Bu yazı Vericast'tan Jyoti Sharma ve Sharmo Sarkar tarafından yazılmıştır.
Herhangi bir makine öğrenimi (ML) sorunu için veri bilimci, verilerle çalışarak başlar. Bu, model oluşturma süreci için gerekli olabilecek manipülasyonların değerlendirilmesinin yanı sıra verilerin ticari ve teknik yönlerinin toplanmasını, araştırılmasını ve anlaşılmasını içerir. Bu veri hazırlığının bir yönü özellik mühendisliğidir.
Özellik mühendisliği İlgili değişkenlerin tanımlandığı, seçildiği ve ham verileri, bir modeli eğitmek ve ona karşı çıkarım yapmak için kullanılan makine öğrenimi algoritmasıyla birlikte kullanılmak üzere daha kullanışlı ve kullanışlı formlara dönüştürmek üzere manipüle edildiği süreci ifade eder. Bu sürecin amacı algoritmanın ve ortaya çıkan tahmin modelinin performansını arttırmaktır. Özellik mühendisliği süreci, özellik oluşturma, veri dönüştürme, özellik çıkarma ve özellik seçimi dahil olmak üzere çeşitli aşamaları içerir.
Genelleştirilmiş özellik mühendisliği için bir platform oluşturmak, farklı veri kümelerine sahip birçok makine öğrenimi modeli üretmeye ihtiyaç duyan müşteriler için ortak bir görevdir. Bu tür bir platform, çok az insan müdahalesi ile model eğitimine hazır, sonlandırılmış, özellik mühendisliği yapılmış veriler üretmek için programatik olarak yönlendirilen bir sürecin oluşturulmasını içerir. Ancak özellik mühendisliğini genelleştirmek zordur. Her iş sorunu farklıdır, her veri kümesi farklıdır, veri hacimleri istemciden istemciye büyük farklılıklar gösterir ve veri kalitesi ve genellikle belirli bir sütunun (yapılandırılmış veri durumunda) önem düzeyi, özellik mühendisliğinin karmaşıklığında önemli bir rol oynayabilir. işlem. Ayrıca, müşteri verilerinin dinamik doğası, özellik mühendisliğini en iyi şekilde tamamlamak için gereken işlem süresi ve kaynaklarda büyük farklılıklara neden olabilir.
AWS müşterisi veri yayın müşterilerinin pazarlama yatırım getirisini artırmak için veriye dayalı kararlar alan bir pazarlama çözümleri şirketidir. Vericast'in CRISP-ML(Q) süreci etrafında oluşturulan dahili bulut tabanlı Makine Öğrenim Platformu, aşağıdakiler dahil çeşitli AWS hizmetlerini kullanır: Amazon Adaçayı Yapıcı, Amazon SageMaker İşleme, AWS Lambda, ve AWS Basamak İşlevleri, belirli müşterinin verilerine göre uyarlanmış mümkün olan en iyi modelleri üretmek. Bu platform, çeşitli makine öğrenimi iş akışları oluşturmaya yönelik adımların tekrarlanabilirliğini yakalamayı ve bunları platform içindeki standart genelleştirilebilir iş akışı modülleri halinde birleştirmeyi amaçlamaktadır.
Bu yazıda Vericast'in SageMaker Processing'i kullanarak özellik mühendisliğini nasıl optimize ettiğini paylaşıyoruz.
Çözüme genel bakış
Vericast'in Makine Öğrenimi Platformu, mevcut iş akışlarına dayalı olarak yeni iş modellerinin daha hızlı devreye alınmasına veya yeni müşteriler için mevcut modellerin daha hızlı etkinleştirilmesine yardımcı olur. Örneğin, doğrudan posta eğilimini tahmin eden bir model, bir Vericast istemcisinin müşterilerinin indirim kuponu duyarlılığını tahmin eden bir modelden oldukça farklıdır. Farklı iş sorunlarını çözerler ve bu nedenle bir pazarlama kampanyası tasarımında farklı kullanım senaryolarına sahiptirler. Ancak makine öğrenimi açısından bakıldığında her ikisi de ikili sınıflandırma modelleri olarak yorumlanabilir ve dolayısıyla model ayarlama ve eğitim, değerlendirme, yorumlanabilirlik, dağıtım ve çıkarım dahil olmak üzere makine öğrenimi iş akışı perspektifinden birçok ortak adımı paylaşabilir.
Bu modeller ikili sınıflandırma problemleri olduğundan (ML açısından), bir şirketin müşterilerini iki sınıfa (ikili) ayırıyoruz: kampanyaya olumlu yanıt verenler ve vermeyenler. Ayrıca, modeli eğitmek için kullanılan veriler olumlu yanıt verecek ve vermeyecek eşit sayıda müşteri içermeyeceğinden, bu örnekler dengesiz bir sınıflandırma olarak kabul edilir.
Bunun gibi bir modelin fiili oluşturulması, aşağıdaki diyagramda gösterilen genel modeli takip eder.
Bu sürecin çoğu, özellik mühendisliği adımı dışında herhangi bir ikili sınıflandırma için aynıdır. Bu belki de süreçteki en karmaşık ama bazen gözden kaçırılan adımdır. ML modelleri büyük ölçüde onu oluşturmak için kullanılan özelliklere bağlıdır.
Vericast'in bulut tabanlı Makine Öğrenimi Platformu, aşağıdaki özellikleri kullanarak çeşitli makine öğrenimi iş akışları için özellik mühendisliği adımlarını genelleştirmeyi ve otomatikleştirmeyi ve performanslarını maliyet ve zaman ölçümüne göre optimize etmeyi amaçlamaktadır:
- Platformun özellik mühendisliği kütüphanesi – Bu, belirli müşteri konseptlerine (örneğin, müşteri demografisi, ürün ayrıntıları, işlem ayrıntıları vb.) dayalı yüksek kaliteli genelleştirilebilir özellikler sağlamak üzere test edilmiş, sürekli gelişen bir dizi dönüşümden oluşur.
- Akıllı kaynak optimize ediciler – Platform, adımın beklenen karmaşıklığına ve dağıtılması gereken veri miktarına bağlı olarak belirli özellik mühendisliği işi için en uygun türde işleme kaynaklarını hızlandırmak amacıyla AWS'nin isteğe bağlı altyapı yeteneğini kullanır.
- Özellik mühendisliği işlerinin dinamik ölçeklendirilmesi – Bunun için çeşitli AWS hizmetlerinin bir kombinasyonu kullanılır, ancak en önemlisi SageMaker Processing'dir. Bu, platformun yüksek kaliteli özellikleri uygun maliyetli ve zamanında üretmesini sağlar.
Bu gönderi, bu listedeki üçüncü noktaya odaklanmıştır ve büyük veri hacimleri için daha yönetilen, performanslı ve uygun maliyetli bir veri işleme çerçevesi elde etmek amacıyla SageMaker Processing işlerinin dinamik ölçeklendirilmesinin nasıl sağlanacağını gösterir.
SageMaker İşleme, SageMaker'da veri ön işleme veya son işleme, özellik mühendisliği, veri doğrulama ve model değerlendirme adımlarını çalıştıran iş yüklerine olanak tanır. Aynı zamanda yönetilen bir ortam sağlar ve iş yüklerini çalıştırmak için gereken altyapıyı kurmak ve sürdürmek için gereken ayrımsız ağır kaldırmanın karmaşıklığını ortadan kaldırır. Ayrıca SageMaker Processing, iş yükünün çalıştırılması, izlenmesi ve değerlendirilmesi için bir API arayüzü sağlar.
SageMaker'ı Çalıştırma İşleme işleri tamamen yönetilen bir SageMaker kümesinde gerçekleşir ve bireysel işler çalışma zamanında örnek kapsayıcılarına yerleştirilir. Yönetilen küme, örnekler ve kapsayıcılar rapor ölçümlerini Amazon Bulut İzlemeGPU, CPU, bellek, GPU belleği, disk ölçümleri ve olay günlüğü kullanımı dahil.
Bu özellikler, genelleştirilmiş ön işleme iş akışlarının geliştirilmesine yardımcı olarak ve bunların çalıştırılacağı oluşturulan ortamların bakımının zorluğunu ortadan kaldırarak Vericast veri mühendislerine ve bilim adamlarına fayda sağlar. Ancak verinin dinamik doğası ve böylesine genel bir çözüme beslenebilecek çeşitli özellikleri göz önüne alındığında teknik sorunlar ortaya çıkabilir. Sistem, kümenin boyutuna ve onu oluşturan örneklere ilişkin eğitimli bir başlangıç tahmininde bulunmalıdır. Bu tahminin veri kriterlerini değerlendirmesi ve CPU, bellek ve disk gereksinimlerini çıkarması gerekir. Bu tahmin tamamen uygun olabilir ve iş için yeterli performansı gösterebilir, ancak diğer durumlarda işe yaramayabilir. Belirli bir veri kümesi ve ön işleme işi için CPU'nun boyutu küçük olabilir, bu da işleme performansının maksimuma çıkmasına ve tamamlanma sürelerinin uzun olmasına neden olabilir. Daha da kötüsü, bellek bir sorun haline gelebilir, bu da performansın düşmesine veya tüm işin başarısız olmasına neden olan yetersiz bellek olaylarına neden olabilir.
Vericast, bu teknik engelleri göz önünde bulundurarak bir çözüm yaratmaya koyuldu. Doğası gereği genel kalmaları ve ilgili adımlarda esnek olan ön işleme iş akışının daha büyük resmine uymaları gerekiyordu. Hem performansın tehlikeye girdiği durumlarda ortamın ölçeğini büyütme potansiyel ihtiyacını çözmek, hem de böyle bir olaydan sonra ya da bir iş herhangi bir nedenden dolayı zamanından önce tamamlandığında sorunsuz bir şekilde toparlanmak da önemliydi.
Vericast tarafından bu sorunu çözmek için geliştirilen çözüm, iş hedeflerine ulaşmak için birlikte çalışan birkaç AWS hizmetini kullanıyor. İşleri izleyen Lambda işlevleri kullanılarak gözlemlenen performans ölçümlerine dayalı olarak SageMaker İşleme kümesini yeniden başlatmak ve ölçeklendirmek için tasarlandı. Bir ölçeklendirme olayı gerçekleştiğinde işi kaybetmemek veya beklenmedik bir şekilde duran bir işin ardından durumu kurtarmak için, kontrol noktası tabanlı bir hizmet uygulamaya konuldu. Amazon DinamoDB kısmen işlenmiş verileri saklar ve Amazon Basit Depolama Hizmeti (Amazon S3) adımlar tamamlandığında paketlenir. Nihai sonuç, otomatik ölçeklendirmeli, sağlam ve dinamik olarak izlenen bir çözümdür.
Aşağıdaki şemada sistemin nasıl çalıştığına ilişkin üst düzey bir genel bakış gösterilmektedir.
Aşağıdaki bölümlerde çözüm bileşenlerini daha ayrıntılı olarak tartışacağız.
Çözüm başlatılıyor
Sistem ayrı bir sürecin çözümü başlattığını varsayar. Tersine, bu tasarım herhangi bir yapıt veya çıktı üretmeyeceği için tek başına çalışacak şekilde tasarlanmamıştır; bunun yerine SageMaker İşleme işlerini kullanan sistemlerden birine yardımcı bir uygulama olarak görev yapar. Vericast'in durumunda çözüm, daha büyük sistemin başka bir modülünde başlatılan Step Functions adımından gelen bir çağrı yoluyla başlatılır.
Çözüm başlatıldığında ve ilk çalıştırma tetiklendiğinde, DynamoDB tablosundan temel standart yapılandırma okunur. Bu yapılandırma, SageMaker İşleme işi için parametreleri ayarlamak için kullanılır ve altyapı gereksinimlerine ilişkin başlangıç varsayımlarına sahiptir. SageMaker İşleme işi şimdi başlatıldı.
Meta verileri ve çıktıyı izleme
İş başladığında bir Lambda işlevi, iş işleme meta verilerini (mevcut iş yapılandırması ve diğer günlük bilgileri) DynamoDB günlük tablosuna yazar. Bu meta veriler ve günlük bilgileri işin geçmişini, ilk ve devam eden yapılandırmasını ve diğer önemli verileri korur.
Belirli noktalarda işteki adımlar tamamlandıktan sonra kontrol noktası verileri DynamoDB günlük tablosuna eklenir. İşlenen çıktı verileri, gerekirse hızlı kurtarma için Amazon S3'e taşınır.
Bu Lambda işlevi aynı zamanda bir Amazon EventBridge Çalışan işin durumunu izleyen kural. Özellikle bu kural, iş durumunun şu şekilde değişip değişmediğini gözlemlemek için işin izlenmesidir: stopping
veya bir stopped
durum. Bu EventBridge kuralı, bir arıza olması veya planlanmış bir otomatik ölçeklendirme olayının meydana gelmesi durumunda işin yeniden başlatılmasında önemli bir rol oynar.
CloudWatch ölçümlerini izleme
Lambda işlevi ayrıca işleme işindeki bir metrik matematik ifadesine dayalı olarak bir CloudWatch alarmı ayarlar; bu, CPU kullanımı, bellek kullanımı ve disk kullanımına ilişkin tüm örneklerin ölçümlerini izler. Bu alarm türü (metrik) CloudWatch alarm eşiklerini kullanır. Alarm, bir dizi zaman periyodu boyunca eşiklere göre metriğin veya ifadenin değerine dayalı olarak olaylar üretir.
Vericast'in kullanım durumunda eşik ifadesi, her biri için ayrı ayrı izlenen ölçümlerle, sürücü ve yürütücü örneklerini ayrı olarak ele alacak şekilde tasarlanmıştır. Vericast bunları ayırarak alarma neyin neden olduğunu bilir. Buna göre nasıl ölçekleneceğine karar vermek önemlidir:
- Yürütücü metrikleri eşiği geçiyorsa yatay olarak ölçeklendirmek iyidir
- Sürücü metrikleri eşiği aşarsa, yatay olarak ölçeklendirme muhtemelen işe yaramayacaktır, bu nedenle dikey olarak ölçeklendirmemiz gerekir
Alarm ölçümleri ifadesi
Vericast, ölçeklendirme ve başarısızlık değerlendirmesinde aşağıdaki ölçümlere erişebilir:
- CPU kullanımı – Her bir CPU çekirdeğinin kullanımının toplamı
- Bellek Kullanımı – Bir örnekteki kapsayıcılar tarafından kullanılan belleğin yüzdesi
- Disk Kullanımı – Bir örnekteki kapsayıcılar tarafından kullanılan disk alanının yüzdesi
- GPU Kullanımı – Bir örnekteki kapsayıcılar tarafından kullanılan GPU birimlerinin yüzdesi
- GPUBellek Kullanımı – Bir örnekteki kapsayıcılar tarafından kullanılan GPU belleğinin yüzdesi
Bu yazının yazıldığı an itibarıyla Vericast yalnızca CPUUtilization
, MemoryUtilization
, ve DiskUtilization
. Gelecekte dikkate almayı planlıyorlar GPUUtilization
ve GPUMemoryUtilization
gibi.
Aşağıdaki kod, Vericast otomatik ölçeklendirmesi için metrik matematik ifadesini temel alan CloudWatch alarmının bir örneğidir:
Bu ifade CloudWatch alarmının dikkate aldığını gösterir. DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
, ve DiskUtilization (diskExec)
izleme ölçümleri olarak. Önceki ifadede yer alan 80 sayısı eşik değerini ifade etmektedir.
Burada, IF((cpuDriver) > 80, 1, 0
Sürücü CPU kullanımı %80'in üzerine çıkarsa eşik değeri olarak 1'in atanması, aksi halde 0'ın atanması anlamına gelir. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
dize içeren tüm metriklerin memoryExec
dikkate alınır ve bunun üzerinden bir ortalama hesaplanır. Bu ortalama bellek kullanım yüzdesi 80'in üzerine çıkarsa eşik değeri olarak 1, aksi halde 0 atanır.
Mantıksal operatör OR
ifadedeki tüm kullanımları birleştirmek için ifadede kullanılır; kullanımlardan herhangi biri eşiğine ulaşırsa alarmı tetikleyin.
Metrik matematik ifadelerine dayalı CloudWatch metrik alarmlarını kullanma hakkında daha fazla bilgi için bkz. Metrik matematik ifadesine dayalı CloudWatch alarmı oluşturma.
CloudWatch alarm sınırlamaları
CloudWatch, alarm başına ölçüm sayısını 10 ile sınırlandırır. Bundan daha fazla ölçüm dikkate almanız gerekiyorsa bu, sınırlamalara neden olabilir.
Bu sınırlamanın üstesinden gelmek için Vericast, alarmları genel küme boyutuna göre ayarlamıştır. Her üç örnek için bir alarm oluşturulur (üç örnek için bir alarm olacaktır çünkü bunun toplamı dokuz ölçüme kadar çıkacaktır). Sürücü örneğinin ayrı olarak ele alınacağını varsayarak sürücü örneği için ayrı bir alarm daha oluşturulur. Bu nedenle, oluşturulan alarmların toplam sayısı kabaca yürütücü düğüm sayısının üçte birine ve sürücü örneği için ek bir alarma eşdeğerdir. Her durumda, alarm başına ölçüm sayısı 10 ölçüm sınırlamasının altındadır.
Alarm durumunda ne olur?
Önceden belirlenmiş bir eşik karşılanırsa alarm alarm
kullanan devlet Amazon Basit Bildirim Servisi (Amazon SNS) bildirim göndermek için. Bu durumda, tüm abonelere mesajdaki alarmla ilgili ayrıntıları içeren bir e-posta bildirimi gönderir.
Amazon SNS aynı zamanda, işin muhtemelen başarısız olacağını bildiğimizden, şu anda çalışmakta olan SageMaker İşleme işini durduran bir Lambda işlevi için tetikleyici olarak da kullanılır. Bu işlev aynı zamanda olayla ilgili günlükleri günlük tablosuna kaydeder.
İşin başlangıcında ayarlanan EventBridge kuralı, işin bir duruma geçtiğini fark edecektir. stopping
birkaç saniye sonra belirtin. Bu kural daha sonra işi yeniden başlatmak için ilk Lambda işlevini yeniden çalıştırır.
Dinamik ölçeklendirme işlemi
İki veya daha fazla kez çalıştırdıktan sonra ilk Lambda işlevi, önceki bir işin zaten başladığını ve şimdi durdurulduğunu bilecektir. İşlev, günlük DynamoDB tablosundaki orijinal işten temel yapılandırmayı almak için benzer bir süreçten geçecek ve ayrıca güncellenmiş yapılandırmayı dahili tablodan alacaktır. Bu güncelleştirilmiş yapılandırma, ölçeklendirme türüne göre ayarlanan bir kaynak delta yapılandırmasıdır. Ölçeklendirme türü, daha önce açıklandığı gibi alarm meta verilerinden belirlenir.
Orijinal konfigürasyon artı kaynak deltası kullanılır çünkü artan kaynaklarla yeni bir konfigürasyon ve yeni bir SageMaker İşleme işi başlatılır.
Bu süreç, iş başarıyla tamamlanana kadar devam eder ve gerektiğinde birden fazla yeniden başlatmayla sonuçlanarak her seferinde daha fazla kaynak eklenebilir.
Vericast'ın sonucu
Bu özel otomatik ölçeklendirme çözümü, Vericast'in Makine Öğrenim Platformunu daha sağlam ve hataya dayanıklı hale getirmede etkili oldu. Platform artık farklı veri hacimlerindeki iş yüklerini minimum insan müdahalesiyle sorunsuz bir şekilde yönetebiliyor.
Bu çözümü uygulamadan önce, üretim hattındaki tüm Spark tabanlı modüller için kaynak gereksinimlerini tahmin etmek, yeni müşteri katılım sürecinin en büyük darboğazlarından biriydi. İstemci veri hacmi artarsa iş akışları başarısız olur veya üretimde veri hacmi azalırsa maliyet gerekçelendirilemez hale gelir.
Bu yeni modülün uygulamaya konulmasıyla kaynak kısıtlamalarından kaynaklanan iş akışı arızaları neredeyse %80 oranında azaltıldı. Geriye kalan birkaç hata çoğunlukla AWS hesabı kısıtlamalarından ve otomatik ölçeklendirme sürecinin ötesinden kaynaklanmaktadır. Vericast'in bu çözümle elde ettiği en büyük kazanç, yeni istemcileri ve iş akışlarını kolaylıkla dahil edebilmeleridir. Vericast, süreci en az %60-70 oranında hızlandırmayı bekliyor ve nihai sayı için verilerin hâlâ toplanması gerekiyor.
Her ne kadar bu Vericast tarafından bir başarı olarak görülse de bunun bir bedeli de var. Bu modülün doğasına ve bir bütün olarak dinamik ölçeklendirme kavramına bağlı olarak, iş akışları, iş akışındaki her modül için özel olarak ayarlanmış bir kümeye sahip bir iş akışından yaklaşık %30 (ortalama durum) daha uzun sürer. Vericast, her istemci modülü için buluşsal yönteme dayalı kaynak başlatmayı dahil ederek çözümü iyileştirmenin yollarını arayarak bu alanda optimizasyon yapmaya devam ediyor.
Vericast Makine Öğrenimi Platformu Kıdemli Müdürü Sharmo Sarkar şunları söylüyor: "AWS ve SageMaker kullanımımızı genişletmeye devam ederken, AWS Çözüm Mimarları olan AWS Müşteri Hizmetleri Ekibimizin inanılmaz çalışmasını vurgulamak için biraz zaman ayırmak istedim. ve birlikte çalıştığımız AWS Profesyonel Hizmetleri. AWS ve SageMaker konusundaki derin anlayışları, tüm ihtiyaçlarımızı karşılayan bir çözüm tasarlamamıza olanak tanıdı ve bize ihtiyaç duyduğumuz esnekliği ve ölçeklenebilirliği sağladı. Yanımızda bu kadar yetenekli ve bilgili bir destek ekibine sahip olduğumuz için çok minnettarız.”
Sonuç
Bu yazıda, SageMaker ve SageMaker Processing'in Vericast'in büyük veri hacimleri için yönetilen, performanslı ve uygun maliyetli bir veri işleme çerçevesi oluşturmasına nasıl olanak tanıdığını paylaştık. SageMaker Processing'in gücünü ve esnekliğini diğer AWS hizmetleriyle birleştirerek genelleştirilmiş özellik mühendisliği sürecini kolayca izleyebilirler. Bilgi işlem, bellek ve diğer faktörlerin eksikliğinden kaynaklanan potansiyel sorunları otomatik olarak tespit edebilir ve gerektiğinde dikey ve yatay ölçeklendirmeyi otomatik olarak uygulayabilirler.
SageMaker ve araçları, ekibinizin makine öğrenimi hedeflerine ulaşmasına da yardımcı olabilir. SageMaker İşleme ve bunun veri işleme iş yüklerinize nasıl yardımcı olabileceği hakkında daha fazla bilgi edinmek için bkz. Veri işleme. ML'ye yeni başlıyorsanız ve örnekler ve rehberlik arıyorsanız, Amazon SageMaker Hızlı Başlangıç başlamanıza yardımcı olabilir. JumpStart, makale özetleme ve görüntü oluşturma gibi görevleri gerçekleştirmenize ve yaygın kullanım durumlarını çözmek için önceden oluşturulmuş çözümlere yardımcı olmak için önceden eğitilmiş temel modellere sahip yerleşik algoritmalara erişebileceğiniz bir makine öğrenimi merkezidir.
Son olarak, bu gönderi size yardımcı oluyorsa veya bir sorunu çözmenize ilham veriyorsa, bunu duymak isteriz! Lütfen yorumlarınızı ve geri bildirimlerinizi paylaşın.
Yazarlar Hakkında
Anthony McClure AWS SaaS Factory ekibinde Kıdemli Ortak Çözüm Mimarıdır. Anthony ayrıca, müşterilerin makine öğrenimi çözümlerini gerçeğe dönüştürmelerine yardımcı olmak için AWS ML/AI Teknik Saha Topluluğu ile birlikte çalışarak makine öğrenimi ve yapay zekaya da büyük ilgi duyuyor.
Jyoti Sharma Vericast'te makine öğrenimi platformu ekibinde Veri Bilimi Mühendisidir. Veri biliminin tüm yönlerine tutkuyla bağlıdır ve yüksek düzeyde ölçeklenebilir ve dağıtılmış bir Makine Öğrenimi Platformu tasarlamaya ve uygulamaya odaklanmıştır.
Şarmo Sarkar Vericast'ta Kıdemli Yöneticidir. Vericast'te Bulut Makine Öğrenimi Platformunu ve Pazarlama Platformu ML Ar-Ge Ekiplerini yönetmektedir. Büyük Veri Analitiği, Dağıtılmış Bilgi İşlem ve Doğal Dil İşleme konularında geniş deneyime sahiptir. İş dışında motosiklete binmeyi, yürüyüş yapmayı ve dağ yollarında bisiklete binmeyi seviyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- İNDİRİM
- 7
- a
- Hakkımızda
- erişim
- göre
- Hesap
- Başarmak
- Etkinleştirme
- eylemler
- eklemek
- katma
- ekleme
- Ek
- yeterli olarak
- Sonra
- karşı
- AİDS
- Amaçları
- alarm
- algoritma
- algoritmalar
- Türkiye
- tek başına
- boyunca
- zaten
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- miktar
- an
- analytics
- ve
- Başka
- Anthony
- herhangi
- api
- uygun
- mimari
- ARE
- ALAN
- etrafında
- göre
- yapay
- yapay zeka
- AS
- boy
- yönleri
- atanmış
- yardım
- At
- Oto
- otomatikleştirmek
- otomatik olarak
- ortalama
- AWS
- AWS Profesyonel Hizmetleri
- baz
- merkezli
- BE
- Çünkü
- müşterimiz
- olmuştur
- olmak
- faydaları
- İYİ
- Ötesinde
- Büyük
- büyük Veri
- Biggest
- artırmak
- her ikisi de
- Bringing
- inşa etmek
- bina
- yapılı
- yerleşik
- iş
- fakat
- by
- hesaplanmış
- çağrı
- Kampanya
- CAN
- Alabilirsin
- Yakalama
- dava
- durumlarda
- Sebeb olmak
- neden olan
- belli
- zor
- değişiklikler
- sınıf
- sınıflar
- sınıflandırma
- müşteri
- müşteri katılımı
- istemciler
- bulut
- Küme
- kod
- Sütun
- kombinasyon
- birleştirme
- geliyor
- yorumlar
- ortak
- topluluk
- şirket
- tamamlamak
- Tamamladı
- karmaşıklık
- karmaşık
- bileşenler
- Uzlaşılmış
- hesaplamak
- bilgisayar
- kavram
- kavramlar
- yapılandırma
- Düşünmek
- kabul
- düşünen
- dikkate
- kısıtlamaları
- içermek
- Konteynerler
- devam etmek
- devam ediyor
- Ücret
- uygun maliyetli
- olabilir
- kupon
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturma
- kriterleri
- Çapraz
- akım
- Şu anda
- görenek
- müşteri
- Müşteriler
- veri
- Veri Analizi
- Veri Hazırlama
- veri işleme
- veri bilimi
- veri bilimcisi
- veri-güdümlü
- veri kümeleri
- karar vermek
- kararlar
- adanmış
- derin
- Delta
- Demografi
- bağımlı
- açılma
- tarif edilen
- Dizayn
- tasarlanmış
- tasarım
- ayrıntı
- ayrıntılar
- kararlı
- gelişme
- farklı
- farklı
- Zorluk
- direkt
- İndirim
- tartışmak
- dağıtıldı
- Dağıtılmış bilgi işlem
- tahrik
- sürücü
- gereken
- dinamik
- dinamik
- her
- Daha erken
- kolaylaştırmak
- kolayca
- ya
- E-posta
- etkin
- sağlar
- mühendis
- Mühendislik
- Mühendisler
- olmasını sağlar
- Tüm
- çevre
- ortamları
- eşit
- Eşdeğer
- değerlendirmek
- değerlendirilmesi
- değerlendirme
- Etkinlikler
- olaylar
- örnek
- örnekler
- Dışında
- mevcut
- Genişletmek
- beklenen
- beklediğini
- deneyim
- Keşfetmek
- ifade
- kapsamlı, geniş
- Kapsamlı Deneyim
- faktörler
- fabrika
- FAIL
- Başarısızlık
- Özellikler(Hazırlık aşamasında)
- Özellikler
- Fed
- geribesleme
- az
- alan
- son
- kesinleşmiş
- Ad
- uygun
- Esneklik
- esnek
- odaklanmış
- takip etme
- şu
- İçin
- formlar
- vakıf
- iskelet
- itibaren
- tamamen
- işlev
- fonksiyonlar
- Ayrıca
- gelecek
- toplama
- genel
- oluşturulan
- üretir
- nesil
- almak
- alma
- verilmiş
- Go
- gol
- Goller
- Goes
- Tercih Etmenizin
- GPU
- minnettar
- rehberlik
- vardı
- sap
- olur
- Var
- sahip olan
- he
- duymak
- ağır
- ağırlık kaldırma
- yardım et
- yardımcı olur
- üst düzey
- Yüksek kaliteli
- Vurgulamak
- büyük ölçüde
- tarih
- Yatay
- yatay
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- http
- HTTPS
- merkez
- insan
- Engelli koşu
- i
- tespit
- if
- göstermektedir
- görüntü
- uygulamak
- uygulama
- uygulanması
- önemli
- iyileştirmek
- in
- Diğer
- içerir
- Dahil olmak üzere
- birleşmeyle
- Artırmak
- artmış
- inanılmaz
- bireysel
- Bireysel olarak
- bilgi
- Altyapı
- ilk
- Başlattı
- örnek
- enstrümental
- İstihbarat
- niyetinde
- faiz
- arayüzey
- iç
- müdahale
- içine
- ilgili
- konu
- sorunlar
- IT
- ONUN
- İş
- Mesleki Öğretiler
- jpg
- sadece
- Nezaket.
- Bilmek
- Eksiklik
- dil
- büyük
- çok
- büyük
- sonra
- İlanlar
- ÖĞRENİN
- öğrenme
- en az
- Kütüphane
- kaldırma
- sınırlama
- sınırlamaları
- sınırları
- Liste
- küçük
- log
- günlüğü
- mantıksal
- uzun
- bakıyor
- kaybetmek
- Aşk
- makine
- makine öğrenme
- korumak
- Bakımı
- tutar
- yapmak
- YAPAR
- Yapımı
- yönetilen
- müdür
- manipüle
- tavır
- çok
- Pazarlama
- matematik
- Mayıs..
- Neden
- Bellek
- mesaj
- Metadata
- metrik
- Metrikleri
- olabilir
- akla
- en az
- ML
- model
- modelleri
- modül
- Modüller
- an
- izlemek
- izlenen
- izleme
- monitörler
- Daha
- çoğu
- çoğunlukla
- Dağ
- çoklu
- şart
- Doğal (Madenden)
- Doğal Dil İşleme
- Tabiat
- gerek
- gerekli
- gerek
- ihtiyaçlar
- yeni
- düğümler
- özellikle
- Fark etme..
- tebliğ
- bildirimleri
- şimdi
- numara
- hedefleri
- gözlemek
- of
- sık sık
- on
- On-Demand
- Teknede
- Onboarding
- ONE
- devam
- bir tek
- Şebeke
- optimum
- optimize
- optimize
- or
- orijinal
- Diğer
- bizim
- dışarı
- Sonuç
- çıktı
- dışında
- tekrar
- tüm
- Üstesinden gelmek
- genel bakış
- parametreler
- Bölüm
- belirli
- Partner
- Geçen
- tutkulu
- model
- yüzde
- Yapmak
- performans
- belki
- dönemleri
- perspektif
- resim
- boru hattı
- yer
- planlanmış
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- OYNA
- çalış
- Lütfen
- artı
- Nokta
- noktaları
- yoksul
- mümkün
- Çivi
- potansiyel
- güç kelimesini seçerim
- tahmin
- önceki
- muhtemelen
- Sorun
- sorunlar
- süreç
- İşlenmiş
- işleme
- üretmek
- PLATFORM
- üretim
- profesyonel
- sağlamak
- sağlanan
- sağlar
- koymak
- kalite
- Hızlı
- hızlı
- Ar-Ge
- daha doğrusu
- Çiğ
- ulaşmak
- Okumak
- hazır
- Gerçeklik
- neden
- kayıtlar
- Kurtarmak
- kurtarma
- Indirimli
- ifade eder
- ilgili
- uygun
- kalmak
- kalan
- rapor
- gereklidir
- Yer Alan Kurallar
- kaynak
- Kaynaklar
- Yanıtlamak
- sonuç
- Ortaya çıkan
- gürbüz
- Rol
- kabaca
- Kural
- koşmak
- koşu
- SaaS
- sagemaker
- aynı
- diyor
- ölçeklenebilirlik
- ölçeklenebilir
- ölçek
- ölçekleme
- Ölçeklendirme Çözümü
- senaryolar
- Bilim
- bilim adamı
- bilim adamları
- saniye
- bölümler
- seçilmiş
- seçim
- göndermek
- gönderir
- kıdemli
- Duyarlılık
- ayrı
- ayırma
- hizmet
- Hizmetler
- set
- Setleri
- birkaç
- paylaş
- Paylaşılan
- Sharma
- o
- gösterilen
- Gösteriler
- yan
- önemli
- benzer
- Basit
- beden
- So
- çözüm
- Çözümler
- ÇÖZMEK
- uzay
- özel
- özellikle
- hız
- Dönme
- aşamaları
- standart
- standları
- başlama
- başladı
- başlar
- Eyalet
- Durum
- adım
- Basamaklar
- Yine
- durdu
- durdurma
- Durdurur
- hafızası
- mağaza
- dizi
- güçlü
- yapılandırılmış
- aboneler
- başarı
- Başarılı olarak
- böyle
- destek
- sistem
- Sistemler
- tablo
- ısmarlama
- Bizi daha iyi tanımak için
- alır
- yetenekli
- Görev
- görevleri
- takım
- takım
- Teknik
- şartlar
- göre
- o
- The
- Gelecek
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- Üçüncü
- Re-Tweet
- Bu
- üç
- eşik
- İçinden
- zaman
- zamanlar
- için
- birlikte
- araçlar
- Toplam
- Tren
- Eğitim
- işlem
- ödeme detayları
- Dönüştürmek
- Dönüşüm
- dönüşümler
- tetikleyebilir
- tetiklenir
- iki
- tip
- tipik
- altında
- anlayış
- birimleri
- kadar
- güncellenmiş
- us
- kullanılabilir
- kullanım
- kullanım
- kullanım durumu
- Kullanılmış
- kullanma
- onaylama
- değer
- çeşitli
- dikey
- hacim
- hacimleri
- vs
- aranan
- oldu
- izlerken
- Yol..
- we
- İYİ
- ne zaman
- hangi
- DSÖ
- bütün
- tamamen
- irade
- kazanmak
- ile
- içinde
- İş
- iş akışları
- çalışma
- çalışır
- kötü
- olur
- yazı yazıyor
- henüz
- Yol ver
- Sen
- zefirnet