Amazon SageMaker ฟีเจอร์สโตร์ มอบโซลูชันแบบครบวงจรเพื่อทำให้วิศวกรรมฟีเจอร์สำหรับการเรียนรู้ของเครื่อง (ML) เป็นอัตโนมัติ สำหรับกรณีการใช้งาน ML หลายๆ กรณี ข้อมูลดิบ เช่น ไฟล์บันทึก การอ่านเซ็นเซอร์ หรือบันทึกธุรกรรม จำเป็นต้องแปลงเป็นคุณสมบัติที่มีความหมายซึ่งได้รับการปรับให้เหมาะสมสำหรับการฝึกโมเดล
คุณภาพของฟีเจอร์เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าโมเดล ML มีความแม่นยำสูง การแปลงข้อมูลดิบเป็นคุณลักษณะโดยใช้การรวม การเข้ารหัส การทำให้เป็นมาตรฐาน และการดำเนินการอื่นๆ มักจำเป็นและอาจต้องใช้ความพยายามอย่างมาก วิศวกรจะต้องเขียนตรรกะการประมวลผลล่วงหน้าและการรวมข้อมูลแบบกำหนดเองใน Python หรือ Spark สำหรับแต่ละกรณีการใช้งาน
การยกของหนักที่ไม่แตกต่างนี้ยุ่งยาก ทำซ้ำ และเกิดข้อผิดพลาดได้ง่าย ที่ โปรเซสเซอร์ฟีเจอร์ร้านค้าฟีเจอร์ SageMaker ช่วยลดภาระนี้โดยการแปลงข้อมูลดิบเป็นคุณสมบัติรวมที่เหมาะสำหรับโมเดล ML การฝึกแบบกลุ่มโดยอัตโนมัติ ช่วยให้วิศวกรมีฟังก์ชันการแปลงข้อมูลที่เรียบง่าย จากนั้นจัดการเรียกใช้งานเหล่านั้นในวงกว้างบน Spark และจัดการโครงสร้างพื้นฐานพื้นฐาน สิ่งนี้ช่วยให้นักวิทยาศาสตร์ข้อมูลและวิศวกรข้อมูลมุ่งเน้นไปที่ตรรกะทางวิศวกรรมฟีเจอร์มากกว่ารายละเอียดการใช้งาน
ในโพสต์นี้ เราจะสาธิตวิธีที่บริษัทขายรถยนต์สามารถใช้ฟีเจอร์โปรเซสเซอร์เพื่อแปลงข้อมูลธุรกรรมการขายดิบให้เป็นฟีเจอร์ในสามขั้นตอน:
- การดำเนินการแปลงข้อมูลภายในเครื่อง
- การทำงานระยะไกลในวงกว้างโดยใช้ Spark
- การดำเนินงานผ่านท่อ
เราแสดงให้เห็นว่า SageMaker Feature Store นำเข้าข้อมูลดิบ ดำเนินการแปลงคุณสมบัติจากระยะไกลโดยใช้ Spark และโหลดคุณสมบัติที่รวบรวมไว้ลงใน คุณสมบัติกลุ่ม. คุณสมบัติทางวิศวกรรมเหล่านี้สามารถใช้เพื่อฝึกโมเดล ML ได้
สำหรับกรณีการใช้งานนี้ เราจะได้เห็นว่า SageMaker Feature Store ช่วยแปลงข้อมูลยอดขายรถยนต์ดิบให้เป็นคุณสมบัติที่มีโครงสร้างได้อย่างไร คุณสมบัติเหล่านี้จะถูกนำมาใช้เพื่อรับข้อมูลเชิงลึกในภายหลังเช่น:
- ราคาเฉลี่ยและสูงสุดของรถเปิดประทุนสีแดงตั้งแต่ปี 2010
- รุ่นที่มีระยะทางดีที่สุดเทียบกับราคา
- แนวโน้มการขายรถยนต์ใหม่และรถยนต์มือสองในช่วงหลายปีที่ผ่านมา
- ความแตกต่างของ MSRP โดยเฉลี่ยในแต่ละสถานที่
นอกจากนี้เรายังได้เห็นว่าไปป์ไลน์ของ SageMaker Feature Store คอยอัปเดตฟีเจอร์เมื่อมีข้อมูลใหม่เข้ามาอย่างไร ซึ่งช่วยให้บริษัทได้รับข้อมูลเชิงลึกอย่างต่อเนื่องเมื่อเวลาผ่านไป
ภาพรวมโซลูชัน
เราทำงานกับชุดข้อมูล car_data.csv
ซึ่งมีรายละเอียดทางเทคนิค เช่น รุ่น ปี สถานะ ระยะทาง ราคา และ MSRP สำหรับรถยนต์มือสองและใหม่ที่บริษัทจำหน่าย ภาพหน้าจอต่อไปนี้แสดงตัวอย่างของชุดข้อมูล
โซลูชั่นโน้ตบุ๊ก feature_processor.ipynb
มีขั้นตอนหลักๆ ต่อไปนี้ ซึ่งเราจะอธิบายไว้ในโพสต์นี้:
- สร้างกลุ่มคุณลักษณะสองกลุ่ม: กลุ่มหนึ่งเรียกว่า
car-data
สำหรับบันทึกการขายรถดิบและอีกอย่างหนึ่งเรียกว่าcar-data-aggregated
เพื่อบันทึกยอดขายรถยนต์รวม - ใช้
@feature_processor
มัณฑนากรเพื่อโหลดข้อมูลลงในกลุ่มคุณลักษณะข้อมูลรถยนต์ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3). - เรียกใช้
@feature_processor code
จากระยะไกลเป็นแอปพลิเคชัน Spark เพื่อรวบรวมข้อมูล - ใช้งานโปรเซสเซอร์ฟีเจอร์ผ่าน ไปป์ไลน์ SageMaker และกำหนดการวิ่ง
- สำรวจไปป์ไลน์การประมวลผลฟีเจอร์และ เชื้อสาย in สตูดิโอ Amazon SageMaker.
- ใช้คุณสมบัติแบบรวมเพื่อฝึกโมเดล ML
เบื้องต้น
หากต้องการติดตามบทช่วยสอนนี้ คุณต้องมีสิ่งต่อไปนี้:
สำหรับโพสต์นี้ เราจะอ้างอิงถึงสิ่งต่อไปนี้ สมุดบันทึกซึ่งสาธิตวิธีเริ่มต้นใช้งานฟีเจอร์โปรเซสเซอร์โดยใช้ SageMaker Python SDK
สร้างกลุ่มคุณลักษณะ
เมื่อต้องการสร้างกลุ่มคุณลักษณะ ให้ทำตามขั้นตอนต่อไปนี้:
- สร้างคำจำกัดความกลุ่มคุณลักษณะสำหรับ
car-data
ดังต่อไปนี้:
คุณสมบัติสอดคล้องกับแต่ละคอลัมน์ใน car_data.csv
ชุดข้อมูล (Model
, Year
, Status
, Mileage
, Price
และ MSRP
).
- เพิ่มตัวระบุบันทึก
id
และเวลาจัดงานingest_time
ไปยังกลุ่มฟีเจอร์:
- สร้างคำจำกัดความกลุ่มคุณลักษณะสำหรับ
car-data-aggregated
ดังต่อไปนี้:
สำหรับกลุ่มคุณลักษณะแบบรวม คุณลักษณะต่างๆ ได้แก่ สถานะปีของรุ่น ระยะทางเฉลี่ย ระยะทางสูงสุด ราคาเฉลี่ย ราคาสูงสุด MSRP เฉลี่ย MSRP สูงสุด และเวลานำเข้า เราเพิ่มตัวระบุบันทึก model_year_status
และเวลาจัดงาน ingest_time
ไปยังกลุ่มคุณลักษณะนี้
- ตอนนี้สร้าง
car-data
กลุ่มคุณสมบัติ:
- สร้าง
car-data-aggregated
กลุ่มคุณสมบัติ:
คุณสามารถนำทางไปยังตัวเลือก SageMaker Feature Store ด้านล่าง ข้อมูล บน SageMaker Studio หน้าแรก เมนูเพื่อดูกลุ่มคุณสมบัติ
ใช้ตัวตกแต่ง @feature_processor เพื่อโหลดข้อมูล
ในส่วนนี้ เราจะแปลงข้อมูลอินพุตดิบภายในเครื่อง (car_data.csv
) จาก Amazon S3 เข้าสู่ car-data
กลุ่มคุณลักษณะโดยใช้ตัวประมวลผลคุณลักษณะของร้านค้าคุณลักษณะ การรันในเครื่องครั้งแรกนี้ช่วยให้เราสามารถพัฒนาและวนซ้ำก่อนที่จะรันจากระยะไกล และสามารถทำได้กับตัวอย่างข้อมูลหากต้องการเพื่อการวนซ้ำที่เร็วขึ้น
กับ @feature_processor
มัณฑนากร ฟังก์ชันการแปลงของคุณทำงานในสภาพแวดล้อมรันไทม์ของ Spark โดยที่อาร์กิวเมนต์อินพุตที่ระบุให้กับฟังก์ชันของคุณและค่าที่ส่งคืนคือ Spark DataFrames
- ติดตั้ง SDK โปรเซสเซอร์คุณลักษณะ จาก SageMaker Python SDK และความพิเศษของมันโดยใช้คำสั่งต่อไปนี้:
จำนวนพารามิเตอร์อินพุตในฟังก์ชันการแปลงของคุณต้องตรงกับจำนวนอินพุตที่กำหนดค่าไว้ใน @feature_processor
มัณฑนากร ในกรณีนี้ @feature_processor
มัณฑนากรก็มี car-data.csv
เป็นอินพุตและ car-data
กลุ่มคุณลักษณะเป็นเอาต์พุต ซึ่งระบุว่านี่คือการดำเนินการแบบแบตช์ด้วย target_store
as OfflineStore
:
- กำหนด
transform()
ฟังก์ชั่นการแปลงข้อมูล ฟังก์ชันนี้ดำเนินการต่อไปนี้:- แปลงชื่อคอลัมน์เป็นตัวพิมพ์เล็ก
- เพิ่มเวลากิจกรรมลงใน
ingest_time
คอลัมน์. - ลบเครื่องหมายวรรคตอนและแทนที่ค่าที่หายไปด้วย NA
- โทร
transform()
ฟังก์ชั่นในการเก็บข้อมูลในcar-data
กลุ่มคุณสมบัติ:
ผลลัพธ์แสดงให้เห็นว่าข้อมูลได้รับการนำเข้าในกลุ่มคุณลักษณะข้อมูลรถยนต์เรียบร้อยแล้ว
ผลลัพธ์ของไฟล์ transform_df.show()
ฟังก์ชั่นมีดังนี้:
เราได้แปลงข้อมูลอินพุตสำเร็จแล้วและนำเข้าข้อมูลดังกล่าวใน car-data
กลุ่มคุณลักษณะ
เรียกใช้โค้ด @feature_processor จากระยะไกล
ในส่วนนี้ เราจะสาธิตการรันโค้ดประมวลผลฟีเจอร์จากระยะไกลเป็นแอปพลิเคชัน Spark โดยใช้ @remote
มัณฑนากรที่อธิบายไว้ก่อนหน้านี้ เราเรียกใช้การประมวลผลฟีเจอร์จากระยะไกลโดยใช้ Spark เพื่อปรับขนาดเป็นชุดข้อมูลขนาดใหญ่ Spark มีการประมวลผลแบบกระจายบนคลัสเตอร์เพื่อจัดการข้อมูลที่มีขนาดใหญ่เกินไปสำหรับเครื่องเดียว ที่ @remote
มัณฑนากรรันโค้ด Python ในเครื่องเป็นงานฝึกอบรม SageMaker โหนดเดียวหรือหลายโหนด
- ใช้
@remote
มัณฑนากรพร้อมด้วย@feature_processor
ช่างตกแต่ง ดังนี้
พื้นที่ spark_config
พารามิเตอร์บ่งชี้ว่าสิ่งนี้ทำงานเป็น a Spark application
. อินสแตนซ์ SparkConfig จะกำหนดค่าการกำหนดค่า Spark และการขึ้นต่อกัน
- กำหนด
aggregate()
ฟังก์ชันเพื่อรวบรวมข้อมูลโดยใช้ PySpark SQL และฟังก์ชันที่ผู้ใช้กำหนด (UDF) ฟังก์ชันนี้ดำเนินการต่อไปนี้:- เชื่อมต่อกัน
model
,year
และstatus
เพื่อสร้างmodel_year_status
. - เอาค่าเฉลี่ยของ
price
เพื่อสร้างavg_price
. - เอาค่าสูงสุดของ
price
เพื่อสร้างmax_price
. - เอาค่าเฉลี่ยของ
mileage
เพื่อสร้างavg_mileage
. - เอาค่าสูงสุดของ
mileage
เพื่อสร้างmax_mileage
. - เอาค่าเฉลี่ยของ
msrp
เพื่อสร้างavg_msrp
. - เอาค่าสูงสุดของ
msrp
เพื่อสร้างmax_msrp
. - จัดกลุ่มตาม
model_year_status
.
- เชื่อมต่อกัน
- เรียกใช้
aggregate()
ซึ่งสร้างงานฝึกอบรม SageMaker เพื่อรันแอปพลิเคชัน Spark:
ด้วยเหตุนี้ SageMaker จึงสร้างงานการฝึกอบรมให้กับแอปพลิเคชัน Spark ที่กำหนดไว้ก่อนหน้านี้ มันจะสร้างสภาพแวดล้อมรันไทม์ Spark โดยใช้ sagemaker-spark-processing image
.
เราใช้งาน SageMaker Training ที่นี่เพื่อรันแอปพลิเคชันประมวลผลฟีเจอร์ Spark ของเรา ด้วย SageMaker Training คุณสามารถลดเวลาเริ่มต้นให้เหลือ 1 นาทีหรือน้อยกว่าได้โดยใช้การรวมกลุ่มแบบอุ่น ซึ่งไม่มีในการประมวลผลของ SageMaker สิ่งนี้ทำให้ SageMaker Training ได้รับการปรับให้เหมาะสมยิ่งขึ้นสำหรับงานแบตช์สั้นๆ เช่น การประมวลผลฟีเจอร์ที่เวลาเริ่มต้นเป็นสิ่งสำคัญ
- หากต้องการดูรายละเอียด บนคอนโซล SageMaker ให้เลือก งานฝึกอบรม ภายใต้ การฝึกอบรม ในบานหน้าต่างนำทาง จากนั้นเลือกงานที่มีชื่อ
aggregate-<timestamp>
.
ผลลัพธ์ของไฟล์ รวม () ฟังก์ชั่นสร้างรหัสโทรมาตร ภายในผลลัพธ์ คุณจะเห็นข้อมูลที่รวบรวมดังนี้:
เมื่องานการฝึกเสร็จสมบูรณ์ คุณควรเห็นผลลัพธ์ต่อไปนี้:
ใช้งานตัวประมวลผลฟีเจอร์ผ่านไปป์ไลน์ SageMaker
ในส่วนนี้ เราจะสาธิตวิธีดำเนินการตัวประมวลผลฟีเจอร์โดยการโปรโมตไปยังไปป์ไลน์ SageMaker และดำเนินการกำหนดเวลา
- ก่อนอื่นให้อัพโหลดไฟล์ Transformation_code.py ไฟล์ที่มีตรรกะการประมวลผลคุณสมบัติสำหรับ Amazon S3:
- ถัดไป สร้างไปป์ไลน์ตัวประมวลผลคุณลักษณะ car_data_ไปป์ไลน์ โดยใช้โปรแกรม .to_ไปป์ไลน์() ฟังก์ชั่น:
- หากต้องการรันไปป์ไลน์ ให้ใช้รหัสต่อไปนี้:
- ในทำนองเดียวกัน คุณสามารถสร้างไปป์ไลน์สำหรับคุณลักษณะรวมที่เรียกว่าได้
car_data_aggregated_pipeline
และเริ่มต้นการวิ่ง - กำหนดเวลา
car_data_aggregated_pipeline
ให้ทำงานทุกๆ 24 ชั่วโมง:
ในส่วนผลลัพธ์ คุณจะเห็น ARN ของไปป์ไลน์และบทบาทการดำเนินการไปป์ไลน์ และรายละเอียดกำหนดการ:
- หากต้องการรับไปป์ไลน์ตัวประมวลผลคุณลักษณะทั้งหมดในบัญชีนี้ ให้ใช้
list_pipelines()
ฟังก์ชั่นบนตัวประมวลผลคุณสมบัติ:
ผลลัพธ์จะเป็นดังนี้:
เราได้สร้างไปป์ไลน์ตัวประมวลผลฟีเจอร์ SageMaker สำเร็จแล้ว
สำรวจไปป์ไลน์การประมวลผลฟีเจอร์และสายเลือด ML
ใน SageMaker Studio ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล SageMaker Studio บน หน้าแรก เมนูให้เลือก ท่อ.
คุณควรเห็นไปป์ไลน์สองอันที่สร้างขึ้น: car-data-ingestion-pipeline
และ car-data-aggregated-ingestion-pipeline
.
- เลือก
car-data-ingestion-pipeline
.
จะแสดงรายละเอียดการวิ่งบน การประหารชีวิต แถบ
- หากต้องการดูกลุ่มคุณลักษณะที่เติมโดยไปป์ไลน์ ให้เลือก ฟีเจอร์สโตร์ ภายใต้ ข้อมูล และเลือก
car-data
.
คุณจะเห็นกลุ่มคุณลักษณะสองกลุ่มที่เราสร้างขึ้นในขั้นตอนก่อนหน้านี้
- เลือก
car-data
กลุ่มคุณลักษณะ
คุณจะเห็นรายละเอียดคุณสมบัติต่างๆ บน คุณสมบัติ แถบ
ดูไปป์ไลน์ทำงาน
หากต้องการดูการรันไปป์ไลน์ ให้ทำตามขั้นตอนต่อไปนี้:
- เกี่ยวกับ การดำเนินการไปป์ไลน์แท็บ ให้เลือก
car-data-ingestion-pipeline
.
นี่จะแสดงการวิ่งทั้งหมด
- เลือกลิงค์ใดลิงค์หนึ่งเพื่อดูรายละเอียดการวิ่ง
- หากต้องการดูเชื้อสาย ให้เลือก Lineage
เชื้อสายเต็มสำหรับ car-data
แสดงแหล่งข้อมูลอินพุต car_data.csv
และหน่วยงานต้นน้ำ เชื้อสายสำหรับ car-data-aggregated
แสดงให้เห็นอินพุต car-data
กลุ่มคุณลักษณะ
- Choose โหลดคุณสมบัติ แล้วเลือก สอบถามเชื้อสายต้นน้ำ on
car-data
และcar-data-ingestion-pipeline
เพื่อดูเอนทิตีต้นน้ำทั้งหมด
เชื้อสายเต็มสำหรับ car-data
กลุ่มคุณลักษณะควรมีลักษณะเหมือนภาพหน้าจอต่อไปนี้
ในทำนองเดียวกันเชื้อสายของ car-aggregated-data
กลุ่มคุณลักษณะควรมีลักษณะเหมือนภาพหน้าจอต่อไปนี้
SageMaker Studio จัดให้มีสภาพแวดล้อมเดียวในการติดตามไปป์ไลน์ตามกำหนดเวลา ดูการทำงาน สำรวจลำดับวงศ์ตระกูล และดูโค้ดการประมวลผลฟีเจอร์
คุณสมบัติรวม เช่น ราคาเฉลี่ย ราคาสูงสุด ระยะทางเฉลี่ย และอื่นๆ อีกมากมายใน car-data-aggregated
กลุ่มคุณลักษณะให้ข้อมูลเชิงลึกเกี่ยวกับธรรมชาติของข้อมูล คุณยังสามารถใช้คุณสมบัติเหล่านี้เป็นชุดข้อมูลเพื่อฝึกแบบจำลองเพื่อคาดการณ์ราคารถยนต์หรือสำหรับการดำเนินการอื่นๆ อย่างไรก็ตาม การฝึกโมเดลอยู่นอกขอบเขตสำหรับโพสต์นี้ ซึ่งมุ่งเน้นไปที่การสาธิตความสามารถของ SageMaker Feature Store สำหรับวิศวกรรมฟีเจอร์
ทำความสะอาด
อย่าลืมล้างทรัพยากรที่สร้างขึ้นเป็นส่วนหนึ่งของโพสต์นี้เพื่อหลีกเลี่ยงการเรียกเก็บเงินต่อเนื่อง
- ปิดการใช้งานไปป์ไลน์ที่กำหนดเวลาไว้ผ่านทาง
fp.schedule()
วิธีการที่มีพารามิเตอร์สถานะเป็นDisabled
:
- ลบทั้งสองกลุ่มคุณลักษณะ:
ข้อมูลที่อยู่ในบัคเก็ต S3 และที่เก็บฟีเจอร์ออฟไลน์อาจมีค่าใช้จ่าย ดังนั้นคุณควรลบออกเพื่อหลีกเลี่ยงค่าใช้จ่ายใดๆ
- ลบวัตถุ S3.
- ลบบันทึก จากร้านค้าฟีเจอร์
สรุป
ในโพสต์นี้ เราได้สาธิตวิธีที่บริษัทขายรถยนต์ใช้ตัวประมวลผลฟีเจอร์ร้านค้า SageMaker Feature Store เพื่อรับข้อมูลเชิงลึกอันมีค่าจากข้อมูลการขายดิบของตนโดย:
- การนำเข้าและการแปลงข้อมูลแบทช์ตามขนาดโดยใช้ Spark
- การดำเนินการเวิร์กโฟลว์วิศวกรรมฟีเจอร์ผ่านไปป์ไลน์ SageMaker
- ให้การติดตามเชื้อสายและสภาพแวดล้อมเดียวเพื่อตรวจสอบไปป์ไลน์และสำรวจคุณสมบัติต่างๆ
- การเตรียมคุณสมบัติรวมที่ปรับให้เหมาะสมสำหรับการฝึกโมเดล ML
ด้วยการทำตามขั้นตอนเหล่านี้ บริษัทจึงสามารถแปลงข้อมูลที่ไม่ได้ใช้ก่อนหน้านี้ให้เป็นคุณสมบัติที่มีโครงสร้างซึ่งสามารถนำมาใช้ในการฝึกแบบจำลองเพื่อคาดการณ์ราคารถยนต์ได้ SageMaker Feature Store ช่วยให้พวกเขาสามารถมุ่งเน้นไปที่วิศวกรรมฟีเจอร์มากกว่าโครงสร้างพื้นฐานพื้นฐาน
เราหวังว่าโพสต์นี้จะช่วยให้คุณปลดล็อกข้อมูลเชิงลึกอันมีค่าของ ML จากข้อมูลของคุณเองโดยใช้ตัวประมวลผลฟีเจอร์ของ SageMaker Feature Store!
สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การประมวลผลคุณลักษณะ และตัวอย่าง SageMaker Amazon SageMaker Feature Store: บทนำตัวประมวลผลคุณสมบัติ.
เกี่ยวกับผู้เขียน
ดาวาล ชาห์ เป็นสถาปนิกโซลูชันอาวุโสที่ AWS ซึ่งเชี่ยวชาญด้านการเรียนรู้ของเครื่อง ด้วยการมุ่งเน้นที่ธุรกิจดิจิทัลแบบเนทีฟ เขาช่วยให้ลูกค้าใช้ประโยชน์จาก AWS และขับเคลื่อนการเติบโตทางธุรกิจของพวกเขาได้ ในฐานะผู้ชื่นชอบ ML Dhaval ได้รับแรงผลักดันจากความหลงใหลในการสร้างโซลูชันที่มีประสิทธิภาพซึ่งนำมาซึ่งการเปลี่ยนแปลงเชิงบวก ในเวลาว่าง เขาหลงใหลในการท่องเที่ยวและหวงแหนช่วงเวลาอันมีค่าร่วมกับครอบครัว
นินัด โจชิ เป็นสถาปนิกโซลูชันอาวุโสที่ AWS ซึ่งช่วยเหลือลูกค้า AWS ทั่วโลกออกแบบโซลูชันที่ปลอดภัย ปรับขนาดได้ และคุ้มค่าในระบบคลาวด์ เพื่อแก้ปัญหาความท้าทายทางธุรกิจที่ซับซ้อนในโลกแห่งความเป็นจริง งานของเขาใน Machine Learning (ML) ครอบคลุมกรณีการใช้งาน AI/ML ที่หลากหลาย โดยเน้นที่ ML ตั้งแต่ต้นทางถึงปลายทาง การประมวลผลภาษาธรรมชาติ และการมองเห็นคอมพิวเตอร์ ก่อนที่จะมาร่วมงานกับ AWS Ninad ทำงานเป็นนักพัฒนาซอฟต์แวร์มามากกว่า 12 ปี นอกเหนือจากความพยายามในอาชีพของเขา Ninad ยังสนุกกับการเล่นหมากรุกและสำรวจกลเม็ดต่างๆ
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/unlock-ml-insights-using-the-amazon-sagemaker-feature-store-feature-processor/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 100
- 11
- 116
- 12
- 13
- 14
- 15%
- 16
- 20
- 24
- 26%
- 40
- 7
- 8
- 9
- a
- สามารถ
- ลงชื่อเข้าใช้
- ถูกต้อง
- ข้าม
- การปฏิบัติ
- เพิ่ม
- สรุป
- การรวมตัว
- AI / ML
- ทั้งหมด
- ช่วยให้
- ตาม
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- an
- และ
- อื่น
- ใด
- การใช้งาน
- เป็น
- ข้อโต้แย้ง
- AS
- At
- โดยอัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- เฉลี่ย
- หลีกเลี่ยง
- AWS
- ขั้นพื้นฐาน
- BE
- ก่อน
- ที่ดีที่สุด
- ดีกว่า
- ใหญ่
- ทั้งสอง
- นำมาซึ่ง
- ภาระ
- ธุรกิจ
- ธุรกิจ
- by
- ที่เรียกว่า
- CAN
- ความสามารถในการ
- รถ
- รถยนต์
- กรณี
- กรณี
- ความท้าทาย
- เปลี่ยนแปลง
- โหลด
- หมากรุก
- Choose
- เมฆ
- รหัส
- คอลัมน์
- คอลัมน์
- มา
- บริษัท
- สมบูรณ์
- ซับซ้อน
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- องค์ประกอบ
- การกำหนดค่า
- ปลอบใจ
- มี
- เรื่อย
- แปลง
- ราคา
- ค่าใช้จ่าย
- ได้
- ครอบคลุม
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- การสร้าง
- วิกฤติ
- ยุ่งยาก
- ประเพณี
- ลูกค้า
- ข้อมูล
- ชุดข้อมูล
- กำหนด
- คำนิยาม
- สาธิต
- แสดงให้เห็นถึง
- แสดงให้เห็นถึง
- แสดงให้เห็นถึง
- การอ้างอิง
- อธิบาย
- ลักษณะ
- ออกแบบ
- ที่ต้องการ
- รายละเอียด
- พัฒนา
- ผู้พัฒนา
- ต่าง
- ดิจิตอล
- พิการ
- แสดง
- กระจาย
- ทำ
- ขับรถ
- ขับเคลื่อน
- แต่ละ
- ก่อน
- มีประสิทธิภาพ
- ความพยายาม
- ให้อำนาจ
- เปิดการใช้งาน
- ช่วยให้
- การเปิดใช้งาน
- จบสิ้น
- ความพยายาม
- ชั้นเยี่ยม
- วิศวกร
- ทำให้มั่นใจ
- คนที่กระตือรือร้น
- หน่วยงาน
- สิ่งแวดล้อม
- เหตุการณ์
- ทุกๆ
- ตัวอย่าง
- ดำเนินการ
- การปฏิบัติ
- ออกจาก
- อธิบาย
- สำรวจ
- สำรวจ
- ครอบครัว
- เร็วขึ้น
- ลักษณะ
- คุณสมบัติ
- เนื้อไม่มีมัน
- ไฟล์
- โฟกัส
- มุ่งเน้นไปที่
- ปฏิบัติตาม
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- เป็นเศษส่วน
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชัน
- ฟังก์ชั่น
- ได้รับ
- สร้าง
- ได้รับ
- เหตุการณ์ที่
- บัญชีกลุ่ม
- กลุ่ม
- การเจริญเติบโต
- จัดการ
- จัดการ
- มี
- he
- ส่วนหัว
- หนัก
- ยกของหนัก
- การช่วยเหลือ
- จะช่วยให้
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ไฮไลต์
- อย่างสูง
- ของเขา
- หน้าแรก
- ความหวัง
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- ID
- ระบุ
- if
- ภาพ
- มีประสิทธิภาพ
- การดำเนินงาน
- นำเข้า
- สำคัญ
- in
- รวมทั้ง
- บ่งชี้ว่า
- ข้อมูล
- ข้อมูล
- โครงสร้างพื้นฐาน
- แรกเริ่ม
- อินพุต
- ปัจจัยการผลิต
- ภายใน
- ความเข้าใจ
- ข้อมูลเชิงลึก
- ติดตั้ง
- ตัวอย่าง
- เข้าไป
- IT
- การย้ำ
- ITS
- การสัมภาษณ์
- งาน
- การร่วม
- jpg
- เก็บ
- ภาษา
- ใหญ่
- การเรียนรู้
- น้อยลง
- ช่วยให้
- เลฟเวอเรจ
- facelift
- กดไลก์
- เชื้อสาย
- การเชื่อมโยง
- รายการ
- โหลด
- โหลด
- ในประเทศ
- ในท้องถิ่น
- เข้าสู่ระบบ
- ตรรกะ
- ดู
- ดูเหมือน
- ความรัก
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- ทำให้
- การจัดการ
- ด้วยมือ
- หลาย
- การจับคู่
- แม็กซ์
- สูงสุด
- เอ็มดีเอ็กซ์
- มีความหมาย
- เมนู
- วิธี
- นาที
- หายไป
- ML
- แบบ
- โมเดล
- Moments
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- ต้อง
- ชื่อ
- ชื่อ
- พื้นเมือง
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- ธรรมชาติ
- นำทาง
- การเดินเรือ
- จำเป็นต้อง
- จำเป็น
- ใหม่
- ปม
- สมุดบันทึก
- จำนวน
- of
- ออฟไลน์
- มักจะ
- on
- ONE
- ต่อเนื่อง
- เพียง
- การดำเนินการ
- การดำเนินการ
- การปรับให้เหมาะสม
- ตัวเลือกเสริม (Option)
- or
- อื่นๆ
- ของเรา
- ออก
- เอาท์พุต
- ด้านนอก
- เกิน
- ของตนเอง
- บานหน้าต่าง
- พารามิเตอร์
- พารามิเตอร์
- ส่วนหนึ่ง
- กิเลส
- ดำเนินการ
- ดำเนินการ
- ท่อ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- ประชากร
- บวก
- โพสต์
- pr
- คาดการณ์
- ก่อน
- ก่อนหน้านี้
- ราคา
- ราคา
- ประถม
- ก่อน
- การประมวลผล
- หน่วยประมวลผล
- มืออาชีพ
- การส่งเสริม
- ให้
- ให้
- ให้
- หลาม
- คุณภาพ
- พิสัย
- ค่อนข้าง
- ดิบ
- โลกแห่งความจริง
- ระเบียน
- บันทึก
- สีแดง
- ลด
- ลด
- อ้างอิง
- เอาออก
- ซ้ำ
- แทนที่
- ต้องการ
- แหล่งข้อมูล
- ผล
- ส่งผลให้
- กลับ
- บทบาท
- วิ่ง
- วิ่ง
- ทำงาน
- s
- sagemaker
- การขาย
- ขาย
- ที่ปรับขนาดได้
- ขนาด
- กำหนด
- ที่กำหนดไว้
- การกำหนด
- นักวิทยาศาสตร์
- ขอบเขต
- SDK
- เอสดีเอ็น
- วินาที
- Section
- ปลอดภัย
- เห็น
- ระดับอาวุโส
- บริการ
- สั้น
- น่า
- โชว์
- แสดงให้เห็นว่า
- สำคัญ
- ง่าย
- เดียว
- สภาพแวดล้อมเดียว
- So
- ซอฟต์แวร์
- ขาย
- ทางออก
- โซลูชัน
- แก้
- แหล่ง
- จุดประกาย
- ความเชี่ยวชาญ
- ข้อกำหนด
- ที่ระบุไว้
- กีฬา
- เริ่มต้น
- ข้อความที่เริ่ม
- การเริ่มต้น
- สถานะ
- Status
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- เก็บข้อมูล
- เชือก
- แข็งแรง
- โครงสร้าง
- สตูดิโอ
- ส่ง
- ต่อจากนั้น
- ที่ประสบความสำเร็จ
- ประสบความสำเร็จ
- อย่างเช่น
- เหมาะสม
- ตาราง
- กว่า
- ที่
- พื้นที่
- รัฐ
- ของพวกเขา
- พวกเขา
- แล้วก็
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- นี้
- สาม
- เวลา
- ครั้ง
- ไปยัง
- เกินไป
- ด้านบน
- ลู่
- การติดตาม
- รถไฟ
- การฝึกอบรม
- การทำธุกรรม
- แปลง
- การแปลง
- การแปลง
- เปลี่ยน
- การเปลี่ยนแปลง
- การเดินทาง
- แนวโน้ม
- เกี่ยวกับการสอน
- สอง
- ชนิด
- ชนิด
- ui
- ภายใต้
- พื้นฐาน
- ปลดล็อก
- ให้กับคุณ
- us
- ใช้
- ใช้กรณี
- มือสอง
- การใช้
- มีคุณค่า
- ความคุ้มค่า
- ความคุ้มค่า
- ต่างๆ
- ยานพาหนะ
- ผ่านทาง
- รายละเอียด
- วิสัยทัศน์
- vs
- ผู้สมัครที่รู้จักเรา
- คือ
- we
- เว็บ
- บริการเว็บ
- ที่
- กว้าง
- ช่วงกว้าง
- จะ
- กับ
- งาน
- ทำงาน
- ขั้นตอนการทำงาน
- เขียน
- ปี
- ปี
- คุณ
- ของคุณ
- ลมทะเล