טייס אוטומטי של אמזון SageMaker תומך כעת בנתוני סדרות זמן

טייס אוטומטי של אמזון בונה, מאמן ומכוון אוטומטית את המודלים הטובים ביותר של למידת מכונה (ML) על סמך הנתונים שלך, תוך שהוא מאפשר לך לשמור על שליטה מלאה ונראות. הודענו לאחרונה תמיכה בנתוני סדרות זמן בטייס אוטומטי. אתה יכול להשתמש בטייס אוטומטי כדי להתמודד עם משימות רגרסיה וסיווג על נתוני סדרות זמן, או נתוני רצף באופן כללי. נתוני סדרות זמן הם סוג מיוחד של נתוני רצף שבהם נקודות נתונים נאספות במרווחי זמן שווים.

הכנה ידנית של הנתונים, בחירת מודל ה-ML הנכון ואופטימיזציה של הפרמטרים שלו היא משימה מורכבת, אפילו עבור מטפל מומחה. למרות שקיימות גישות אוטומטיות שיכולות למצוא את הדגמים הטובים ביותר ואת הפרמטרים שלהם, אלה בדרך כלל לא יכולים להתמודד עם נתונים שמגיעים כרצפים, כגון תעבורת רשת, צריכת חשמל או הוצאות משק בית שנרשמו לאורך זמן. מכיוון שהנתונים הללו לובשים צורה של תצפיות שנרכשו בנקודות זמן שונות, לא ניתן להתייחס לתצפיות עוקבות כבלתי תלויות זו בזו ויש לעבד אותן כמכלול. אתה יכול להשתמש בטייס אוטומטי למגוון רחב של בעיות בהתמודדות עם נתונים עוקבים. לדוגמה, אתה יכול לסווג תעבורת רשת שנרשמה לאורך זמן כדי לזהות פעילויות זדוניות, או לקבוע אם אנשים זכאים למשכנתא על סמך היסטוריית האשראי שלהם. אתה מספק מערך נתונים המכיל נתוני סדרות זמן והטייס האוטומטי מטפל בשאר, מעבד את הנתונים הרציפים באמצעות טרנספורמציות תכונות מיוחדות ומציאת המודל הטוב ביותר בשמך.

טייס אוטומטי מבטל את ההרמה הכבדה של בניית דגמי ML, ועוזר לך לבנות, לאמן ולכוון באופן אוטומטי את דגם ה-ML הטוב ביותר על סמך הנתונים שלך. טייס אוטומטי מריץ מספר אלגוריתמים על הנתונים שלך ומכוון את ההיפרפרמטרים שלהם על תשתית מחשוב מנוהלת במלואה. בפוסט זה, אנו מדגימים כיצד אתה יכול להשתמש טייס אוטומטי לפתור בעיות סיווג ורגרסיה על נתוני סדרות זמן. להנחיות ליצירה והדרכה של דגם טייס אוטומטי, ראה חיזוי לקוחות צ'ורן עם טייס אוטומטי של אמזון סייג מייקר.

סיווג נתוני סדרות זמן באמצעות טייס אוטומטי

כדוגמה רצה, אנו רואים בעיה רב-מעמדית בסדרת הזמן מערך נתונים UWaveGestureLibraryX, המכיל קריאות במרחק שווה של חיישני מד תאוצה תוך ביצוע אחת משמונה תנועות ידיים מוגדרות מראש. למען הפשטות, אנו מתייחסים רק לממד X של מד התאוצה. המשימה היא לבנות מודל סיווג כדי למפות את נתוני סדרת הזמן מקריאת החיישנים ועד למחוות המוגדרות מראש. האיור הבא מציג את השורות הראשונות של מערך הנתונים בפורמט CSV. הטבלה כולה מורכבת מ-896 שורות ושתי עמודות: העמודה הראשונה היא תווית מחוות והעמודה השנייה היא סדרת זמן של קריאות חיישנים.

המר נתונים לפורמט הנכון עם Amazon SageMaker Data Wrangler

בנוסף לקבל עמודות טקסט מספריות, קטגוריות וסטנדרטיות, הטייס האוטומטי מקבל כעת גם עמודת קלט רצף. אם נתוני סדרת הזמן שלך אינם תואמים את הפורמט הזה, תוכל להמיר אותם בקלות רנגלר הנתונים של אמזון SageMaker. Data Wrangler מקטין את הזמן שלוקח לצבור ולהכין נתונים עבור ML משבועות לדקות. עם Data Wrangler, אתה יכול לפשט את תהליך הכנת הנתונים והנדסת תכונות, ולהשלים כל שלב בזרימת העבודה של הכנת הנתונים, כולל בחירת נתונים, ניקוי, חקירה והדמיה מממשק ויזואלי יחיד. לדוגמה, שקול את אותו מערך נתונים אבל בפורמט קלט שונה: כל מחווה (מופיעה על ידי מזהה) היא רצף של מדידות במרחק שווה של מד התאוצה. כאשר מאוחסנים בצורה אנכית, כל שורה מכילה חותמת זמן וערך אחד. האיור הבא משווה נתונים אלה בפורמט המקורי שלהם ובפורמט רצף.

כדי להמיר מערך נתונים זה לפורמט שתואר קודם לכן באמצעות Data Wrangler, טען את מערך הנתונים מ שירות אחסון פשוט של אמזון (אמזון S3). לאחר מכן השתמש ב- סדרת זמן קבץ לפי טרנספורמציה, כפי שמוצג בצילום המסך הבא, וייצא את הנתונים בחזרה לאמזון S3 בפורמט CSV.

כאשר מערך הנתונים נמצא בפורמט הייעודי שלו, אתה יכול להמשיך עם טייס אוטומטי. כדי לבדוק שנאי סדרות זמן אחרות של Data Wrangler עיין הכן נתוני סדרות זמן עם Amazon SageMaker Data Wrangler.

הפעל משימת AutoML

בדומה לסוגי קלט אחרים הנתמכים על ידי טייס אוטומטי, כל שורה של מערך הנתונים היא תצפית שונה וכל עמודה היא תכונה. בדוגמה זו, יש לנו עמודה אחת המכילה נתוני סדרות זמן, אך ניתן לקבל מספר עמודות של סדרות זמן. אתה יכול גם לקבל עמודות מרובות עם סוגי קלט שונים, כגון סדרות זמן, טקסט ומספרי.

ל ליצור ניסוי טייס אוטומטי, הנח את מערך הנתונים בדלי S3 וצור בתוכו ניסוי חדש סטודיו SageMaker של אמזון. כפי שמוצג בצילום המסך הבא, עליך לציין את שם הניסוי, מיקום S3 של מערך הנתונים, מיקום S3 עבור חפצי הפלט, ואת שם העמודה לניבוי.

הטייס האוטומטי מנתח את הנתונים, יוצר צינורות ML, ומריץ ברירת מחדל של 250 איטרציות של אופטימיזציה של היפרפרמטרים במשימת סיווג זו. כפי שמוצג בלוח המובילים של הדגם הבא, הטייס האוטומטי מגיע לדיוק של 0.821, ואתה יכול לפרוס את הדגם הטוב ביותר בלחיצה אחת בלבד.

בנוסף, טייס אוטומטי יוצר א דוח חיפוש נתונים, שבו אתה יכול לדמיין ולחקור את הנתונים שלך.

שקיפות היא הבסיס עבור הטייס האוטומטי. אתה יכול לבדוק ולשנות צינורות ML שנוצרו בתוך מחברת הגדרת המועמד. צילום המסך הבא מדגים כיצד טייס אוטומטי ממליץ על מגוון צינורות, המשלב את שנאי סדרת הזמן TSFeatureExtractor עם אלגוריתמים שונים של ML, כגון עצי החלטה עם חיזוק גרדיאנט ומודלים ליניאריים. ה TSFeatureExtractor מחלץ עבורך מאות תכונות של סדרות זמן, המוזנות לאחר מכן לאלגוריתמים במורד הזרם כדי לבצע תחזיות. לרשימה המלאה של תכונות סדרות זמן, עיין ב סקירה כללית על תכונות שחולצו.

סיכום

בפוסט זה, הדגמנו כיצד להשתמש בטייס אוטומטי של SageMaker כדי לפתור בעיות סיווג ורגרסיה של סדרות זמן בכמה קליקים בלבד.

למידע נוסף על טייס אוטומטי, ראה טייס אוטומטי של אמזון. כדי לחקור תכונות קשורות של SageMaker, ראה רנגלר הנתונים של אמזון SageMaker.

---

על הכותבים

ניקיטה איבקין הוא מדען יישומי, Amazon SageMaker Data Wrangler.

אן מילברט הוא מהנדס פיתוח תוכנה שעובד על Amazon SageMaker Automatic Model Tuning.

ולריו פרונה הוא מנהל מדע יישומי שעובד על אמזון SageMaker כוונון דגמים אוטומטי וטייס אוטומטי.

מגאנה סאטיש הוא מהנדס פיתוח תוכנה שעובד על Amazon SageMaker Automatic Model Tuning.

עלי תקבירי הוא ארכיטקט פתרונות מומחה ב-AI/ML, ועוזר ללקוחות באמצעות למידת מכונה כדי לפתור את האתגרים העסקיים שלהם בענן AWS.

• Coinsmart. בורסת הביטקוין והקריפטו הטובה באירופה.
• Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה חופשית.
• CryptoHawk. רדאר אלטקוין. ניסיון חינם.
• מקור: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-autopilot-now-supports-time-series-data/