ในเดือนธันวาคม 2020 AWS ประกาศความพร้อมใช้งานทั่วไปของ Amazon SageMaker JumpStart, ความสามารถของ อเมซอน SageMaker ที่ช่วยให้คุณเริ่มต้นใช้งานแมชชีนเลิร์นนิง (ML) ได้อย่างรวดเร็วและง่ายดาย SageMaker JumpStart ให้การปรับแต่งแบบละเอียดในคลิกเดียวและการปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าที่หลากหลายในงาน ML ยอดนิยม ตลอดจนการเลือกโซลูชันแบบ end-to-end ที่แก้ปัญหาทั่วไปทางธุรกิจ คุณลักษณะเหล่านี้ช่วยขจัดภาระหนักออกจากแต่ละขั้นตอนของกระบวนการ ML ทำให้ง่ายต่อการพัฒนาโมเดลคุณภาพสูงและลดเวลาในการปรับใช้
ก่อนหน้านี้ เนื้อหา JumpStart ทั้งหมดมีให้ใช้งานผ่าน . เท่านั้น สตูดิโอ Amazon SageMakerซึ่งให้ ส่วนต่อประสานกราฟิกที่ใช้งานง่าย เพื่อโต้ตอบกับคุณสมบัติ ล่าสุด เรายัง ประกาศเปิดตัว ที่ใช้งานง่าย JumpStart API เป็นส่วนขยายของ SageMaker Python SDK ช่วยให้คุณสามารถปรับใช้และปรับแต่งโมเดลที่ได้รับการฝึกอบรมล่วงหน้าที่รองรับ JumpStart จำนวนมากโดยทางโปรแกรมบนชุดข้อมูลของคุณเอง การเปิดตัวนี้จะปลดล็อกการใช้ความสามารถของ JumpStart ในเวิร์กโฟลว์โค้ด ไปป์ไลน์ MLOps และที่อื่นๆ ที่คุณโต้ตอบกับ SageMaker ผ่าน SDK
ในโพสต์นี้ เรารู้สึกตื่นเต้นที่จะประกาศว่าโมเดล JumpStart ที่ฝึกได้ทั้งหมดในขณะนี้สนับสนุนการฝึกอบรมแบบเพิ่มหน่วย การฝึกอบรมแบบเพิ่มหน่วยช่วยให้คุณสามารถฝึกแบบจำลองที่คุณได้ปรับแต่งแล้วโดยใช้ชุดข้อมูลที่ขยายซึ่งมีรูปแบบพื้นฐานที่ไม่รวมอยู่ในการดำเนินการปรับแต่งครั้งก่อน ซึ่งส่งผลให้ประสิทธิภาพของแบบจำลองต่ำ การฝึกอบรมแบบเพิ่มหน่วยช่วยประหยัดทั้งเวลาและทรัพยากร เนื่องจากคุณไม่จำเป็นต้องฝึกแบบจำลองใหม่ตั้งแต่ต้น หากคุณต้องการข้ามไปที่โค้ด JumpStart API ที่เราอธิบายในโพสต์นี้ คุณสามารถอ้างถึง โน๊ตบุ๊คตัวอย่าง.
ภาพรวม JumpStart
JumpStart เป็นผลิตภัณฑ์แบบหลายแง่มุมที่มีความสามารถที่แตกต่างกันเพื่อช่วยให้คุณเริ่มต้นใช้งาน ML บน SageMaker ได้อย่างรวดเร็ว ในขณะที่เขียน JumpStart ให้คุณทำสิ่งต่อไปนี้:
- ปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าสำหรับงาน ML ทั่วไป – JumpStart ช่วยให้คุณจัดการกับงาน ML ทั่วไปโดยไม่ต้องพยายามพัฒนา โดยการปรับใช้โมเดลที่ฝึกอบรมล่วงหน้าบนชุดข้อมูลขนาดใหญ่ที่เปิดเผยต่อสาธารณะได้อย่างง่ายดาย ชุมชนการวิจัย ML ได้ใช้ความพยายามอย่างมากในการสร้างแบบจำลองที่พัฒนาล่าสุดส่วนใหญ่ให้เผยแพร่สู่สาธารณะ JumpStart มีคอลเลกชั่นมากกว่า 300 รุ่น ครอบคลุมงาน ML ยอดนิยม 15 งาน เช่น การตรวจจับวัตถุ การจัดประเภทข้อความ และการสร้างข้อความ ทำให้ง่ายสำหรับผู้เริ่มต้นใช้งาน โมเดลเหล่านี้มาจากฮับโมเดลยอดนิยม เช่น TensorFlow, PyTorch, Hugging Face และ MXNet Hub
- ปรับแต่งรุ่นก่อนการฝึกอบรม – JumpStart ให้คุณปรับแต่งโมเดลที่ได้รับการฝึกมาล่วงหน้าโดยไม่จำเป็นต้องเขียนอัลกอริธึมการฝึกของคุณเอง ใน ML ความสามารถในการถ่ายทอดความรู้ที่เรียนรู้ในโดเมนหนึ่งไปยังอีกโดเมนหนึ่งเรียกว่า ถ่ายทอดการเรียนรู้. คุณสามารถใช้การเรียนรู้การถ่ายโอนเพื่อสร้างแบบจำลองที่แม่นยำบนชุดข้อมูลที่มีขนาดเล็กลง โดยมีค่าใช้จ่ายการฝึกอบรมต่ำกว่าชุดที่เกี่ยวข้องกับการฝึกโมเดลดั้งเดิมมาก JumpStart ยังรวมอัลกอริธึมการฝึกอบรมยอดนิยมตาม LightGBM, CatBoost, XGBoost และ Scikit-learn ที่คุณสามารถฝึกตั้งแต่เริ่มต้นสำหรับการถดถอยแบบตารางและการจัดประเภท
- ใช้โซลูชันที่สร้างไว้ล่วงหน้า – JumpStart มีชุดโซลูชัน 17 ชุดสำหรับกรณีการใช้งาน ML ทั่วไป เช่น การคาดการณ์ความต้องการและแอปพลิเคชันด้านอุตสาหกรรมและการเงิน ซึ่งคุณสามารถปรับใช้ได้ด้วยการคลิกเพียงไม่กี่ครั้ง โซลูชันคือแอปพลิเคชัน ML แบบ end-to-end ที่รวมบริการต่างๆ ของ AWS เพื่อแก้ปัญหากรณีการใช้งานทางธุรกิจโดยเฉพาะ พวกเขาใช้ การก่อตัวของ AWS Cloud เทมเพลตและสถาปัตยกรรมอ้างอิงเพื่อการปรับใช้อย่างรวดเร็ว ซึ่งหมายความว่าปรับแต่งได้อย่างเต็มที่
- ใช้ตัวอย่างสมุดบันทึกสำหรับอัลกอริทึม SageMaker – SageMaker มีชุดอัลกอริทึมในตัวเพื่อช่วยให้นักวิทยาศาสตร์ข้อมูลและผู้ปฏิบัติงาน ML เริ่มต้นการฝึกอบรมและปรับใช้โมเดล ML ได้อย่างรวดเร็ว JumpStart มีสมุดบันทึกตัวอย่างที่คุณสามารถใช้เพื่อปรับใช้อัลกอริธึมเหล่านี้ได้อย่างรวดเร็ว
- ตรวจสอบวิดีโอการฝึกอบรมและบล็อก – JumpStart ยังมีโพสต์บล็อกและวิดีโอมากมายที่สอนวิธีใช้ฟังก์ชันต่างๆ ภายใน SageMaker
JumpStart ยอมรับการตั้งค่า VPC แบบกำหนดเองและ บริการจัดการคีย์ AWS คีย์การเข้ารหัส (AWS KMS) คุณจึงสามารถใช้โมเดลและโซลูชันที่มีอยู่ได้อย่างปลอดภัยภายในสภาพแวดล้อมองค์กรของคุณ คุณสามารถส่งการตั้งค่าความปลอดภัยของคุณไปที่ JumpStart ภายใน Studio หรือผ่าน SageMaker Python SDK
การจำแนกรูปภาพ
การจัดประเภทรูปภาพหมายถึงการจัดประเภทรูปภาพเป็นป้ายกำกับของคลาสในชุดข้อมูลการฝึกอบรม คุณสามารถปรับแต่งโมเดลให้เป็นชุดข้อมูลที่กำหนด ซึ่งประกอบด้วยรูปภาพที่เป็นของคลาสจำนวนเท่าใดก็ได้ โมเดลที่พร้อมใช้งานสำหรับการปรับแต่งแบบละเอียดบน JumpStart จะแนบเลเยอร์การจัดหมวดหมู่เข้ากับโมเดลตัวแยกคุณลักษณะที่เกี่ยวข้อง และเริ่มต้นพารามิเตอร์ของเลเยอร์เป็นค่าสุ่ม มิติข้อมูลเอาท์พุตของเลเยอร์การจัดหมวดหมู่นั้นพิจารณาจากจำนวนคลาสในข้อมูลที่ป้อนเข้า ขั้นตอนการปรับแต่งอย่างละเอียดจะปรับพารามิเตอร์ของเลเยอร์การจัดหมวดหมู่ ในขณะที่ยังคงรักษาพารามิเตอร์ของโมเดลตัวแยกคุณลักษณะไว้ และส่งคืนโมเดลที่ปรับแต่งอย่างละเอียด มีวัตถุประสงค์เพื่อลดข้อผิดพลาดในการทำนายข้อมูลที่ป้อนเข้า
สำหรับชุดข้อมูลของเรา อินพุตคือไดเร็กทอรีที่มีไดเร็กทอรีย่อยมากเท่ากับจำนวนคลาส ไดเรกทอรีย่อยแต่ละรายการควรมีรูปภาพที่เป็นของคลาสนั้นในรูปแบบ .jpg ไดเร็กทอรีอินพุตควรมีลักษณะเหมือนลำดับชั้นต่อไปนี้ หากข้อมูลการฝึกมีรูปภาพจากสองคลาส: roses
และ dandelion
:
ชื่อของโฟลเดอร์ คลาส และชื่อไฟล์ .jpg สามารถเป็นอะไรก็ได้
เราให้บริการ tf_flowers
1 ชุดข้อมูลเป็นชุดข้อมูลเริ่มต้นสำหรับการปรับแต่งโมเดลอย่างละเอียด ชุดข้อมูลนี้ประกอบด้วยรูปภาพดอกไม้ห้าประเภท ดาวน์โหลดชุดข้อมูลจาก .แล้ว TensorFlow.
ภาพรวมคำแนะนำ Walk
ส่วนต่อไปนี้เป็นการสาธิตทีละขั้นตอนเพื่อดำเนินการจัดประเภทรูปภาพด้วย JumpStart ทั้งผ่านทาง Studio UI และ JumpStart API
เราทำตามขั้นตอนต่อไปนี้:
- เข้าถึง JumpStart ผ่าน Studio UI:
- ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าอย่างละเอียด
- ปรับใช้โมเดลที่ปรับแต่งอย่างละเอียด
- ฝึกฝนโมเดลที่ปรับแต่งอย่างละเอียดและปรับใช้ซ้ำ
- ใช้ JumpStart โดยทางโปรแกรมกับ SageMaker Python SDK:
- ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าอย่างละเอียด
- ปรับใช้โมเดลที่ปรับแต่งอย่างละเอียด
- ฝึกฝนโมเดลที่ปรับแต่งอย่างละเอียดและปรับใช้ซ้ำ
เข้าถึง JumpStart ผ่าน Studio UI
ในส่วนนี้ เราสาธิตวิธีการปรับแต่งและปรับใช้โมเดล JumpStart ผ่าน Studio UI นอกจากนี้ เรายังแสดงวิธีการฝึกฝนแบบจำลองที่คุณได้ปรับแต่งไว้ก่อนหน้านี้แบบค่อยเป็นค่อยไป
ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าอย่างละเอียด
วิดีโอต่อไปนี้แสดงวิธีค้นหาแบบจำลองการจัดประเภทรูปภาพที่ฝึกไว้ล่วงหน้าบน JumpStart และปรับแต่งอย่างละเอียด หน้าแบบจำลองประกอบด้วยข้อมูลที่มีค่าเกี่ยวกับแบบจำลอง วิธีใช้งาน รูปแบบข้อมูลที่คาดหวัง และรายละเอียดการปรับแต่งบางส่วน
เพื่อจุดประสงค์ในการสาธิต เราปรับแต่งโมเดลโดยใช้ชุดข้อมูลที่มีให้โดยค่าเริ่มต้น ซึ่งก็คือ tf_flowers
ชุดข้อมูลประกอบด้วยดอกไม้นานาพันธุ์ การปรับแต่งชุดข้อมูลของคุณอย่างละเอียดนั้นเกี่ยวข้องกับการจัดรูปแบบข้อมูลที่ถูกต้อง (ตามที่อธิบายไว้ในหน้าแบบจำลอง) การอัปโหลดไปยัง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) และการระบุตำแหน่งในการกำหนดค่าแหล่งข้อมูล
เราใช้ค่าพารามิเตอร์ไฮเปอร์พารามิเตอร์เดียวกันกับที่ตั้งไว้โดยค่าเริ่มต้น (จำนวนยุค อัตราการเรียนรู้ และขนาดแบทช์) เรายังใช้อินสแตนซ์ ml.p3.2xlarge ที่สนับสนุน GPU เป็นอินสแตนซ์การฝึกอบรม SageMaker
คุณตรวจสอบงานการฝึกอบรมได้โดยตรงบนคอนโซล Studio และจะได้รับแจ้งเมื่อเสร็จสิ้น
ปรับใช้แบบจำลองที่ปรับแต่งอย่างละเอียด
หลังจากการฝึกอบรมเสร็จสิ้น คุณสามารถปรับใช้แบบจำลองที่ปรับแต่งแล้วจากหน้าเดียวกับที่มีรายละเอียดงานการฝึกอบรม ในการปรับใช้โมเดลของเรา เราเลือกประเภทอินสแตนซ์อื่น ml.p2.xlarge มันยังคงให้การเร่งความเร็ว GPU ที่จำเป็นสำหรับเวลาแฝงการอนุมานต่ำ แต่ที่จุดราคาที่ต่ำกว่า หลังจากที่คุณกำหนดค่าอินสแตนซ์โฮสติ้ง SageMaker แล้ว ให้เลือก ปรับใช้. อาจใช้เวลา 5-10 นาทีจนกว่าปลายทางถาวรของคุณจะเริ่มทำงาน
จากนั้นปลายทางของคุณจะใช้งานได้และพร้อมที่จะตอบสนองต่อคำขออนุมาน!
เพื่อเร่งเวลาในการอนุมาน JumpStart ให้สมุดบันทึกตัวอย่างที่แสดงวิธีรันการอนุมานบนจุดปลายที่ปรับใช้ใหม่ของคุณ เลือก เปิดสมุดบันทึก ภายใต้ ใช้ปลายทาง จากสตูดิโอ
ฝึกฝนโมเดลที่ปรับแต่งอย่างละเอียดและปรับใช้
เมื่อการปรับแต่งเสร็จสิ้น คุณสามารถฝึกโมเดลเพิ่มเติมเพื่อเพิ่มประสิทธิภาพได้ ขั้นตอนนี้คล้ายกับกระบวนการปรับแต่งเบื้องต้นมาก ยกเว้นว่าเราใช้แบบจำลองที่ปรับแต่งแล้วเป็นจุดเริ่มต้น คุณสามารถใช้ข้อมูลใหม่ได้ แต่รูปแบบชุดข้อมูลต้องเหมือนกัน (ชุดคลาสเดียวกัน)
ใช้ JumpStart โดยทางโปรแกรมกับ SageMaker SDK
ในส่วนก่อนหน้านี้ เราได้แสดงวิธีที่คุณสามารถใช้ JumpStart UI เพื่อปรับแต่ง ปรับใช้ และฝึกโมเดลแบบโต้ตอบได้ภายในไม่กี่คลิก คุณยังสามารถใช้โมเดลของ JumpStart และปรับแต่งอย่างง่ายโดยทางโปรแกรมได้โดยใช้ API ที่รวมเข้ากับ SageMaker SDK ตอนนี้เราจะยกตัวอย่างสั้นๆ เกี่ยวกับวิธีที่คุณสามารถทำซ้ำกระบวนการก่อนหน้านี้ ขั้นตอนทั้งหมดในการสาธิตนี้มีอยู่ในโน้ตบุ๊กที่ให้มาด้วย ข้อมูลเบื้องต้นเกี่ยวกับ JumpStart – การจัดประเภทรูปภาพ.
ปรับแต่งโมเดลที่ฝึกไว้ล่วงหน้าอย่างละเอียด
ในการปรับแต่งโมเดลที่เลือกอย่างละเอียด เราจำเป็นต้องได้รับ URI ของโมเดลนั้น เช่นเดียวกับของสคริปต์การฝึกและอิมเมจคอนเทนเนอร์ที่ใช้สำหรับการฝึก โชคดีที่อินพุตทั้งสามนี้ขึ้นอยู่กับชื่อรุ่น เวอร์ชันเท่านั้น (สำหรับรายการรุ่นที่มี โปรดดูที่ ตารางรุ่นที่มีจำหน่ายของ JumpStart) และประเภทของอินสแตนซ์ที่คุณต้องการฝึก สิ่งนี้แสดงให้เห็นในข้อมูลโค้ดต่อไปนี้:
เราดึง model_id
สอดคล้องกับรุ่นเดียวกับที่เราใช้ก่อนหน้านี้ ไอซีในตัวระบุสอดคล้องกับการจัดประเภทรูปภาพ
ตอนนี้คุณสามารถปรับแต่งโมเดล JumpStart นี้บนชุดข้อมูลที่คุณกำหนดเองได้โดยใช้ SageMaker SDK เราก็ใช้เหมือนกัน tf_flowers
ชุดข้อมูลที่โฮสต์แบบสาธารณะใน Amazon S3 ซึ่งเน้นไปที่การวิเคราะห์ความเชื่อมั่นอย่างสะดวก ชุดข้อมูลของคุณควรมีโครงสร้างสำหรับการปรับแต่งตามที่อธิบายไว้ในส่วนก่อนหน้า ดูโค้ดตัวอย่างต่อไปนี้:
เราได้รับไฮเปอร์พารามิเตอร์เริ่มต้นเดียวกันสำหรับโมเดลที่เลือกของเราเหมือนกับที่เราเห็นในส่วนก่อนหน้า โดยใช้ sagemaker.hyperparameters.retrieve_default()
. จากนั้นเราจะสร้างอินสแตนซ์ตัวประมาณของ SageMaker และเรียกใช้เมธอด .fit เพื่อเริ่มปรับแต่งโมเดลของเราแบบละเอียด โดยส่งต่อ Amazon S3 URI สำหรับข้อมูลการฝึกของเรา อย่างที่คุณเห็น entry_point
สคริปต์ที่ให้มามีชื่อว่า transfer_learning.py
(เหมือนกันสำหรับงานและรุ่นอื่น ๆ ) และช่องข้อมูลอินพุตที่ส่งผ่านไปยัง .fit
ต้องชื่อ training
.
การปรับใช้แบบจำลองที่ปรับแต่งอย่างละเอียด
เมื่อการฝึกอบรมเสร็จสิ้น คุณสามารถปรับใช้แบบจำลองที่ปรับแต่งแล้วของคุณ ในการทำเช่นนั้น สิ่งที่เราต้องมีคือ URI สคริปต์การอนุมาน (โค้ดที่กำหนดวิธีการใช้โมเดลสำหรับการอนุมานเมื่อปรับใช้) และ URI อิมเมจคอนเทนเนอร์การอนุมาน ซึ่งรวมถึงเซิร์ฟเวอร์โมเดลที่เหมาะสมเพื่อโฮสต์โมเดลที่เราเลือก ดูรหัสต่อไปนี้:
หลังจากนั้นไม่กี่นาที โมเดลของเราก็จะถูกปรับใช้และเราสามารถรับการคาดคะเนได้แบบเรียลไทม์!
ต่อไป เราเรียกใช้จุดสิ้นสุดเพื่อคาดการณ์ว่าดอกไม้ประเภทใดที่มีอยู่ในภาพตัวอย่าง เราใช้ query_endpoint
และ parse_response
ฟังก์ชันตัวช่วยที่กำหนดไว้ในเอกสารประกอบ สมุดบันทึก.
ฝึกฝนโมเดลที่ปรับแต่งอย่างละเอียดและปรับใช้ใหม่
เราสามารถเพิ่มประสิทธิภาพของโมเดลที่ปรับแต่งแล้วโดยการฝึกเพิ่มเติมเกี่ยวกับรูปภาพใหม่ คุณสามารถใช้รูปภาพใหม่หรือเก่าจำนวนเท่าใดก็ได้สำหรับสิ่งนี้ อย่างไรก็ตาม รูปแบบชุดข้อมูลจะต้องยังคงเหมือนเดิม (ชุดคลาสเดียวกัน) ขั้นตอนการฝึกแบบเพิ่มหน่วยจะคล้ายกับกระบวนการปรับละเอียด โดยมีความแตกต่างที่สำคัญ: ในการปรับละเอียดเบื้องต้น เราเริ่มต้นด้วยแบบจำลองที่ผ่านการฝึกอบรมมาแล้ว ในขณะที่การฝึกอบรมส่วนเพิ่ม เราจะเริ่มต้นด้วยแบบจำลองที่ปรับแต่งแล้วที่มีอยู่ ดูรหัสต่อไปนี้:
เมื่อการฝึกอบรมเสร็จสิ้น เราสามารถใช้ขั้นตอนเดียวกับที่อธิบายไว้ในส่วนก่อนหน้าเพื่อปรับใช้โมเดล
สรุป
JumpStart เป็นความสามารถใน SageMaker ที่ช่วยให้คุณเริ่มต้นใช้งาน ML ได้อย่างรวดเร็ว JumpStart ใช้โมเดลโอเพนซอร์สที่ได้รับการฝึกฝนมาล่วงหน้าเพื่อแก้ปัญหา ML ทั่วไป เช่น การจัดประเภทรูปภาพ การตรวจจับวัตถุ การจัดประเภทข้อความ การจัดประเภทคู่ประโยค และการตอบคำถาม
ในโพสต์นี้ เราแสดงให้คุณเห็นถึงวิธีการปรับแต่งและปรับใช้โมเดลการจัดประเภทรูปภาพที่ได้รับการฝึกอบรมล่วงหน้า เรายังได้แสดงวิธีฝึกโมเดลที่ปรับแต่งอย่างละเอียดสำหรับการจัดประเภทรูปภาพแบบค่อยเป็นค่อยไป ด้วย JumpStart คุณสามารถดำเนินการตามขั้นตอนนี้ได้อย่างง่ายดายโดยไม่จำเป็นต้องเขียนโค้ด ลองใช้วิธีแก้ปัญหาด้วยตัวคุณเองและแจ้งให้เราทราบว่าเป็นอย่างไรในความคิดเห็น หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ JumpStart โปรดดูวิดีโอ AWS re:Invent 2020 เริ่มต้นใช้งาน ML ในไม่กี่นาทีด้วย Amazon SageMaker JumpStart.
อ้างอิง
- ทีมงาน TensorFlow, 2019
เกี่ยวกับผู้เขียน
ดร.วิเวก มะดัน เป็นนักวิทยาศาสตร์ประยุกต์กับทีม Amazon SageMaker JumpStart เขาได้รับปริญญาเอกของเขา จากมหาวิทยาลัยอิลลินอยส์ Urbana-Champaign และเป็นนักวิจัยหลังปริญญาเอกที่ Georgia Tech เขาเป็นนักวิจัยเชิงรุกด้านการเรียนรู้ของเครื่องและการออกแบบอัลกอริธึม และได้ตีพิมพ์เอกสารในการประชุม EMNLP, ICLR, COLT, FOCS และ SODA
ชูเอา มูร่า เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ AI/ML ที่ Amazon Web Services เขามุ่งเน้นไปที่กรณีการใช้งาน NLP เป็นส่วนใหญ่ และช่วยให้ลูกค้าปรับการฝึกอบรมและปรับใช้โมเดลการเรียนรู้เชิงลึกให้เหมาะสมที่สุด เขายังเป็นผู้สนับสนุนโซลูชัน ML แบบ low-code และฮาร์ดแวร์เฉพาะสำหรับ ML
ดร. Ashish Khetan เป็นนักวิทยาศาสตร์ประยุกต์อาวุโสด้วย Amazon SageMaker JumpStart และ อัลกอริทึมในตัวของ Amazon SageMaker และช่วยพัฒนาอัลกอริธึมการเรียนรู้ของเครื่อง เขาเป็นนักวิจัยเชิงรุกด้านการเรียนรู้ของเครื่องและการอนุมานทางสถิติ และได้ตีพิมพ์บทความจำนวนมากในการประชุม NeurIPS, ICML, ICLR, JMLR, ACL และ EMNLP
- '
- "
- 100
- 2020
- a
- ความสามารถ
- เกี่ยวกับเรา
- เร่งความเร็ว
- ถูกต้อง
- ข้าม
- คล่องแคล่ว
- ที่อยู่
- ขั้นตอนวิธี
- อัลกอริทึม
- ทั้งหมด
- การอนุญาต
- ช่วยให้
- แล้ว
- อเมซอน
- Amazon Web Services
- จำนวน
- การวิเคราะห์
- ประกาศ
- ประกาศ
- อื่น
- ทุกแห่ง
- API
- APIs
- การใช้งาน
- ประยุกต์
- ใช้
- เหมาะสม
- ความพร้อมใช้งาน
- ใช้ได้
- AWS
- เพราะ
- บล็อก
- บล็อกโพสต์
- built-in
- ธุรกิจ
- โทรศัพท์
- สามารถรับ
- ความสามารถในการ
- กรณี
- กรณี
- Choose
- ชั้น
- ชั้นเรียน
- การจัดหมวดหมู่
- รหัส
- ชุด
- ความคิดเห็น
- ร่วมกัน
- ชุมชน
- สมบูรณ์
- สงบ
- การประชุม
- องค์ประกอบ
- ปลอบใจ
- ภาชนะ
- มี
- เนื้อหา
- การควบคุม
- ตรงกัน
- ค่าใช้จ่าย
- สร้าง
- ประเพณี
- ลูกค้า
- ปรับแต่งได้
- ข้อมูล
- ลึก
- ความต้องการ
- สาธิต
- แสดงให้เห็นถึง
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- อธิบาย
- ออกแบบ
- รายละเอียด
- การตรวจพบ
- พัฒนา
- พัฒนา
- พัฒนาการ
- ความแตกต่าง
- ต่าง
- Dimension
- โดยตรง
- นักเทียบท่า
- โดเมน
- แต่ละ
- อย่างง่ายดาย
- ง่ายต่อการใช้งาน
- ความพยายาม
- ช่วยให้
- การเข้ารหัสลับ
- จบสิ้น
- ปลายทาง
- Enterprise
- สิ่งแวดล้อม
- ตัวอย่าง
- ตัวอย่าง
- ยกเว้น
- ตื่นเต้น
- ที่มีอยู่
- ขยาย
- ที่คาดหวัง
- ใบหน้า
- ลักษณะ
- คุณสมบัติ
- ทางการเงิน
- พอดี
- มุ่งเน้น
- ดังต่อไปนี้
- รูป
- ราคาเริ่มต้นที่
- ฟังก์ชั่น
- ต่อไป
- General
- รุ่น
- จอร์เจีย
- GPU
- ฮาร์ดแวร์
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- ลำดับชั้น
- ที่มีคุณภาพสูง
- ถือ
- เป็นเจ้าภาพ
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTTPS
- Hub
- อิลลินอยส์
- ภาพ
- ภาพ
- สำคัญ
- รวมถึง
- เพิ่ม
- อุตสาหกรรม
- ข้อมูล
- อินพุต
- ตัวอย่าง
- แบบบูรณาการ
- การมีปฏิสัมพันธ์
- ร่วมมือ
- IT
- การสัมภาษณ์
- กระโดด
- การเก็บรักษา
- คีย์
- กุญแจ
- ทราบ
- ความรู้
- ฉลาก
- ป้ายกำกับ
- ใหญ่
- เปิดตัว
- ชั้น
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- facelift
- รายการ
- ที่ตั้ง
- ดู
- เครื่อง
- เรียนรู้เครื่อง
- ส่วนใหญ่
- การทำ
- การจัดการ
- เรื่อง
- วิธี
- ML
- แบบ
- โมเดล
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มากที่สุด
- เป็นที่นิยม
- ชื่อ
- สมุดบันทึก
- จำนวน
- มากมาย
- เพิ่มประสิทธิภาพ
- อื่นๆ
- ของตนเอง
- ในสิ่งที่สนใจ
- ที่ผ่านไป
- แบบแผน
- การปฏิบัติ
- จุด
- น่าสงสาร
- ยอดนิยม
- โพสต์
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- ก่อน
- ราคา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- ก่อ
- ผลิตภัณฑ์
- ให้
- ให้
- ให้
- การให้
- วัตถุประสงค์
- คำถาม
- รวดเร็ว
- อย่างรวดเร็ว
- RE
- เมื่อเร็ว ๆ นี้
- ลด
- หมายถึง
- ยังคง
- การวิจัย
- แหล่งข้อมูล
- รับคืน
- วิ่ง
- วิ่ง
- เดียวกัน
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- SDK
- อย่างปลอดภัย
- ความปลอดภัย
- เลือก
- การเลือก
- ความรู้สึก
- บริการ
- ชุด
- คล้ายคลึงกัน
- ง่าย
- ขนาด
- So
- ทางออก
- โซลูชัน
- แก้
- บาง
- ผู้เชี่ยวชาญ
- เริ่มต้น
- ข้อความที่เริ่ม
- ทางสถิติ
- ยังคง
- การเก็บรักษา
- โครงสร้าง
- สตูดิโอ
- สนับสนุน
- การ
- งาน
- ทีม
- เทคโนโลยี
- แม่แบบ
- พื้นที่
- สาม
- ตลอด
- เวลา
- ร่วมกัน
- การฝึกอบรม
- โอน
- ชนิด
- ui
- ภายใต้
- มหาวิทยาลัย
- ปลดล็อค
- us
- ใช้
- ความหลากหลาย
- ต่างๆ
- รุ่น
- วีดีโอ
- วิดีโอ
- เว็บ
- บริการเว็บ
- อะไร
- ในขณะที่
- ภายใน
- ขั้นตอนการทำงาน
- การเขียน
- ของคุณ
- YouTube