रवाह राय।

डेटा रैंगलर प्रवाह में अपना डेटा आयात करते समय आप कई नमूना विकल्प चुन सकते हैं। नमूनाकरण तब मदद कर सकता है जब आपके पास एक ऐसा डेटासेट हो जो अंतःक्रियात्मक रूप से तैयार करने के लिए बहुत बड़ा हो, या जब आप अपने सैंपल किए गए डेटासेट में दुर्लभ घटनाओं के अनुपात को संरक्षित करना चाहते हों। चूंकि हमारा डेटासेट छोटा है, इसलिए हम सैंपलिंग का उपयोग नहीं करते हैं।

डेटा तैयार करें

हमारे उपयोग के मामले में, हमारे पास एक सामान्य कॉलम वाले दो डेटासेट हैं: id. डेटा तैयार करने के पहले चरण के रूप में, हम इन फ़ाइलों को जोड़कर उन्हें संयोजित करना चाहते हैं। निर्देशों के लिए, देखें डेटा ट्रांसफ़ॉर्म करें.

हम उपयोग जुडें डेटा परिवर्तन चरण और उपयोग करें आंतरिक पर प्रकार में शामिल हों id स्तंभ.

हमारे ज्वाइन ट्रांसफॉर्मेशन के परिणामस्वरूप, डेटा रैंगलर दो अतिरिक्त कॉलम बनाता है: id_0 और id_1. हालांकि, ये कॉलम हमारे मॉडल निर्माण उद्देश्यों के लिए अनावश्यक हैं। हम इन अनावश्यक कॉलमों का उपयोग करके ड्रॉप करते हैं कॉलम प्रबंधित करें परिवर्तन कदम।

हमने अपने डेटासेट आयात कर लिए हैं, उनमें शामिल हो गए हैं और अनावश्यक कॉलम हटा दिए हैं। अब हम फीचर इंजीनियरिंग के माध्यम से अपने डेटा को समृद्ध करने और मॉडल निर्माण की तैयारी के लिए तैयार हैं।

फीचर इंजीनियरिंग करें

डेटा तैयार करने के लिए हमने डेटा रैंगलर का इस्तेमाल किया। आप का भी उपयोग कर सकते हैं डेटा गुणवत्ता और अंतर्दृष्टि रिपोर्ट सुविधा डेटा रैंगलर के भीतर अपने डेटा की गुणवत्ता को सत्यापित करने और अपने डेटा में असामान्यताओं का पता लगाने के लिए। इंजीनियरिंग सुविधाओं के लिए सही डोमेन ज्ञान को कुशलतापूर्वक लागू करने के लिए डेटा वैज्ञानिकों को अक्सर इन डेटा अंतर्दृष्टि का उपयोग करने की आवश्यकता होती है। इस पोस्ट के लिए, हम मानते हैं कि हमने इन गुणवत्ता आकलनों को पूरा कर लिया है और हम फीचर इंजीनियरिंग की ओर बढ़ सकते हैं।

इस चरण में, हम संख्यात्मक, श्रेणीबद्ध और टेक्स्ट कॉलम में कुछ परिवर्तन लागू करते हैं।

हम पहले 0-1 के बीच के मानों को मापने के लिए ब्याज दर को सामान्य करते हैं। हम इसका उपयोग करते हैं प्रक्रिया संख्यात्मक पैमाने पर बदलने के लिए interest_rate न्यूनतम-अधिकतम स्केलर का उपयोग करके कॉलम। सामान्यीकरण (या मानकीकरण) का उद्देश्य हमारे मॉडल से पूर्वाग्रह को समाप्त करना है। विभिन्न पैमानों पर मापे जाने वाले वेरिएबल मॉडल सीखने की प्रक्रिया में समान रूप से योगदान नहीं देंगे। इसलिए, न्यूनतम-अधिकतम स्केलर ट्रांसफ़ॉर्म जैसा ट्रांसफ़ॉर्मेशन फ़ंक्शन सुविधाओं को सामान्य बनाने में मदद करता है।

एक श्रेणीगत चर को एक संख्यात्मक मान में बदलने के लिए, हम एक-हॉट एन्कोडिंग का उपयोग करते हैं। हम चुनते हैं सांकेतिक शब्दों में बदलना रूपांतरित करें, फिर चुनें एक गर्म सांकेतिक शब्दों में बदलना. वन-हॉट एन्कोडिंग एक एमएल मॉडल की भविष्य कहनेवाला क्षमता में सुधार करता है। यह प्रक्रिया सुविधा के लिए 1 या 0 का बाइनरी मान निर्दिष्ट करके एक श्रेणीबद्ध मान को एक नई सुविधा में परिवर्तित करती है। एक साधारण उदाहरण के रूप में, यदि आपके पास एक कॉलम था जिसमें या तो का मान था yes or no, एक-हॉट एन्कोडिंग उस कॉलम को दो कॉलम में बदल देगा: a Yes कॉलम और ए No कॉलम। हाँ मान में 1 होगा Yes कॉलम और 0 में No कॉलम। एक-हॉट एन्कोडिंग हमारे डेटा को अधिक उपयोगी बनाता है क्योंकि संख्यात्मक मान हमारे पूर्वानुमानों की संभावना को अधिक आसानी से निर्धारित कर सकते हैं।

अंत में, हम इसकी विशेषता बताते हैं employer_title कॉलम अपने स्ट्रिंग मानों को एक संख्यात्मक वेक्टर में बदलने के लिए। हम लागू करते हैं वेक्टरिज़र गिनें और के भीतर एक मानक टोकेनाइज़र वेक्टर करना रूपान्तरण। टोकननाइज़ेशन एक वाक्य या पाठ की श्रृंखला को शब्दों में तोड़ देता है, जबकि एक वेक्टराइज़र टेक्स्ट डेटा को मशीन-पठनीय रूप में परिवर्तित करता है। इन शब्दों को वैक्टर के रूप में दर्शाया गया है।

सभी फीचर इंजीनियरिंग चरणों को पूरा करने के साथ, हम डेटा निर्यात कर सकते हैं और परिणामों को हमारे S3 बकेट में आउटपुट कर सकते हैं। वैकल्पिक रूप से, आप अपने प्रवाह को पायथन कोड, या ज्यूपिटर नोटबुक के रूप में निर्यात कर सकते हैं ताकि आपके दृश्य के साथ एक पाइपलाइन बनाई जा सके अमेज़न SageMaker पाइपलाइन. इस पर विचार करें जब आप अपने फीचर इंजीनियरिंग चरणों को बड़े पैमाने पर या एमएल पाइपलाइन के हिस्से के रूप में चलाना चाहते हैं।

अब हम कैनवास के लिए अपने इनपुट के रूप में डेटा रैंगलर आउटपुट फ़ाइल का उपयोग कर सकते हैं। हम इसे अपने एमएल मॉडल के निर्माण के लिए कैनवास में डेटासेट के रूप में संदर्भित करते हैं।

हमारे मामले में, हमने अपने तैयार किए गए डेटासेट को डिफ़ॉल्ट स्टूडियो बकेट में a . के साथ निर्यात किया output उपसर्ग। अगले मॉडल निर्माण के लिए कैनवास में डेटा लोड करते समय हम इस डेटासेट स्थान का संदर्भ देते हैं।

कैनवास के साथ अपना एमएल मॉडल बनाएं और प्रशिक्षित करें

सेजमेकर कंसोल पर, कैनवास एप्लिकेशन लॉन्च करें। पिछले अनुभाग में तैयार डेटा से एक एमएल मॉडल बनाने के लिए, हम निम्नलिखित चरणों का पालन करते हैं:

1. तैयार किए गए डेटासेट को S3 बकेट से कैनवास पर आयात करें।

हम उसी S3 पथ का संदर्भ देते हैं जहां हमने पिछले खंड से डेटा रैंगलर परिणाम निर्यात किए थे।

2. कैनवास में नया मॉडल बनाएं और उसे नाम दें loan_prediction_model.
3. आयातित डेटासेट का चयन करें और इसे मॉडल ऑब्जेक्ट में जोड़ें।

कैनवास को एक मॉडल बनाने के लिए, हमें लक्ष्य कॉलम का चयन करना होगा।

4. चूँकि हमारा लक्ष्य किसी ऋणदाता की ऋण चुकाने की क्षमता की संभावना का अनुमान लगाना है, इसलिए हम चुनते हैं loan_status स्तंभ.

कैनवास स्वचालित रूप से एमएल समस्या विवरण के प्रकार की पहचान करता है। लेखन के समय, कैनवास प्रतिगमन, वर्गीकरण और समय श्रृंखला पूर्वानुमान समस्याओं का समर्थन करता है। आप समस्या के प्रकार को निर्दिष्ट कर सकते हैं या अपने डेटा से कैनवास स्वचालित रूप से समस्या का अनुमान लगा सकते हैं।

5. मॉडल निर्माण प्रक्रिया शुरू करने के लिए अपना विकल्प चुनें: त्वरित निर्माण or मानक निर्माण.

RSI त्वरित निर्माण विकल्प 2-15 मिनट के भीतर किसी मॉडल को प्रशिक्षित करने के लिए आपके डेटासेट का उपयोग करता है। यह तब उपयोगी होता है जब आप यह निर्धारित करने के लिए एक नए डेटासेट के साथ प्रयोग कर रहे हों कि आपके पास जो डेटासेट है वह भविष्यवाणियां करने के लिए पर्याप्त होगा या नहीं। हम इस पोस्ट के लिए इस विकल्प का उपयोग करते हैं।

RSI मानक निर्माण विकल्प गति से अधिक सटीकता का चयन करता है और मॉडल को प्रशिक्षित करने के लिए लगभग 250 मॉडल उम्मीदवारों का उपयोग करता है। प्रक्रिया में आमतौर पर 1-2 घंटे लगते हैं।

मॉडल बनने के बाद, आप मॉडल के परिणामों की समीक्षा कर सकते हैं। कैनवास का अनुमान है कि आपका मॉडल 82.9% समय के सही परिणाम की भविष्यवाणी करने में सक्षम है। प्रशिक्षण मॉडल में परिवर्तनशीलता के कारण आपके अपने परिणाम भिन्न हो सकते हैं।

इसके अलावा, आप मॉडल के बारे में अधिक जानने के लिए मॉडल के विवरण विश्लेषण में गहराई से जा सकते हैं।

फ़ीचर महत्व लक्ष्य स्तंभ की भविष्यवाणी में प्रत्येक विशेषता के अनुमानित महत्व का प्रतिनिधित्व करता है। इस मामले में, क्रेडिट लाइन कॉलम का यह अनुमान लगाने में सबसे महत्वपूर्ण प्रभाव पड़ता है कि क्या कोई ग्राहक ऋण राशि का भुगतान करेगा, इसके बाद ब्याज दर और वार्षिक आय होगी।

में भ्रम मैट्रिक्स उन्नत मेट्रिक्स अनुभाग में उन उपयोगकर्ताओं के लिए जानकारी होती है जो अपने मॉडल प्रदर्शन की गहरी समझ चाहते हैं।

इससे पहले कि आप अपने मॉडल को उत्पादन कार्यभार के लिए परिनियोजित कर सकें, मॉडल का परीक्षण करने के लिए कैनवास का उपयोग करें। कैनवास हमारे मॉडल समापन बिंदु का प्रबंधन करता है और हमें सीधे कैनवास उपयोगकर्ता इंटरफ़ेस में पूर्वानुमान लगाने की अनुमति देता है।

6. चुनें भविष्यवाणी करना और दोनों में से किसी एक पर निष्कर्षों की समीक्षा करें बैच भविष्यवाणी or एकल भविष्यवाणी टैब.

निम्नलिखित उदाहरण में, हम अपने लक्ष्य चर की भविष्यवाणी करने के लिए मूल्यों को संशोधित करके एकल भविष्यवाणी करते हैं loan_status वास्तविक समय में

हम एक बड़ा डेटासेट भी चुन सकते हैं और कैनवास हमारी ओर से बैच पूर्वानुमान उत्पन्न कर सकते हैं।

निष्कर्ष

एंड-टू-एंड मशीन लर्निंग जटिल और पुनरावृत्त है, और इसमें अक्सर कई व्यक्ति, प्रौद्योगिकियां और प्रक्रियाएं शामिल होती हैं। डेटा रैंगलर और कैनवास इन टीमों को कोई कोड लिखने की आवश्यकता के बिना टीमों के बीच सहयोग को सक्षम करते हैं।

एक डेटा इंजीनियर बिना किसी कोड को लिखे डेटा रैंगलर का उपयोग करके आसानी से डेटा तैयार कर सकता है और तैयार डेटासेट को एक बिजनेस एनालिस्ट को पास कर सकता है। एक व्यापार विश्लेषक तब आसानी से कैनवास का उपयोग करके कुछ ही क्लिक के साथ सटीक एमएल मॉडल बना सकता है और वास्तविक समय में या बैच में सटीक पूर्वानुमान प्राप्त कर सकता है।

डेटा रैंगलर के साथ शुरुआत करें बिना किसी बुनियादी ढांचे का प्रबंधन किए इन उपकरणों का उपयोग करना। तुम कर सकते हो कैनवास सेट करें अपनी व्यावसायिक जरूरतों को पूरा करने के लिए तुरंत और तुरंत एमएल मॉडल बनाना शुरू करें।

---

लेखक के बारे में

पीटर चुंग एडब्ल्यूएस के लिए एक समाधान वास्तुकार है, और ग्राहकों को अपने डेटा से अंतर्दृष्टि को उजागर करने में मदद करने के बारे में भावुक है। वह सार्वजनिक और निजी दोनों क्षेत्रों में डेटा-संचालित निर्णय लेने में संगठनों की मदद करने के लिए समाधान तैयार कर रहा है। उसके पास सभी AWS प्रमाणपत्र और साथ ही दो GCP प्रमाणपत्र हैं।

 मीनाक्षीसुंदरम थंडावरायण एडब्ल्यूएस के साथ एक वरिष्ठ एआई/एमएल विशेषज्ञ हैं। वह उनकी AI और ML यात्रा में हाई-टेक रणनीतिक खातों की मदद करता है। वह डेटा-संचालित एआई के बारे में बहुत भावुक है।

डैन फर्ग्यूसन न्यूयॉर्क, यूएसए में स्थित एडब्ल्यूएस में एक समाधान वास्तुकार है। मशीन लर्निंग सर्विसेज विशेषज्ञ के रूप में, डैन ग्राहकों को एमएल वर्कफ़्लो को कुशलतापूर्वक, प्रभावी ढंग से और स्थायी रूप से एकीकृत करने की उनकी यात्रा में सहायता करने के लिए काम करता है।

• कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
• क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/build-a-risk-management-machine-learning-workflow-on-amazon-sagemaker-with-no-code/