Amazon SageMaker Veri Düzenleyicisi Makine öğrenimi (ML) için veri toplama ve hazırlama süresini haftalardan dakikalara indirir. SageMaker Data Wrangler ile özellik mühendisliği ve veri hazırlama sürecini kolaylaştırabilir ve veri hazırlama iş akışının her aşamasını (veri seçimi, saflaştırma, keşif, görselleştirme ve uygun ölçekte işleme dahil) tek bir görsel arayüzde tamamlayabilirsiniz. Veriler sıklıkla yönetilebilen veri göllerinde tutulur. AWS Göl Oluşumu, size basit bir izin verme veya iptal etme prosedürünü kullanarak ayrıntılı erişim kontrolü uygulama yeteneği verir. SageMaker Data Wrangler, Lake Formation ile ayrıntılı veri erişim kontrolünü destekler ve Amazon Atina bağlantıları.
SageMaker Data Wrangler'ın artık Lake Formation'ı desteklediğini duyurmaktan mutluluk duyuyoruz. Amazon EMR'si Bu ince taneli veri erişim kısıtlamasını sağlamak için.
Veri bilimcileri gibi veri profesyonelleri verinin gücünden yararlanmak istiyor Apache Spark, kovan, ve çabuk hızlı veri hazırlığı için Amazon EMR'de çalışıyor; ancak öğrenme eğrisi diktir. Müşterilerimiz, dahili metastore veya harici metastore'daki (örn. AWS Tutkal Veri Kataloğu) ve birkaç tıklamayla verileri hazırlayın.
Bu yazıda, SageMaker Data Wrangler'a erişim sağlamak amacıyla Lake Formation'ı merkezi bir veri yönetişim yeteneği olarak ve Amazon EMR'yi büyük veri sorgu motoru olarak nasıl kullanabileceğimizi gösteriyoruz. Lake Formation'ın yetenekleri, merkezi bir yaklaşımla birden fazla hesapta dağıtılmış veri göllerinin güvenliğini sağlamayı ve yönetmeyi basitleştirerek ayrıntılı erişim kontrolü sağlar.
Çözüme genel bakış
Bu çözümü, örnek bir veri kümesi kullanarak uçtan uca kullanım durumuyla gösteriyoruz. TPC veri modeli. Bu veriler, ürünler için işlem verilerini temsil eder ve müşteri demografisi, envanter, web satışları ve promosyonlar gibi bilgileri içerir. Ayrıntılı veri erişim izinlerini göstermek için aşağıdaki iki kullanıcıyı dikkate alıyoruz:
- David, pazarlama ekibinde bir veri bilimcisi. Müşteri segmentasyonuna ilişkin bir model oluşturmakla görevlidir ve yalnızca hassas olmayan müşteri verilerine erişmesine izin verilir.
- Satış ekibinde bir veri bilimcisi olan Tina. Satış tahmini modelini oluşturmakla görevlendirilmiştir ve belirli bir bölge için satış verilerine erişmesi gerekmektedir. Ayrıca ürün ekibine yenilik konusunda yardımcı oluyor ve bu nedenle ürün verilerine de erişmesi gerekiyor.
Mimari şu şekilde uygulanır:
- Lake Formation, veri gölünü yönetir ve ham veriler şurada mevcuttur: Amazon Basit Depolama Hizmeti (Amazon S3) kovaları
- Amazon EMR, veri gölündeki verileri sorgulamak ve Spark kullanarak veri hazırlığı gerçekleştirmek için kullanılır
- AWS Kimlik ve Erişim Yönetimi (IAM) rolleri, Lake Formation'ı kullanarak veri erişimini yönetmek için kullanılır
- SageMaker Data Wrangler, verileri etkileşimli olarak sorgulamak ve hazırlamak için tek görsel arayüz olarak kullanılır
Aşağıdaki diyagram bu mimariyi göstermektedir. Hesap A, çıkarma, dönüştürme ve yükleme (ETL) işlemleri yoluyla elde edilen tüm ML'ye hazır verileri barındıran veri gölü hesabıdır. Hesap B, bir grup veri bilimcinin SageMaker Data Wrangler'ı kullanarak veri dönüşümlerini derleyip çalıştırdığı veri bilimi hesabıdır. Hesap B'deki SageMaker Data Wrangler'ın Lake Formation izinleri aracılığıyla Hesap A'nın veri gölündeki veri tablolarına erişebilmesi için gerekli hakları aktif hale getirmemiz gerekiyor.
sağlanan kullanabilirsiniz AWS CloudFormation Bu çözüme yönelik mimari bileşenleri ayarlamak için yığın.
Önkoşullar
Başlamadan önce, aşağıdaki ön koşullara sahip olduğunuzdan emin olun:
- An AWS hesabı
- Yönetici erişimine sahip bir IAM kullanıcısı
- Bir S3 kovası
AWS CloudFormation ile kaynak sağlayın
Uçtan uca test için mimarideki hizmetleri dağıtan ve tekrarlanan dağıtımları kolaylaştıran bir CloudFormation şablonu sağlıyoruz. Bu şablonun çıktıları aşağıdaki gibidir:
- Veri gölü için bir S3 kovası.
- EMR çalışma zamanı rollerinin etkin olduğu bir EMR kümesi. Amazon EMR ile çalışma zamanı rollerini kullanma hakkında daha fazla ayrıntı için bkz. Amazon EMR adımları için çalışma zamanı rollerini yapılandırın. Çalışma zamanı rollerini EMR kümeleriyle ilişkilendirme, Amazon EMR 6.9'da desteklenir. Aşağıdaki yapılandırmanın yerinde olduğundan emin olun:
- Amazon EMR'de bir güvenlik yapılandırması oluşturun.
- EMR çalışma zamanı rolünün güven politikası, EMR EC2 bulut sunucusu profilinin rolü üstlenmesine izin vermelidir.
- EMR EC2 bulut sunucusu profili rolü, EMR çalışma zamanı rollerini üstlenebilmelidir.
- EMR kümesi aktarım sırasında şifrelemeyle oluşturulmalıdır.
- Ayrıntılı izinlerle data lake'teki verilere erişim için IAM rolleri:
- Pazarlama-veri-erişim-rolü
- Satış-veri-erişim-rolü
- An Amazon SageMaker Studio alanı ve iki kullanıcı profili. Kullanıcılara yönelik SageMaker Studio yürütme rolleri, kullanıcıların ilgili EMR çalışma zamanı rollerini üstlenmelerine olanak tanır.
- EMR bağlantısı için kullanılacak rolün seçimini sağlayan bir yaşam döngüsü yapılandırması.
- TPC verileriyle doldurulmuş bir Göl Oluşumu veritabanı.
- Kurulum için gerekli olan VPC, alt ağlar ve güvenlik grupları gibi ağ kaynakları.
Aktarılan veriler için Amazon EMR şifreleme sertifikaları oluşturun
Amazon EMR sürüm 4.8.0 veya üzeri sürümlerde, bir güvenlik yapılandırması kullanarak aktarım halindeki verileri şifrelemek için yapıları belirleme seçeneğiniz vardır. PEM sertifikalarını manuel olarak oluşturuyoruz, bunları bir .zip dosyasına dahil ediyoruz, bunu bir S3 klasörüne yüklüyoruz ve ardından Amazon S3'teki .zip dosyasına başvuruyoruz. Büyük olasılıkla özel anahtar PEM dosyasını, küme örneklerinizin bulunduğu VPC etki alanına erişim sağlayan bir joker karakter sertifikası olacak şekilde yapılandırmak isteyebilirsiniz. Örneğin, kümeniz us-east-1 Bölgesi'nde bulunuyorsa, sertifika yapılandırmasında kümeye erişime izin veren ortak bir ad belirtebilirsiniz. CN=*.ec2.internal
Sertifika konusu tanımında. Kümeniz şurada bulunuyorsa us-west-2
, belirtebilirsiniz CN=*.us-west-2.compute.internal
.
Sistem terminalinizi kullanarak aşağıdaki komutları çalıştırın. Bu, PEM sertifikaları oluşturacak ve bunları bir .zip dosyasında harmanlayacaktır:
Foto Yükle my-certs.zip
bu alıştırmayı çalıştırmayı planladığınız Bölgedeki bir S3 klasörüne. Yüklenen dosyanın S3 URI'sini kopyalayın. CloudFormation şablonunu başlatırken buna ihtiyacınız olacak.
Bu örnek yalnızca kavram gösteriminin bir kanıtıdır. Kendinden imzalı sertifikaların kullanılması önerilmez ve potansiyel bir güvenlik riski oluşturur. Üretim sistemlerinde sertifika vermek için güvenilir bir sertifika yetkilisi (CA) kullanın.
CloudFormation şablonunu dağıtma
Çözümü dağıtmak için aşağıdaki adımları tamamlayın:
- Adresinde oturum açın AWS Yönetim Konsolu bir IAM kullanıcısı olarak, tercihen bir yönetici kullanıcı olarak.
- Klinik Yığını Başlat CloudFormation şablonunu başlatmak için:
- Klinik Sonraki.
- İçin Yığın adıyığın için bir ad girin.
- İçin Boşta Kalma Zaman Aşımı, EMR kümesinin boşta kalma zaman aşımı için bir değer girin (kullanılmadığında küme için ödeme yapılmasını önlemek için).
- İçin S3CertsZipEMR şifreleme anahtarını içeren bir S3 URI'yi girin.
Bölgenize özel bir anahtar ve .zip dosyası oluşturma talimatları için bkz. Aktarım halindeki verilerin Amazon EMR şifrelemesiyle şifrelenmesi için sertifikaların sağlanması. ABD Doğu'da (K. Virginia) dağıtım yapıyorsanız CN=*.ec2.internal kullanmayı unutmayın. Daha fazla bilgi için bkz. Veri şifreleme için anahtarlar ve sertifikalar oluşturun. .zip dosyasını CloudFormation yığın dağıtımınızla aynı Bölgedeki bir S3 klasörüne yüklediğinizden emin olun.
- İnceleme sayfasında, AWS CloudFormation'ın kaynak oluşturabileceğini onaylamak için onay kutusunu seçin.
- Klinik Yığın oluştur.
Yığının durumu değişene kadar bekleyin. CREATE_IN_PROGRESS için CREATE_COMPLETE. İşlem genellikle 10-15 dakika sürer.
Yığın oluşturulduktan sonra Amazon EMR'nin Lake Formation'ı sorgulamasına izin vererek Dış Veri Filtreleme Göl Oluşumu ayarları. Talimatlar için bkz. Göl Formasyonuna Başlarken. Şunun için Amazon EMR'yi belirtin: Oturum etiketi değerleri ve AWS hesap kimliğinizi aşağıya girin. AWS hesap kimlikleri.
Veri erişim izinlerini test edin
Artık gerekli altyapı mevcut olduğuna göre, iki SageMaker Studio kullanıcısının ayrıntılı verilere erişimi olduğunu doğrulayabilirsiniz. İncelemek gerekirse, David'in müşterilerinizle ilgili hiçbir özel bilgiye erişimi olmamalıdır. Tina'nın satışlarla ilgili bilgilere erişimi var. Her kullanıcı tipini teste tabi tutalım.
David'in kullanıcı profilini test edin
Veri erişiminizi David'in kullanıcı profiliyle test etmek için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Alanlar Gezinti bölmesinde.
- SageMaker Studio etki alanından, david-non- sensitive-customer kullanıcı profilinden SageMaker Studio'yu başlatın.
- SageMaker Studio ortamınızda bir Amazon SageMaker Veri Düzenleyicisi ak ve seç Verileri görsel olarak içe aktarın ve hazırlayın.
Alternatif olarak, fileto menü seç yeni, Daha sonra seçmek Veri Wrangler akışı.
Veri akışı oluşturmak için bu adımları bu yazının ilerleyen kısımlarında ayrıntılı olarak ele alacağız.
Tina'nın kullanıcı profilini test edin
Tina'nın SageMaker Studio yürütme rolü, iki EMR yürütme rolünü kullanarak Lake Formation veritabanına erişmesine olanak tanır. Bu, rol ARN'lerinin Tina'nın dosya dizinindeki bir yapılandırma dosyasında listelenmesiyle gerçekleştirilir. Bu roller kullanılarak ayarlanabilir. SageMaker Studio yaşam döngüsü yapılandırmaları uygulama yeniden başlatmalarında rolleri sürdürmek için. Tina'nın erişimini test etmek için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda SageMaker Studio etki alanına gidin.
- SageMaker Studio'yu kullanıcı profilinden başlatın
tina-sales-electronics
.
Kullanıcı profillerini değiştirirken tarayıcınızda önceki SageMaker Studio oturumlarını kapatmak iyi bir uygulamadır. Aynı anda yalnızca bir aktif SageMaker Studio kullanıcı oturumu olabilir.
- Data Wrangler veri akışı oluşturun.
Aşağıdaki bölümlerde SageMaker Data Wrangler'da veri akışı oluşturmayı ve veri kaynağı olarak Amazon EMR'ye bağlanmayı gösteriyoruz. David ve Tina, erişim izinleri dışında veri hazırlama konusunda benzer deneyimlere sahip olacak, dolayısıyla farklı tablolar görecekler.
SageMaker Data Wrangler veri akışı oluşturun
Bu bölümde, CloudFormation şablonu aracılığıyla oluşturulan mevcut EMR kümesine SageMaker Data Wrangler'da veri kaynağı olarak bağlanmayı ele alıyoruz. Gösterim amacıyla David'in kullanıcı profilini kullanıyoruz.
Veri akışınızı oluşturmak için aşağıdaki adımları tamamlayın:
- SageMaker konsolunda, Alanlar Gezinti bölmesinde.
- CloudFormation şablonunu çalıştırarak oluşturulan StudioDomain'i seçin.
- Bir kullanıcı profili seçin (bu örnek için David'inki) ve SageMaker Studio'yu başlatın.
- Klinik Stüdyo Aç.
- SageMaker Studio'da yeni bir veri akışı oluşturun ve Verileri görsel olarak içe aktarın ve hazırlayın.
Alternatif olarak, fileto menü seç yeni, Daha sonra seçmek Veri Wrangler akışı.
Yeni bir akış oluşturmak birkaç dakika sürebilir. Akış oluşturulduktan sonra, Tarihleri içe aktar gidin.
- Amazon EMR'yi SageMaker Data Wrangler'da veri kaynağı olarak eklemek için Veri kaynağı ekleyin menü seç Amazon EMR'si.
SageMaker Studio yürütme rolünüzün görme iznine sahip olduğu tüm EMR kümelerine göz atabilirsiniz. Bir kümeye bağlanmak için iki seçeneğiniz vardır: biri etkileşimli kullanıcı arayüzü aracılığıyla, diğeri ise önce bir sır yarat kullanma AWS Sırları Yöneticisi EMR kümesi bilgileri de dahil olmak üzere bir JDBC URL'si ile ve ardından Presto veya Hive'a bağlanmak için kullanıcı arayüzünde depolanan AWS gizli ARN'sini sağlayın. Bu yazıda ilk yöntemi kullanıyoruz.
- Kullanmak istediğiniz kümelerden herhangi birini seçin ve ardından Sonraki.
- Hangi uç noktayı kullanmak istediğinizi seçin.
- Bağlantınızı tanımlamak için bir ad girin; örneğin
emr-iam-connection
, Daha sonra seçmek Sonraki.
- seç IAM kimlik doğrulama türünüz olarak seçin ve Sosyal medya.
Bağlandığınızda, etkileşimli olarak bir veritabanı ağacını ve tablo önizlemesini veya şemasını görüntüleyebilirsiniz. Ayrıca Amazon EMR'deki verileri sorgulayabilir, keşfedebilir ve görselleştirebilirsiniz. Önizleme için varsayılan olarak 100 kayıt sınırını görürsünüz. Sorgu düzenleyicide bir SQL ifadesi sağladıktan ve koşmak, verileri önizlemek için sorgu Amazon EMR Hive motorunda çalıştırılır. Seçmek Sorguyu iptal et alışılmadık derecede uzun sürüyorsa devam eden sorguları iptal etmek için.
- David'in izninin olmadığı tablodaki verilere erişelim.
Sorgu hata mesajıyla sonuçlanacaktır “Unable to fetch table dl_tpc_web_sales. Insufficient Lake Formation permission(s) on dl_tpc_web_sales.”
Son adım, verileri içe aktarmaktır. Sorgulanan verilere hazır olduğunuzda, verileri Data Wrangler'a aktarmak için örnekleme türüne (FirstK, Random veya Stratified) ve örnekleme boyutuna göre veri seçimine ilişkin örnekleme ayarlarını güncelleme seçeneğiniz vardır.
- Klinik ithalat Verileri içe aktarmak için.
Bir sonraki sayfada veri setine çeşitli dönüşümler ve temel analizler ekleyebilirsiniz.
- Veri akışına gidin ve dönüşümler ve analiz için gerektiği şekilde akışa daha fazla adım ekleyin.
çalıştırabilirsiniz veri içgörü raporu veri kalitesi sorunlarını belirlemek ve bu sorunları çözmek için öneriler almak. Bazı örnek dönüşümlere bakalım.
- içinde Veri akışı görünümünde, Hive bağlayıcısını kullanarak veri kaynağı olarak Amazon EMR'yi kullandığımızı görmelisiniz.
- yanındaki artı işaretini seçin Veri tipleri Ve seç Dönüşüm ekle.
Verileri inceleyelim ve bir dönüşüm uygulayalım. Örneğin, c_login
sütunu boştur ve özellik olarak değer katmayacaktır. Sütunu silelim.
- içinde Tüm adımlar bölme, seç Adım ekle.
- Klinik Sütunları yönet.
- İçin Dönüştürmek, seçmek Sütunu bırak.
- İçin Bırakılacak sütunlar, seç
c_login
sütun. - Klinik Önizleme, Daha sonra seçmek Ekle.
- Genişleterek adımı doğrulayın Sütunu bırak Bölüm.
Veri kümeniz için gereken farklı dönüşümlere göre adımlar eklemeye devam edebilirsiniz. Veri akışımıza geri dönelim. Artık görebilirsiniz Sütunu bırak Gerçekleştirdiğimiz dönüşümü gösteren blok.
ML uygulayıcıları, özellik mühendisliği kodunu hazırlamak, bunu ilk veri kümelerine uygulamak, tasarlanmış veri kümeleri üzerinde modelleri eğitmek ve model doğruluğunu değerlendirmek için çok zaman harcıyor. Bu çalışmanın deneysel doğası göz önüne alındığında, en küçük proje bile birden fazla yinelemeye yol açacaktır. Aynı özellikli mühendislik kodu sıklıkla tekrar tekrar çalıştırılır ve aynı işlemlerin tekrarlanmasıyla zaman ve bilgi işlem kaynakları israf edilir. Büyük kuruluşlarda bu, daha da büyük bir üretkenlik kaybına neden olabilir; çünkü farklı ekipler sıklıkla aynı işleri yürütür ve hatta daha önceki çalışmalara ilişkin hiçbir bilgileri olmadığından yinelenen özellik mühendisliği kodları yazarlar. Özelliklerin yeniden işlenmesini önlemek için dönüştürülmüş özelliklerimizi dışa aktarabiliriz. Amazon SageMaker Özellik Mağazası. Daha fazla bilgi için bkz. Yeni - Amazon SageMaker Özellik Mağazası ile Makine Öğrenimi Özelliklerini Depolayın, Keşfedin ve Paylaşın.
- yanındaki artı işaretini seçin Sütunu bırak.
- Klinik İhracat ve SageMaker Özellik Mağazası (Jupyter notebook aracılığıyla).
Oluşturduğunuz özellikleri hedef olarak belirterek SageMaker Özellik Mağazasına kolayca aktarabilirsiniz. Özellikleri mevcut bir özellik grubuna kaydedebilir veya yeni bir tane oluşturabilirsiniz. Daha fazla bilgi için bkz. Amazon SageMaker'da kod gerektirmeden kolayca özellik oluşturun ve saklayın.
Artık SageMaker Data Wrangler ile özellikler oluşturduk ve bu özellikleri SageMaker Özellik Mağazasında sakladık. SageMaker Data Wrangler kullanıcı arayüzünde özellik mühendisliği için örnek bir iş akışı gösterdik.
Temizlemek
SageMaker Data Wrangler ile çalışmanız tamamlandıysa ek ücret ödememek için oluşturduğunuz kaynakları silin.
- SageMaker Studio'da tüm sekmeleri kapatın, ardından fileto menü seç kapatmak.
- İstendiğinde Tümünü Kapat.
Bulut sunucusu tipine bağlı olarak kapatma işlemi birkaç dakika sürebilir. Her kullanıcı profiliyle ilişkili tüm uygulamaların silindiğinden emin olun. Silinmemişlerse CloudFormation şablonu kullanılarak oluşturulan her kullanıcı profili altında ilişkilendirilen uygulamayı manuel olarak silin.
- Amazon S3 konsolunda, kümeleri hazırlarken CloudFormation şablonundan oluşturulan tüm S3 klasörlerini boşaltın.
Paketler, CloudFormation başlatma yığını adı ve cf-templates- ile aynı ön eke sahip olmalıdır.
- Amazon EFS konsolunda SageMaker Studio dosya sistemini silin.
Dosya sistemi kimliğini seçip etiketi onaylayarak doğru dosya sistemine sahip olduğunuzu doğrulayabilirsiniz. ManagedByAmazonSageMakerResource
üzerinde Etiketler sekmesi.
- AWS CloudFormation konsolunda oluşturduğunuz yığını seçin ve Sil.
Beklenen bir hata mesajı alacaksınız. Bu konuya geri döneceğiz ve sonraki adımlarda konuyu temizleyeceğiz.
- CloudFormation yığını tarafından oluşturulan VPC'yi tanımlayın: dw-emr-ve VPC'yi silmek için talimatları izleyin.
- AWS CloudFormation konsoluna dönün ve yığın silme işlemini yeniden deneyin. dw-emr-.
Bu gönderide açıklanan CloudFormation şablonu tarafından sağlanan tüm kaynaklar artık hesabınızdan kaldırıldı.
Sonuç
Bu yazıda, Lake Formation ile ayrıntılı erişim kontrolünün nasıl uygulanacağını ve SageMaker Data Wrangler'da bir veri kaynağı olarak Amazon EMR'yi kullanarak verilere nasıl erişileceğini, bir veri kümesinin nasıl dönüştürülüp analiz edileceğini ve sonuçların bir veri kümesine nasıl aktarılacağını ele aldık. Jupyter not defterinde kullanılmak üzere veri akışı. SageMaker Data Wrangler'ın yerleşik analitik özelliklerini kullanarak veri kümemizi görselleştirdikten sonra veri akışımızı daha da geliştirdik. Tek satır kod yazmadan veri hazırlama hattını oluşturmuş olmamız çok önemli.
SageMaker Data Wrangler'ı kullanmaya başlamak için bkz. Amazon SageMaker Data Wrangler ile ML Verilerini Hazırlayın.
Yazarlar Hakkında
Ajjay Govindaram AWS'de Kıdemli Çözüm Mimarıdır. Karmaşık iş sorunlarını çözmek için AI/ML kullanan stratejik müşterilerle çalışıyor. Tecrübesi, orta ila büyük ölçekli AI/ML uygulama devreye alımları için teknik yönlendirme ve tasarım yardımı sağlamada yatmaktadır. Bilgisi, uygulama mimarisinden büyük veriye, analitiğe ve makine öğrenimine kadar uzanıyor. Dinlenirken müzik dinlemekten, dışarıyı deneyimlemekten ve sevdikleriyle vakit geçirmekten hoşlanır.
yatsı duası San Francisco Körfez Bölgesi'nde yerleşik bir Kıdemli Çözüm Mimarıdır. AWS kurumsal müşterilerinin hedeflerini ve zorluklarını anlayarak büyümelerine yardımcı olur ve esneklik ve ölçeklenebilirliği sağlarken uygulamalarını bulutta yerel bir şekilde nasıl tasarlayabilecekleri konusunda onlara rehberlik eder. Makine öğrenimi teknolojileri ve çevresel sürdürülebilirlik konusunda tutkulu.
Parth Patel San Francisco Körfez Bölgesi'ndeki AWS'de Kıdemli Çözüm Mimarıdır. Parth, kurumsal müşterilere buluta yolculuklarını hızlandırmalarında rehberlik eder ve AWS Bulut'u başarılı bir şekilde benimsemelerine ve büyütmelerine yardımcı olur. Makine öğrenimi teknolojileri, çevresel sürdürülebilirlik ve uygulama modernizasyonu konusunda tutkuludur.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/apply-fine-grained-data-access-controls-with-aws-lake-formation-in-amazon-sagemaker-data-wrangler/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 10
- 100
- 11
- 12
- 13
- 14
- İNDİRİM
- 16
- 20
- 202
- 22
- 7
- 8
- 9
- a
- kabiliyet
- Yapabilmek
- Hakkımızda
- hızlandırmak
- erişim
- erişme
- Göre
- Hesap
- Hesaplar
- doğruluk
- elde
- karşısında
- aktif
- Ad
- eklemek
- ekleme
- Ek
- Gizem
- benimsemek
- Sonra
- tekrar
- AI / ML
- Türkiye
- izin vermek
- veriyor
- Ayrıca
- Amazon
- Amazon EMR'si
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Veri Düzenleyicisi
- Amazon Web Servisleri
- an
- analiz
- Analitik
- analytics
- çözümlemek
- ve
- duyurmak
- herhangi
- uygulamayı yükleyeceğiz
- Uygulama
- uygulamaları
- Tamam
- Uygulanması
- yaklaşım
- uygulamalar
- mimari
- mimari
- ARE
- ALAN
- AS
- Yardım
- ilişkili
- üstlenmek
- At
- Doğrulama
- yetki
- mevcut
- önlemek
- AWS
- AWS CloudFormation
- AWS Göl Oluşumu
- Arka
- merkezli
- Defne
- BE
- Çünkü
- olmuştur
- olmak
- Büyük
- büyük Veri
- kutu
- tarayıcı
- bina
- yerleşik
- iş
- by
- CA
- CAN
- yetenekleri
- kabiliyet
- dava
- Sebeb olmak
- merkezi
- merkezi
- sertifika
- sertifikalar
- belgeleme
- zorluklar
- değişiklikler
- Kontrol
- Klinik
- seçme
- Kapanış
- bulut
- Küme
- kod
- toplamak
- Sütun
- nasıl
- ortak
- tamamlamak
- karmaşık
- bileşenler
- hesaplamak
- kavram
- yapılandırma
- Onaylamak
- Sosyal medya
- bağlı
- bağlantı
- bağ
- Bağlantılar
- Düşünmek
- konsolos
- devam etmek
- kontrol
- kontroller
- doğru
- uyan
- olabilir
- kapak
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- eğri
- müşteri
- müşteri bilgisi
- Müşteriler
- veri
- veri erişim
- Veri Gölü
- Veri Hazırlama
- veri bilimi
- veri bilimcisi
- veritabanı
- veri kümeleri
- David
- Varsayılan
- tanım
- Demografi
- göstermek
- dağıtmak
- dağıtma
- açılma
- dağıtımları
- dağıtır
- tarif edilen
- Dizayn
- hedef
- ayrıntı
- ayrıntılar
- farklı
- yön
- keşfetmek
- tartışmak
- dağıtıldı
- Değil
- domain
- her
- kolayca
- Doğu
- editör
- etkinleştirmek
- etkin
- sağlar
- şifreleme
- son uca
- Son nokta
- Motor
- Mühendislik
- gelişmiş
- sağlanması
- Keşfet
- kuruluş
- çevre
- çevre
- Çevresel Sürdürülebilirlik
- hata
- gerekli
- değerlendirilmesi
- Hatta
- örnek
- Dışında
- infaz
- Egzersiz
- mevcut
- genişleyen
- beklenen
- deneyim
- Deneyimler
- yaşıyor
- deneysel
- keşif
- keşfetmek
- ihracat
- dış
- çıkarmak
- kolaylaştırmak
- gerçek
- HIZLI
- Özellikler(Hazırlık aşamasında)
- Özellikler
- Fiyatlandırma(Yakında)
- az
- fileto
- bitiş
- Ad
- sabit
- akış
- takip et
- takip etme
- şu
- İçin
- Tahmin
- oluşum
- Francisco
- sık sık
- itibaren
- daha fazla
- oluşturmak
- oluşturulan
- almak
- verilmiş
- Verilmesi
- Go
- Goller
- Tercih Etmenizin
- yönetim
- vermek
- büyük
- grup
- Grubun
- Büyümek
- Rehberler
- mutlu
- Var
- he
- yardım et
- yardım
- yardımcı olur
- onu
- onun
- kovan
- evler
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- ID
- özdeş
- belirlemek
- Kimlik
- boş
- if
- göstermektedir
- uygulamak
- uygulanan
- ithalat
- ithal
- in
- dahil
- içerir
- Dahil olmak üzere
- bilgi
- Altyapı
- ilk
- Yenilikçilik
- kavrama
- örnek
- talimatlar
- niyetinde
- interaktif
- arayüzey
- iç
- içine
- envanter
- konu
- sorunlar
- IT
- yineleme
- Mesleki Öğretiler
- seyahat
- jpg
- tuttu
- anahtar
- anahtarlar
- bilgi
- göl
- büyük
- büyük ölçekli
- Soyad
- sonra
- başlatmak
- fırlatma
- öncülük etmek
- öğrenme
- yalan
- yaşam döngüsü
- Muhtemelen
- LİMİT
- çizgi
- Dinleme
- listeleme
- yük
- Uzun
- uzun zaman
- Bakın
- kayıp
- Çok
- sevilen
- makine
- makine öğrenme
- yapmak
- yönetmek
- yönetilen
- yönetim
- yönetir
- yönetme
- tavır
- el ile
- Pazarlama
- Menü
- mesaj
- yöntem
- olabilir
- dakika
- ML
- model
- modelleri
- mütevazi
- Daha
- çoklu
- Music
- şart
- isim
- adlı
- Tabiat
- Gezin
- Navigasyon
- gerekli
- gerek
- gerekli
- ihtiyaçlar
- yeni
- sonraki
- yok hayır
- defter
- şimdi
- elde
- of
- sık sık
- on
- ONE
- olanlar
- devam
- bir tek
- Operasyon
- seçenek
- Opsiyonlar
- or
- sipariş
- organizasyonlar
- Diğer
- bizim
- açık havada
- tekrar
- Kanal
- bölmesi
- belirli
- tutkulu
- ödeme yapan
- Yapmak
- yapılan
- izinleri
- boru hattı
- yer
- Platon
- Plato Veri Zekası
- PlatoVeri
- artı
- politika
- nüfuslu
- Çivi
- potansiyel
- güç kelimesini seçerim
- uygulama
- hazırlık
- Hazırlamak
- önkoşullar
- hediyeler
- Önizleme
- önceki
- Önceki
- özel
- özel bilgi
- özel Anahtar
- sorunlar
- prosedür
- süreç
- Süreçler
- işleme
- PLATFORM
- üretim
- verimlilik
- Ürünler
- profesyoneller
- Profil
- Profiller
- proje
- Promosyonlar
- kanıt
- kavramın ispatı
- sağlamak
- sağlanan
- sağlama
- amaçlı
- koymak
- kalite
- sorgular
- rasgele
- Çiğ
- hazır
- teslim almak
- tavsiyeler
- Tavsiye edilen
- kayıtlar
- azaltır
- bölge
- serbest
- hatırlamak
- çıkarıldı
- tekrarlanan
- temsil
- gereklidir
- esneklik
- Kaynaklar
- dayanma
- kısıtlama
- sonuç
- Sonuçlar
- yorum
- haklar
- Risk
- Rol
- rolleri
- rsa
- koşmak
- koşu
- s
- sagemaker
- satış
- aynı
- Örnek veri kümesi
- San
- San Francisco
- İndirim
- ölçeklenebilirlik
- ölçek
- Bilim
- bilim adamı
- bilim adamları
- Gizli
- Bölüm
- bölümler
- sabitleme
- güvenlik
- görmek
- bölünme
- seçim
- kıdemli
- Hizmetler
- Oturum
- oturumları
- set
- ayarlar
- kurulum
- paylaş
- o
- meli
- şov
- vitrin
- gösterdi
- işaret
- önemli
- benzer
- Basit
- basitleştirmek
- tek
- beden
- So
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- Kaynak
- özel
- geçirmek
- Harcama
- yığın
- Aşama
- başladı
- Açıklama
- Durum
- adım
- Basamaklar
- hafızası
- mağaza
- saklı
- basit
- Stratejik
- kolaylaştırmak
- stüdyo
- konu
- altağlar
- sonraki
- Başarılı olarak
- böyle
- destekli
- Destekler
- elbette
- Sürdürülebilirlik
- sistem
- Sistemler
- tablo
- TAG
- Bizi daha iyi tanımak için
- alır
- alma
- takım
- takım
- Teknik
- Teknolojileri
- şablon
- terminal
- test
- Test yapmak
- o
- The
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- Re-Tweet
- Bu
- İçinden
- zaman
- için
- Eğitim
- işlem
- Dönüştürmek
- Dönüşüm
- dönüşümler
- transforme
- dönüşümler
- transit
- ağaç
- Güven
- Güvenilir
- iki
- tip
- ui
- altında
- anlayış
- kadar
- Güncelleme
- güncellenmesi
- Yüklenen
- URL
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanma
- genellikle
- değer
- çeşitli
- doğrulamak
- versiyon
- üzerinden
- Görüntüle
- Virjinya
- görüntüleme
- istemek
- aranan
- oldu
- we
- ağ
- web hizmetleri
- Haftalar
- İYİ
- Kimler
- vardı
- ne zaman
- hangi
- süre
- DSÖ
- irade
- ile
- içinde
- olmadan
- İş
- iş akışı
- çalışır
- yazmak
- yazı yazıyor
- Sen
- zefirnet
- zip