Web trafiği için kaynakları daha verimli bir şekilde tahsis ediyor, personel ihtiyaçları için hasta talebini tahmin ediyor veya bir şirketin ürünlerinin satışını tahmin ediyor olsanız da, tahmin birçok işletme için önemli bir araçtır. olarak bilinen belirli bir kullanım durumu soğuk başlangıç tahmini, perakende sektöründe pazara yeni giren yeni bir ürün gibi mevcut geçmiş verileri çok az olan veya hiç olmayan bir zaman serisi için tahminler oluşturur. Otoregresif entegre hareketli ortalama (ARIMA) veya üstel yumuşatma (ES) gibi geleneksel zaman serisi tahmin yöntemleri, büyük ölçüde her bir ürünün geçmiş zaman serilerine dayanır ve bu nedenle soğuk başlangıç tahmini için etkili değildir.
Bu yazıda, kullanarak bir soğuk çalıştırma tahmin motorunun nasıl oluşturulacağını gösteriyoruz. Zaman serisi tahmini için AutoGluon AutoML, görüntü, metin, tablo ve zaman serisi verilerinde makine öğrenimini (ML) otomatikleştirmek için açık kaynaklı bir Python paketi. AutoGluon, yeni başlayanlar ve deneyimli ML geliştiricileri için uçtan uca otomatikleştirilmiş bir makine öğrenimi (AutoML) hattı sağlayarak onu en doğru ve kullanımı kolay tam otomatik çözüm haline getirir. ücretsiz kullanıyoruz Amazon SageMaker Stüdyo Laboratuvarı Bu gösteri için hizmet.
AutoGluon zaman serilerine giriş
Otomatik Gluon metin, resim ve tablo verileri için AutoML için önde gelen açık kaynaklı bir kitaplıktır ve ham verilerden yalnızca bir kod satırıyla yüksek doğrulukta modeller üretmenize olanak tanır. Son zamanlarda ekip, bu yetenekleri zaman serisi verilerine genişletmek için çalışıyor ve genel kullanıma açık olan otomatik bir tahmin modülü geliştirdi. GitHub. autogluon.forecasting
modül, ham zaman serisi verilerini otomatik olarak uygun formatta işler ve ardından doğru tahminler üretmek için çeşitli son teknoloji derin öğrenme modellerini eğitir ve ayarlar. Bu yazıda, nasıl kullanılacağını gösteriyoruz autogluon.forecasting
ve bunu soğuk başlangıçlı tahmin görevlerine uygulayın.
Çözüme genel bakış
AutoGluon açık kaynaklı bir Python paketi olduğundan, bu çözümü uygulayabilirsiniz. lokal olarak dizüstü bilgisayarınızda veya Amazon SageMaker Studio Lab'de. Aşağıdaki adımlardan geçiyoruz:
- Amazon SageMaker Studio Lab için AutoGluon'u kurun.
- Veri setini hazırlayın.
- AutoGluon kullanarak eğitim parametrelerini tanımlayın.
- Zaman serisi tahmini için bir soğuk çalıştırma tahmin motoru eğitin.
- Soğuk başlangıç tahmin tahminlerini görselleştirin.
Soğuk başlangıç tahmininin temel varsayımı, benzer özelliklere sahip öğelerin benzer zaman serisi yörüngelerine sahip olması gerektiğidir; bu, aşağıdaki şekilde gösterildiği gibi, soğuk başlangıç tahmininin geçmiş verileri olmayan öğeler üzerinde tahminler yapmasına izin veren şeydir.
İzlenecek yolumuzda, her biri bir item_id
0-369 arası. Bu sentetik veri kümesinde, her item_id
ayrıca statik bir özellikle (zaman içinde değişmeyen bir özellik) ilişkilidir. biz eğitiyoruz Derin AR benzer öğelerin tipik davranışını öğrenmek için AutoGluon'u kullanarak modelleyin ve yeni öğeler üzerinde tahminler yapmak için bu davranışı aktarın (item_id
370–373), geçmiş zaman serisi verilerine sahip değildir. Soğuk başlangıç tahmini yaklaşımını yalnızca bir statik özellik ile gösteriyor olsak da, pratikte bilgilendirici ve yüksek kaliteli statik özelliklere sahip olmak iyi bir soğuk başlangıç tahmini için anahtardır.
Aşağıdaki şema, çözümümüze üst düzey bir genel bakış sağlar. Açık kaynak kodu şurada mevcuttur: GitHub repo.
Önkoşullar
Bu izlenecek yol için aşağıdaki ön koşullara sahip olmalısınız:
- An Amazon SageMaker Studio Lab hesabı
- GitHub hesap erişimi
Amazon SageMaker Studio Lab hesabınızda oturum açın ve terminali kullanarak ortamı kurun:
Amazon SageMaker Studio Lab'e erişiminiz yoksa bu talimatlar dizüstü bilgisayarınızdan da çalışmalıdır (önce dizüstü bilgisayarınıza Anaconda'yı yüklemenizi öneririz).
Sanal ortamı tam olarak ayarladığınızda, dizüstü bilgisayarı başlatın. AutoGluon-cold-start-demo.ipynb
ve özel ortamı seçin .conda-autogluon:Python
çekirdek.
Hedef zaman serisini ve öğe meta veri kümesini hazırlayın
Dahil edilmedilerse, aşağıdaki veri kümelerini dizüstü bilgisayar bulut sunucunuza indirin ve bunları dizinin altına kaydedin data/
. Bu veri setlerini sitemizde bulabilirsiniz. GitHub repo:
- test.csv.gz
- coldStartTargetData.csv
- itemMetaData.csv
Hedef zaman serisi veri kümesini çekirdeğe yüklemek için aşağıdaki parçacığı çalıştırın:
AutoGluon zaman serisi, statik özelliklerin sayısal biçimde temsil edilmesini gerektirir. Bu, uygulama yoluyla elde edilebilir. LabelEncoder()
statik özelliğimizde type
, burada A=0, B=1, C=2, D=3 kodluyoruz (aşağıdaki koda bakın). Varsayılan olarak, AutoGluon, statik özelliğin sıralı veya kategorik olduğu sonucunu çıkarır. Ayrıca, statik özellik sütununu, kategorik özellikler için nesne/dize veri türü veya sıralı özellikler için tamsayı/kayan nokta veri türü olacak şekilde dönüştürerek de bunun üzerine yazabilirsiniz.
AutoGluon model eğitimini kurun ve başlatın
belirtmemiz gerekiyor save_path = ‘autogluon-coldstart-demo’
model yapı klasör adı olarak (aşağıdaki koda bakın). Biz de bizim eval_metric
as ortalama mutlak yüzde hatasıya da ‘MAPE’
kısaca tanımladığımız yer prediction_length
24 saat olarak. Belirtilmezse, AutoGluon varsayılan olarak olasılıksal tahminler üretir ve bunları şu şekilde puanlar: ağırlıklı nicel kayıp. biz sadece bakarız DeepAR modeli Demomuzda, çünkü DeepAR algoritmasının tasarım gereği soğuk başlatma tahminine izin verdiğini biliyoruz. DeepAR hiperparametrelerinden birini keyfi olarak ayarlıyoruz ve bu hiperparametreyi ForecastingPredictor().fit()
aramak. Bu, AutoGluon'un yalnızca belirtilen modele bakmasını sağlar. Ayarlanabilir hiperparametrelerin tam listesi için bkz. gluonts.model.deepar paketi.
Eğitim 30-45 dakika sürer. Aşağıdaki işlevi çağırarak model özetini alabilirsiniz:
Soğuk başlangıç öğesi için tahmin
Artık soğuk başlangıç öğesi için tahminler oluşturmaya hazırız. Her biri için en az beş satır olmasını öneririz item_id
. Bu nedenle, için item_id
beşten daha az gözlemi olan, NaN'lerle doldururuz. Demomuzda, her ikisi de item_id
370 ve 372'de sıfır gözlem, saf bir soğuk çalıştırma sorunu varken, diğer ikisi beş hedef değere sahiptir.
Soğuk başlatma hedefi zaman serisi veri kümesine aşağıdaki kodla yükleyin:
Soğuk başlatma hedefi zaman serisini, soğuk başlatma için öğe meta veri kümesiyle birlikte AutoGluon modelimize besliyoruz item_id
:
Tahminleri görselleştirin
Aşağıdaki grafikte gösterildiği gibi, soğuk başlangıç tahmininde bir görselleştirme oluşturmak için bir çizim işlevi oluşturabiliriz.
Temizlemek
Kaynak kullanımını optimize etmek için, not defterini tamamen keşfettikten sonra Amazon SageMaker Studio Lab'de çalışma zamanını durdurmayı düşünün.
Sonuç
Bu gönderide, Amazon SageMaker Studio Lab'de zaman serisi verileri için AutoGluon AutoML kullanarak bir soğuk başlangıç tahmin motorunun nasıl oluşturulacağını gösterdik. Aradaki farkı merak edenler için Amazon Tahmini ve AutoGluon (zaman serisi), Amazon Forecast, önceden herhangi bir ML deneyimi gerektirmeden son derece doğru tahminler oluşturmak için makine öğrenimini (ML) kullanan, tam olarak yönetilen ve desteklenen bir hizmettir. AutoGluon, en son araştırma katkılarıyla topluluk tarafından desteklenen açık kaynaklı bir projedir. Zaman serileri için AutoGluon'un neler yapabileceğini göstermek için uçtan uca bir örnek üzerinden yürüdük ve bir veri seti ve kullanım senaryosu sağladık.
Zaman serisi verileri için AutoGluon, açık kaynaklı bir Python paketidir ve bu yazının, kod örneğimizle birlikte, zorlu soğuk başlangıç tahmin problemlerinin üstesinden gelmek için size basit bir çözüm sunacağını umuyoruz. Örneğimizin tamamına sitemizden ulaşabilirsiniz. GitHub repo. Deneyin ve ne düşündüğünüzü bize bildirin!
Yazarlar Hakkında
İvan Cui AWS Professional Services ile müşterilerin AWS'de makine öğrenimini kullanarak çözümler oluşturmasına ve dağıtmasına yardımcı olan bir Veri Bilimcisidir. Yazılım, finans, ilaç ve sağlık dahil olmak üzere çeşitli sektörlerdeki müşterilerle çalıştı. Boş zamanlarında okumaktan, ailesiyle vakit geçirmekten ve hisse senedi portföyünü en üst düzeye çıkarmaktan hoşlanıyor.
Jonas Müller Derin öğrenmeyi iyileştirmek ve otomatik makine öğrenimi geliştirmek için yeni algoritmalar geliştirdiği AWS'deki Yapay Zeka Araştırma ve Eğitim grubunda Kıdemli Uygulamalı Bilim Adamıdır. Makine öğrenimini demokratikleştirmek için AWS'ye katılmadan önce doktorasını MIT Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı'nda tamamladı. Boş zamanlarında dağları ve doğayı keşfetmekten hoşlanır.
Wenming Ye AWS AI'da Araştırma Ürün Müdürüdür. Açık kaynak ve son teknoloji makine öğrenimi teknolojisi aracılığıyla araştırmacıların ve kurumsal müşterilerin yeniliklerini hızla ölçeklendirmelerine yardımcı olma konusunda tutkulu. Wenming, Microsoft Research, SQL mühendislik ekibi ve başarılı girişimlerden çeşitli Ar-Ge deneyimine sahiptir.
- 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/build-a-cold-start-time-series-forecasting-engine-using-autogluon/
- "
- 100
- 9
- Hakkımızda
- kesin
- erişim
- Hesap
- doğru
- elde
- karşısında
- AI
- ai araştırma
- algoritma
- algoritmalar
- Izin
- Rağmen
- Amazon
- Uygulanması
- yaklaşım
- yapay
- yapay zeka
- Otomatik
- mevcut
- ortalama
- AWS
- inşa etmek
- inşa
- işletmeler
- çağrı
- Alabilirsin
- yetenekleri
- CD
- değişiklik
- Ödeme Yap
- kod
- Sütun
- topluluk
- Şirketin
- Bilgisayar Bilimleri
- tüketim
- Müşteriler
- veri
- veri bilimcisi
- Talep
- dağıtmak
- Dizayn
- geliştirmek
- gelişmiş
- geliştiriciler
- Değil
- Eğitim
- Etkili
- elektrik
- Mühendislik
- girdi
- kuruluş
- çevre
- gerekli
- örnek
- deneyim
- deneyimli
- uzatmak
- aile
- Özellikler(Hazırlık aşamasında)
- Özellikler
- şekil
- maliye
- Ad
- takip etme
- biçim
- Ücretsiz
- tam
- işlev
- gelecek
- oluşturmak
- Git
- Tercih Etmenizin
- grup
- sahip olan
- sağlık
- yardımcı olur
- büyük ölçüde
- tarihsel
- Ne kadar
- Nasıl Yapılır
- HTTPS
- görüntü
- uygulamak
- iyileştirmek
- dahil
- Dahil olmak üzere
- bireysel
- Endüstri
- sanayi
- entegre
- İstihbarat
- IT
- anahtar
- bilinen
- dizüstü bilgisayar
- son
- başlatmak
- önemli
- ÖĞRENİN
- öğrenme
- Kütüphane
- çizgi
- Liste
- küçük
- yük
- makine
- makine öğrenme
- Yapımı
- müdür
- pazar
- Meta
- Microsoft
- İLE
- ML
- model
- modelleri
- çoğu
- hareketli
- yeni ürün
- defter
- açık kaynak kodu
- Diğer
- açık havada
- yüzde
- İlaç
- portföy
- Tahminler
- Sorun
- sorunlar
- Süreçler
- üretmek
- PLATFORM
- Ürünler
- profesyonel
- proje
- sağlar
- Ar-Ge
- Çiğ
- Okuma
- tavsiye etmek
- araştırma
- kaynak
- Kaynaklar
- perakende
- satış
- ölçek
- ölçekleme
- Bilim
- bilim adamı
- Dizi
- hizmet
- Hizmetler
- set
- kısa
- benzer
- Yazılım
- Çözümler
- Harcama
- başlama
- Startups
- Stok
- stüdyo
- başarılı
- destekli
- Hedef
- görevleri
- takım
- Teknoloji
- terminal
- İçinden
- zaman
- birlikte
- geleneksel
- trafik
- Eğitim
- trenler
- us
- kullanım
- Sanal
- görüntüleme
- ağ
- Ne
- DSÖ
- içinde
- olmadan
- İş
- işlenmiş
- çalışma
- sıfır