Amazon SageMaker Autopilot artık zaman serisi verilerini destekliyor

Amazon SageMaker Otomatik Pilot Verilerinize dayalı olarak en iyi makine öğrenimi (ML) modellerini otomatik olarak oluşturur, eğitir ve ayarlarken tam kontrol ve görünürlüğü korumanıza olanak tanır. az önce duyurduk Autopilot'ta zaman serisi verileri için destek. Zaman serisi verilerinde veya genel olarak sıralama verilerinde regresyon ve sınıflandırma görevlerinin üstesinden gelmek için Otopilot'u kullanabilirsiniz. Zaman serisi verileri, veri noktalarının eşit zaman aralıklarında toplandığı özel bir dizi verisi türüdür.

Verileri manuel olarak hazırlamak, doğru ML modelini seçmek ve parametrelerini optimize etmek, uzman bir uygulayıcı için bile karmaşık bir iştir. En iyi modelleri ve parametrelerini bulabilen otomatik yaklaşımlar mevcut olsa da, bunlar genellikle ağ trafiği, elektrik tüketimi veya zaman içinde kaydedilen ev harcamaları gibi diziler halinde gelen verileri işleyemez. Bu veriler farklı zaman noktalarında elde edilen gözlemler biçimini aldığından, ardışık gözlemler birbirinden bağımsız olarak ele alınamaz ve bir bütün olarak işlenmesi gerekir. Otomatik pilotu, sıralı verilerle ilgili çok çeşitli problemler için kullanabilirsiniz. Örneğin, kötü niyetli etkinlikleri belirlemek için zaman içinde kaydedilen ağ trafiğini sınıflandırabilir veya kişilerin kredi geçmişlerine göre bir ipotek için uygun olup olmadığını belirleyebilirsiniz. Siz zaman serisi verilerini içeren bir veri kümesi sağlarsınız ve gerisini Autopilot halleder, sıralı verileri özel özellik dönüşümleri aracılığıyla işler ve sizin adınıza en iyi modeli bulur.

Otomatik pilot, makine öğrenimi modelleri oluşturmanın ağır yükünü ortadan kaldırır ve verilerinize dayalı olarak en iyi makine öğrenimi modelini otomatik olarak oluşturmanıza, eğitmenize ve ayarlamanıza yardımcı olur. Autopilot, verileriniz üzerinde birkaç algoritma çalıştırır ve hiperparametrelerini tam olarak yönetilen bir bilgi işlem altyapısında ayarlar. Bu yazıda, nasıl kullanabileceğinizi gösteriyoruz otomatik pilot zaman serisi verileri üzerinde sınıflandırma ve regresyon problemlerini çözmek. Bir Otopilot modeli oluşturmaya ve eğitmeye ilişkin talimatlar için, bkz. Amazon SageMaker Autopilot ile Müşteri Kaybı Tahmini.

Otopilot kullanarak zaman serisi veri sınıflandırması

Çalışan bir örnek olarak, zaman serilerinde çok sınıflı bir problemi ele alıyoruz. veri kümesi UWaveGestureLibraryX, önceden tanımlanmış sekiz el hareketinden birini gerçekleştirirken ivmeölçer sensörlerinin eşit uzaklıkta okumalarını içerir. Basit olması için, ivmeölçerin yalnızca X boyutunu ele alıyoruz. Görev, sensör okumalarından önceden tanımlanmış hareketlere kadar zaman serisi verilerini eşleştirmek için bir sınıflandırma modeli oluşturmaktır. Aşağıdaki şekil, veri kümesinin ilk satırlarını CSV formatında göstermektedir. Tablonun tamamı 896 satır ve iki sütundan oluşur: ilk sütun bir hareket etiketidir ve ikinci sütun bir zaman serisi sensör okumalarıdır.

Amazon SageMaker Data Wrangler ile verileri doğru biçime dönüştürün

Sayısal, kategorik ve standart metin sütunlarını kabul etmenin yanı sıra, Autopilot artık bir dizi giriş sütununu da kabul ediyor. Zaman serisi verileriniz bu biçimi izlemiyorsa, kolayca dönüştürebilirsiniz. Amazon SageMaker Veri Düzenleyicisi. Data Wrangler, verileri ML için toplamak ve hazırlamak için gereken süreyi haftalardan dakikalara indirir. Data Wrangler ile veri hazırlama ve özellik mühendisliği sürecini basitleştirebilir ve tek bir görsel arayüzden veri seçimi, temizleme, keşif ve görselleştirme dahil olmak üzere veri hazırlama iş akışının her adımını tamamlayabilirsiniz. Örneğin, aynı veri kümesini ancak farklı bir giriş biçiminde düşünün: her hareket (ID ile belirtilen), ivmeölçerin eşit uzaklıkta ölçümlerinin bir dizisidir. Dikey olarak depolandığında, her satır bir zaman damgası ve bir değer içerir. Aşağıdaki şekil, bu verileri orijinal biçiminde ve bir dizi biçiminde karşılaştırır.

Bu veri kümesini Data Wrangler kullanarak daha önce açıklanan biçime dönüştürmek için, veri kümesini şuradan yükleyin: Amazon Basit Depolama Hizmeti (Amazon S3). Daha sonra zaman serisi Dönüşüme göre gruplandır, aşağıdaki ekran görüntüsünde gösterildiği gibi ve verileri Amazon S3'e CSV formatında geri aktarın.

Veri seti belirlenen formatta olduğunda, Otopilot ile ilerleyebilirsiniz. Data Wrangler'ın diğer zaman serisi transformatörlerini kontrol etmek için bkz. Amazon SageMaker Data Wrangler ile zaman serisi verilerini hazırlayın.

Bir AutoML işi başlatın

Autopilot tarafından desteklenen diğer girdi türlerinde olduğu gibi, veri kümesinin her satırı farklı bir gözlemdir ve her sütun bir özelliktir. Bu örnekte, zaman serisi verilerini içeren tek bir sütunumuz var, ancak birden çok zaman serisi sütununuz olabilir. Ayrıca zaman serisi, metin ve sayısal gibi farklı giriş türlerine sahip birden çok sütununuz olabilir.

için bir Otopilot deneyi oluşturun, veri kümesini bir S3 kovasına yerleştirin ve içinde yeni bir deney oluşturun. Amazon SageMaker Stüdyosu. Aşağıdaki ekran görüntüsünde gösterildiği gibi, deneyin adını, veri kümesinin S3 konumunu, çıktı artefaktları için S3 konumunu ve tahmin edilecek sütun adını belirtmelisiniz.

Autopilot, verileri analiz eder, ML işlem hatları oluşturur ve bu sınıflandırma görevinde varsayılan 250 yineleme hiperparametre optimizasyonu çalıştırır. Aşağıdaki model lider tablosunda gösterildiği gibi, Autopilot 0.821 doğruluğa ulaşır ve tek bir tıklamayla en iyi modeli dağıtabilirsiniz.

Ek olarak, Otopilot bir veri keşif raporu, verilerinizi görselleştirebileceğiniz ve keşfedebileceğiniz yer.

Otopilot için şeffaflık esastır. Aday tanım not defterinde oluşturulan ML işlem hatlarını inceleyebilir ve değiştirebilirsiniz. Aşağıdaki ekran görüntüsü, Autopilot'un zaman serisi transformatörünü birleştirerek bir dizi boru hattını nasıl önerdiğini göstermektedir. TSFeatureExtractor Gradyan destekli karar ağaçları ve doğrusal modeller gibi farklı ML algoritmaları ile. bu TSFeatureExtractor Sizin için yüzlerce zaman serisi özelliği çıkarır ve bunlar daha sonra tahminler yapmak için aşağı akış algoritmalarına beslenir. Zaman serisi özelliklerinin tam listesi için bkz. Çıkarılan özelliklere genel bakış.

Sonuç

Bu gönderide, sadece birkaç tıklamayla zaman serisi sınıflandırma ve regresyon problemlerini çözmek için SageMaker Autopilot'un nasıl kullanılacağını gösterdik.

Otopilot hakkında daha fazla bilgi için, bkz. Amazon SageMaker Otomatik Pilot. SageMaker'ın ilgili özelliklerini keşfetmek için bkz. Amazon SageMaker Veri Düzenleyicisi.

---

Yazarlar Hakkında

Nikita Ivkin Uygulamalı Bilim Adamı, Amazon SageMaker Data Wrangler.

Anne Milbert Amazon SageMaker Otomatik Model Ayarlama üzerinde çalışan bir Yazılım Geliştirme mühendisidir.

Valerio Perrone Amazon SageMaker Otomatik Model Ayarlama ve Otomatik Pilot üzerinde çalışan bir Uygulamalı Bilim Yöneticisidir.

meghana satiş Amazon SageMaker Otomatik Model Ayarlama üzerinde çalışan bir Yazılım Geliştirme mühendisidir.

Ali Tekbiri bir AI/ML uzmanı Çözüm Mimarıdır ve AWS Bulut'ta iş zorluklarını çözmek için Makine Öğrenimi kullanarak müşterilere yardımcı olur.

• Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. SERBEST ERİŞİM.
• KriptoHawk. Altcoin Radarı. Ücretsiz deneme.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-autopilot-now-supports-time-series-data/