AutoML Makine öğrenimi (ML) proje yaşam döngüsünün hemen başlangıcında verilerinizden hızlı, genel bilgiler elde etmenize olanak tanır. Hangi ön işleme tekniklerinin ve algoritma türlerinin en iyi sonuçları sağladığını önceden anlamak, doğru modeli geliştirme, eğitme ve dağıtma süresini azaltır. Her modelin geliştirme sürecinde çok önemli bir rol oynar ve veri bilimcilerinin en umut verici makine öğrenimi tekniklerine odaklanmasına olanak tanır. Ayrıca AutoML, veri bilimi ekibi için referans noktası görevi görebilecek bir temel model performansı sağlar.
Bir AutoML aracı, verilerinize farklı algoritmaların ve çeşitli ön işleme tekniklerinin bir kombinasyonunu uygular. Örneğin, verileri ölçeklendirebilir, tek değişkenli özellik seçimi gerçekleştirebilir, farklı varyans eşik seviyelerinde PCA gerçekleştirebilir ve kümeleme uygulayabilir. Bu tür ön işleme teknikleri ayrı ayrı uygulanabilir veya bir boru hattında birleştirilebilir. Daha sonra bir AutoML aracı, önceden işlenmiş veri kümenizin farklı sürümleri üzerinde Doğrusal Regresyon, Elastik Ağ veya Rastgele Orman gibi farklı model türlerini eğitecek ve hiperparametre optimizasyonu (HPO) gerçekleştirecektir. Amazon SageMaker Otomatik Pilot ML modellerini oluşturmanın ağır yükünü ortadan kaldırır. Veri kümesini sağladıktan sonra SageMaker Autopilot, en iyi modeli bulmak için otomatik olarak farklı çözümleri araştırır. Peki ya AutoML iş akışının size özel sürümünü dağıtmak istiyorsanız?
Bu gönderi, özel yapım bir AutoML iş akışının nasıl oluşturulacağını gösterir Amazon Adaçayı Yapıcı kullanma Amazon SageMaker Otomatik Model Ayarlama örnek kodla birlikte mevcut GitHub deposu.
Çözüme genel bakış
Bu kullanım örneği için, özel bir alanda modeller geliştiren bir veri bilimi ekibinin parçası olduğunuzu varsayalım. Bir dizi özel ön işleme tekniği geliştirdiniz ve genellikle makine öğrenimi probleminizde iyi çalışmasını beklediğiniz bir dizi algoritma seçtiniz. Yeni makine öğrenimi kullanım durumları üzerinde çalışırken, potansiyel çözümlerin kapsamını daraltmak için öncelikle ön işleme tekniklerinizi ve algoritmalarınızı kullanarak bir AutoML çalıştırması gerçekleştirmek istersiniz.
Bu örnekte özel bir veri kümesi kullanmıyorsunuz; bunun yerine içe aktaracağınız California Housing veri kümesiyle çalışırsınız Amazon Basit Depolama Hizmeti (Amazon S3). Odak noktası, daha sonra herhangi bir veri kümesine ve etki alanına uygulanabilecek olan SageMaker HPO'yu kullanarak çözümün teknik uygulamasını göstermektir.
Aşağıdaki şemada genel çözüm iş akışı gösterilmektedir.
Önkoşullar
Bu yazıdaki izlenecek yolu tamamlamanın önkoşulları şunlardır:
Çözümü uygula
Kodun tamamı şurada mevcut GitHub repo.
Çözümü uygulama adımları (iş akışı şemasında belirtildiği gibi) aşağıdaki gibidir:
- Bir defter örneği oluşturma ve aşağıdakileri belirtin:
- İçin Defter örneği türü, seçmek ml.t3.orta.
- İçin Elastik Çıkarım, seçmek Yok.
- İçin Platform tanımlayıcısı, seçmek Amazon Linux 2, Jüpyter Laboratuvarı 3.
- İçin IAM rolü, varsayılanı seçin
AmazonSageMaker-ExecutionRole
. Mevcut değilse yeni bir tane oluşturun AWS Kimlik ve Erişim Yönetimi (IAM) rolünü seçin ve AmazonSageMakerFullAccess IAM politikası.
Üretimde minimum kapsamlı bir yürütme rolü ve ilkesi oluşturmanız gerektiğini unutmayın.
- Dizüstü bilgisayarınız için JupyterLab arayüzünü açın ve GitHub deposunu kopyalayın.
Bunu yeni bir terminal oturumu başlatıp çalıştırarak yapabilirsiniz. git clone <REPO>
komutunu kullanarak veya aşağıdaki ekran görüntüsünde gösterildiği gibi kullanıcı arayüzü işlevini kullanarak.
- Açın
automl.ipynb
not defteri dosyasını seçinconda_python3
çekirdek ve tetiklemek için talimatları izleyin HPO işleri seti.
Kodu herhangi bir değişiklik yapmadan çalıştırmak için hizmet kotasını artırmanız gerekir. ml.m5.large iş kullanımını eğitmek için ve Tüm eğitim işlerindeki örnek sayısı. AWS, her iki kota için varsayılan olarak yalnızca 20 paralel SageMaker eğitim işine izin verir. Her ikisi için de kotanın 30'a çıkarılmasını talep etmeniz gerekiyor. Her iki kota değişikliğinin de genellikle birkaç dakika içinde onaylanması gerekir. Bakınız Kota artışı talep etme daha fazla bilgi için.
Kotayı değiştirmek istemiyorsanız, yalnızca değerini değiştirebilirsiniz. MAX_PARALLEL_JOBS
koddaki değişken (örneğin, 5'e kadar).
- Her HPO işi bir dizi görevi tamamlayacaktır. staj denemeler yapın ve modeli optimal hiperparametrelerle belirtin.
- Sonuçları analiz edin ve en iyi performans gösteren modeli dağıtın.
Bu çözümün AWS hesabınızda maliyeti olacaktır. Bu çözümün maliyeti HPO eğitim işlerinin sayısına ve süresine bağlı olacaktır. Bunlar arttıkça maliyet de artacaktır. Eğitim süresini sınırlayarak ve yapılandırarak maliyetleri azaltabilirsiniz. TuningJobCompletionCriteriaConfig
Bu yazının ilerleyen kısımlarında tartışılan talimatlara göre. Fiyatlandırma bilgileri için bkz. Amazon SageMaker Fiyatlandırması.
Aşağıdaki bölümlerde not defterini kod örnekleriyle ve sonuçları analiz etme ve en iyi modeli seçme adımlarıyla daha ayrıntılı olarak ele alıyoruz.
İlk kurulum
Çalıştırmakla başlayalım İçe Aktarma ve Kurulum bölümündeki bölüm custom-automl.ipynb
not defteri. Gerekli tüm bağımlılıkları yükler ve içe aktarır, bir SageMaker oturumu ve istemcisi başlatır ve verileri depolamak için varsayılan Bölge ve S3 grubunu ayarlar.
Veri Hazırlama
California Housing veri kümesini indirin ve çalıştırarak hazırlayın. Verileri İndir not defterinin bölümü. Veri kümesi, eğitim ve test veri çerçevelerine bölünür ve SageMaker oturumunun varsayılan S3 klasörüne yüklenir.
Tüm veri setinde hedef dahil toplam 20,640 kayıt ve 9 sütun bulunmaktadır. Amaç bir evin ortalama değerini tahmin etmektir (medianHouseValue
kolon). Aşağıdaki ekran görüntüsü veri kümesinin üst satırlarını göstermektedir.
Eğitim komut dosyası şablonu
Bu gönderideki AutoML iş akışı şunları temel alır: scikit-öğrenme ön işleme boru hatları ve algoritmalar. Amaç, en iyi performansa sahip kurulumu bulmak için farklı ön işleme hatları ve algoritmalarının geniş bir kombinasyonunu oluşturmaktır. Dizüstü bilgisayar örneğinde yerel olarak kalıcı olan genel bir eğitim betiği oluşturmaya başlayalım. Bu komut dosyasında iki boş yorum bloğu vardır: biri hiperparametreleri enjekte etmek için, diğeri ise ön işleme modeli ardışık düzen nesnesi için. Her ön işleme modeli adayı için dinamik olarak enjekte edilecekler. Tek bir genel komut dosyasına sahip olmanın amacı, uygulamayı KURU tutmaktır (kendinizi tekrarlamayın).
Ön işleme ve model kombinasyonları oluşturun
The preprocessors
Sözlük, modelin tüm girdi özelliklerine uygulanan ön işleme tekniklerinin özelliklerini içerir. Her tarif bir kullanılarak tanımlanır Pipeline
ya da FeatureUnion
Bireysel veri dönüşümlerini birbirine zincirleyen ve bunları bir araya toplayan scikit-learn'den nesne. Örneğin, mean-imp-scale
ilgili sütunların ortalama değerleri kullanılarak eksik değerlerin atanmasını ve tüm özelliklerin ölçeklendirilmesini sağlayan basit bir tariftir. Standart Ölçekleyici. Aksine, mean-imp-scale-pca
Tarif zincirlerini birkaç işlemi daha bir araya getirin:
- Sütunlardaki eksik değerleri ortalamalarıyla birlikte atayın.
- Ortalama ve standart sapmayı kullanarak özellik ölçeklendirmeyi uygulayın.
- Belirtilen varyans eşik değerinde giriş verilerinin üstünde PCA'yı hesaplayın ve bunu emsal ve ölçeklendirilmiş giriş özellikleriyle birleştirin.
Bu yazıda tüm giriş özellikleri sayısaldır. Giriş veri kümenizde daha fazla veri türü varsa, farklı özellik türü kümelerine farklı ön işleme dallarının uygulandığı daha karmaşık bir işlem hattı belirtmelisiniz.
The models
sözlük, veri kümesine uyduğunuz farklı algoritmaların özelliklerini içerir. Her model tipi sözlükte aşağıdaki spesifikasyonla birlikte gelir:
- script_output – Tahminci tarafından kullanılan eğitim komut dosyasının konumuna işaret eder. Bu alan aşağıdaki durumlarda dinamik olarak doldurulur:
models
sözlük şununla birleştirildi:preprocessors
sözlük. - eklemeleri – Eklenecek kodu tanımlar
script_draft.py
ve daha sonra altında kaydedildiscript_output
. Anahtar“preprocessor”
birden fazla model-önişlemci kombinasyonu oluşturmak amacıyla bu konum önişlemcilerden biriyle doldurulduğundan kasıtlı olarak boş bırakılmıştır. - hiperparametreler – HPO işi tarafından optimize edilen bir dizi hiper parametre.
- include_cls_metadata – SageMaker'ın gerektirdiği daha fazla konfigürasyon ayrıntısı
Tuner
sınıf.
Tam bir örnek models
sözlük GitHub deposunda mevcuttur.
Sonra, tekrarlayalım preprocessors
ve models
sözlükler ve tüm olası kombinasyonları oluşturun. Örneğin, eğer preprocessors
Sözlük 10 tarif içeriyor ve 5 model tanımınız var. models
Yeni oluşturulan işlem hatları sözlüğü, HPO sırasında değerlendirilen 50 ön işlemci modeli işlem hattını içerir. Bu noktada ayrı ardışık düzen komut dosyalarının henüz oluşturulmadığını unutmayın. Jupyter not defterinin bir sonraki kod bloğu (hücre 9), sistemdeki tüm önişlemci modeli nesneleri yineler. pipelines
sözlük, ilgili tüm kod parçalarını ekler ve betiğin işlem hattına özgü bir sürümünü not defterinde yerel olarak sürdürür. Bu komut dosyaları, HPO işine eklediğiniz bireysel tahmin edicileri oluştururken sonraki adımlarda kullanılır.
Tahmincileri tanımlayın
Artık, komut dosyaları hazır olduktan sonra HPO işinin kullandığı SageMaker Tahmin Edicilerini tanımlama üzerinde çalışabilirsiniz. Tüm tahminciler için bazı ortak özellikleri tanımlayan bir sarmalayıcı sınıf oluşturarak başlayalım. Şundan miras kalır: SKLearn
sınıf ve rolü, örnek sayısını ve türünün yanı sıra komut dosyası tarafından özellikler ve hedef olarak hangi sütunların kullanıldığını belirtir.
hadi inşa edelim estimators
daha önce oluşturulan ve içinde bulunan tüm komut dosyalarını yineleyerek sözlük scripts
dizin. kullanarak yeni bir tahminci başlatırsınız. SKLearnBase
benzersiz bir tahminci adına ve komut dosyalarından birine sahip bir sınıf. Şunu unutmayın: estimators
sözlüğün iki düzeyi vardır: üst düzey bir pipeline_family
. Bu, değerlendirilecek model türüne dayalı mantıksal bir gruplandırmadır ve modelin uzunluğuna eşittir. models
sözlük. İkinci düzey, verilenlerle birleştirilmiş bireysel önişlemci türlerini içerir. pipeline_family
. Bu mantıksal gruplandırma, HPO işini oluştururken gereklidir.
HPO ayarlayıcı bağımsız değişkenlerini tanımlayın
Argümanların HPO'ya aktarılmasını optimize etmek için Tuner
sınıf HyperparameterTunerArgs
veri sınıfı, HPO sınıfının gerektirdiği argümanlarla başlatılır. Aynı anda birden fazla model tanımı dağıtılırken HPO bağımsız değişkenlerinin beklenen biçimde döndürülmesini sağlayan bir dizi işlevle birlikte gelir.
Bir sonraki kod bloğu daha önce tanıtılanları kullanır HyperparameterTunerArgs
veri sınıfı. adlı başka bir sözlük yaratırsınız hp_args
ve her birine özel bir dizi giriş parametresi oluşturun estimator_family
itibaren estimators
sözlük. Bu argümanlar bir sonraki adımda her model ailesi için HPO işleri başlatılırken kullanılır.
HPO ayarlayıcı nesneleri oluşturma
Bu adımda, her biri için ayrı ayarlayıcılar oluşturursunuz. estimator_family
. Tüm tahmin edicilerde yalnızca bir tane başlatmak yerine neden üç ayrı HPO işi oluşturuyorsunuz? HyperparameterTuner
sınıf, kendisine eklenen 10 model tanımıyla sınırlıdır. Bu nedenle her HPO, belirli bir model ailesi için en iyi performansa sahip ön işlemciyi bulmaktan ve bu model ailesinin hiper parametrelerini ayarlamaktan sorumludur.
Aşağıda kurulumla ilgili birkaç nokta daha verilmiştir:
- Optimizasyon stratejisi Bayesian'dır; bu, HPO'nun tüm denemelerin performansını aktif olarak izlediği ve optimizasyonu daha umut verici hiperparametre kombinasyonlarına doğru yönlendirdiği anlamına gelir. Erken durdurma şu şekilde ayarlanmalıdır: kapalı or Oto Bayes stratejisiyle çalışırken bu mantığın kendisini ele alır.
- Her HPO işi maksimum 100 iş için çalışır ve 10 işi paralel olarak çalıştırır. Daha büyük veri kümeleriyle çalışıyorsanız toplam iş sayısını artırmak isteyebilirsiniz.
- Ek olarak, bir işin ne kadar süreyle çalıştığını ve HPO'nuzun kaç işi tetiklediğini kontrol eden ayarları kullanmak isteyebilirsiniz. Bunu yapmanın bir yolu, maksimum çalışma süresini saniye cinsinden ayarlamaktır (bu yazı için bunu 1 saate ayarladık). Bir diğeri ise yakın zamanda piyasaya sürülen
TuningJobCompletionCriteriaConfig
. İşlerinizin ilerleyişini izleyen ve daha fazla işin sonucu iyileştirip iyileştirmeyeceğine karar veren bir dizi ayar sunar. Bu gönderide, iyileşme göstermeyen maksimum eğitim işi sayısını 20'ye ayarladık. Bu şekilde, eğer puan iyileşmiyorsa (örneğin, kırkıncı denemeden itibaren), kalan denemeler için ödeme yapmak zorunda kalmayacaksınız.max_jobs
ulaşıldı.
Şimdi tekrarlayalım tuners
ve hp_args
sözlükleri açın ve SageMaker'daki tüm HPO işlerini tetikleyin. olarak ayarlanan bekleme bağımsız değişkeninin kullanımına dikkat edin False
Bu, sonuçların tamamlanmasını çekirdeğin beklemeyeceği ve tüm işleri aynı anda tetikleyebileceğiniz anlamına gelir.
Tüm eğitim işlerinin tamamlanmaması muhtemeldir ve bazıları HPO işi tarafından durdurulabilir. Bunun nedeni ise TuningJobCompletionCriteriaConfig
—Belirtilen kriterlerden herhangi biri karşılanırsa optimizasyon tamamlanır. Bu durumda, ardı ardına gelen 20 iş için optimizasyon kriterleri iyileşmiyor.
Sonuçları analiz et
Dizüstü bilgisayarın 15. hücresi, tüm HPO işlerinin tamamlanıp tamamlanmadığını kontrol eder ve daha fazla analiz için tüm sonuçları bir panda veri çerçevesi biçiminde birleştirir. Sonuçları detaylı bir şekilde analiz etmeden önce SageMaker konsoluna üst düzey bir göz atalım.
Üst kısmında Hiperparametre ayarlama işleri sayfasında başlatılan üç HPO işinizi görebilirsiniz. Hepsi erken bitirdi ve 100 eğitim işinin tamamını yerine getirmedi. Aşağıdaki ekran görüntüsünde, Elastic-Net model ailesinin en yüksek sayıda denemeyi tamamladığını, diğerlerinin ise en iyi sonucu bulmak için çok fazla eğitim işine ihtiyaç duymadığını görebilirsiniz.
Bireysel eğitim işleri, iş yapılandırması ve en iyi eğitim işinin bilgileri ve performansı gibi daha fazla ayrıntıya erişmek için HPO işini açabilirsiniz.
Tüm model ailelerinde AutoML iş akışı performansına ilişkin daha fazla bilgi edinmek için sonuçlara dayalı bir görselleştirme oluşturalım.
Aşağıdaki grafikten şu sonuca varabilirsiniz: Elastic-Net
modelin performansı 70,000 ile 80,000 RMSE arasında salınıyordu ve algoritma çeşitli ön işleme teknikleri ve hiper parametre değerleri denemesine rağmen performansını artıramadığı için sonunda durdu. Ayrıca öyle görünüyor ki RandomForest
performans, HPO tarafından keşfedilen hiperparametre setine bağlı olarak büyük ölçüde değişiklik gösterdi, ancak birçok denemeye rağmen 50,000 RMSE hatasının altına inemedi. GradientBoosting
Başlangıçtan itibaren 50,000 RMSE'nin altına inerek en iyi performansı elde etti. HPO bu sonucu daha da iyileştirmeye çalıştı ancak diğer hiperparametre kombinasyonlarında daha iyi performans elde edemedi. Tüm HPO işleri için genel bir sonuç, her algoritma için en iyi performans gösteren hiperparametre setini bulmak için çok fazla işe gerek olmadığıdır. Sonucu daha da iyileştirmek için, daha fazla özellik oluşturmayı ve ek özellik mühendisliği yapmayı denemeniz gerekir.
Ayrıca, en umut verici kombinasyonlar hakkında sonuçlara varmak için model-önişlemci kombinasyonunun daha ayrıntılı bir görünümünü de inceleyebilirsiniz.
En iyi modeli seçin ve dağıtın
Aşağıdaki kod parçacığı, ulaşılan en düşük hedef değere göre en iyi modeli seçer. Daha sonra modeli bir SageMaker uç noktası olarak dağıtabilirsiniz.
Temizlemek
AWS hesabınızdan istenmeyen ücretler alınmasını önlemek için bu gönderide kullandığınız AWS kaynaklarını silmenizi öneririz:
- Amazon S3 konsolunda, eğitim verilerinin depolandığı S3 klasöründeki verileri boşaltın.
- SageMaker konsolunda dizüstü bilgisayar örneğini durdurun.
- Dağıttıysanız model uç noktasını silin. Uç noktalar, konuşlandırılma zamanına göre faturalandırıldıklarından, artık kullanılmadıklarında silinmelidir.
Sonuç
Bu yazıda, özel algoritma seçimi ve ön işleme teknikleri kullanılarak SageMaker'da özel bir HPO işinin nasıl oluşturulacağını gösterdik. Bu örnek özellikle, birçok eğitim betiği oluşturma sürecinin nasıl otomatikleştirileceğini ve birden çok paralel optimizasyon işinin verimli dağıtımı için Python programlama yapılarının nasıl kullanılacağını gösterir. Bu çözümün, daha yüksek performans elde etmek ve makine öğrenimi iş akışlarınızı hızlandırmak için SageMaker kullanarak dağıtacağınız tüm özel model ayarlama işlerinin iskelesini oluşturacağını umuyoruz.
SageMaker HPO'nun nasıl kullanılacağına ilişkin bilginizi daha da derinleştirmek için aşağıdaki kaynaklara göz atın:
Yazarlar Hakkında
Konrad Semsch Amazon Web Services Veri Laboratuvarı Ekibinde Kıdemli ML Çözümleri Mimarıdır. Müşterilerin AWS ile iş sorunlarını çözmek için makine öğrenimini kullanmalarına yardımcı oluyor. Müşterilere AI/ML projeleri için basit ve pragmatik çözümler sağlamak amacıyla icat etmekten ve basitleştirmeden hoşlanıyor. MlOps ve geleneksel veri bilimi konusunda çok tutkulu. İş dışında rüzgar sörfü ve uçurtma sörfünün büyük bir hayranıdır.
Tuna Ersoy AWS'de Kıdemli Çözüm Mimarıdır. Öncelikli odak noktası, Kamu Sektörü müşterilerinin iş yükleri için bulut teknolojilerini benimsemelerine yardımcı olmaktır. Uygulama geliştirme, kurumsal mimari ve iletişim merkezi teknolojileri konularında geçmişi vardır. İlgi alanları arasında sunucusuz mimariler ve AI/ML yer alıyor.
- 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. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- %15
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- Yapabilmek
- Hakkımızda
- erişim
- Göre
- Hesap
- Başarmak
- elde
- karşısında
- aktif
- Ek
- Ayrıca
- benimsemek
- Sonra
- AI / ML
- amaç
- algoritma
- algoritmalar
- Türkiye
- Izin
- veriyor
- zaten
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- an
- analiz
- çözümlemek
- analiz
- ve
- Başka
- herhangi
- Uygulama
- Uygulama Geliştirme
- uygulamalı
- geçerlidir
- Tamam
- onaylı
- mimari
- ARE
- tartışma
- argümanlar
- AS
- üstlenmek
- At
- iliştirmek
- Oto
- otomatikleştirmek
- Otomatik
- otomatik olarak
- AutoML
- mevcut
- AWS
- arka fon
- baz
- merkezli
- Temel
- Bayes
- BE
- Çünkü
- önce
- Başlangıç
- altında
- İYİ
- Daha iyi
- arasında
- Büyük
- Engellemek
- Blokları
- her ikisi de
- dalları
- inşa etmek
- bina
- iş
- fakat
- düğmesine tıklayın
- by
- Kaliforniya
- çağrı
- denilen
- CAN
- aday
- dava
- durumlarda
- Merkez
- zincirler
- zorluklar
- değişiklik
- değişiklikler
- yükler
- Çekler
- Klinik
- sınıf
- CLF
- müşteri
- bulut
- Küme
- kümeleme
- kod
- Sütun
- Sütunlar
- kombinasyon
- kombinasyonları
- kombine
- biçerdöverler
- geliyor
- yorum Yap
- ortak
- tamamlamak
- Tamamlandı
- tamamladıktan
- karmaşık
- sonucuna
- sonuç
- Davranış
- yapılandırma
- ardışık
- konsolos
- UAF ile
- iletişim merkezi
- içeren
- kontrast
- kontrol
- Ücret
- maliyetler
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- kriterleri
- çok önemli
- Şu anda
- görenek
- Müşteriler
- veri
- veri bilimi
- veri kümeleri
- ilgili
- karar vermek
- derinleştirmek
- Varsayılan
- tanımlı
- tanımlar
- tanımlarken
- tanımları
- göstermek
- gösteriyor
- bağlı
- bağımlılıklar
- bağlı
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- türetmek
- Rağmen
- ayrıntı
- detaylı
- ayrıntılar
- geliştirmek
- gelişmiş
- gelişme
- geliştirir
- sapma
- DICT
- farklı
- dizinleri
- tartışmak
- tartışılan
- do
- Değil
- domain
- Dont
- aşağı
- çekmek
- kuru
- süre
- sırasında
- dinamik
- her
- Erken
- verimli
- ortadan kaldırır
- etkinleştirmek
- Son nokta
- Mühendislik
- sağlamak
- olmasını sağlar
- kuruluş
- Tüm
- Baştan sona
- eşit
- hata
- değerlendirmek
- değerlendirilir
- sonunda
- Her
- muayene etmek
- örnek
- örnekler
- infaz
- mevcut
- beklemek
- beklenen
- deneme
- açıkladı
- keşfedilmeyi
- araştırıyor
- yanlış
- aileleri
- aile
- fan
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- alan
- fileto
- dolu
- bulmak
- bulma
- Ad
- uygun
- beş
- odak
- takip et
- takip etme
- şu
- İçin
- orman
- Airdrop Formu
- biçim
- ÇERÇEVE
- itibaren
- ön
- tam
- işlev
- işlevsellik
- fonksiyonlar
- daha fazla
- genel
- oluşturmak
- oluşturulan
- üreten
- almak
- Git
- GitHub
- verilmiş
- Go
- gol
- gidiş
- grafik
- el
- Kolları
- Var
- sahip olan
- he
- ağır
- ağırlık kaldırma
- yardım
- yardımcı olur
- onu
- üst düzey
- daha yüksek
- en yüksek
- umut
- saat
- ev
- hane
- konut
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- Hiperparametre optimizasyonu
- Hiperparametre Ayarı
- Kimlik
- if
- uygulamak
- uygulama
- ithalat
- ithalat
- iyileştirmek
- geliştirme
- in
- dahil
- Dahil olmak üzere
- Artırmak
- belirtmek
- bireysel
- Bireysel olarak
- bilgi
- giriş
- girişler
- Uçlar
- anlayışlar
- örnek
- yerine
- talimatlar
- bütünleşme
- kasten
- ilgi alanları
- arayüzey
- içine
- tanıttı
- IT
- ONUN
- kendisi
- İş
- Mesleki Öğretiler
- jpg
- sadece
- sadece bir
- tutmak
- anahtar
- bilgi
- laboratuvar
- büyük
- büyük
- sonra
- başlattı
- fırlatma
- öğrenme
- sol
- uzunluk
- seviye
- seviyeleri
- yaşam döngüsü
- kaldırma
- sevmek
- Muhtemelen
- sınırlayıcı
- linux
- yük
- lokal olarak
- bulunan
- yer
- mantık
- mantıksal
- Uzun
- uzun
- Bakın
- Çok
- en düşük
- makine
- makine öğrenme
- çok
- maksimum
- Mayıs..
- ortalama
- anlamına geliyor
- gitmek
- araya geldi
- Metrikleri
- olabilir
- dakika
- eksik
- ML
- MLO'lar
- model
- modelleri
- değiştirmek
- izlemek
- monitörler
- Daha
- çoğu
- çoklu
- isim
- dar
- gezinir
- gerek
- yeni
- yeni
- sonraki
- yok hayır
- Hayır
- defter
- ünlü
- şimdi
- numara
- dizi
- nesne
- nesnel
- nesneler
- of
- kapalı
- Teklifler
- on
- bir Zamanlar
- ONE
- bir tek
- açık
- Operasyon
- optimum
- optimizasyon
- optimize
- optimize
- or
- sipariş
- OS
- Diğer
- Diğer
- dışarı
- çıktı
- dışında
- tekrar
- tüm
- Kanal
- pandalar
- Paralel
- parametreler
- Bölüm
- belirli
- Geçen
- tutkulu
- yol
- Yapmak
- performans
- icra
- devam
- parçalar
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- çalış
- fiş
- Nokta
- noktaları
- politika
- nüfus
- mümkün
- Çivi
- potansiyel
- pragmatik
- tahmin
- Predictor
- Hazırlamak
- önkoşullar
- hediyeler
- önlemek
- Önceden
- fiyatlandırma
- birincil
- Sorun
- süreç
- üretmek
- üretim
- Programlama
- Ilerleme
- proje
- Projeler
- umut verici
- özellikleri
- sağlamak
- sağlar
- sağlama
- halka açık
- amaç
- Python
- rasgele
- hızlı
- ulaştı
- hazır
- neden
- geçenlerde
- yemek tarifi
- tavsiye etmek
- kayıtlar
- azaltmak
- azaltır
- başvurmak
- referans
- ilişkin
- regex
- bölge
- serbest
- uygun
- kalan
- Kaldır
- tekrar et
- Depo
- talep
- gerektirir
- gereklidir
- Kaynaklar
- bu
- sorumlu
- kısıtlı
- sonuç
- Sonuçlar
- dönüş
- krallar gibi yaşamaya
- Rol
- koşmak
- koşu
- ishal
- runtime
- sagemaker
- SageMaker Otomatik Model Ayarlama
- kaydedilmiş
- ölçek
- ölçekleme
- Bilim
- bilim adamları
- scikit-öğrenme
- kapsam
- Gol
- senaryo
- scriptler
- İkinci
- saniye
- Bölüm
- bölümler
- sektör
- görmek
- görünüyor
- seçilmiş
- seçim
- SELF
- kıdemli
- ayrı
- hizmet vermek
- Serverless
- hizmet
- Hizmetler
- Oturum
- set
- Setleri
- ayarlar
- kurulum
- o
- meli
- görücüye
- gösterilen
- Gösteriler
- Basit
- basitleştirilmesi
- sadece
- pasajı
- So
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- özel
- özel
- şartname
- özellikler
- Belirtilen
- hız
- bölmek
- yığın
- standart
- başlama
- XNUMX dakika içinde!
- Durum
- adım
- Basamaklar
- dur
- durdu
- durdurma
- hafızası
- saklı
- depolamak
- Stratejileri
- yapı
- yapılar
- Daha sonra
- böyle
- destekli
- tablo
- ısmarlama
- Bizi daha iyi tanımak için
- Hedef
- takım
- Teknik
- teknikleri
- Teknolojileri
- terminal
- test
- Test yapmak
- o
- The
- ve bazı Asya
- Onları
- sonra
- Orada.
- bu nedenle
- Bunlar
- onlar
- Re-Tweet
- Bu
- üç
- eşik
- İçinden
- zaman
- için
- birlikte
- araç
- üst
- Toplam
- karşı
- geleneksel
- Tren
- Eğitim
- dönüşümler
- deneme
- denemeler
- denenmiş
- tetikleyebilir
- tetiklenir
- tetikleme
- çalışıyor
- ayarlama
- iki
- tip
- türleri
- tipik
- ui
- altında
- anlayış
- benzersiz
- kadar
- istenmeyen
- Yüklenen
- kullanım
- kullanım
- kullanım durumu
- Kullanılmış
- kullanım
- kullanma
- DOĞRULA
- değer
- Değerler
- değişken
- çeşitli
- çeşitli
- versiyon
- sürümler
- Görüntüle
- görüntüleme
- W
- beklemek
- örneklerde
- istemek
- oldu
- Yol..
- we
- ağ
- web hizmetleri
- İYİ
- vardı
- Ne
- ne zaman
- oysa
- olup olmadığını
- hangi
- neden
- irade
- ile
- içinde
- olmadan
- İş
- iş akışı
- iş akışları
- çalışma
- olur
- yazmak
- henüz
- Sen
- kendiniz
- zefirnet