AutoML を使用すると、機械学習 (ML) プロジェクトのライフサイクルの開始時にデータから迅速かつ一般的な洞察を得ることができます。 どの前処理手法とアルゴリズムのタイプが最良の結果をもたらすかを事前に理解しておけば、適切なモデルの開発、トレーニング、デプロイにかかる時間が短縮されます。 これはあらゆるモデルの開発プロセスで重要な役割を果たし、データ サイエンティストが最も有望な ML 手法に集中できるようになります。 さらに、AutoML は、データ サイエンス チームの基準点として機能するベースライン モデルのパフォーマンスを提供します。
AutoML ツールは、さまざまなアルゴリズムとさまざまな前処理技術を組み合わせてデータに適用します。 たとえば、データのスケーリング、単変量特徴選択の実行、さまざまな分散しきい値レベルでの PCA の実行、およびクラスタリングの適用が可能です。 このような前処理技術は、個別に適用することも、パイプラインで組み合わせて適用することもできます。 その後、AutoML ツールは、前処理されたデータセットのさまざまなバージョンで線形回帰、Elastic-Net、ランダム フォレストなどのさまざまなモデル タイプをトレーニングし、ハイパーパラメーター最適化 (HPO) を実行します。 Amazon SageMakerオートパイロット ML モデルを構築するという重労働を排除します。 データセットを提供した後、SageMaker Autopilot はさまざまなソリューションを自動的に探索して、最適なモデルを見つけます。 しかし、AutoML ワークフローのカスタマイズされたバージョンをデプロイしたい場合はどうすればよいでしょうか?
この投稿では、カスタムメイドの AutoML ワークフローを作成する方法を示します。 アマゾンセージメーカー Amazon SageMaker 自動モデルチューニング で利用可能なサンプルコード付き GitHubレポ。
ソリューションの概要
この使用例では、あなたが、特殊なドメインでモデルを開発するデータ サイエンス チームの一員であると仮定します。 一連のカスタム前処理手法を開発し、ML 問題で適切に動作すると予想される多数のアルゴリズムを選択しました。 新しい ML ユースケースに取り組むときは、まず前処理技術とアルゴリズムを使用して AutoML を実行し、潜在的なソリューションの範囲を絞り込みたいと考えます。
この例では、特殊なデータセットを使用しません。 代わりに、インポート元の California Housing データセットを操作します。 Amazon シンプル ストレージ サービス (アマゾンS3)。 焦点は、SageMaker HPO を使用したソリューションの技術的な実装を実証することであり、これは後であらゆるデータセットやドメインに適用できます。
次の図は、ソリューション全体のワークフローを示しています。
前提条件
この投稿のチュートリアルを完了するための前提条件は次のとおりです。
ソリューションを実装する
完全なコードは次の場所にあります。 GitHubレポ.
ソリューションを実装する手順 (ワークフロー図に示されているとおり) は次のとおりです。
- ノートブックインスタンスを作成する 次のように指定します。
- ノートブックインスタンスタイプ、選択する ml.t3.中.
- 弾性推論、選択する なし.
- プラットフォーム識別子、選択する Amazon Linux 2、Jupyter Lab 3.
- IAMの役割、デフォルトを選択します
AmazonSageMaker-ExecutionRole
。 存在しない場合は、新しく作成します AWS IDおよびアクセス管理 (IAM) ロールを追加し、 AmazonSageMakerFullAccess IAM ポリシー.
運用環境では、最小限のスコープの実行ロールとポリシーを作成する必要があることに注意してください。
- ノートブック インスタンスの JupyterLab インターフェイスを開き、GitHub リポジトリのクローンを作成します。
これを行うには、新しいターミナル セッションを開始し、 git clone <REPO>
コマンドを使用するか、次のスクリーンショットに示すように UI 機能を使用します。
- Video Cloud Studioで
automl.ipynb
ノートブック ファイルを選択し、conda_python3
カーネルを選択し、指示に従って HPO ジョブのセット.
コードを変更せずに実行するには、サービスクォータを増やす必要があります。 ml.m5.large (トレーニング ジョブの使用用) および すべてのトレーニング ジョブのインスタンス数。 AWS では、両方のクォータに対して、デフォルトで 20 個の並列 SageMaker トレーニング ジョブのみが許可されます。 両方のクォータを 30 に増やすようにリクエストする必要があります。 通常、両方のクォータ変更は数分以内に承認されます。 参照する 割り当て増加のリクエスト 。
クォータを変更したくない場合は、単に MAX_PARALLEL_JOBS
スクリプト内の変数を変更します (たとえば、5 に)。
- 各 HPO ジョブは、次のセットを完了します。 トレーニングの仕事 トライアルを実行し、最適なハイパーパラメータを持つモデルを示します。
- 結果を分析し、 最高のパフォーマンスのモデルをデプロイする.
このソリューションでは、AWS アカウントにコストが発生します。 このソリューションのコストは、HPO トレーニング ジョブの数と期間によって異なります。 これらが増えるとコストも高くなります。 トレーニング時間を制限し、設定することでコストを削減できます。 TuningJobCompletionCriteriaConfig
この投稿の後半で説明する手順に従ってください。 価格情報については、以下を参照してください。 Amazon SageMakerの価格.
次のセクションでは、コード例と結果を分析して最適なモデルを選択する手順を示しながら、ノートブックについて詳しく説明します。
初期設定
まずは実行してみましょう インポートとセットアップ のセクション custom-automl.ipynb
ノート。 必要な依存関係をすべてインストールしてインポートし、SageMaker セッションとクライアントをインスタンス化し、データを保存するためのデフォルトのリージョンと S3 バケットを設定します。
データの準備
California Housing データセットをダウンロードし、次のコマンドを実行して準備します。 データをダウンロードする ノートのセクション。 データセットはトレーニング データ フレームとテスト データ フレームに分割され、SageMaker セッションのデフォルト S3 バケットにアップロードされます。
データセット全体には、ターゲットを含む合計 20,640 レコードと 9 列があります。 目標は、住宅の中央値を予測することです (medianHouseValue
カラム)。 次のスクリーンショットは、データセットの上部の行を示しています。
トレーニング スクリプト テンプレート
この投稿の AutoML ワークフローは、以下に基づいています。 scikit-学ぶ 前処理パイプラインとアルゴリズム。 目的は、さまざまな前処理パイプラインとアルゴリズムの大規模な組み合わせを生成して、最高のパフォーマンスのセットアップを見つけることです。 まず、ノートブック インスタンス上でローカルに保持される汎用トレーニング スクリプトの作成から始めましょう。 このスクリプトには XNUMX つの空のコメント ブロックがあります。XNUMX つはハイパーパラメーターの挿入用で、もう XNUMX つは前処理モデルのパイプライン オブジェクト用です。 これらは、前処理モデル候補ごとに動的に注入されます。 XNUMX つの汎用スクリプトを使用する目的は、実装を DRY に保つことです (同じことを繰り返さないでください)。
前処理とモデルの組み合わせを作成する
preprocessors
Dictionary には、モデルのすべての入力特徴に適用される前処理手法の仕様が含まれています。 各レシピは、 Pipeline
または FeatureUnion
scikit-learn のオブジェクト。個々のデータ変換を連鎖させてスタックします。 例えば、 mean-imp-scale
は、それぞれの列の平均値を使用して欠損値が代入され、すべての特徴が StandardScaler。 対照的に、 mean-imp-scale-pca
レシピはさらにいくつかの操作を連鎖させます。
- 列の欠損値をその平均値で代入します。
- 平均と標準偏差を使用して特徴スケーリングを適用します。
- 指定された分散しきい値で入力データに基づいて PCA を計算し、それを補完およびスケーリングされた入力特徴とマージします。
この投稿では、すべての入力特徴は数値です。 入力データセットにさらに多くのデータ タイプがある場合は、さまざまな前処理ブランチがさまざまなフィーチャ タイプ セットに適用される、より複雑なパイプラインを指定する必要があります。
models
辞書には、データセットを適合させるさまざまなアルゴリズムの仕様が含まれています。 すべてのモデル タイプには、辞書に次の仕様が記載されています。
- スクリプト出力 – 推定器によって使用されるトレーニング スクリプトの場所を指します。 このフィールドは、
models
辞書と組み合わせると、preprocessors
辞書。 - 挿入 – に挿入されるコードを定義します。
script_draft.py
その後、以下に保存されましたscript_output
。 キー“preprocessor”
複数のモデルとプリプロセッサの組み合わせを作成するために、この場所にはプリプロセッサの XNUMX つが格納されているため、意図的に空白のままにしています。 - ハイパーパラメータ – HPO ジョブによって最適化される一連のハイパーパラメーター。
- include_cls_metadata – SageMaker に必要な設定の詳細
Tuner
とに提供されます。
の完全な例 models
辞書は GitHub リポジトリで入手できます。
次に、以下を繰り返してみましょう。 preprocessors
および models
辞書を使用して、可能なすべての組み合わせを作成します。 たとえば、あなたの場合、 preprocessors
ディクショナリには 10 個のレシピが含まれており、ディクショナリには 5 つのモデル定義があります。 models
ディクショナリを参照すると、新しく作成されたパイプライン ディクショナリには、HPO 中に評価される 50 個のプリプロセッサ モデル パイプラインが含まれています。 この時点では、個別のパイプライン スクリプトはまだ作成されていないことに注意してください。 Jupyter ノートブックの次のコード ブロック (セル 9) は、 pipelines
辞書を作成し、関連するすべてのコード部分を挿入し、パイプライン固有のバージョンのスクリプトをノートブックにローカルに保持します。 これらのスクリプトは、HPO ジョブにプラグインする個別の推定値を作成する次のステップで使用されます。
推定量を定義する
スクリプトの準備ができたら、HPO ジョブが使用する SageMaker Estimator の定義に取り組むことができます。 すべての推定器に共通のプロパティを定義するラッパー クラスを作成することから始めましょう。 それは、 SKLearn
クラスを指定し、ロール、インスタンス数、タイプ、およびスクリプトによって機能およびターゲットとして使用される列を指定します。
を構築しましょう estimators
以前に生成され、 scripts
ディレクトリ。 新しい推定器をインスタンス化するには、 SKLearnBase
一意の推定名を持つクラス、およびスクリプトの XNUMX つ。 注意してください。 estimators
ディクショナリには XNUMX つのレベルがあります。最上位レベルでは、 pipeline_family
。 これは、評価するモデルのタイプに基づいた論理的なグループ化であり、 models
辞書。 XNUMX 番目のレベルには、指定されたプリプロセッサ タイプと組み合わせられた個々のプリプロセッサ タイプが含まれます。 pipeline_family
。 この論理グループ化は、HPO ジョブの作成時に必要です。
HPO チューナー引数を定義する
HPO への引数の受け渡しを最適化するには Tuner
クラス、 HyperparameterTunerArgs
データ クラスは、HPO クラスに必要な引数を使用して初期化されます。 これには、複数のモデル定義を一度に展開するときに、HPO 引数が予期される形式で返されることを保証する一連の関数が付属しています。
次のコード ブロックでは、前に紹介したものを使用します。 HyperparameterTunerArgs
データクラス。 という名前の別の辞書を作成します。 hp_args
それぞれに固有の入力パラメータのセットを生成します。 estimator_family
estimators
辞書。 これらの引数は、各モデル ファミリの HPO ジョブを初期化するときに次のステップで使用されます。
HPO チューナー オブジェクトの作成
このステップでは、すべてのチューナーに対して個別のチューナーを作成します。 estimator_family
。 すべての推定ツールで XNUMX つだけを起動するのではなく、XNUMX つの個別の HPO ジョブを作成するのはなぜですか? の HyperparameterTuner
クラスにアタッチされるモデル定義は 10 個に制限されます。 したがって、各 HPO は、特定のモデル ファミリに対して最高のパフォーマンスを発揮するプリプロセッサを見つけて、そのモデル ファミリのハイパーパラメータを調整する責任があります。
セットアップに関するその他のポイントは次のとおりです。
- 最適化戦略はベイジアンです。これは、HPO がすべてのトライアルのパフォーマンスをアクティブに監視し、より有望なハイパーパラメーターの組み合わせに向けて最適化をナビゲートすることを意味します。 早期停止は次のように設定する必要があります。 オフ or 自動応答オプション そのロジック自体を処理するベイジアン戦略を使用する場合。
- 各 HPO ジョブは最大 100 個のジョブを実行し、10 個のジョブを並行して実行します。 より大きなデータセットを扱っている場合は、ジョブの総数を増やすことが必要になる場合があります。
- さらに、ジョブの実行時間と HPO がトリガーするジョブの数を制御する設定を使用することもできます。 そのための 1 つの方法は、最大実行時間を秒単位で設定することです (この投稿では、XNUMX 時間に設定しています)。 もう XNUMX つは、最近リリースされたものを使用することです。
TuningJobCompletionCriteriaConfig
。 ジョブの進行状況を監視し、ジョブを増やすことで結果が改善される可能性があるかどうかを判断する一連の設定が提供されます。 この投稿では、改善しないトレーニング ジョブの最大数を 20 に設定しました。これにより、スコアが改善しない場合 (たとえば、XNUMX 回目のトライアル以降)、残りのトライアルの料金を支払う必要がなくなります。max_jobs
が達成された。
では、次の手順を繰り返してみましょう tuners
および hp_args
辞書を作成し、SageMaker のすべての HPO ジョブをトリガーします。 に設定された wait 引数の使用法に注意してください。 False
これは、カーネルは結果が完了するまで待機せず、すべてのジョブを一度にトリガーできることを意味します。
すべてのトレーニング ジョブが完了するとは限らず、一部のトレーニング ジョブが HPO ジョブによって停止される可能性があります。 その理由は、 TuningJobCompletionCriteriaConfig
- 指定された基準のいずれかが満たされると、最適化は終了します。 このケースでは、20 回連続したジョブで最適化基準が改善されていない場合です。
結果を分析する
ノートブックのセル 15 は、すべての HPO ジョブが完了したかどうかをチェックし、すべての結果をパンダ データ フレームの形式で結合してさらなる分析を行います。 結果を詳細に分析する前に、SageMaker コンソールの概要を見てみましょう。
の上部にある ハイパーパラメータ調整ジョブ ページでは、開始された 100 つの HPO ジョブが表示されます。 全員が早く終了し、XNUMX 件のトレーニング ジョブをすべて実行できませんでした。 次のスクリーンショットでは、Elastic-Net モデル ファミリが最も多くのトライアルを完了したのに対し、他のモデル ファミリは最良の結果を得るためにそれほど多くのトレーニング ジョブを必要としなかったことがわかります。
HPO ジョブを開いて、個々のトレーニング ジョブ、ジョブ構成、最適なトレーニング ジョブの情報とパフォーマンスなどの詳細にアクセスできます。
すべてのモデル ファミリにわたる AutoML ワークフローのパフォーマンスについてさらに洞察を得るために、結果に基づいて視覚化を作成してみましょう。
次のグラフから、次のように結論付けることができます。 Elastic-Net
モデルのパフォーマンスは 70,000 ~ 80,000 RMSE の間で変動し、アルゴリズムがさまざまな前処理手法とハイパーパラメーター値を試したにもかかわらずパフォーマンスを向上させることができなかったため、最終的に失速しました。 とも思われます RandomForest
パフォーマンスは、HPO によって調査されたハイパーパラメータ セットによって大きく異なりましたが、多くの試行にもかかわらず、50,000 RMSE エラーを下回ることができませんでした。 GradientBoosting
50,000 RMSE を下回るという開始時からすでに最高のパフォーマンスを達成しています。 HPO はその結果をさらに改善しようとしましたが、他のハイパーパラメータの組み合わせではより良いパフォーマンスを達成できませんでした。 すべての HPO ジョブの一般的な結論は、各アルゴリズムで最高のパフォーマンスを発揮するハイパーパラメーターのセットを見つけるために必要なジョブはそれほど多くないということです。 結果をさらに改善するには、さらに多くの特徴を作成し、追加の特徴エンジニアリングを実行して実験する必要があります。
モデルとプリプロセッサの組み合わせをより詳細に調べて、最も有望な組み合わせについて結論を引き出すこともできます。
最適なモデルを選択して導入する
次のコード スニペットは、達成された目標の最小値に基づいて最適なモデルを選択します。 その後、モデルを SageMaker エンドポイントとしてデプロイできます。
クリーンアップ
AWS アカウントへの不要な請求を防ぐために、この投稿で使用した AWS リソースを削除することをお勧めします。
- Amazon S3 コンソールで、トレーニング データが保存されている S3 バケットからデータを空にします。
- SageMaker コンソールで、ノートブック インスタンスを停止します。
- モデル エンドポイントをデプロイした場合は削除します。 エンドポイントは導入時間に応じて課金されるため、使用されなくなったら削除する必要があります。
まとめ
この投稿では、アルゴリズムと前処理技術のカスタム選択を使用して、SageMaker でカスタム HPO ジョブを作成する方法を紹介しました。 特に、この例では、多くのトレーニング スクリプトを生成するプロセスを自動化する方法と、複数の並列最適化ジョブを効率的に展開するために Python プログラミング構造を使用する方法を示します。 このソリューションが、SageMaker を使用してデプロイするカスタム モデル調整ジョブの足場を形成し、ML ワークフローのパフォーマンスの向上と高速化を達成できることを願っています。
SageMaker HPO の使用方法についての知識をさらに深めるために、次のリソースを確認してください。
著者について
コンラート・ゼムシュ アマゾン ウェブ サービス データ ラボ チームのシニア ML ソリューション アーキテクトです。 彼は、顧客が機械学習を使用して AWS でビジネス上の課題を解決できるよう支援しています。 彼は、顧客が AI/ML プロジェクトにシンプルで実用的なソリューションを提供できるように、発明と簡素化を楽しんでいます。 彼が最も情熱を注いでいるのは、MlOps と従来のデータ サイエンスです。 仕事以外では、ウィンドサーフィンとカイトサーフィンの大ファンです。
マグロ・アーソイ AWS のシニア ソリューション アーキテクトです。 彼女の主な焦点は、公共部門の顧客がワークロードにクラウド テクノロジーを導入できるよう支援することです。 彼女は、アプリケーション開発、エンタープライズ アーキテクチャ、およびコンタクト センター テクノロジのバックグラウンドを持っています。 彼女の関心はサーバーレス アーキテクチャと AI/ML です。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- :持っている
- :は
- :not
- :どこ
- $UP
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- 視聴者の38%が
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- できる
- 私たちについて
- アクセス
- 従った
- 達成する
- 達成
- 越えて
- 積極的に
- NEW
- さらに
- 採用
- 後
- AI / ML
- 目指す
- アルゴリズム
- アルゴリズム
- すべて
- 許可
- ことができます
- 既に
- また
- Amazon
- アマゾンセージメーカー
- Amazon Webサービス
- an
- 分析
- 分析します
- 分析する
- および
- 別の
- どれか
- 申し込み
- アプリケーション開発
- 適用された
- 適用
- 申し込む
- 承認された
- 建築
- です
- 引数
- 引数
- AS
- 引き受けます
- At
- アタッチ
- オート
- 自動化する
- オートマチック
- 自動的に
- AutoML
- 利用できます
- AWS
- 背景
- ベース
- ベース
- ベースライン
- ベイジアン
- BE
- なぜなら
- 開始
- 以下
- BEST
- より良いです
- の間に
- ビッグ
- ブロック
- ブロック
- 両言語で
- 支店
- ビルド
- 建物
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- (Comma Separated Values) ボタンをクリックして、各々のジョブ実行の詳細(開始/停止時間、変数値など)のCSVファイルをダウンロードします。
- by
- カリフォルニア州
- コール
- 呼ばれます
- 缶
- 候補者
- 場合
- 例
- センター
- チェーン
- 課題
- 変化する
- 変更
- 課金
- 小切手
- 選択する
- class
- CLF
- クライアント
- クラウド
- クラスタ
- クラスタリング
- コード
- コラム
- コラム
- 組み合わせ
- 組み合わせ
- 組み合わせた
- 組み合わせ
- comes
- コメント
- コマンドと
- コンプリート
- 記入済みの
- 完了
- 複雑な
- 結論
- 結論
- プロフェッショナルな方法で
- 連続した
- 領事
- 接触
- コンタクトセンター
- 含まれています
- コントラスト
- コントロール
- 費用
- コスト
- 可能性
- 作ります
- 作成した
- 作成
- 基準
- 重大な
- 現在
- カスタム
- Customers
- データ
- データサイエンス
- データセット
- 取引
- 決めます
- 深める
- デフォルト
- 定義済みの
- 定義する
- 定義
- 定義
- 実証します
- 実証
- 決まる
- 依存関係
- によっては
- 展開します
- 展開
- 展開する
- 展開
- 派生する
- にもかかわらず
- 詳細
- 詳細な
- 細部
- 開発する
- 発展した
- 開発
- 開発
- 偏差
- DICT
- 異なります
- ディレクトリ
- 話し合います
- 議論する
- do
- そうではありません
- ドメイン
- ドント
- ダウン
- ドロー
- デュレーション
- 間に
- 動的に
- 各
- 早い
- 効率的な
- 排除
- enable
- エンドポイント
- エンジニアリング
- 確保
- 確実に
- Enterprise
- 全体
- 完全に
- 等しい
- エラー
- 評価する
- 評価
- 最終的に
- あらゆる
- 調べる
- 例
- 例
- 実行
- 存在する
- 期待する
- 予想される
- 実験
- 説明
- 調査済み
- 探検する
- false
- 家族
- 家族
- ファン
- 特徴
- 特徴
- 少数の
- フィールド
- File
- 埋め
- もう完成させ、ワークスペースに掲示しましたか?
- 発見
- 名
- フィット
- 五
- フォーカス
- フォロー中
- 次
- 森林
- フォーム
- 形式でアーカイブしたプロジェクトを保存します.
- FRAME
- から
- フロント
- フル
- function
- 機能性
- 機能
- さらに
- 生成する
- 生成された
- 生成
- 取得する
- Gitの
- GitHubの
- 与えられた
- Go
- 目標
- 行く
- グラフ
- ハンド
- ハンドル
- 持ってる
- 持って
- he
- ヘビー
- 重いもの
- 助け
- ことができます
- 彼女の
- ハイレベル
- より高い
- 最高
- 希望
- 時間
- お家の掃除
- 世帯
- 住宅
- 認定条件
- How To
- HTML
- HTTP
- HTTPS
- ハイパーパラメーターの最適化
- ハイパーパラメータ調整
- アイデンティティ
- if
- 実装する
- 実装
- import
- 輸入
- 改善します
- 改善
- in
- include
- 含めて
- 増える
- 示す
- 個人
- 個別に
- 情報
- 入力
- インサート
- 洞察
- を取得する必要がある者
- 説明書
- 統合
- 故意に
- 利益
- インタフェース
- に
- 導入
- IT
- ITS
- 自体
- ジョブ
- Jobs > Create New Job
- JPG
- ただ
- 一つだけ
- キープ
- キー
- 知識
- ラボ
- 大
- より大きい
- 後で
- 打ち上げ
- 発射
- 学習
- 左
- 長さ
- レベル
- レベル
- wifecycwe
- フェイスリフト
- ような
- 可能性が高い
- 制限する
- linuxの
- 負荷
- 局部的に
- 位置して
- 場所
- ロジック
- 論理的な
- 長い
- より長いです
- 見て
- たくさん
- 最低
- 機械
- 機械学習
- 多くの
- 五月..
- 意味する
- 手段
- マージ
- 会った
- メトリック
- かもしれない
- 分
- 行方不明
- ML
- MLOps
- モデル
- 修正する
- モニター
- モニター
- 他には?
- 最も
- の試合に
- 名
- 狭い
- ナビゲートします
- 必要
- 新作
- 新しく
- 次の
- いいえ
- なし
- ノート
- 注意
- 今
- 数
- numpy
- オブジェクト
- 客観
- オブジェクト
- of
- オフ
- オファー
- on
- かつて
- ONE
- の
- 開いた
- 業務執行統括
- 最適な
- 最適化
- 最適化
- 最適化
- or
- 注文
- OS
- その他
- その他
- でる
- 出力
- 外側
- が
- 全体
- ページ
- パンダ
- 並列シミュレーションの設定
- パラメータ
- 部
- 特定の
- 通過
- 情熱的な
- path
- 支払う
- 実行する
- パフォーマンス
- 実行
- 持続する
- ピース
- パイプライン
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- 演劇
- プラグ
- ポイント
- ポイント
- 方針
- 人口
- 可能
- ポスト
- 潜在的な
- 現実的
- 予測する
- Predictor
- 準備
- 前提条件
- プレゼント
- 防ぐ
- 前に
- 価格設定
- 主要な
- 印刷物
- 問題
- プロセス
- 作り出す
- 生産
- プログラミング
- 進捗
- プロジェクト
- プロジェクト(実績作品)
- 有望
- プロパティ
- 提供します
- は、大阪で
- 提供
- 公共
- 目的
- Python
- ランダム
- 急速な
- 達した
- 準備
- 理由
- 最近
- レシピ
- 推奨する
- 記録
- 減らします
- 軽減
- 参照する
- 参照
- に対する
- 正規表現
- 地域
- リリース
- 関連した
- 残り
- 削除します
- 繰り返す
- 倉庫
- 要求
- 必要とする
- の提出が必要です
- リソース
- それらの
- 責任
- 制限されました
- 結果
- 結果
- return
- 右
- 職種
- ラン
- ランニング
- runs
- ランタイム
- セージメーカー
- SageMaker自動モデルチューニング
- 保存されました
- 規模
- スケーリング
- 科学
- 科学者たち
- scikit-学ぶ
- スコープ
- スコア
- スクリプト
- スクリプト
- 二番
- 秒
- セクション
- セクション
- セクター
- と思われる
- 選択
- 選択
- 自己
- シニア
- 別
- 役立つ
- サーバレス
- サービス
- サービス
- セッション
- セッションに
- セット
- 設定
- 彼女
- すべき
- ショーケース
- 示す
- 作品
- 簡単な拡張で
- 単純化
- 単に
- スニペット
- So
- 溶液
- ソリューション
- 解決する
- 一部
- 専門の
- 特定の
- 仕様
- 仕様
- 指定の
- スピード
- split
- スタック
- 標準
- start
- 起動
- Status:
- 手順
- ステップ
- Force Stop
- 停止
- 停止
- ストレージ利用料
- 保存され
- 保存
- 戦略
- 構造
- 構造
- 続いて
- そのような
- サポート
- テーブル
- テーラード
- 取る
- ターゲット
- チーム
- 技術的
- テクニック
- テクノロジー
- ターミナル
- test
- テスト
- それ
- アプリ環境に合わせて
- それら
- その後
- そこ。
- したがって、
- ボーマン
- 彼ら
- この
- それらの
- 三
- しきい値
- 介して
- 時間
- 〜へ
- 一緒に
- ツール
- top
- トータル
- に向かって
- 伝統的な
- トレーニング
- トレーニング
- 変換
- トライアル
- 試験
- 試み
- トリガー
- トリガ
- トリガー
- しよう
- チューニング
- 2
- type
- 一般的に
- ui
- 下
- 理解する
- ユニーク
- まで
- 不要な
- アップロード
- 使用法
- つかいます
- 使用事例
- 中古
- 使用されます
- 検証
- 値
- 価値観
- 変数
- 変化した
- さまざまな
- バージョン
- バージョン
- 詳しく見る
- 可視化
- W
- wait
- ウォークスルー
- 欲しいです
- ました
- 仕方..
- we
- ウェブ
- Webサービス
- WELL
- した
- この試験は
- いつ
- 一方
- かどうか
- which
- なぜ
- 意志
- 以内
- 無し
- 仕事
- ワークフロー
- ワークフロー
- ワーキング
- でしょう
- 書きます
- まだ
- You
- あなたの
- あなた自身
- ゼファーネット