سیج میکر کینوس ماڈل لیڈر بورڈ کا استعمال کرتے ہوئے جدید کنفیگریشنز کے ساتھ مشین لرننگ ماڈلز بنائیں اور ان کا جائزہ لیں۔ ایمیزون ویب سروسز

ایمیزون سیج میکر کینوس ایک بغیر کوڈ والی ورک اسپیس ہے جو تجزیہ کاروں اور سٹیزن ڈیٹا سائنسدانوں کو اپنی کاروباری ضروریات کے لیے درست مشین لرننگ (ML) پیشین گوئیاں پیدا کرنے کے قابل بناتی ہے۔ آج سے، SageMaker Canvas جدید ماڈل کی تعمیر کی ترتیب کو سپورٹ کرتا ہے جیسے کہ ٹریننگ کے طریقہ کار کو منتخب کرنا (ایسیبل یا ہائپر پیرامیٹر آپٹیمائزیشن) اور الگورتھم، ٹریننگ اور توثیق ڈیٹا اسپلٹ ریشو کو اپنی مرضی کے مطابق بنانا، اور آٹو ایم ایل کی تکرار اور جاب رن ٹائم کی حدیں مقرر کرنا، اس طرح صارفین کو اپنی مرضی کے مطابق کرنے کی اجازت دیتا ہے۔ کوڈ کی ایک لائن لکھنے کے بغیر ماڈل بلڈنگ کنفیگریشنز۔ یہ لچک زیادہ مضبوط اور بصیرت بخش ماڈل کی ترقی فراہم کر سکتی ہے۔ غیر تکنیکی اسٹیک ہولڈر ڈیفالٹ سیٹنگز کے ساتھ نو کوڈ فیچرز استعمال کر سکتے ہیں، جبکہ سٹیزن ڈیٹا سائنسدان مختلف ML الگورتھم اور تکنیکوں کے ساتھ تجربہ کر سکتے ہیں، یہ سمجھنے میں ان کی مدد کر سکتے ہیں کہ کون سے طریقے ان کے ڈیٹا کے لیے بہترین کام کرتے ہیں اور ماڈل کے معیار اور کارکردگی کو یقینی بنانے کے لیے بہتر بناتے ہیں۔

ماڈل بلڈنگ کنفیگریشن کے علاوہ، SageMaker Canvas اب ایک ماڈل لیڈر بورڈ بھی فراہم کرتا ہے۔ لیڈر بورڈ آپ کو مختلف ماڈلز کی کنفیگریشنز کے لیے کلیدی کارکردگی میٹرکس (مثال کے طور پر درستگی، درستگی، یاد کرنے، اور F1 سکور) کا موازنہ کرنے کی اجازت دیتا ہے تاکہ آپ کے ڈیٹا کے لیے بہترین ماڈل کی نشاندہی کی جا سکے، اس طرح ماڈل کی تعمیر میں شفافیت کو بہتر بنایا جائے اور آپ کو باخبر فیصلے کرنے میں مدد ملے۔ ماڈل کے انتخاب. آپ پورے ماڈل کی عمارت کے ورک فلو کو بھی دیکھ سکتے ہیں، بشمول تجویز کردہ پری پروسیسنگ اقدامات، الگورتھم، اور ایک نوٹ بک میں ہائپر پیرامیٹر رینجز۔ ان افعال تک رسائی حاصل کرنے کے لیے، سائن آؤٹ کریں اور دوبارہ سائن ان کریں SageMaker Canvas اور منتخب کریں۔ ماڈل ترتیب دیں۔ ماڈل بناتے وقت

اس پوسٹ میں، ہم آپ کو نئے سیج میکر کینوس ایڈوانس ماڈل بلڈ کنفیگریشنز کو استعمال کرنے کے عمل کے بارے میں بتاتے ہیں تاکہ ایک جوڑ اور ہائپر پیرامیٹر آپٹیمائزیشن (HPO) ٹریننگ شروع کی جا سکے۔

حل جائزہ

اس سیکشن میں، ہم آپ کو اپنے ڈیٹاسیٹ کا تجزیہ کرنے، اعلیٰ معیار کے ML ماڈلز بنانے، اور ماڈل لیڈر بورڈ دیکھنے کے لیے ایک جوڑا اور ہائپر پیرامیٹر آپٹیمائزیشن (HPO) ٹریننگ شروع کرنے کے لیے نئے SageMaker Canvas ایڈوانس ماڈل کی تعمیر کے لیے مرحلہ وار ہدایات دکھاتے ہیں۔ فیصلہ کرنے کے لیے کہ کون سا ماڈل اندازہ کے لیے شائع کرنا ہے۔ SageMaker Canvas ڈیٹاسیٹ کے سائز کی بنیاد پر تربیت کا طریقہ خود بخود منتخب کر سکتا ہے، یا آپ اسے دستی طور پر منتخب کر سکتے ہیں۔ انتخاب یہ ہیں:

• جوڑ: استعمال کرتا ہے۔ آٹوگلون کئی بیس ماڈلز کو تربیت دینے کے لیے لائبریری۔ اپنے ڈیٹاسیٹ کے لیے بہترین امتزاج تلاش کرنے کے لیے، ensemble mode مختلف ماڈل اور میٹا پیرامیٹر کی ترتیبات کے ساتھ 10 ٹرائلز چلاتا ہے۔ اس کے بعد یہ ایک بہترین پیشن گوئی ماڈل بنانے کے لیے ان ماڈلز کو اسٹیکنگ ensemble طریقہ استعمال کرتے ہوئے جوڑتا ہے۔ جوڑ موڈ میں، SageMaker Canvas مندرجہ ذیل قسم کے مشین لرننگ الگورتھم کو سپورٹ کرتا ہے:
  • ہلکا جی بی ایم: ایک بہترین فریم ورک جو گراڈینٹ بوسٹنگ کے ساتھ درختوں پر مبنی الگورتھم استعمال کرتا ہے۔ یہ الگورتھم ایسے درختوں کا استعمال کرتا ہے جو گہرائی کے بجائے چوڑائی میں بڑھتے ہیں اور رفتار کے لیے انتہائی موزوں ہیں۔
  • CatBoost: ایک فریم ورک جو گریڈینٹ بوسٹنگ کے ساتھ درخت پر مبنی الگورتھم استعمال کرتا ہے۔ واضح متغیرات سے نمٹنے کے لیے آپٹمائزڈ۔
  • XGBoost: ایک ایسا فریم ورک جو درختوں پر مبنی الگورتھم کو گریڈینٹ بوسٹنگ کے ساتھ استعمال کرتا ہے جو چوڑائی کے بجائے گہرائی میں بڑھتا ہے۔
  • بے ترتیب جنگل: ایک درخت پر مبنی الگورتھم جو متبادل کے ساتھ ڈیٹا کے بے ترتیب ذیلی نمونوں پر کئی فیصلے والے درختوں کا استعمال کرتا ہے۔ درخت ہر سطح پر بہترین نوڈس میں تقسیم ہوتے ہیں۔ اوور فٹنگ کو روکنے اور پیشین گوئیوں کو بہتر بنانے کے لیے ہر درخت کے فیصلوں کا اوسط ایک ساتھ لیا جاتا ہے۔
  • اضافی درخت: ایک درخت پر مبنی الگورتھم جو پورے ڈیٹاسیٹ پر فیصلہ کن درختوں کا استعمال کرتا ہے۔ درخت ہر سطح پر تصادفی طور پر تقسیم ہوتے ہیں۔ اوور فٹنگ کو روکنے اور پیشین گوئیوں کو بہتر بنانے کے لیے ہر درخت کے فیصلے اوسط ہوتے ہیں۔ بے ترتیب جنگل الگورتھم کے مقابلے میں اضافی درخت بے ترتیب ہونے کی ایک ڈگری کا اضافہ کرتے ہیں۔
  • لکیری ماڈل: ایک فریم ورک جو مشاہدہ شدہ ڈیٹا میں دو متغیرات کے درمیان تعلق کو ماڈل کرنے کے لیے لکیری مساوات کا استعمال کرتا ہے۔
  • اعصابی نیٹ ورک ٹارچ: ایک نیورل نیٹ ورک ماڈل جو Pytorch کا استعمال کرتے ہوئے لاگو کیا گیا ہے۔
  • اعصابی نیٹ ورک fast.ai: ایک نیورل نیٹ ورک ماڈل جو fast.ai کا استعمال کرتے ہوئے لاگو کیا گیا ہے۔
• ہائپر پیرامیٹر آپٹیمائزیشن (HPO): SageMaker Canvas آپ کے ڈیٹاسیٹ پر تربیتی جابز چلاتے ہوئے Bayesian آپٹیمائزیشن یا ملٹی فیڈیلیٹی آپٹیمائزیشن کا استعمال کرتے ہوئے ہائپر پیرامیٹر کو ٹیوننگ کرکے ماڈل کا بہترین ورژن تلاش کرتا ہے۔ HPO موڈ ان الگورتھم کا انتخاب کرتا ہے جو آپ کے ڈیٹاسیٹ سے زیادہ متعلقہ ہوتے ہیں اور آپ کے ماڈلز کو ٹیون کرنے کے لیے ہائپر پیرامیٹر کی بہترین رینج کا انتخاب کرتے ہیں۔ اپنے ماڈلز کو ٹیون کرنے کے لیے، HPO موڈ 100 ٹرائلز (پہلے سے طے شدہ) تک چلتا ہے تاکہ منتخب رینج کے اندر بہترین ہائپر پیرامیٹر کی ترتیبات تلاش کی جا سکیں۔ اگر آپ کے ڈیٹاسیٹ کا سائز 100 MB سے کم ہے تو SageMaker Canvas Bayesian آپٹیمائزیشن کا استعمال کرتا ہے۔ اگر آپ کا ڈیٹا سیٹ 100 MB سے بڑا ہے تو SageMaker Canvas ملٹی فیڈیلیٹی آپٹیمائزیشن کا انتخاب کرتا ہے۔ ملٹی فیڈیلیٹی آپٹیمائزیشن میں، میٹرکس مسلسل ٹریننگ کنٹینرز سے خارج ہوتے ہیں۔ ایک ٹرائل جو کسی منتخب مقصدی میٹرک کے خلاف خراب کارکردگی کا مظاہرہ کر رہا ہے اسے جلد روک دیا جاتا ہے۔ ایک آزمائش جو اچھی کارکردگی کا مظاہرہ کر رہی ہے اسے مزید وسائل مختص کیے جاتے ہیں۔ HPO موڈ میں، SageMaker Canvas مندرجہ ذیل قسم کے مشین لرننگ الگورتھم کو سپورٹ کرتا ہے:
• لکیری سیکھنے والا: ایک زیر نگرانی سیکھنے کا الگورتھم جو درجہ بندی یا رجعت کے مسائل کو حل کر سکتا ہے۔
• XGBoost: ایک زیر نگرانی سیکھنے کا الگورتھم جو آسان اور کمزور ماڈلز کے سیٹ سے تخمینوں کے جوڑ کو ملا کر ہدف کے متغیر کی درست پیش گوئی کرنے کی کوشش کرتا ہے۔
• گہری سیکھنے کا الگورتھم: ایک ملٹی لیئر پرسیپٹرون (MLP) اور فیڈ فارورڈ مصنوعی نیورل نیٹ ورک۔ یہ الگورتھم ایسے ڈیٹا کو سنبھال سکتا ہے جو خطی طور پر الگ نہیں کیا جا سکتا۔
• آٹو: SageMaker Canvas خود بخود آپ کے ڈیٹا سیٹ کے سائز کی بنیاد پر یا تو ensemble mode یا HPO موڈ کا انتخاب کرتا ہے۔ اگر آپ کا ڈیٹاسیٹ 100 MB سے بڑا ہے تو SageMaker Canvas HPO کا انتخاب کرتا ہے۔ دوسری صورت میں، یہ جوڑ موڈ کا انتخاب کرتا ہے.

شرائط

اس پوسٹ کے لیے، آپ کو درج ذیل شرائط کو پورا کرنا ہوگا۔

1. ایک ہے AWS اکاؤنٹ.
2. سیج میکر کینوس مرتب کریں۔ دیکھیں Amazon SageMaker Canvas کو ترتیب دینے کے لیے شرائط.
3. کلاسک ڈاؤن لوڈ کریں۔ ٹائٹینک ڈیٹاسیٹ اپنے مقامی کمپیوٹر پر۔

ایک ماڈل بنائیں

ہم آپ کو ٹائٹینک ڈیٹاسیٹ اور سیج میکر کینوس کا استعمال کرتے ہوئے ایک ایسا ماڈل بنانے کے لیے بتاتے ہیں جو یہ پیشین گوئی کرے کہ کون سے مسافر ٹائٹینک جہاز کے ملبے سے بچ گئے۔ یہ بائنری درجہ بندی کا مسئلہ ہے۔ ہم انسبل ٹریننگ موڈ کا استعمال کرتے ہوئے کینوس تجربہ بنانے پر توجہ مرکوز کرتے ہیں اور HPO ٹریننگ موڈ (1 ٹرائلز) کا استعمال کرتے ہوئے SageMaker Canvas تجربے کے ساتھ F100 سکور اور مجموعی رن ٹائم کے نتائج کا موازنہ کرتے ہیں۔

کالم کا نام	Description
مسافر	شناختی نمبر
بچ گیا۔	بقا
پی کلاس	ٹکٹ کی کلاس
نام	مسافر کا نام
جنس	جنس
عمر	سالوں میں عمر
سبسپ	ٹائٹینک پر سوار بہن بھائیوں یا میاں بیوی کی تعداد
پارچ	ٹائی ٹینک پر سوار والدین یا بچوں کی تعداد
ٹکٹ	ٹکٹ نمبر
کرایہ	مسافر میلہ
کیبن	کیبن نمبر
نشان زد	سفر کی بندرگاہ

۔ ٹائٹینک ڈیٹاسیٹ 890 قطاریں اور 12 کالم ہیں۔ اس میں مسافروں کے بارے میں آبادیاتی معلومات (عمر، جنس، ٹکٹ کی کلاس، وغیرہ) اور زندہ بچ جانے والے (ہاں/نہیں) ہدف کے کالم پر مشتمل ہے۔

1. ڈیٹا سیٹ کو SageMaker Canvas میں درآمد کرکے شروع کریں۔ ڈیٹاسیٹ کو نام دیں۔ ٹائٹینک.
   
2. ٹائٹینک ڈیٹاسیٹ کو منتخب کریں اور منتخب کریں۔ نیا ماڈل بنائیں. ماڈل کے لیے ایک نام درج کریں، منتخب کریں۔ پیش قیاسی تجزیہ مسئلہ کی قسم کے طور پر، اور منتخب کریں تخلیق کریں.
   
3. کے تحت پیشین گوئی کرنے کے لیے ایک کالم منتخب کریں۔، کا استعمال کرتے ہیں ٹارگٹ کالم منتخب کرنے کے لیے ڈراپ ڈاؤن کریں۔ بچ گیا. زندہ بچ جانے والا ٹارگٹ کالم ایک بائنری ڈیٹا کی قسم ہے جس کی اقدار 0 (زندہ نہیں ہوئی) اور 1 (بچ گئے) ہیں۔

ماڈل کو ترتیب دیں اور چلائیں۔

پہلے تجربے میں، آپ SageMaker Canvas کو ترتیب دیتے ہیں تاکہ ڈیٹاسیٹ پر اپنے مقصدی میٹرک کے طور پر درستگی کے ساتھ ایک جوڑا ٹریننگ چلائی جائے۔ زیادہ درستگی کا اسکور اشارہ کرتا ہے کہ ماڈل زیادہ درست پیشین گوئیاں کر رہا ہے، جبکہ کم درستگی کا اسکور بتاتا ہے کہ ماڈل زیادہ غلطیاں کر رہا ہے۔ درستگی متوازن ڈیٹا سیٹس کے لیے اچھی طرح کام کرتی ہے۔ جوڑے کی تربیت کے لیے، اپنے الگورتھم کے طور پر XGBoost، Random Forest، CatBoost، اور Linear Models کو منتخب کریں۔ تربیت اور توثیق کے لیے ڈیٹا کی تقسیم کو ڈیفالٹ 80/20 پر چھوڑ دیں۔ اور آخر میں، 1 گھنٹے کے زیادہ سے زیادہ جاب رن ٹائم کے لیے ٹریننگ جاب کو کنفیگر کریں۔

1. منتخب کرکے شروع کریں۔ ماڈل ترتیب دیں۔.
   
2. اس کے لیے ایک موڈل ونڈو سامنے آتی ہے۔ ماڈل ترتیب دیں۔. منتخب کریں اعلی درجے کی نیویگیشن پین سے۔
   
3. منتخب کرکے اپنے ماڈل کو ترتیب دینا شروع کریں۔ مقصدی میٹرک. اس تجربے کے لیے، منتخب کریں۔ درستگی. درستگی کا سکور آپ کو بتاتا ہے کہ ماڈل کی پیشین گوئیاں مجموعی طور پر کتنی بار درست ہیں۔
   
4. منتخب کریں تربیت کا طریقہ اور الگورتھم اور منتخب کریں پہناوا. مشین لرننگ کے انسمبل طریقوں میں متعدد ماڈلز بنانا اور پھر بہتر نتائج پیدا کرنے کے لیے ان کو ملانا شامل ہے۔ اس تکنیک کا استعمال مختلف الگورتھم کی طاقتوں سے فائدہ اٹھا کر پیشین گوئی کی درستگی کو بڑھانے کے لیے کیا جاتا ہے۔ انسمبل کے طریقے کسی ایک ماڈل سے زیادہ درست حل پیدا کرنے کے لیے جانے جاتے ہیں، جیسا کہ مختلف مشین لرننگ مقابلوں اور حقیقی دنیا کی ایپلی کیشنز میں ظاہر ہوتا ہے۔
   
5. جوڑ کے لیے استعمال کرنے کے لیے مختلف الگورتھم منتخب کریں۔ اس تجربے کے لیے، منتخب کریں۔ XGBoost, لکیری, کیٹ بوسٹ، اور بے ترتیب جنگل. دیگر تمام الگورتھم صاف کریں۔
   
6. منتخب کریں ڈیٹا تقسیم نیویگیشن پین سے۔ اس تجربے کے لیے، پہلے سے طے شدہ تربیت اور توثیق کی تقسیم کو 80/20 کے طور پر چھوڑ دیں۔ تجربے کی اگلی تکرار یہ دیکھنے کے لیے ایک مختلف تقسیم کا استعمال کرتی ہے کہ آیا اس کے نتیجے میں ماڈل کی بہتر کارکردگی ہوتی ہے۔
   
7. منتخب کریں زیادہ سے زیادہ امیدوار اور رن ٹائم نیویگیشن پین سے اور سیٹ کریں۔ زیادہ سے زیادہ کام کا رن ٹائم 1 گھنٹے تک اور منتخب کریں۔ محفوظ کریں.
   
8. میں سے انتخاب کریں معیاری تعمیر تعمیر شروع کرنے کے لئے.
   

اس وقت، SageMaker Canvas آپ کی فراہم کردہ ترتیب کی بنیاد پر ماڈل ٹریننگ کا مطالبہ کر رہا ہے۔ چونکہ آپ نے 1 گھنٹہ کی تربیتی جاب کے لیے زیادہ سے زیادہ رن ٹائم متعین کیا ہے، اس لیے SageMaker Canvas کو تربیتی جاب کو مکمل کرنے میں ایک گھنٹہ تک کا وقت لگے گا۔

نتائج کا جائزہ لیں۔

تربیتی کام کی تکمیل پر، SageMaker Canvas خود بخود آپ کو تجزیہ کے منظر میں واپس لے آتا ہے اور وہ معروضی میٹرکس کے نتائج دکھاتا ہے جنہیں آپ نے ماڈل ٹریننگ کے تجربے کے لیے ترتیب دیا تھا۔ اس صورت میں، آپ دیکھتے ہیں کہ ماڈل کی درستگی 86.034 فیصد ہے۔

1. کے ساتھ والے بٹن کو ختم کرنے کے تیر کا انتخاب کریں۔ ماڈل لیڈر بورڈ ماڈل کی کارکردگی کے اعداد و شمار کا جائزہ لینے کے لیے۔
   
2. منتخب کریں اسکور ماڈل کی درستگی کی بصیرت میں گہرائی میں جانے کے لیے ٹیب۔ تربیت یافتہ ماڈل رپورٹ کر رہا ہے کہ وہ 89.72 فیصد وقت میں زندہ نہ بچ جانے والے مسافروں کی صحیح پیش گوئی کر سکتا ہے۔
   
3. منتخب کریں اعلی درجے کی میٹرکس اضافی ماڈل کی کارکردگی کی تفصیلات کا جائزہ لینے کے لیے ٹیب۔ منتخب کرکے شروع کریں۔ میٹرکس ٹیبل میٹرکس کی تفصیلات کا جائزہ لینے کے لیے جیسے F1, صحت سے متعلق, یاد رکھیں، اور اے او سی.
   
4. سیج میکر کینوس بھی تصور میں مدد کرتا ہے۔ کنفیوژن میٹرکس تربیت یافتہ ماڈل کے لیے۔
   
5. اور تصور کرتا ہے۔ صحت سے متعلق یاد کرنے کا وکر. 0.86 کا AUPRC اعلی درجہ بندی کی درستگی کا اشارہ دیتا ہے، جو اچھی بات ہے۔
   
6. میں سے انتخاب کریں ماڈل لیڈر بورڈ SageMaker Canvas کے ذریعے جانچے گئے مختلف ماڈلز کے لیے کلیدی کارکردگی کے میٹرکس (جیسے درستگی، درستگی، یاد کرنے، اور F1 سکور) کا موازنہ کرنے کے لیے، ڈیٹا کے لیے بہترین ماڈل کا تعین کرنے کے لیے، اس کنفیگریشن کی بنیاد پر جو آپ نے اس تجربے کے لیے سیٹ کی ہے۔ بہترین کارکردگی کے ساتھ پہلے سے طے شدہ ماڈل کو کے ساتھ نمایاں کیا گیا ہے۔ پہلے سے طے شدہ ماڈل ماڈل لیڈر بورڈ پر لیبل۔
   
7. آپ کسی بھی ماڈل کی تفصیلات میں گہرائی میں جانے کے لیے یا کسی ماڈل کو ڈیفالٹ ماڈل بنانے کے لیے سائیڈ پر موجود سیاق و سباق کے مینو کا استعمال کر سکتے ہیں۔ منتخب کریں۔ ماڈل کی تفصیلات دیکھیں تفصیلات دیکھنے کے لیے لیڈر بورڈ میں دوسرے ماڈل پر۔
   
8. SageMaker Canvas منتخب ماڈل امیدوار کی تفصیلات دکھانے کے لیے منظر کو تبدیل کرتا ہے۔ جب کہ پہلے سے طے شدہ ماڈل کی تفصیلات پہلے سے دستیاب ہیں، متبادل ماڈل کی تفصیل کے منظر میں تفصیلات کو پینٹ کرنے میں 10-15 منٹ لگتے ہیں۔
   

دوسرا ماڈل بنائیں

اب جب کہ آپ نے ایک ماڈل بنایا، چلایا اور اس کا جائزہ لیا، آئیے موازنہ کے لیے دوسرا ماڈل بنائیں۔

1. منتخب کرکے ڈیفالٹ ماڈل ویو پر واپس جائیں۔ X سب سے اوپر کونے میں. اب، منتخب کریں ورژن شامل کریں۔ ماڈل کا نیا ورژن بنانے کے لیے۔
   
2. ٹائٹینک ڈیٹاسیٹ کو منتخب کریں جسے آپ نے شروع میں بنایا تھا، اور پھر منتخب کریں۔ ڈیٹاسیٹ منتخب کریں.
   

SageMaker Canvas پہلے سے منتخب کردہ ہدف کالم کے ساتھ ماڈل کو خود بخود لوڈ کرتا ہے۔ اس دوسرے تجربے میں، آپ یہ دیکھنے کے لیے HPO ٹریننگ پر جائیں کہ آیا اس سے ڈیٹاسیٹ کے لیے بہتر نتائج برآمد ہوتے ہیں۔ اس ماڈل کے لیے، آپ پہلے تجربے کے مقابلے کے لیے وہی معروضی میٹرکس (درستگی) رکھیں اور HPO ٹریننگ کے لیے XGBoost الگورتھم استعمال کریں۔ آپ تربیت اور توثیق کے لیے ڈیٹا کی تقسیم کو 70/30 میں تبدیل کرتے ہیں اور HPO جاب کے لیے زیادہ سے زیادہ امیدواروں اور رن ٹائم کی قدروں کو 20 امیدواروں اور زیادہ سے زیادہ جاب رن ٹائم کو 1 گھنٹے کے طور پر ترتیب دیتے ہیں۔

ماڈل کو ترتیب دیں اور چلائیں۔

1. منتخب کرکے دوسرا تجربہ شروع کریں۔ ماڈل ترتیب دیں۔ اپنے ماڈل کی تربیت کی تفصیلات کو ترتیب دینے کے لیے۔
   
2. میں ماڈل ترتیب دیں۔ ونڈو، منتخب کریں مقصدی میٹرک نیویگیشن پین سے۔ کے لئے مقصدی میٹرکمنتخب کرنے کے لیے ڈراپ ڈاؤن استعمال کریں۔ درستگی، یہ آپ کو تمام ورژن آؤٹ پٹ کو ساتھ ساتھ دیکھنے اور موازنہ کرنے دیتا ہے۔
   
3. منتخب کریں تربیت کا طریقہ اور الگورتھم. منتخب کریں ہائپر پیرامیٹر کی اصلاح تربیت کے طریقہ کار کے لیے۔ پھر، الگورتھم کو منتخب کرنے کے لیے نیچے سکرول کریں۔
   
4. منتخب کریں XGBoost الگورتھم کے لیے XGBoost متوازی ٹری بوسٹنگ فراہم کرتا ہے جو ڈیٹا سائنس کے بہت سے مسائل کو جلدی اور درست طریقے سے حل کرتا ہے، اور ہائپر پیرامیٹرس کی ایک بڑی رینج پیش کرتا ہے جسے بہتر بنانے اور XGBoost ماڈل کا پورا فائدہ اٹھانے کے لیے بنایا جا سکتا ہے۔
   
5. منتخب کریں ڈیٹا اسپلٹ. اس ماڈل کے لیے، تربیت اور تصدیقی ڈیٹا کی تقسیم کو 70/30 پر سیٹ کریں۔
   
6. منتخب کریں زیادہ سے زیادہ امیدوار اور رن ٹائم اور HPO جاب کی قدریں 20 پر سیٹ کریں۔ زیادہ سے زیادہ امیدوار اور کے لئے 1 گھنٹہ زیادہ سے زیادہ کام کا رن ٹائم. منتخب کریں محفوظ کریں دوسرے ماڈل کی تشکیل مکمل کرنے کے لیے۔
   
7. اب جب کہ آپ نے دوسرا ماڈل ترتیب دیا ہے، منتخب کریں۔ معیاری تعمیر تربیت شروع کرنے کے لئے.
   

SageMaker Canvas HPO کام شروع کرنے کے لیے کنفیگریشن کا استعمال کرتا ہے۔ پہلی ملازمت کی طرح، اس تربیتی کام کو مکمل ہونے میں ایک گھنٹہ تک کا وقت لگے گا۔

نتائج کا جائزہ لیں۔

جب HPO ٹریننگ جاب مکمل ہو جاتا ہے (یا زیادہ سے زیادہ رن ٹائم ختم ہو جاتا ہے)، SageMaker Canvas پہلے سے طے شدہ ماڈل کے ساتھ اور ماڈل کے درستگی کے اسکور کی بنیاد پر ٹریننگ جاب کا آؤٹ پٹ دکھاتا ہے۔

1. میں سے انتخاب کریں ماڈل لیڈر بورڈ HPO ٹریننگ رن سے تمام 20 امیدوار ماڈلز کی فہرست دیکھنے کے لیے۔ بہترین ماڈل، بہترین درستگی تلاش کرنے کے مقصد پر مبنی، بطور ڈیفالٹ نشان زد ہے۔
   

جبکہ کی درستگی پہلے سے طے شدہ ماڈل بہترین ہے، HPO جاب رن کے ایک اور ماڈل میں ROC وکر (AUC) سکور کے تحت زیادہ رقبہ ہے۔ AUC سکور بائنری درجہ بندی ماڈل کی کارکردگی کا جائزہ لینے کے لیے استعمال کیا جاتا ہے۔ ایک اعلیٰ AUC اشارہ کرتا ہے کہ ماڈل دو کلاسوں کے درمیان فرق کرنے میں بہتر ہے، جس میں 1 کامل سکور ہے اور 0.5 بے ترتیب اندازے کی نشاندہی کرتا ہے۔

2. اعلیٰ AUC والے ماڈل کو ڈیفالٹ ماڈل بنانے کے لیے سیاق و سباق کے مینو کا استعمال کریں۔ اس ماڈل کے لیے سیاق و سباق کے مینو کو منتخب کریں اور منتخب کریں۔ ڈیفالٹ ماڈل میں تبدیل کریں۔ لائن مینو میں آپشن جیسا کہ تصویر 31 میں دکھایا گیا ہے جو مندرجہ ذیل ہے۔
   

SageMaker Canvas کو تجربے کے ورژن 2 کے لیے منتخب ماڈل کو نئے ڈیفالٹ ماڈل میں تبدیل کرنے اور ماڈل کی فہرست میں سب سے اوپر لے جانے میں چند منٹ لگتے ہیں۔

ماڈلز کا موازنہ کریں۔

اس وقت، آپ کے پاس اپنے ماڈل کے دو ورژن ہیں اور ان پر جا کر ساتھ ساتھ دیکھ سکتے ہیں۔ میرے ماڈلز سیج میکر کینوس میں۔

1. منتخب کریں ٹائٹینک پر بقا کی پیشن گوئی دستیاب ماڈل ورژن دیکھنے کے لیے۔
   
2. دو ورژن ہیں اور ان کی کارکردگی ایک ٹیبلر فارمیٹ میں ساتھ ساتھ موازنہ کے لیے دکھائی جاتی ہے۔
   
3. آپ دیکھ سکتے ہیں کہ ماڈل کا ورژن 1 (جسے ensemble الگورتھم کا استعمال کرتے ہوئے تربیت دی گئی تھی) میں بہتر درستگی ہے۔ اب آپ SageMaker کینوس کو SageMaker نوٹ بک بنانے کے لیے استعمال کر سکتے ہیں — کوڈ، تبصروں اور ہدایات کے ساتھ — اپنی مرضی کے مطابق بنانے کے لیے آٹوگلون کوڈ کی ایک لائن لکھے بغیر سیج میکر کینوس ورک فلو کو آزمائیں اور چلائیں۔ آپ سیج میکر نوٹ بک سیاق و سباق کے مینو کو منتخب کرکے اور منتخب کر کے تیار کر سکتے ہیں۔ نوٹ بک دیکھیں.
   
4. سیج میکر نوٹ بک ایک پاپ اپ ونڈو میں ظاہر ہوتی ہے۔ نوٹ بک آپ کو SageMaker Canvas کے تجویز کردہ پیرامیٹرز کا معائنہ اور ان میں ترمیم کرنے میں مدد کرتی ہے۔ آپ سیج میکر کینوس کی تجویز کردہ کنفیگریشنوں میں سے ایک کو انٹرایکٹو طریقے سے منتخب کر سکتے ہیں، اس میں ترمیم کر سکتے ہیں، اور SageMaker اسٹوڈیو ماحول میں منتخب کنفیگریشن کی بنیاد پر ماڈلز کو تربیت دینے کے لیے پروسیسنگ جاب چلا سکتے ہیں۔
   

ارادہ

اب جب کہ آپ نے بہترین ماڈل کی شناخت کر لی ہے، آپ سیاق و سباق کے مینو کو استعمال کر سکتے ہیں۔ ریئل ٹائم انفرنسنگ کے لیے اسے اینڈ پوائنٹ پر تعینات کریں۔.

یا پروڈکشن میں اپنے ML ماڈل کو چلانے کے لیے سیاق و سباق کے مینو کا استعمال کریں۔ مشین لرننگ (ML) ماڈل کو SageMaker ماڈل رجسٹری میں رجسٹر کرنا.

صفائی

مستقبل کے چارجز سے بچنے کے لیے، اس پوسٹ کی پیروی کرتے ہوئے اپنے بنائے گئے وسائل کو حذف کر دیں۔ سیج میکر کینوس آپ کو سیشن کی مدت کے لیے بل دیتا ہے، اور ہم تجویز کرتے ہیں کہ جب آپ سیج میکر کینوس استعمال نہ کر رہے ہوں تو اس سے سائن آؤٹ کریں۔

ملاحظہ کریں Amazon SageMaker Canvas سے لاگ آؤٹ ہو رہا ہے۔ مزید تفصیلات کے لئے.

نتیجہ

SageMaker Canvas ایک طاقتور ٹول ہے جو مشین لرننگ کو جمہوری بناتا ہے، غیر تکنیکی اسٹیک ہولڈرز اور سٹیزن ڈیٹا سائنسدانوں دونوں کو پورا کرتا ہے۔ نئی متعارف کرائی گئی خصوصیات بشمول ایڈوانس ماڈل بلڈ کنفیگریشنز اور ماڈل لیڈر بورڈ، پلیٹ فارم کی لچک اور شفافیت کو بلند کرتے ہیں۔ یہ آپ کو اپنے مشین لرننگ ماڈلز کو کوڈ کی تلاش کے بغیر مخصوص کاروباری ضروریات کے مطابق بنانے کے قابل بناتا ہے۔ تربیت کے طریقوں، الگورتھم، ڈیٹا سپلٹس، اور دیگر پیرامیٹرز کو اپنی مرضی کے مطابق بنانے کی صلاحیت آپ کو مختلف ML تکنیکوں کے ساتھ تجربہ کرنے کی طاقت دیتی ہے، جس سے ماڈل کی کارکردگی کی گہرائی سے سمجھ حاصل ہوتی ہے۔

ماڈل لیڈر بورڈ کا تعارف ایک اہم اضافہ ہے، جو مختلف کنفیگریشنز کے لیے کلیدی کارکردگی میٹرکس کا واضح جائزہ فراہم کرتا ہے۔ یہ شفافیت صارفین کو ماڈل کے انتخاب اور اصلاح کے بارے میں باخبر فیصلے کرنے کی اجازت دیتی ہے۔ ایک نوٹ بک میں تجویز کردہ پری پروسیسنگ اقدامات، الگورتھم، اور ہائپر پیرامیٹر رینجز سمیت پورے ماڈل بلڈنگ ورک فلو کو ظاہر کرکے، SageMaker Canvas ماڈل کی ترقی کے عمل کی ایک جامع تفہیم کی سہولت فراہم کرتا ہے۔

اپنا کم کوڈ/نو کوڈ ML سفر شروع کرنے کے لیے، دیکھیں ایمیزون سیج میکر کینوس۔

لانچ میں تعاون کرنے والے تمام لوگوں کا خصوصی شکریہ:

ایشا دتہ، ایڈ چیونگ، میکس کونڈراشوف، ایلن جانسن، ردھیم رستوگی، رنگا ریڈی پالیلرا، روچن وین، روئنونگ تیان، سندیپن مننا، رینو روزیرا، وکاش گرگ، رمیش سیکرن، اور گنجن گرگ

---

مصنفین کے بارے میں

جنیشا آنند SageMaker Low/No Code ML ٹیم میں ایک سینئر پروڈکٹ مینیجر ہے، جس میں SageMaker Canvas اور SageMaker آٹو پائلٹ شامل ہیں۔ وہ کافی سے لطف اندوز ہوتی ہے، متحرک رہتی ہے، اور اپنے خاندان کے ساتھ وقت گزارتی ہے۔

انڈی ساہنی ایمیزون ویب سروسز کے ساتھ ایک سینئر کسٹمر سلوشن لیڈر ہے۔ صارفین کے مسائل سے ہمیشہ پیچھے کی طرف کام کرتے ہوئے، Indy AWS انٹرپرائز کسٹمر ایگزیکٹوز کو ان کے منفرد کلاؤڈ ٹرانسفارمیشن سفر کے ذریعے مشورہ دیتا ہے۔ اس کے پاس 25 سال سے زیادہ کا تجربہ ہے جو انٹرپرائز تنظیموں کو ابھرتی ہوئی ٹیکنالوجیز اور کاروباری حل اپنانے میں مدد کرتا ہے۔ Indy مصنوعی ذہانت اور مشین لرننگ (AI/ML) کے لیے AWS ٹیکنیکل فیلڈ کمیونٹی کے ساتھ ایک ایریا آف ڈیپتھ ماہر ہے، جس میں جنریٹو AI اور کم کوڈ/نو کوڈ (LCNC) SageMaker سلوشنز میں مہارت ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/build-and-evaluate-machine-learning-models-with-advanced-configurations-using-the-sagemaker-canvas-model-leaderboard/