Amazon SageMaker ข้อมูล Wrangler เป็นอินเทอร์เฟซแบบภาพเดียวที่ช่วยลดเวลาที่ต้องใช้ในการเตรียมข้อมูลและดำเนินการด้านวิศวกรรมฟีเจอร์จากหลายสัปดาห์เหลือเพียงไม่กี่นาที ด้วยความสามารถในการเลือกและล้างข้อมูล สร้างฟีเจอร์ และทำให้การเตรียมข้อมูลอัตโนมัติในเวิร์กโฟลว์แมชชีนเลิร์นนิง (ML) โดยไม่ต้องเขียนโค้ดใดๆ
รองรับ SageMaker Data Wrangler เกล็ดหิมะแหล่งข้อมูลยอดนิยมสำหรับผู้ใช้ที่ต้องการดำเนินการ ML เราเปิดตัวการเชื่อมต่อโดยตรงจาก Snowflake จาก SageMaker Data Wrangler เพื่อปรับปรุงประสบการณ์ของลูกค้า ก่อนเปิดตัวฟีเจอร์นี้ ผู้ดูแลระบบต้องตั้งค่าการรวมพื้นที่เก็บข้อมูลเริ่มต้นเพื่อเชื่อมต่อกับ Snowflake เพื่อสร้างฟีเจอร์สำหรับ ML ใน Data Wrangler ซึ่งรวมถึงการจัดเตรียม บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ที่ฝากข้อมูล AWS Identity และการจัดการการเข้าถึง (IAM) สิทธิ์การเข้าถึง การรวมพื้นที่เก็บข้อมูล Snowflake สำหรับผู้ใช้แต่ละราย และกลไกต่อเนื่องในการจัดการหรือล้างสำเนาข้อมูลใน Amazon S3 กระบวนการนี้ไม่สามารถปรับขนาดได้สำหรับลูกค้าที่มีการควบคุมการเข้าถึงข้อมูลที่เข้มงวดและมีผู้ใช้จำนวนมาก
ในโพสต์นี้ เราแสดงให้เห็นว่าการเชื่อมต่อโดยตรงของ Snowflake ใน SageMaker Data Wrangler ทำให้ประสบการณ์ของผู้ดูแลระบบและการเดินทาง ML ของนักวิทยาศาสตร์ข้อมูลจากข้อมูลไปสู่ข้อมูลเชิงลึกทางธุรกิจง่ายขึ้นได้อย่างไร
ภาพรวมโซลูชัน
ในโซลูชันนี้ เราใช้ SageMaker Data Wrangler เพื่อเพิ่มความเร็วในการเตรียมข้อมูลสำหรับ ML และ ระบบนำร่องอัตโนมัติของ Amazon SageMaker เพื่อสร้าง ฝึก และปรับแต่งโมเดล ML โดยอัตโนมัติตามข้อมูลของคุณ บริการทั้งสองได้รับการออกแบบมาโดยเฉพาะเพื่อเพิ่มประสิทธิภาพการทำงานและลดระยะเวลาในการสร้างมูลค่าให้กับผู้ปฏิบัติงานด้าน ML นอกจากนี้ เรายังสาธิตการเข้าถึงข้อมูลที่ง่ายขึ้นจาก SageMaker Data Wrangler ไปยัง Snowflake ด้วยการเชื่อมต่อโดยตรงกับแบบสอบถามและสร้างคุณสมบัติสำหรับ ML
โปรดดูแผนภาพด้านล่างสำหรับภาพรวมของกระบวนการ ML แบบโค้ดต่ำด้วย Snowflake, SageMaker Data Wrangler และ SageMaker Autopilot
เวิร์กโฟลว์ประกอบด้วยขั้นตอนต่อไปนี้:
- ไปที่ SageMaker Data Wrangler เพื่อเตรียมข้อมูลและงานด้านวิศวกรรมคุณลักษณะ
- ตั้งค่าการเชื่อมต่อ Snowflake กับ SageMaker Data Wrangler
- สำรวจตาราง Snowflake ของคุณใน SageMaker Data Wrangler สร้างชุดข้อมูล ML และดำเนินการวิศวกรรมคุณลักษณะ
- ฝึกฝนและทดสอบโมเดลโดยใช้ SageMaker Data Wrangler และ SageMaker Autopilot
- โหลดโมเดลที่ดีที่สุดไปยังจุดสิ้นสุดการอนุมานตามเวลาจริงเพื่อการคาดคะเน
- ใช้โน้ตบุ๊ก Python เพื่อเรียกใช้จุดสิ้นสุดการอนุมานตามเวลาจริงที่เปิดใช้งาน
เบื้องต้น
สำหรับโพสต์นี้ ผู้ดูแลระบบจำเป็นต้องมีข้อกำหนดเบื้องต้นดังต่อไปนี้:
นักวิทยาศาสตร์ข้อมูลควรมีข้อกำหนดเบื้องต้นดังต่อไปนี้
สุดท้าย คุณควรเตรียมข้อมูลของคุณสำหรับ Snowflake
- เราใช้ข้อมูลการทำธุรกรรมบัตรเครดิตจาก Kaggle เพื่อสร้างโมเดล ML เพื่อตรวจหาธุรกรรมบัตรเครดิตที่เป็นการฉ้อโกง ลูกค้าจึงไม่ถูกเรียกเก็บเงินสำหรับสินค้าที่ตนไม่ได้ซื้อ ชุดข้อมูลประกอบด้วยธุรกรรมบัตรเครดิตในเดือนกันยายน 2013 ที่ทำโดยผู้ถือบัตรในยุโรป
- คุณควรใช้ไฟล์ ไคลเอนต์ SnowSQL และติดตั้งในเครื่องของคุณ เพื่อให้คุณสามารถใช้เพื่ออัปโหลดชุดข้อมูลไปยังตาราง Snowflake
ขั้นตอนต่อไปนี้แสดงวิธีการจัดเตรียมและโหลดชุดข้อมูลลงในฐานข้อมูล Snowflake นี่เป็นการตั้งค่าเพียงครั้งเดียว
ตารางเกล็ดหิมะและการเตรียมข้อมูล
ทำตามขั้นตอนต่อไปนี้สำหรับการตั้งค่าแบบครั้งเดียวนี้:
- ขั้นแรก ในฐานะผู้ดูแลระบบ ให้สร้างคลังสินค้าเสมือนจริง ผู้ใช้ และบทบาท Snowflake และให้สิทธิ์การเข้าถึงแก่ผู้ใช้รายอื่น เช่น นักวิทยาศาสตร์ข้อมูล เพื่อสร้างฐานข้อมูลและจัดลำดับข้อมูลสำหรับกรณีการใช้งาน ML:
- ในฐานะนักวิทยาศาสตร์ข้อมูล ตอนนี้มาสร้างฐานข้อมูลและนำเข้าธุรกรรมบัตรเครดิตไปยังฐานข้อมูล Snowflake เพื่อเข้าถึงข้อมูลจาก SageMaker Data Wrangler เพื่อจุดประสงค์ในการอธิบาย เราสร้างฐานข้อมูล Snowflake ชื่อ
SF_FIN_TRANSACTION
: - ดาวน์โหลดไฟล์ CSV ชุดข้อมูลไปยังเครื่องโลคัลของคุณ และสร้างสเตจเพื่อโหลดข้อมูลลงในตารางฐานข้อมูล อัปเดตพาธไฟล์ให้ชี้ไปยังตำแหน่งชุดข้อมูลที่ดาวน์โหลดก่อนที่จะรันคำสั่ง PUT เพื่อนำเข้าข้อมูลไปยังสเตจที่สร้างขึ้น:
- สร้างตารางชื่อ
credit_card_transactions
: - นำเข้าข้อมูลไปยังตารางที่สร้างขึ้นจากขั้นตอน:
ตั้งค่าการเชื่อมต่อ SageMaker Data Wrangler และ Snowflake
หลังจากที่เราเตรียมชุดข้อมูลเพื่อใช้กับ SageMaker Data Wrangler แล้ว ให้เราสร้างการเชื่อมต่อ Snowflake ใหม่ใน SageMaker Data Wrangler เพื่อเชื่อมต่อกับ sf_fin_transaction
ฐานข้อมูลใน Snowflake และค้นหา credit_card_transaction
ตาราง:
- Choose เกล็ดหิมะ บน SageMaker Data Wrangler การเชื่อมต่อ หน้า.
- ระบุชื่อเพื่อระบุการเชื่อมต่อของคุณ
- เลือกวิธีการรับรองความถูกต้องของคุณเพื่อเชื่อมต่อกับฐานข้อมูล Snowflake:
- หากใช้การรับรองความถูกต้องพื้นฐาน ให้ระบุชื่อผู้ใช้และรหัสผ่านที่ผู้ดูแลระบบ Snowflake ของคุณแบ่งปัน สำหรับโพสต์นี้ เราใช้การรับรองความถูกต้องพื้นฐานเพื่อเชื่อมต่อกับ Snowflake โดยใช้ข้อมูลรับรองผู้ใช้ที่เราสร้างในขั้นตอนที่แล้ว
- หากคุณใช้ OAuth ให้ระบุข้อมูลประจำตัวของผู้ให้บริการข้อมูลประจำตัวของคุณ
โดยค่าเริ่มต้น SageMaker Data Wrangler จะสืบค้นข้อมูลของคุณโดยตรงจาก Snowflake โดยไม่ต้องสร้างสำเนาข้อมูลในบัคเก็ต S3 การปรับปรุงความสามารถในการใช้งานใหม่ของ SageMaker Data Wrangler ใช้ Apache Spark เพื่อรวมเข้ากับ Snowflake เพื่อเตรียมและสร้างชุดข้อมูลอย่างราบรื่นสำหรับการเดินทาง ML ของคุณ
จนถึงตอนนี้ เราได้สร้างฐานข้อมูลบน Snowflake นำเข้าไฟล์ CSV ลงในตาราง Snowflake สร้างข้อมูลรับรอง Snowflake และสร้างตัวเชื่อมต่อบน SageMaker Data Wrangler เพื่อเชื่อมต่อกับ Snowflake ในการตรวจสอบการเชื่อมต่อ Snowflake ที่กำหนดค่าไว้ ให้เรียกใช้แบบสอบถามต่อไปนี้ในตาราง Snowflake ที่สร้างขึ้น:
โปรดทราบว่าตัวเลือกการรวมพื้นที่เก็บข้อมูลที่จำเป็นก่อนหน้านี้จะเป็นตัวเลือกในการตั้งค่าขั้นสูง
สำรวจข้อมูล Snowflake
หลังจากที่คุณตรวจสอบผลการสืบค้นแล้ว ให้เลือก นำเข้า เพื่อบันทึกผลการสืบค้นเป็นชุดข้อมูล เราใช้ชุดข้อมูลที่แยกออกมานี้สำหรับการวิเคราะห์ข้อมูลเชิงสำรวจและวิศวกรรมคุณลักษณะ
คุณสามารถเลือกตัวอย่างข้อมูลจาก Snowflake ใน SageMaker Data Wrangler UI อีกทางเลือกหนึ่งคือการดาวน์โหลดข้อมูลทั้งหมดสำหรับกรณีการใช้งานการฝึกอบรมแบบจำลอง ML ของคุณโดยใช้งานการประมวลผล SageMaker Data Wrangler
ทำการวิเคราะห์ข้อมูลเชิงสำรวจใน SageMaker Data Wrangler
ข้อมูลภายใน Data Wrangler ต้องได้รับการออกแบบทางวิศวกรรมก่อนที่จะสามารถฝึกฝนได้ ในส่วนนี้ เราจะสาธิตวิธีดำเนินการวิศวกรรมคุณลักษณะกับข้อมูลจาก Snowflake โดยใช้ความสามารถในตัวของ SageMaker Data Wrangler
ขั้นแรกให้ใช้ Data Quality and Insights Report
คุณลักษณะภายใน SageMaker Data Wrangler เพื่อสร้างรายงานเพื่อตรวจสอบคุณภาพข้อมูลโดยอัตโนมัติและตรวจจับความผิดปกติในข้อมูลจาก Snowflake
คุณสามารถใช้รายงานเพื่อช่วยคุณทำความสะอาดและประมวลผลข้อมูลของคุณ ซึ่งจะให้ข้อมูลแก่คุณ เช่น จำนวนค่าที่ขาดหายไปและจำนวนค่าผิดปกติ หากคุณมีปัญหาเกี่ยวกับข้อมูลของคุณ เช่น การรั่วไหลของเป้าหมายหรือความไม่สมดุล รายงานข้อมูลเชิงลึกสามารถแจ้งปัญหาเหล่านั้นให้คุณทราบได้ เพื่อทำความเข้าใจรายละเอียดรายงาน โปรดดูที่ เร่งการเตรียมข้อมูลด้วยคุณภาพข้อมูลและข้อมูลเชิงลึกใน Amazon SageMaker Data Wrangler.
หลังจากที่คุณตรวจสอบการจับคู่ประเภทข้อมูลที่ SageMaker Data Wrangler ใช้ ให้ทำตามขั้นตอนต่อไปนี้:
- เลือกเครื่องหมายบวกถัดจาก ประเภทข้อมูล และเลือก เพิ่มบทวิเคราะห์.
- สำหรับ ประเภทการวิเคราะห์เลือก รายงานคุณภาพข้อมูลและข้อมูลเชิงลึก.
- Choose สร้างบัญชีตัวแทน.
- ดูรายละเอียดรายงานคุณภาพข้อมูลและข้อมูลเชิงลึกเพื่อดูคำเตือนที่มีลำดับความสำคัญสูง
คุณสามารถเลือกที่จะแก้ไขคำเตือนที่รายงานก่อนที่จะดำเนินการเดินทาง ML ของคุณ
คอลัมน์เป้าหมาย Class
ที่จะทำนายถูกจัดประเภทเป็นสตริง ขั้นแรก ให้ใช้การแปลงเพื่อลบอักขระว่างที่ค้างอยู่
- Choose เพิ่มขั้นตอน และเลือก รูปแบบสตริง.
- ในรายการของการแปลง เลือก แถบซ้ายและขวา.
- ป้อนอักขระที่จะลบและเลือก เพิ่ม.
ต่อไป เราจะแปลงคอลัมน์เป้าหมาย Class
จากประเภทข้อมูลสตริงเป็นบูลีน เนื่องจากธุรกรรมนั้นถูกต้องตามกฎหมายหรือฉ้อฉล
- Choose เพิ่มขั้นตอน.
- Choose แยกวิเคราะห์คอลัมน์เป็น type.
- สำหรับคอลัมน์ เลือก
Class
. - สำหรับ จากเลือก เชือก.
- สำหรับ ไปยังเลือก บูลีน.
- Choose เพิ่ม.
หลังจากการแปลงคอลัมน์เป้าหมาย เราจะลดจำนวนคอลัมน์คุณลักษณะลง เนื่องจากมีคุณลักษณะมากกว่า 30 รายการในชุดข้อมูลดั้งเดิม เราใช้การวิเคราะห์องค์ประกอบหลัก (PCA) เพื่อลดขนาดตามความสำคัญของคุณลักษณะ หากต้องการทำความเข้าใจเพิ่มเติมเกี่ยวกับ PCA และการลดขนาด โปรดดูที่ อัลกอริทึมการวิเคราะห์องค์ประกอบหลัก (PCA).
- Choose เพิ่มขั้นตอน.
- Choose การลดขนาด.
- สำหรับ แปลงเลือก การวิเคราะห์องค์ประกอบหลัก.
- สำหรับ คอลัมน์อินพุตให้เลือกคอลัมน์ทั้งหมดยกเว้นคอลัมน์เป้าหมาย
Class
. - เลือกเครื่องหมายบวกถัดจาก การไหลของข้อมูล และเลือก เพิ่มการวิเคราะห์
- สำหรับ ประเภทการวิเคราะห์เลือก โมเดลด่วน.
- สำหรับ ชื่อการวิเคราะห์, ป้อนชื่อ
- สำหรับ ฉลากเลือก
Class
. - Choose วิ่ง.
จากผลลัพธ์ของ PCA คุณสามารถตัดสินใจได้ว่าจะใช้คุณลักษณะใดในการสร้างแบบจำลอง ในภาพหน้าจอต่อไปนี้ กราฟแสดงคุณลักษณะ (หรือมิติข้อมูล) ที่เรียงลำดับตามความสำคัญสูงสุดไปต่ำสุดเพื่อคาดการณ์ประเภทเป้าหมาย ซึ่งในชุดข้อมูลนี้จะระบุว่าธุรกรรมนั้นเป็นการฉ้อโกงหรือถูกต้องหรือไม่
คุณสามารถเลือกที่จะลดจำนวนคุณลักษณะตามการวิเคราะห์นี้ แต่สำหรับโพสต์นี้ เราปล่อยให้เป็นค่าเริ่มต้นตามที่เป็นอยู่
สรุปขั้นตอนวิศวกรรมฟีเจอร์ของเรา แม้ว่าคุณอาจเลือกที่จะเรียกใช้โมเดลด่วนและสร้างรายงานคุณภาพข้อมูลและข้อมูลเชิงลึกอีกครั้งเพื่อทำความเข้าใจข้อมูลก่อนที่จะดำเนินการปรับให้เหมาะสมเพิ่มเติม
ส่งออกข้อมูลและฝึกโมเดล
ในขั้นตอนถัดไป เราใช้ SageMaker Autopilot เพื่อสร้าง ฝึก และปรับแต่งโมเดล ML ที่ดีที่สุดตามข้อมูลของคุณโดยอัตโนมัติ ด้วย SageMaker Autopilot คุณยังคงควบคุมและมองเห็นข้อมูลและโมเดลของคุณได้อย่างเต็มที่
ตอนนี้เราได้เสร็จสิ้นการสำรวจและวิศวกรรมคุณลักษณะแล้ว มาฝึกโมเดลในชุดข้อมูลและส่งออกข้อมูลเพื่อฝึกโมเดล ML โดยใช้ SageMaker Autopilot
- เกี่ยวกับ การฝึกอบรม เลือกแท็บ ส่งออกและฝึกอบรม.
เราสามารถติดตามความคืบหน้าการส่งออกในขณะที่เรารอให้เสร็จสิ้น
มากำหนดค่า SageMaker Autopilot เพื่อเรียกใช้งานการฝึกอบรมอัตโนมัติโดยระบุเป้าหมายที่เราต้องการทำนายและประเภทของปัญหา ในกรณีนี้ เนื่องจากเรากำลังฝึกชุดข้อมูลให้คาดการณ์ว่าการทำธุรกรรมเป็นการฉ้อโกงหรือถูกต้อง เราจึงใช้การจำแนกประเภทแบบไบนารี
- ป้อนชื่อสำหรับการทดสอบของคุณ ระบุข้อมูลตำแหน่ง S3 และเลือก ถัดไป: เป้าหมายและคุณสมบัติ.
- สำหรับ เป้าเลือก
Class
เป็นคอลัมน์ทำนาย - Choose ถัดไป: วิธีการฝึกอบรม.
อนุญาตให้ SageMaker Autopilot ตัดสินใจเลือกวิธีการฝึกอบรมตามชุดข้อมูล
- สำหรับ วิธีการฝึกอบรมและอัลกอริทึมให้เลือก รถยนต์.
หากต้องการทำความเข้าใจเพิ่มเติมเกี่ยวกับโหมดการฝึกอบรมที่สนับสนุนโดย SageMaker Autopilot โปรดดูที่ โหมดการฝึกอบรมและอัลกอริทึม สนับสนุน
- Choose ถัดไป: การปรับใช้และการตั้งค่าขั้นสูง.
- สำหรับ ตัวเลือกการปรับใช้เลือก ปรับใช้โมเดลที่ดีที่สุดโดยอัตโนมัติด้วยการแปลงจาก Data Wranglerซึ่งจะโหลดโมเดลที่ดีที่สุดสำหรับการอนุมานหลังจากการทดสอบเสร็จสิ้น
- ป้อนชื่อสำหรับปลายทางของคุณ
- สำหรับ เลือกประเภทปัญหาการเรียนรู้ของเครื่องเลือก การจำแนกไบนารี.
- สำหรับ เมตริกการคัดค้านเลือก F1.
- Choose ถัดไป: ตรวจสอบและสร้าง.
- Choose สร้างการทดลอง.
สิ่งนี้จะเริ่มต้นงาน SageMaker Autopilot ที่สร้างชุดของงานการฝึกอบรมที่ใช้การผสมของไฮเปอร์พารามิเตอร์เพื่อปรับเมตริกวัตถุประสงค์ให้เหมาะสม
รอให้ SageMaker Autopilot สร้างโมเดลและประเมินโมเดล ML ที่ดีที่สุดให้เสร็จ
เปิดใช้จุดสิ้นสุดการอนุมานตามเวลาจริงเพื่อทดสอบโมเดลที่ดีที่สุด
SageMaker Autopilot ทำการทดลองเพื่อหารูปแบบที่ดีที่สุดที่สามารถจำแนกธุรกรรมบัตรเครดิตว่าถูกต้องตามกฎหมายหรือฉ้อฉล
เมื่อ SageMaker Autopilot เสร็จสิ้นการทดสอบ เราสามารถดูผลการฝึกอบรมพร้อมเมตริกการประเมินและสำรวจแบบจำลองที่ดีที่สุดได้จากหน้ารายละเอียดของงาน SageMaker Autopilot
- เลือกรุ่นที่ดีที่สุดแล้วเลือก ปรับใช้โมเดล.
เราใช้จุดสิ้นสุดการอนุมานแบบเรียลไทม์เพื่อทดสอบโมเดลที่ดีที่สุดที่สร้างผ่าน SageMaker Autopilot
- เลือก ทำการคาดการณ์ตามเวลาจริง.
เมื่อปลายทางพร้อมใช้งาน เราสามารถส่งเพย์โหลดและรับผลการอนุมานได้
เรามาเปิดโน้ตบุ๊ก Python เพื่อใช้จุดสิ้นสุดการอนุมาน
- บนคอนโซล SageMaker Studio เลือกไอคอนโฟลเดอร์ในบานหน้าต่างนำทางแล้วเลือก สร้างสมุดบันทึก.
- ใช้รหัส Python ต่อไปนี้เพื่อเรียกใช้จุดสิ้นสุดการอนุมานแบบเรียลไทม์ที่ปรับใช้:
ผลลัพธ์จะแสดงผลเป็น false
ซึ่งหมายความว่าข้อมูลฟีเจอร์ตัวอย่างไม่ได้เป็นการฉ้อโกง
ทำความสะอาด
เพื่อให้แน่ใจว่าคุณจะไม่ต้องเสียค่าบริการหลังจากจบบทแนะนำนี้ ปิดแอปพลิเคชัน SageMaker Data Wrangler และ ปิดอินสแตนซ์โน้ตบุ๊ก ใช้ในการอนุมาน นอกจากนี้คุณควร ลบจุดสิ้นสุดการอนุมาน คุณสร้างขึ้นโดยใช้ SageMaker Autopilot เพื่อป้องกันค่าใช้จ่ายเพิ่มเติม
สรุป
ในโพสต์นี้ เราได้สาธิตวิธีนำข้อมูลของคุณจาก Snowflake โดยตรงโดยไม่ต้องสร้างสำเนากลางใดๆ ในกระบวนการ คุณสามารถสุ่มตัวอย่างหรือโหลดชุดข้อมูลทั้งหมดของคุณไปยัง SageMaker Data Wrangler ได้โดยตรงจาก Snowflake จากนั้น คุณสามารถสำรวจข้อมูล ล้างข้อมูล และดำเนินการวิศวกรรมโดยใช้อินเทอร์เฟซแบบภาพของ SageMaker Data Wrangler
นอกจากนี้ เรายังเน้นย้ำถึงวิธีที่คุณสามารถฝึกและปรับแต่งโมเดลได้อย่างง่ายดายด้วย SageMaker Autopilot โดยตรงจากอินเทอร์เฟซผู้ใช้ SageMaker Data Wrangler ด้วยการรวม SageMaker Data Wrangler และ SageMaker Autopilot เราสามารถสร้างโมเดลได้อย่างรวดเร็วหลังจากเสร็จสิ้นวิศวกรรมคุณลักษณะ โดยไม่ต้องเขียนโค้ดใดๆ จากนั้นเราอ้างอิงโมเดลที่ดีที่สุดของ SageMaker Autopilot เพื่อเรียกใช้การอนุมานโดยใช้ตำแหน่งข้อมูลแบบเรียลไทม์
ลองใช้การรวม Snowflake ใหม่โดยตรงกับ SageMaker Data Wrangler วันนี้เพื่อสร้างโมเดล ML ด้วยข้อมูลของคุณอย่างง่ายดายโดยใช้ SageMaker
เกี่ยวกับผู้แต่ง
หริฮารัน สุเรศ เป็นสถาปนิกโซลูชันอาวุโสที่ AWS เขาหลงใหลเกี่ยวกับฐานข้อมูล แมชชีนเลิร์นนิง และการออกแบบโซลูชันที่เป็นนวัตกรรมใหม่ ก่อนที่จะร่วมงานกับ AWS Hariharan เป็นสถาปนิกผลิตภัณฑ์ ผู้เชี่ยวชาญด้านการใช้งานธนาคารหลัก และนักพัฒนา และทำงานร่วมกับองค์กร BFSI มานานกว่า 11 ปี นอกเหนือจากเทคโนโลยีแล้ว เขาชอบเล่นร่มร่อนและปั่นจักรยาน
อุปราจิตธาน ไวยานาธาน เป็น Principal Enterprise Solutions Architect ที่ AWS เขาสนับสนุนลูกค้าระดับองค์กรในการโยกย้ายและปรับปรุงปริมาณงานให้ทันสมัยบน AWS Cloud เขาเป็นสถาปนิกระบบคลาวด์ที่มีประสบการณ์มากกว่า 23 ปีในการออกแบบและพัฒนาระบบซอฟต์แวร์ระดับองค์กรขนาดใหญ่และแบบกระจาย เขาเชี่ยวชาญด้าน Machine Learning & Data Analytics โดยเน้นที่โดเมน Data and Feature Engineering เขาเป็นนักวิ่งมาราธอนที่มีความทะเยอทะยาน และงานอดิเรกของเขาคือการปีนเขา ขี่จักรยาน และใช้เวลากับภรรยาและลูกชายสองคน
ทิมซอง เป็นวิศวกรพัฒนาซอฟต์แวร์ที่ AWS SageMaker ด้วยประสบการณ์มากกว่า 10 ปีในฐานะนักพัฒนาซอฟต์แวร์ ที่ปรึกษา และผู้นำด้านเทคโนโลยี เขาได้แสดงความสามารถในการส่งมอบผลิตภัณฑ์ที่ปรับขนาดได้และเชื่อถือได้ และแก้ปัญหาที่ซับซ้อนได้ ในเวลาว่าง เขาชอบอยู่กับธรรมชาติ วิ่งกลางแจ้ง เดินป่า และอื่นๆ
บอสโก อัลบูเคอร์กี เป็น Sr. Partner Solutions Architect ที่ AWS และมีประสบการณ์มากกว่า 20 ปีในการทำงานกับฐานข้อมูลและผลิตภัณฑ์การวิเคราะห์จากผู้จำหน่ายฐานข้อมูลระดับองค์กรและผู้ให้บริการระบบคลาวด์ เขาช่วยบริษัทเทคโนโลยีขนาดใหญ่ในการออกแบบโซลูชันการวิเคราะห์ข้อมูล และได้นำทีมวิศวกรรมในการออกแบบและใช้งานแพลตฟอร์มการวิเคราะห์ข้อมูลและผลิตภัณฑ์ข้อมูล
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/accelerate-time-to-business-insights-with-the-amazon-sagemaker-data-wrangler-direct-connection-to-snowflake/
- :มี
- :เป็น
- :ไม่
- $ ขึ้น
- 1
- 10
- 100
- 11
- 12
- 14
- 15%
- 20
- 2013
- 27
- 30
- 40
- 500
- 7
- 9
- a
- ความสามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- ลงชื่อเข้าใช้
- เพิ่มเติม
- ผู้ดูแลระบบ
- สูง
- หลังจาก
- อีกครั้ง
- AI / ML
- ทั้งหมด
- อนุญาต
- ด้วย
- แม้ว่า
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker ข้อมูล Wrangler
- Amazon Web Services
- จำนวน
- an
- การวิเคราะห์
- การวิเคราะห์
- และ
- อื่น
- ใด
- อาปาเช่
- API
- ประยุกต์
- ใช้
- เป็น
- AS
- ที่ต้องการ
- At
- ความสนใจ
- การยืนยันตัวตน
- โดยอัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- AWS
- การธนาคาร
- ตาม
- ขั้นพื้นฐาน
- BE
- เพราะ
- ก่อน
- ด้านล่าง
- ที่ดีที่สุด
- BFSI
- ร่างกาย
- ทั้งสอง
- นำมาซึ่ง
- สร้าง
- การก่อสร้าง
- built-in
- ธุรกิจ
- แต่
- by
- CAN
- ความสามารถในการ
- จับ
- บัตร
- กรณี
- กรณี
- อักขระ
- การเรียกเก็บเงิน
- โหลด
- ตรวจสอบ
- Choose
- ชั้น
- การจัดหมวดหมู่
- จัด
- แยกประเภท
- ไคลเอนต์
- เมฆ
- รหัส
- คอลัมน์
- คอลัมน์
- รวม
- บริษัท
- สมบูรณ์
- เสร็จ
- เสร็จสิ้น
- เสร็จสิ้น
- ซับซ้อน
- ส่วนประกอบ
- การกำหนดค่า
- เชื่อมต่อ
- การเชื่อมต่อ
- ปลอบใจ
- ผู้ให้คำปรึกษา
- ต่อ
- ควบคุม
- แปลง
- แกน
- ธนาคารหลัก
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- การสร้าง
- หนังสือรับรอง
- เครดิต
- บัตรเครดิต
- ลูกค้า
- ประสบการณ์ของลูกค้า
- ลูกค้า
- ข้อมูล
- การเข้าถึงข้อมูล
- การวิเคราะห์ข้อมูล
- วิเคราะห์ข้อมูล
- การเตรียมข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- ตัดสินใจ
- ค่าเริ่มต้น
- ค่าเริ่มต้น
- ส่งมอบ
- สาธิต
- แสดงให้เห็นถึง
- ปรับใช้
- นำไปใช้
- การใช้งาน
- ลักษณะ
- ออกแบบ
- ได้รับการออกแบบ
- การออกแบบ
- รายละเอียด
- กำหนด
- ผู้พัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- มิติ
- โดยตรง
- โดยตรง
- กระจาย
- โดเมน
- Dont
- ลง
- ดาวน์โหลด
- อย่างง่ายดาย
- ทั้ง
- ปลายทาง
- วิศวกร
- ชั้นเยี่ยม
- เข้าสู่
- Enterprise
- ฯลฯ
- ในทวีปยุโรป
- การประเมินผล
- ยกเว้น
- ที่มีอยู่
- ประสบการณ์
- การทดลอง
- การทดลอง
- การสำรวจ
- การวิเคราะห์ข้อมูลเชิงสำรวจ
- สำรวจ
- ส่งออก
- ไกล
- ลักษณะ
- คุณสมบัติ
- ที่มีคุณสมบัติ
- เนื้อไม่มีมัน
- ทางการเงิน
- เสร็จสิ้น
- ชื่อจริง
- ลอย
- โฟกัส
- ดังต่อไปนี้
- สำหรับ
- รูป
- ฉ้อโกง
- ราคาเริ่มต้นที่
- เต็ม
- ต่อไป
- สร้าง
- ได้รับ
- จะช่วยให้
- ให้
- กราฟ
- มี
- he
- ช่วย
- ช่วย
- ที่สูงที่สุด
- ไฮไลต์
- ของเขา
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- ICON
- แยกแยะ
- เอกลักษณ์
- if
- ความไม่สมดุล
- การดำเนินงาน
- การดำเนินการ
- นำเข้า
- ความสำคัญ
- การนำเข้า
- การนำเข้า
- ปรับปรุง
- in
- ประกอบด้วย
- รวมถึง
- เพิ่ม
- เป็นรายบุคคล
- ข้อมูล
- แรกเริ่ม
- นวัตกรรม
- ข้อมูลเชิงลึก
- ติดตั้ง
- รวบรวม
- บูรณาการ
- อินเตอร์เฟซ
- ภายใน
- เข้าไป
- ปัญหา
- IT
- รายการ
- การสัมภาษณ์
- งาน
- การร่วม
- การเดินทาง
- jpg
- JSON
- ใหญ่
- ขนาดใหญ่
- เปิดตัว
- เปิดตัว
- ผู้นำ
- การเรียนรู้
- ทิ้ง
- นำ
- ซ้าย
- ถูกกฎหมาย
- ให้
- ห้องสมุด
- LIMIT
- รายการ
- โหลด
- โหลด
- ในประเทศ
- ที่ตั้ง
- ต่ำที่สุด
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- เก็บรักษา
- ทำ
- จัดการ
- มาราธอน
- การจับคู่
- อาจ..
- กลไก
- วิธี
- เมตริก
- ตัวชี้วัด
- อพยพ
- นาที
- หายไป
- ML
- แบบ
- โมเดล
- ทันสมัย
- โหมด
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- ชื่อ
- ที่มีชื่อ
- ธรรมชาติ
- การเดินเรือ
- ความต้องการ
- ใหม่
- ถัดไป
- สมุดบันทึก
- ตอนนี้
- จำนวน
- รับรอง
- วัตถุ
- วัตถุประสงค์
- of
- on
- ต่อเนื่อง
- เพิ่มประสิทธิภาพ
- ตัวเลือกเสริม (Option)
- or
- ใบสั่ง
- องค์กร
- เป็นต้นฉบับ
- OS
- อื่นๆ
- ของเรา
- ออก
- เอาท์พุต
- ด้านนอก
- เกิน
- ภาพรวม
- หน้า
- บานหน้าต่าง
- หุ้นส่วน
- ส่ง
- หลงใหล
- รหัสผ่าน
- เส้นทาง
- ดำเนินการ
- ที่มีประสิทธิภาพ
- สิทธิ์
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- บวก
- จุด
- ยอดนิยม
- โพสต์
- คาดการณ์
- ที่คาดการณ์
- การคาดการณ์
- การจัดเตรียม
- เตรียมการ
- ข้อกำหนดเบื้องต้น
- ป้องกัน
- ก่อน
- หลัก
- พิมพ์
- ก่อน
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- ผลผลิต
- ผลิตภัณฑ์
- ความคืบหน้า
- ให้
- ผู้จัดหา
- ผู้ให้บริการ
- สาธารณะ
- ซื้อ
- วัตถุประสงค์
- ใส่
- หลาม
- คุณภาพ
- คำสั่ง
- รวดเร็ว
- อย่างรวดเร็ว
- เรียลไทม์
- ลด
- ลด
- การลดลง
- น่าเชื่อถือ
- เอาออก
- แทนที่
- รายงาน
- รายงาน
- รายงาน
- ขอ
- จำเป็นต้องใช้
- คำตอบ
- ผล
- ผลสอบ
- ทบทวน
- การขี่
- บทบาท
- วิ่ง
- ทางวิ่ง
- วิ่ง
- s
- sagemaker
- ลด
- ที่ปรับขนาดได้
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ได้อย่างลงตัว
- Section
- ส่ง
- ระดับอาวุโส
- กันยายน
- บริการ
- ชุด
- การตั้งค่า
- การติดตั้ง
- ที่ใช้ร่วมกัน
- น่า
- โชว์
- แสดงให้เห็นว่า
- ลงชื่อ
- ง่าย
- ที่เรียบง่าย
- เดียว
- So
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- ทางออก
- โซลูชัน
- แก้
- เพลง
- แหล่ง
- จุดประกาย
- ผู้เชี่ยวชาญ
- ความเชี่ยวชาญ
- เฉพาะ
- ความเร็ว
- การใช้จ่าย
- ระยะ
- เริ่มต้น
- ขั้นตอน
- ขั้นตอน
- ยังคง
- การเก็บรักษา
- จัดเก็บ
- เข้มงวด
- เชือก
- สตูดิโอ
- ส่ง
- ที่ประสบความสำเร็จ
- ประสบความสำเร็จ
- อย่างเช่น
- สนับสนุน
- ที่สนับสนุน
- รองรับ
- ระบบ
- ตาราง
- เป้า
- งาน
- ทีม
- เทคโนโลยี
- เทคโนโลยี
- บริษัท เทคโนโลยี
- ทดสอบ
- ที่
- พื้นที่
- กราฟ
- ของพวกเขา
- แล้วก็
- ที่นั่น
- พวกเขา
- นี้
- เหล่านั้น
- ตลอด
- เวลา
- ไปยัง
- ในวันนี้
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การทำธุกรรม
- การทำธุรกรรม
- การแปลง
- การแปลง
- จริง
- เกี่ยวกับการสอน
- สอง
- ชนิด
- ui
- เข้าใจ
- บันทึก
- us
- การใช้งาน
- ใช้
- มือสอง
- ผู้ใช้งาน
- ส่วนติดต่อผู้ใช้
- ผู้ใช้
- ใช้
- การใช้
- v1
- ตรวจสอบความถูกต้อง
- ความคุ้มค่า
- ความคุ้มค่า
- ผู้ขาย
- ตรวจสอบ
- รายละเอียด
- เสมือน
- ความชัดเจน
- รอ
- ต้องการ
- คือ
- we
- เว็บ
- บริการเว็บ
- สัปดาห์ที่ผ่านมา
- คือ
- ว่า
- ที่
- ในขณะที่
- WHO
- ภรรยา
- กับ
- ภายใน
- ไม่มี
- งาน
- ทำงาน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- การทำงาน
- การเขียน
- ปี
- คุณ
- ของคุณ
- ลมทะเล