การบำรุงรักษาเชิงคาดการณ์มีความสำคัญในอุตสาหกรรมยานยนต์ เนื่องจากสามารถหลีกเลี่ยงความล้มเหลวทางกลไกที่ไม่เป็นไปตามแผนและกิจกรรมการบำรุงรักษาแบบรีแอกทีฟที่ขัดขวางการปฏิบัติงาน การคาดการณ์ความล้มเหลวของยานพาหนะและการตั้งเวลาการบำรุงรักษาและการซ่อมแซม คุณจะลดเวลาหยุดทำงาน ปรับปรุงความปลอดภัย และเพิ่มระดับผลผลิต
จะเกิดอะไรขึ้นถ้าเราสามารถใช้เทคนิคการเรียนรู้เชิงลึกกับพื้นที่ทั่วไปที่ทำให้รถเสีย การหยุดทำงานโดยไม่ได้วางแผน และค่าซ่อม
ในโพสต์นี้ เราจะแสดงวิธีฝึกและปรับใช้แบบจำลองเพื่อคาดการณ์ความน่าจะเป็นของความล้มเหลวของยานพาหนะโดยใช้ Amazon SageMaker JumpStart. SageMaker Jumpstart เป็นศูนย์กลางการเรียนรู้ของเครื่อง (ML) อเมซอน SageMakerจัดเตรียมแบบจำลองที่ได้รับการฝึกอบรมล่วงหน้าและเผยแพร่ต่อสาธารณะสำหรับปัญหาประเภทต่างๆ ที่หลากหลายเพื่อช่วยให้คุณเริ่มต้นใช้งาน ML วิธีแก้ปัญหาที่ระบุไว้ในโพสต์มีอยู่ใน GitHub.
เทมเพลตโซลูชัน SageMaker JumpStart
SageMaker JumpStart ให้โซลูชันแบบ end-to-end แบบคลิกเดียวสำหรับกรณีการใช้งาน ML ทั่วไปจำนวนมาก สำรวจกรณีการใช้งานต่อไปนี้สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเทมเพลตโซลูชันที่มี:
เทมเพลตโซลูชัน SageMaker JumpStart ครอบคลุมกรณีการใช้งานที่หลากหลาย ภายใต้แต่ละเทมเพลตโซลูชันที่นำเสนอที่แตกต่างกัน (โซลูชันในโพสต์นี้ การบำรุงรักษาเชิงคาดการณ์สำหรับกลุ่มยานยนต์, อยู่ใน โซลูชัน ส่วน). เลือกเทมเพลตโซลูชันที่เหมาะกับกรณีการใช้งานของคุณมากที่สุดจากหน้า Landing Page ของ SageMaker JumpStart สำหรับข้อมูลเพิ่มเติมเกี่ยวกับโซลูชันเฉพาะในแต่ละกรณีการใช้งาน และวิธีการเปิดใช้โซลูชัน SageMaker JumpStart โปรดดู เทมเพลตโซลูชัน.
ภาพรวมโซลูชัน
โซลูชันการบำรุงรักษาเชิงคาดการณ์ของ AWS สำหรับกลุ่มยานยนต์ใช้เทคนิคการเรียนรู้เชิงลึกกับพื้นที่ทั่วไปที่ขับเคลื่อนความล้มเหลวของยานพาหนะ การหยุดทำงานที่ไม่ได้วางแผนไว้ และค่าใช้จ่ายในการซ่อมแซม มันทำหน้าที่เป็นองค์ประกอบเริ่มต้นเพื่อให้คุณได้รับการพิสูจน์แนวคิดในช่วงเวลาสั้นๆ โซลูชันนี้มีฟังก์ชันการเตรียมข้อมูลและการแสดงภาพภายใน SageMaker และช่วยให้คุณสามารถฝึกฝนและปรับไฮเปอร์พารามิเตอร์ของโมเดลการเรียนรู้เชิงลึกสำหรับชุดข้อมูลของคุณให้เหมาะสม คุณสามารถใช้ข้อมูลของคุณเองหรือลองใช้โซลูชันด้วยชุดข้อมูลสังเคราะห์ซึ่งเป็นส่วนหนึ่งของโซลูชันนี้ เวอร์ชันนี้ประมวลผลข้อมูลเซ็นเซอร์ของรถเมื่อเวลาผ่านไป รุ่นต่อมาจะประมวลผลข้อมูลบันทึกการบำรุงรักษา
แผนภาพต่อไปนี้สาธิตวิธีการใช้โซลูชันนี้กับส่วนประกอบของ SageMaker เป็นส่วนหนึ่งของโซลูชัน มีการใช้บริการต่อไปนี้:
- Amazon S3 - เราใช้ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) เพื่อจัดเก็บชุดข้อมูล
- สมุดบันทึก SageMaker – เราใช้สมุดบันทึกเพื่อประมวลผลล่วงหน้าและแสดงข้อมูลเป็นภาพ และเพื่อฝึกฝนโมเดลการเรียนรู้เชิงลึก
- ปลายทาง SageMaker – เราใช้จุดสิ้นสุดเพื่อปรับใช้โมเดลที่ผ่านการฝึกอบรม
เวิร์กโฟลว์ประกอบด้วยขั้นตอนต่อไปนี้:
- การแยกข้อมูลประวัติถูกสร้างขึ้นจากระบบการจัดการยานพาหนะที่มีข้อมูลยานพาหนะและบันทึกเซ็นเซอร์
- หลังจากฝึกโมเดล ML แล้ว จะมีการปรับใช้อาร์ติแฟกต์โมเดลของ SageMaker
- ยานพาหนะที่เชื่อมต่อจะส่งบันทึกเซ็นเซอร์ไปยัง AWS IoT คอร์ (อีกวิธีหนึ่งคือผ่านอินเทอร์เฟซ HTTP)
- บันทึกเซ็นเซอร์ยังคงอยู่ผ่าน สายไฟ Amazon Kinesis Data.
- บันทึกเซ็นเซอร์ถูกส่งไปที่ AWS แลมบ์ดา สำหรับการสอบถามกับโมเดลเพื่อทำการทำนาย
- แลมบ์ดาส่งบันทึกเซ็นเซอร์ไปยังการอนุมานแบบจำลองของ Sagemaker เพื่อการคาดคะเน
- การคาดการณ์ยังคงอยู่ใน อเมซอน ออโรร่า.
- ผลลัพธ์รวมจะแสดงบน อเมซอน QuickSight แผงควบคุม.
- การแจ้งเตือนตามเวลาจริงเกี่ยวกับความน่าจะเป็นของความล้มเหลวที่คาดการณ์ไว้จะถูกส่งไปที่ บริการแจ้งเตือนแบบง่ายของ Amazon (อเมซอน SNS).
- Amazon SNS ส่งการแจ้งเตือนกลับไปยังยานพาหนะที่เชื่อมต่อ
โซลูชันประกอบด้วยโน้ตบุ๊กหกเครื่อง:
- 0_demo.ipynb – ตัวอย่างอย่างรวดเร็วของโซลูชันของเรา
- 1_introduction.ipynb – บทนำและภาพรวมของโซลูชัน
- 2_data_preparation.ipynb – เตรียมชุดข้อมูลตัวอย่าง
- 3_data_visualization.ipynb – เห็นภาพชุดข้อมูลตัวอย่างของเรา
- 4_model_training.ipynb – ฝึกโมเดลในชุดข้อมูลตัวอย่างของเราเพื่อตรวจหาความล้มเหลว
- 5_results_analysis.ipynb – วิเคราะห์ผลลัพธ์จากโมเดลที่เราฝึก
เบื้องต้น
สตูดิโอ Amazon SageMaker คือสภาพแวดล้อมการพัฒนาแบบบูรณาการ (IDE) ภายใน SageMaker ที่ให้คุณสมบัติ ML ทั้งหมดที่เราต้องการในบานหน้าต่างเดียว ก่อนที่เราจะเรียกใช้ SageMaker JumpStart เราต้องตั้งค่า SageMaker Studio ก่อน คุณสามารถข้ามขั้นตอนนี้ได้หากคุณใช้งาน SageMaker Studio เวอร์ชันของคุณเองอยู่แล้ว
สิ่งแรกที่เราต้องทำก่อนที่เราจะใช้บริการของ AWS ได้คือต้องแน่ใจว่าเราได้สมัครใช้งานและสร้างบัญชี AWS แล้ว จากนั้นเราจะสร้างผู้ใช้ที่เป็นผู้ดูแลระบบและกลุ่ม สำหรับคำแนะนำเกี่ยวกับทั้งสองขั้นตอน โปรดดูที่ ตั้งค่าข้อกำหนดเบื้องต้นของ Amazon SageMaker.
ขั้นตอนต่อไปคือการสร้างโดเมน SageMaker โดเมนตั้งค่าพื้นที่เก็บข้อมูลทั้งหมดและอนุญาตให้คุณเพิ่มผู้ใช้เพื่อเข้าถึง SageMaker สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ออนบอร์ดไปยังโดเมน Amazon SageMaker. การสาธิตนี้สร้างขึ้นในภูมิภาค AWS us-east-1
สุดท้าย คุณเปิดใช้ SageMaker Studio สำหรับโพสต์นี้ เราขอแนะนำให้เปิดแอปโปรไฟล์ผู้ใช้ สำหรับคำแนะนำ โปรดดูที่ เปิดตัว Amazon SageMaker Studio.
ในการเรียกใช้โซลูชัน SageMaker JumpStart นี้และปรับใช้โครงสร้างพื้นฐานกับบัญชี AWS ของคุณ คุณต้องสร้างอินสแตนซ์ SageMaker Studio ที่ใช้งานอยู่ (ดู ออนบอร์ดไปที่ Amazon SageMaker Studio). เมื่ออินสแตนซ์ของคุณพร้อม ให้ใช้คำแนะนำใน SageMaker JumpStart เพื่อเปิดโซลูชัน สิ่งประดิษฐ์ของโซลูชันรวมอยู่ในสิ่งนี้ พื้นที่เก็บข้อมูล GitHub สำหรับอ้างอิง.
เรียกใช้โซลูชัน SageMaker Jumpstart
หากต้องการเริ่มต้นใช้งานโซลูชัน ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล SageMaker Studio เลือก เริ่มกระโดด.
- เกี่ยวกับ โซลูชัน เลือกแท็บ การบำรุงรักษาเชิงคาดการณ์สำหรับกลุ่มยานยนต์.
- Choose ยิง.
ใช้เวลาสองสามนาทีในการปรับใช้โซลูชัน - หลังจากปรับใช้โซลูชันแล้ว ให้เลือก เปิดสมุดบันทึก
หากคุณได้รับแจ้งให้เลือกเคอร์เนล ให้เลือก PyTorch 1.8 Python 3.6 สำหรับโน้ตบุ๊กทั้งหมดในโซลูชันนี้
การแสดงตัวอย่างโซลูชัน
ครั้งแรกที่เราทำงานเกี่ยวกับ 0_demo.ipynb
สมุดบันทึก. ในสมุดบันทึกนี้ คุณสามารถดูตัวอย่างอย่างรวดเร็วว่าผลลัพธ์จะเป็นอย่างไรเมื่อคุณทำสมุดบันทึกฉบับสมบูรณ์สำหรับโซลูชันนี้
Choose วิ่ง และ เรียกใช้ทุกเซลล์ เพื่อเรียกใช้เซลล์ทั้งหมดใน SageMaker Studio (หรือ เซลล์ และ วิ่งทั้งหมด ในอินสแตนซ์โน้ตบุ๊ก SageMaker) คุณสามารถเรียกใช้เซลล์ทั้งหมดในสมุดบันทึกแต่ละรายการได้ทีละเซลล์ ตรวจสอบให้แน่ใจว่าเซลล์ทั้งหมดเสร็จสิ้นการประมวลผลก่อนที่จะย้ายไปยังสมุดบันทึกถัดไป
โซลูชันนี้ใช้ไฟล์กำหนดค่าเพื่อเรียกใช้ทรัพยากร AWS ที่จัดเตรียมไว้ เราสร้างไฟล์ดังนี้:
เรามีตัวอย่างข้อมูลอินพุตอนุกรมเวลาซึ่งประกอบด้วยแรงดันแบตเตอรี่ของรถยนต์และกระแสแบตเตอรี่เมื่อเวลาผ่านไป ต่อไป เราจะโหลดและแสดงภาพข้อมูลตัวอย่าง ดังที่แสดงในภาพหน้าจอต่อไปนี้ ค่าแรงดันและกระแสไฟฟ้าจะอยู่บนแกน Y และค่าที่อ่านได้ (บันทึกค่าที่อ่านได้ 19 ครั้ง) จะอยู่ที่แกน X
ก่อนหน้านี้ เราได้ฝึกแบบจำลองเกี่ยวกับข้อมูลแรงดันและกระแสนี้ ซึ่งคาดการณ์ความน่าจะเป็นของความล้มเหลวของยานพาหนะ และได้นำแบบจำลองไปใช้เป็นจุดสิ้นสุดใน SageMaker เราจะเรียกจุดสิ้นสุดนี้ด้วยข้อมูลตัวอย่างบางส่วนเพื่อพิจารณาความน่าจะเป็นของความล้มเหลวในช่วงเวลาถัดไป
จากข้อมูลอินพุตตัวอย่าง ความน่าจะเป็นที่คาดการณ์ไว้ของความล้มเหลวคือ 45.73%
หากต้องการเลื่อนไปยังขั้นต่อไป ให้เลือก คลิกที่นี่เพื่อดำเนินการต่อ.
บทนำและภาพรวมของโซลูชัน
พื้นที่ 1_introduction.ipynb
สมุดบันทึกให้ภาพรวมของโซลูชันและระยะต่างๆ และดูไฟล์การกำหนดค่าที่มีข้อกำหนดเนื้อหา ระยะเวลาสุ่มตัวอย่างข้อมูล ฝึกและทดสอบจำนวนตัวอย่าง พารามิเตอร์ ตำแหน่ง และชื่อคอลัมน์สำหรับเนื้อหาที่สร้างขึ้น
หลังจากที่คุณตรวจสอบสมุดบันทึกนี้แล้ว คุณสามารถไปยังขั้นตอนถัดไปได้
เตรียมชุดข้อมูลตัวอย่าง
เราเตรียมชุดข้อมูลตัวอย่างใน 2_data_preparation.ipynb
สมุดบันทึก.
ก่อนอื่น เราสร้างไฟล์การกำหนดค่าสำหรับโซลูชันนี้:
คุณสมบัติการกำหนดค่ามีดังนี้:
คุณสามารถกำหนดชุดข้อมูลของคุณเองหรือใช้สคริปต์ของเราเพื่อสร้างชุดข้อมูลตัวอย่าง:
คุณสามารถรวมข้อมูลเซ็นเซอร์และข้อมูลยานพาหนะเข้าด้วยกัน:
ตอนนี้เราสามารถย้ายไปที่การแสดงข้อมูล
แสดงภาพชุดข้อมูลตัวอย่างของเรา
เราแสดงภาพชุดข้อมูลตัวอย่างของเราใน 3_data_vizualization.ipynb
. โซลูชันนี้ใช้ไฟล์กำหนดค่าเพื่อเรียกใช้ทรัพยากร AWS ที่จัดเตรียมไว้ มาสร้างไฟล์ที่คล้ายกับโน้ตบุ๊กก่อนหน้านี้
ภาพหน้าจอต่อไปนี้แสดงชุดข้อมูลของเรา
ต่อไป มาสร้างชุดข้อมูลกัน:
เมื่อชุดข้อมูลพร้อมแล้ว เรามาแสดงภาพสถิติข้อมูลกัน ภาพหน้าจอต่อไปนี้แสดงการกระจายข้อมูลตามยี่ห้อรถ ประเภทเครื่องยนต์ คลาสรถ และรุ่น
เปรียบเทียบข้อมูลบันทึก ลองดูตัวอย่างค่าเฉลี่ยของแรงดันไฟฟ้าในปีต่างๆ สำหรับ Make E และ C (สุ่ม)
ค่าเฉลี่ยของแรงดันและกระแสอยู่ที่แกน Y และจำนวนการอ่านอยู่ที่แกน X
- ค่าที่เป็นไปได้สำหรับ log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- ค่าที่กำหนดแบบสุ่มสำหรับ
log_target: make
- ค่าที่กำหนดแบบสุ่มสำหรับ
- ค่าที่เป็นไปได้สำหรับ log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- ค่าที่กำหนดแบบสุ่มสำหรับ
log_target_value1: Make B
- ค่าที่กำหนดแบบสุ่มสำหรับ
- ค่าที่เป็นไปได้สำหรับ log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- ค่าที่กำหนดแบบสุ่มสำหรับ
log_target_value2: Make D
- ค่าที่กำหนดแบบสุ่มสำหรับ
จากข้างต้นเราถือว่า log_target: make
, log_target_value1: Make B
และ log_target_value2: Make D
กราฟต่อไปนี้แบ่งค่าเฉลี่ยของข้อมูลบันทึก
กราฟต่อไปนี้แสดงตัวอย่างค่าล็อกของเซ็นเซอร์ต่างๆ เทียบกับแรงดันและกระแส
ฝึกโมเดลในชุดข้อมูลตัวอย่างของเราเพื่อตรวจหาความล้มเหลว
ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร 4_model_training.ipynb
สมุดบันทึก เราฝึกโมเดลในชุดข้อมูลตัวอย่างของเราเพื่อตรวจหาความล้มเหลว
มาสร้างไฟล์คอนฟิกูเรชันที่คล้ายกับโน้ตบุ๊กรุ่นก่อน จากนั้นดำเนินการตั้งค่าคอนฟิกการฝึกอบรม:
วิเคราะห์ผลลัพธ์จากโมเดลที่เราฝึก
ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร 5_results_analysis.ipynb
เราได้รับข้อมูลจากงานปรับแต่งไฮเปอร์พารามิเตอร์ แสดงภาพเมตริกของงานทั้งหมดเพื่อระบุงานที่ดีที่สุด และสร้างจุดสิ้นสุดสำหรับงานฝึกอบรมที่ดีที่สุด
มาสร้างไฟล์การกำหนดค่าที่คล้ายกับโน้ตบุ๊กรุ่นก่อนหน้า และแสดงภาพเมตริกของงานทั้งหมด โครงเรื่องต่อไปนี้แสดงภาพความแม่นยำในการทดสอบเทียบกับยุค
ภาพหน้าจอต่อไปนี้แสดงงานการปรับไฮเปอร์พารามิเตอร์ที่เราเรียกใช้
ตอนนี้ คุณสามารถแสดงภาพข้อมูลจากงานฝึกอบรมที่ดีที่สุด (จากงานฝึกอบรมสี่งาน) ตามความแม่นยำในการทดสอบ (สีแดง)
ดังที่เราเห็นในภาพหน้าจอต่อไปนี้ การสูญเสียการทดสอบลดลงและ AUC และความแม่นยำเพิ่มขึ้นตามยุค
จากการแสดงภาพ ตอนนี้เราสามารถสร้างจุดสิ้นสุดสำหรับงานฝึกอบรมที่ดีที่สุด:
หลังจากที่เราสร้างจุดสิ้นสุด เราสามารถทดสอบตัวทำนายโดยส่งตัวอย่างบันทึกเซ็นเซอร์:
จากข้อมูลอินพุตตัวอย่าง ความน่าจะเป็นที่คาดการณ์ไว้ของความล้มเหลวคือ 34.60% .
ทำความสะอาด
เมื่อคุณดำเนินการแก้ไขปัญหานี้เสร็จแล้ว ตรวจสอบให้แน่ใจว่าคุณลบทรัพยากร AWS ที่ไม่ต้องการทั้งหมดแล้ว บน การบำรุงรักษาเชิงคาดการณ์สำหรับกลุ่มยานยนต์ หน้าภายใต้ ลบโซลูชันเลือก ลบทรัพยากรทั้งหมด เพื่อลบทรัพยากรทั้งหมดที่เกี่ยวข้องกับโซลูชัน
คุณต้องลบทรัพยากรเพิ่มเติมใดๆ ที่คุณอาจสร้างไว้ในสมุดบันทึกนี้ด้วยตนเอง ตัวอย่างบางส่วนรวมถึงบัคเก็ต S3 พิเศษ (สำหรับบัคเก็ตเริ่มต้นของโซลูชัน) และจุดสิ้นสุด SageMaker พิเศษ (โดยใช้ชื่อที่กำหนดเอง)
ปรับแต่งโซลูชัน
โซลูชันของเราปรับแต่งได้ง่าย หากต้องการแก้ไขการแสดงข้อมูลอินพุต โปรดดูที่ sagemaker/3_data_visualization.ipynb. หากต้องการปรับแต่งแมชชีนเลิร์นนิง โปรดดูที่ sagemaker/source/train.py และ sagemaker/source/dl_utils/network.py. หากต้องการปรับแต่งการประมวลผลชุดข้อมูล โปรดดูที่ sagemaker/1_introduction.ipynb เกี่ยวกับวิธีกำหนดไฟล์คอนฟิก
นอกจากนี้ คุณสามารถเปลี่ยนการกำหนดค่าในไฟล์กำหนดค่า การกำหนดค่าเริ่มต้นมีดังนี้:
ไฟล์ปรับแต่งมีพารามิเตอร์ต่อไปนี้:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
และtest_dataset_fn
กำหนดตำแหน่งของไฟล์ชุดข้อมูลvehicle_id_column
,timestamp_column
,target_column
และperiod_column
กำหนดส่วนหัวของคอลัมน์dataset_size
,chunksize
,processing_chunksize
,period_ms
และwindow_length
กำหนดคุณสมบัติของชุดข้อมูล
สรุป
ในโพสต์นี้ เราได้แสดงวิธีฝึกและปรับใช้โมเดลเพื่อคาดการณ์ความน่าจะเป็นของความล้มเหลวของยานพาหนะโดยใช้ SageMaker JumpStart โซลูชันนี้ใช้โมเดล ML และการเรียนรู้เชิงลึก และให้ข้อมูลอินพุตที่หลากหลาย รวมถึงข้อมูลเซ็นเซอร์ที่เปลี่ยนแปลงตามเวลา เนื่องจากยานพาหนะทุกคันมีมาตรวัดระยะไกลที่แตกต่างกัน คุณจึงสามารถปรับแต่งโมเดลที่ให้มาอย่างละเอียดตามความถี่และประเภทของข้อมูลที่คุณมี
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับสิ่งที่คุณสามารถทำได้ด้วย SageMaker JumpStart โปรดดูที่ต่อไปนี้:
แหล่งข้อมูล
เกี่ยวกับผู้เขียน
ราชกุมาร สัมพัทกุมาร เป็นผู้จัดการบัญชีด้านเทคนิคหลักที่ AWS ซึ่งให้คำแนะนำแก่ลูกค้าเกี่ยวกับการวางแนวเทคโนโลยีทางธุรกิจและสนับสนุนการคิดค้นรูปแบบและกระบวนการดำเนินการบนระบบคลาวด์ขึ้นใหม่ เขาหลงใหลเกี่ยวกับการเรียนรู้ของระบบคลาวด์และแมชชีนเลิร์นนิง Raj ยังเป็นผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงและทำงานร่วมกับลูกค้า AWS เพื่อออกแบบ ปรับใช้ และจัดการปริมาณงานและสถาปัตยกรรม AWS
- 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/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :มี
- :เป็น
- ][หน้า
- $ ขึ้น
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- เกี่ยวกับเรา
- ข้างบน
- เข้า
- ตาม
- ลงชื่อเข้าใช้
- ความถูกต้อง
- ข้าม
- คล่องแคล่ว
- กิจกรรม
- เพิ่ม
- การบริหาร
- หลังจาก
- กับ
- การวางแนว
- ทั้งหมด
- ช่วยให้
- แล้ว
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- วิเคราะห์
- และ
- ใด
- app
- ใช้
- เป็น
- พื้นที่
- AS
- ที่ได้รับมอบหมาย
- ที่เกี่ยวข้อง
- สมมติ
- At
- ยานยนต์
- ใช้ได้
- หลีกเลี่ยง
- AWS
- แกน
- กลับ
- ตาม
- แบตเตอรี่
- เพราะ
- ก่อน
- ที่ดีที่สุด
- ปิดกั้น
- ร่างกาย
- เพิ่ม
- ทั้งสอง
- ทำลาย
- สร้าง
- การก่อสร้าง
- by
- โทรศัพท์
- CAN
- สามารถรับ
- กรณี
- กรณี
- เซลล์
- เปลี่ยนแปลง
- Choose
- ชั้น
- ไคลเอนต์
- เมฆ
- คอลัมน์
- ร่วมกัน
- สมบูรณ์
- ส่วนประกอบ
- แนวคิด
- องค์ประกอบ
- งานที่เชื่อมต่อ
- ประกอบด้วย
- ประกอบ
- ปลอบใจ
- มี
- เนื้อหา
- ค่าใช้จ่าย
- ได้
- หน้าปก
- สร้าง
- ที่สร้างขึ้น
- วิกฤติ
- ปัจจุบัน
- ประเพณี
- ลูกค้า
- ปรับแต่ง
- หน้าปัด
- ข้อมูล
- การเตรียมข้อมูล
- การสร้างภาพข้อมูล
- ลดลง
- ลึก
- การเรียนรู้ลึก ๆ
- ค่าเริ่มต้น
- คำนิยาม
- สาธิต
- แสดงให้เห็นถึง
- ปรับใช้
- นำไปใช้
- ออกแบบ
- กำหนด
- พัฒนาการ
- ต่าง
- แสดง
- ทำลาย
- การกระจาย
- do
- โดเมน
- ลง
- หยุดทำงาน
- ขับรถ
- e
- แต่ละ
- อื่น
- จบสิ้น
- ปลายทาง
- เครื่องยนต์
- ทำให้มั่นใจ
- สิ่งแวดล้อม
- ยุค
- ยุค
- ทุกๆ
- ตัวอย่าง
- ตัวอย่าง
- สำรวจ
- พิเศษ
- สารสกัด
- ความล้มเหลว
- เท็จ
- คุณสมบัติ
- สองสาม
- เนื้อไม่มีมัน
- เสร็จสิ้น
- ชื่อจริง
- FLEET
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- สี่
- เวลา
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชั่น
- สร้าง
- สร้าง
- เครื่องกำเนิดไฟฟ้า
- ได้รับ
- กำหนด
- กระจก
- GPU
- กราฟ
- บัญชีกลุ่ม
- คำแนะนำ
- มี
- he
- ส่วนหัว
- ช่วย
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ทางประวัติศาสตร์
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- Hub
- การเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์
- การปรับแต่งไฮเปอร์พารามิเตอร์
- i
- แยกแยะ
- if
- นำเข้า
- ปรับปรุง
- in
- ประกอบด้วย
- รวม
- รวมถึง
- รวมทั้ง
- เพิ่ม
- อุตสาหกรรม
- ข้อมูล
- โครงสร้างพื้นฐาน
- แรกเริ่ม
- เริ่มต้น
- อินพุต
- ตัวอย่าง
- คำแนะนำการใช้
- แบบบูรณาการ
- อินเตอร์เฟซ
- เข้าไป
- บทนำ
- IOT
- IT
- การสัมภาษณ์
- งาน
- jpg
- JSON
- กุญแจ
- เชื่อมโยงไปถึง
- เปิดตัว
- การเปิดตัว
- เรียนรู้
- การเรียนรู้
- ระดับ
- กดไลก์
- โหลด
- ในประเทศ
- ที่ตั้ง
- เข้าสู่ระบบ
- ดู
- ดูเหมือน
- ปิด
- เครื่อง
- เรียนรู้เครื่อง
- การบำรุงรักษา
- ทำ
- จัดการ
- การจัดการ
- ผู้จัดการ
- ด้วยมือ
- หลาย
- เพิ่ม
- อาจ..
- หมายความ
- เชิงกล
- ผสาน
- ตัวชี้วัด
- นาที
- ML
- แบบ
- โมเดล
- แก้ไข
- ข้อมูลเพิ่มเติม
- ย้าย
- การย้าย
- ชื่อ
- ชื่อ
- จำเป็นต้อง
- ถัดไป
- สมุดบันทึก
- การประกาศ
- การแจ้งเตือน
- ตอนนี้
- จำนวน
- of
- เสนอ
- on
- ONE
- เพียง
- เปิด
- การดำเนินการ
- การดำเนินการ
- การเพิ่มประสิทธิภาพ
- เพิ่มประสิทธิภาพ
- or
- OS
- อื่นๆ
- ของเรา
- ออก
- ผล
- ที่ระบุไว้
- เกิน
- ภาพรวม
- ของตนเอง
- หน้า
- บานหน้าต่าง
- พารามิเตอร์
- ส่วนหนึ่ง
- ที่ผ่านไป
- หลงใหล
- เส้นทาง
- ระยะเวลา
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- กรุณา
- โพสต์
- คาดการณ์
- ที่คาดการณ์
- ทำนาย
- การคาดการณ์
- Predictor
- คาดการณ์
- การจัดเตรียม
- เตรียมการ
- ดูตัวอย่าง
- ก่อน
- ก่อนหน้านี้
- หลัก
- ปัญหา
- กระบวนการ
- กระบวนการ
- การประมวลผล
- ผลผลิต
- โปรไฟล์
- พิสูจน์
- พิสูจน์แนวคิด
- คุณสมบัติ
- ให้
- ให้
- การให้
- สาธารณชน
- หลาม
- ไฟฉาย
- รวดเร็ว
- สุ่ม
- พิสัย
- พร้อม
- แนะนำ
- ระเบียน
- บันทึก
- สีแดง
- ลด
- ภูมิภาค
- ซ่อมแซม
- แหล่งข้อมูล
- คำตอบ
- ผลสอบ
- กลับ
- ทบทวน
- บทบาท
- วิ่ง
- วิ่ง
- ความปลอดภัย
- sagemaker
- ตัวอย่างชุดข้อมูล
- การกำหนด
- ภาพหน้าจอ
- สคริปต์
- Section
- เห็น
- ส่ง
- ส่ง
- ชุด
- ให้บริการอาหาร
- บริการ
- เซสชั่น
- ชุด
- ชุดอุปกรณ์
- หลาย
- สั้น
- โชว์
- แสดงให้เห็นว่า
- แสดง
- แสดงให้เห็นว่า
- ลงนาม
- คล้ายคลึงกัน
- ง่าย
- เดียว
- หก
- ทางออก
- โซลูชัน
- บาง
- แหล่ง
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- ระยะ
- ขั้นตอน
- ข้อความที่เริ่ม
- สถิติ
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- สตูดิโอ
- ภายหลัง
- ที่สนับสนุน
- แน่ใจ
- สังเคราะห์
- ระบบ
- ใช้เวลา
- วิชาการ
- เทคนิค
- เทมเพลต
- แม่แบบ
- ทดสอบ
- ที่
- พื้นที่
- ของพวกเขา
- แล้วก็
- สิ่ง
- นี้
- เวลา
- อนุกรมเวลา
- การประทับเวลา
- ไปยัง
- ร่วมกัน
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- ลอง
- ชนิด
- ชนิด
- ภายใต้
- ที่ไม่พึงประสงค์
- us
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- ผู้ใช้
- การใช้
- ความคุ้มค่า
- ความคุ้มค่า
- ความหลากหลาย
- พาหนะ
- รุ่น
- ผ่านทาง
- การสร้างภาพ
- โวลต์
- แรงดันไฟฟ้า
- vs
- W
- we
- เว็บ
- บริการเว็บ
- อะไร
- เมื่อ
- ที่
- กว้าง
- ช่วงกว้าง
- จะ
- กับ
- ภายใน
- งาน
- เวิร์กโฟลว์
- โรงงาน
- X
- มันแกว
- ปี
- คุณ
- ของคุณ
- ลมทะเล