ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

ڈیٹا کی تیاری کے لیے ایمیزون سیج میکر ڈیٹا رینگلر اور ایم ایل کے ساتھ سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔

ٹائم سٹیمپ: 15 ستمبر 2022 شام 12:14 بجے

ایمیزون سیج میکر اسٹوڈیو لیب ایک مفت مشین لرننگ (ML) ترقیاتی ماحول ہے جو اوپن سورس JupyterLab پر مبنی ہے تاکہ کسی کو بھی AWS ML کمپیوٹ وسائل کا استعمال کرتے ہوئے ML کے ساتھ سیکھنے اور تجربہ کر سکے۔ یہ اسی فن تعمیر اور یوزر انٹرفیس پر مبنی ہے۔ ایمیزون سیج میکر اسٹوڈیو، لیکن اسٹوڈیو کی صلاحیتوں کے ذیلی سیٹ کے ساتھ۔

جب آپ ML اقدامات پر کام کرنا شروع کرتے ہیں، تو آپ کو ماڈل کی تعمیر کے ساتھ آگے بڑھنے سے پہلے ایکسپلوریٹری ڈیٹا اینالیسس (EDA) یا ڈیٹا کی تیاری کرنے کی ضرورت ہوتی ہے۔ ایمیزون سیج میکر ڈیٹا رینگلر کی صلاحیت ہے ایمیزون سیج میکر جو ڈیٹا سائنسدانوں اور انجینئرز کے لیے ML ایپلیکیشنز کے لیے بصری انٹرفیس کے ذریعے ڈیٹا تیار کرنا تیز تر بناتا ہے۔ ڈیٹا رینگلر ایم ایل کے لیے ڈیٹا کو جمع کرنے اور تیار کرنے میں لگنے والے وقت کو ہفتوں سے منٹ تک کم کرتا ہے۔

ڈیٹا رینگلر میں فیچر کی تیاری کا ایک اہم ایکسلریٹر ہے۔ ڈیٹا کوالٹی اور بصیرت کی رپورٹ. یہ رپورٹ ڈیٹا کے معیار کی جانچ کرتی ہے اور آپ کے ڈیٹا میں اسامانیتاوں کا پتہ لگانے میں مدد کرتی ہے، تاکہ آپ اپنے ڈیٹا سیٹ کو ٹھیک کرنے کے لیے مطلوبہ ڈیٹا انجینئرنگ انجام دے سکیں۔ آپ اپنے ڈیٹا کا تجزیہ کرنے کے لیے ڈیٹا کوالٹی اور بصیرت کی رپورٹ کا استعمال کر سکتے ہیں تاکہ اپنے ڈیٹاسیٹ میں بصیرت حاصل کر سکیں جیسے کہ گم شدہ اقدار کی تعداد اور آؤٹ لیرز کی تعداد۔ اگر آپ کو اپنے ڈیٹا کے ساتھ مسائل ہیں، جیسے کہ ہدف کا رساو یا عدم توازن، بصیرت کی رپورٹ ان مسائل کو آپ کی توجہ میں لا سکتی ہے اور آپ کو ڈیٹا کی تیاری کے ان اقدامات کی نشاندہی کرنے میں مدد کر سکتی ہے جن کی آپ کو انجام دینے کی ضرورت ہے۔

سٹوڈیو لیب کے صارفین ڈیٹا رینگلر سے فائدہ اٹھا سکتے ہیں کیونکہ ڈیٹا کوالٹی اور فیچر انجینئرنگ آپ کے ماڈل کی پیش گوئی کرنے والی کارکردگی کے لیے اہم ہیں۔ ڈیٹا رینگلر ڈیٹا کوالٹی کے مسائل میں بصیرت دے کر اور کم کوڈ UI کا استعمال کرتے ہوئے تیزی سے فیچر کی تکرار اور انجینئرنگ کو آسانی سے فعال کر کے ڈیٹا کوالٹی اور فیچر انجینئرنگ میں مدد کرتا ہے۔

اس پوسٹ میں، ہم آپ کو دکھاتے ہیں کہ ڈیٹا رینگلر کا استعمال کرتے ہوئے ڈیٹا کو کیسے تیار کریں اور اسے تبدیل کریں، اور ماڈل بنانے کے لیے اسٹوڈیو لیب میں ڈیٹا ایکسپورٹ کریں۔

حل جائزہ

حل میں درج ذیل اعلیٰ سطحی اقدامات شامل ہیں:

  1. AWS اکاؤنٹ اور منتظم صارف بنائیں۔ یہ ایک شرط ہے۔
  2. ڈیٹاسیٹ ڈاؤن لوڈ کریں۔ churn.csv.
  3. پر ڈیٹاسیٹ لوڈ کریں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)۔
  4. سیج میکر اسٹوڈیو ڈومین بنائیں اور ڈیٹا رینگلر لانچ کریں۔
  5. Amazon S3 سے ڈیٹا رینگلر فلو میں ڈیٹاسیٹ درآمد کریں۔
  6. ڈیٹا کوالٹی اور بصیرت کی رپورٹ بنائیں اور ضروری فیچر انجینئرنگ پر نتائج اخذ کریں۔
  7. ڈیٹا رینگلر میں ضروری ڈیٹا ٹرانسفارمز انجام دیں۔
  8. ڈیٹا کوالٹی اور بصیرت کی رپورٹ اور تبدیل شدہ ڈیٹا سیٹ ڈاؤن لوڈ کریں۔
  9. ماڈل ٹریننگ کے لیے اسٹوڈیو لیب پروجیکٹ میں ڈیٹا اپ لوڈ کریں۔

درج ذیل خاکہ اس ورک فلو کو واضح کرتا ہے۔

شرائط

ڈیٹا رینگلر اور اسٹوڈیو لیب استعمال کرنے کے لیے، آپ کو درج ذیل شرائط کی ضرورت ہے:

ڈیٹا رینگلر کے ساتھ ڈیٹا کی تیاری کا ورک فلو بنائیں

شروع کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

  1. اپنا ڈیٹاسیٹ Amazon S3 پر اپ لوڈ کریں۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  2. سیج میکر کنسول پر، نیچے کنٹرول پینل نیویگیشن پین میں، منتخب کریں۔ سٹوڈیو.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  3. پر ایپ لانچ کریں۔ اپنے صارف پروفائل کے آگے مینو، منتخب کریں۔ سٹوڈیو.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
    سٹوڈیو میں کامیابی کے ساتھ لاگ ان ہونے کے بعد، آپ کو مندرجہ ذیل اسکرین شاٹ جیسا ترقیاتی ماحول نظر آنا چاہیے۔
  4. ایک نیا ڈیٹا رینگلر ورک فلو بنانے کے لیے، پر فائل مینو، منتخب کریں نئی، پھر منتخب کریں ڈیٹا رینگلر فلو.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
    ڈیٹا رینگلر میں پہلا قدم ہے۔ درآمد آپ کا ڈیٹا آپ متعدد ڈیٹا ذرائع سے ڈیٹا درآمد کر سکتے ہیں، جیسے ایمیزون S3، ایمیزون ایتینا, ایمیزون ریڈ شفٹ, میں Snowflake، اور ڈیٹا بکس. اس مثال میں، ہم Amazon S3 استعمال کرتے ہیں۔ اگر آپ صرف یہ دیکھنا چاہتے ہیں کہ ڈیٹا رینگلر کیسے کام کرتا ہے، تو آپ ہمیشہ منتخب کر سکتے ہیں۔ نمونہ ڈیٹاسیٹ استعمال کریں۔.
  5. میں سے انتخاب کریں ڈیٹا درآمد کریں۔.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  6. میں سے انتخاب کریں ایمیزون S3.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  7. اپنے اپ لوڈ کردہ ڈیٹاسیٹ کو منتخب کریں اور منتخب کریں۔ درآمد کریں.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
    ڈیٹا رینگلر آپ کو یا تو پورے ڈیٹاسیٹ کو درآمد کرنے یا اس کے کسی حصے کا نمونہ لینے کے قابل بناتا ہے۔
  8. ڈیٹا سیٹ پر فوری بصیرت حاصل کرنے کے لیے، منتخب کریں۔ پہلے K لیے سیمپلنگ اور 50000 داخل کریں۔ نمونہ سائز.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

ڈیٹا کے معیار کو سمجھیں اور بصیرت حاصل کریں۔

آئیے ڈیٹا کا تجزیہ کرنے کے لیے ڈیٹا کوالٹی اور بصیرت کی رپورٹ کا استعمال کریں جسے ہم نے ڈیٹا رینگلر میں درآمد کیا ہے۔ آپ اس رپورٹ کا استعمال یہ سمجھنے کے لیے کر سکتے ہیں کہ آپ کو اپنے ڈیٹا کو صاف کرنے اور اس پر کارروائی کرنے کے لیے کیا اقدامات کرنے کی ضرورت ہے۔ یہ رپورٹ معلومات فراہم کرتی ہے جیسے گمشدہ اقدار کی تعداد اور آؤٹ لیرز کی تعداد۔ اگر آپ کو اپنے ڈیٹا کے ساتھ مسائل ہیں، جیسے کہ ہدف کا رساو یا عدم توازن، بصیرت کی رپورٹ ان مسائل کو آپ کی توجہ دلوا سکتی ہے۔

  1. آگے جمع کا نشان منتخب کریں۔ ڈیٹا کی اقسام اور منتخب کریں ڈیٹا کی بصیرت حاصل کریں۔.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  2. کے لئے تجزیہ کی قسممنتخب کریں ڈیٹا کوالٹی اور بصیرت کی رپورٹ.
  3. کے لئے ٹارگٹ کالممنتخب کریں منتھن۔.
  4. کے لئے مسئلہ کی قسممنتخب کریں۔ کی درجہ بندی.
  5. میں سے انتخاب کریں تخلیق کریں.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

آپ کو ایک تفصیلی رپورٹ پیش کی گئی ہے جس کا آپ جائزہ لے کر ڈاؤن لوڈ کر سکتے ہیں۔ رپورٹ میں متعدد حصے شامل ہیں جیسے فوری ماڈل، فیچر کا خلاصہ، فیچر کا ارتباط، اور ڈیٹا بصیرت۔ درج ذیل اسکرین شاٹس ان حصوں کی مثالیں فراہم کرتے ہیں۔

ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

رپورٹ سے مشاہدات

رپورٹ سے، ہم مندرجہ ذیل مشاہدات کر سکتے ہیں:

  • کوئی ڈپلیکیٹ قطاریں نہیں ملیں۔
  • ۔ State ایسا لگتا ہے کہ کالم کافی یکساں طور پر تقسیم کیا گیا ہے، لہذا ڈیٹا ریاستی آبادی کے لحاظ سے متوازن ہے۔
  • ۔ Phone کالم کسی بھی عملی استعمال کے لیے بہت ساری منفرد اقدار پیش کرتا ہے۔ بہت ساری منفرد اقدار اس کالم کو مفید نہیں بناتی ہیں۔ ہم چھوڑ سکتے ہیں Phone ہماری تبدیلی میں کالم۔
  • رپورٹ کے خصوصیت کے ارتباط کے حصے کی بنیاد پر، Mins اور Charge انتہائی باہم مربوط ہیں۔ ہم ان میں سے ایک کو ہٹا سکتے ہیں۔

تبدیلی

اپنے مشاہدات کی بنیاد پر، ہم درج ذیل تبدیلیاں کرنا چاہتے ہیں:

  • ہٹا دیں Phone کالم کیونکہ اس کی بہت سی منفرد اقدار ہیں۔
  • ہم کئی خصوصیات بھی دیکھتے ہیں جن کا ایک دوسرے کے ساتھ 100% تعلق ہے۔ کچھ ML الگورتھم میں ان فیچر کے جوڑوں کو شامل کرنا ناپسندیدہ مسائل پیدا کر سکتا ہے، جب کہ دوسروں میں یہ صرف معمولی بے کار اور تعصب کو متعارف کرائے گا۔ آئیے ہر ایک انتہائی مربوط جوڑے سے ایک خصوصیت کو ہٹاتے ہیں: Day Charge کے ساتھ جوڑی سے Day Mins, Night Charge کے ساتھ جوڑی سے Night Mins، اور Intl Charge کے ساتھ جوڑی سے Intl Mins.
  • کنورٹ True or False میں Churn کالم جس کی عددی قدر 1 یا 0 ہو۔
  1. ڈیٹا فلو پر واپس جائیں اور آگے موجود پلس کا نشان منتخب کریں۔ ڈیٹا کی اقسام.
  2. میں سے انتخاب کریں تبدیلی شامل کریں۔.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  3. میں سے انتخاب کریں قدم شامل کریں۔.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  4. آپ اس تبدیلی کو تلاش کر سکتے ہیں جس کی آپ تلاش کر رہے ہیں (ہمارے معاملے میں، کالموں کا نظم کریں)۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  5. میں سے انتخاب کریں کالموں کا نظم کریں۔.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  6. کے لئے تبدیلمنتخب کریں ڈراپ کالم.
  7. کے لئے چھوڑنے کے لیے کالممنتخب کریں Phone, Day Charge, Eve Charge, Night Charge، اور Intl Charge.
  8. میں سے انتخاب کریں پیش نظارہ، پھر منتخب کریں اپ ڈیٹ کریں.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
    آئیے پر ایک واضح انکوڈ کرنے کے لیے ایک اور ٹرانسفارم شامل کریں۔ Churn? کالم.
  9. تبدیلی کا انتخاب کریں۔ واضح انکوڈ کریں۔.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  10. کے لئے تبدیلمنتخب کریں آرڈینل انکوڈ.
  11. کے لئے ان پٹ کالمز، منتخب کیجئیے Churn? کالم.
  12. کے لئے ہینڈلنگ کی غلط حکمت عملیمنتخب کریں NaN سے بدلیں۔.
  13. میں سے انتخاب کریں پیش نظارہ، پھر منتخب کریں اپ ڈیٹ کریں.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

ابھی True اور False بالترتیب 1 اور 0 میں تبدیل ہوتے ہیں۔

ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

اب جب کہ ہمیں ڈیٹا کی اچھی سمجھ ہے اور ہم نے ماڈل کی تعمیر کے لیے ڈیٹا کو تیار اور تبدیل کر دیا ہے، ہم ڈیٹا کو ماڈل بنانے کے لیے اسٹوڈیو لیب میں منتقل کر سکتے ہیں۔

اسٹوڈیو لیب میں ڈیٹا اپ لوڈ کریں۔

اسٹوڈیو لیب میں ڈیٹا کا استعمال شروع کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

  1. میں سے انتخاب کریں ڈیٹا برآمد کریں۔ کرنے کے لئے برآمد ایک S3 بالٹی تک۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  2. کے لئے ایمیزون S3 مقام، اپنا S3 راستہ درج کریں۔
  3. فائل کی قسم کی وضاحت کریں۔
  4. میں سے انتخاب کریں ڈیٹا برآمد کریں۔.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  5. ڈیٹا ایکسپورٹ کرنے کے بعد، آپ S3 بالٹی سے ڈیٹا کو اپنے مقامی کمپیوٹر پر ڈاؤن لوڈ کر سکتے ہیں۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  6. اب آپ سٹوڈیو لیب میں جا کر فائل کو سٹوڈیو لیب میں اپ لوڈ کر سکتے ہیں۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
    متبادل طور پر، آپ سٹوڈیو لیب سے Amazon S3 سے منسلک ہو سکتے ہیں۔ مزید معلومات کے لیے رجوع کریں۔ ایمیزون سیج میکر اسٹوڈیو لیب میں بیرونی وسائل استعمال کریں۔.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  7. آئیے سیج میکر انسٹال کریں اور پانڈوں کو درآمد کریں۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  8. ضرورت کے مطابق تمام لائبریریاں درآمد کریں۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  9. اب ہم CSV فائل کو پڑھ سکتے ہیں۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی
  10. آئیے پرنٹ کرتے ہیں۔ churn ڈیٹا سیٹ کے درست ہونے کی تصدیق کرنے کے لیے۔
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

اب جب کہ آپ کے پاس اسٹوڈیو لیب میں پروسیس شدہ ڈیٹاسیٹ ہے، آپ ماڈل بنانے کے لیے درکار مزید اقدامات کر سکتے ہیں۔

ڈیٹا رینگلر کی قیمتوں کا تعین

آپ ای ڈی اے یا ڈیٹا رینگلر کے اندر ڈیٹا کی تیاری کے لیے اس پوسٹ میں تمام اقدامات انجام دے سکتے ہیں۔ ادائیگی سادہ مثال کے طور پر، استعمال یا کھپت کی بنیاد پر نوکریاں، اور اسٹوریج کی قیمتوں کا تعین۔ کوئی پیشگی یا لائسنسنگ فیس کی ضرورت نہیں ہے۔

صاف کرو

جب آپ ڈیٹا رینگلر استعمال نہیں کر رہے ہیں، تو یہ ضروری ہے کہ اس مثال کو بند کر دیا جائے جس پر یہ چلتا ہے تاکہ اضافی فیسوں سے بچنے کے لیے۔ کام کھونے سے بچنے کے لیے، ڈیٹا رینگلر کو بند کرنے سے پہلے اپنے ڈیٹا کے بہاؤ کو محفوظ کریں۔

  1. اسٹوڈیو میں اپنے ڈیٹا کے بہاؤ کو بچانے کے لیے، منتخب کریں۔ فائل، پھر منتخب کریں ڈیٹا رینگلر فلو کو محفوظ کریں۔.
    ڈیٹا رینگلر ہر 60 سیکنڈ میں آپ کے ڈیٹا کے بہاؤ کو خود بخود محفوظ کرتا ہے۔
  2. ڈیٹا رینگلر مثال کو بند کرنے کے لیے، اسٹوڈیو میں، منتخب کریں۔ رننگ انسٹینسز اور دانا.
  3. کے تحت چل رہی ایپس، کے آگے شٹ ڈاؤن آئیکن کا انتخاب کریں۔ sagemaker-data-wrangler-1.0 app.
  4. میں سے انتخاب کریں سب بند کرو تصدیق کے لئے.
    ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عی

ڈیٹا رینگلر ایک ml.m5.4xlarge مثال پر چلتا ہے۔ یہ مثال غائب ہو جاتی ہے۔ مثالیں چل رہی ہیں۔ جب آپ ڈیٹا رینگلر ایپ کو بند کرتے ہیں۔

ڈیٹا رینگلر ایپ کو بند کرنے کے بعد، اگلی بار جب آپ ڈیٹا رینگلر فلو فائل کھولیں گے تو اسے دوبارہ شروع کرنا ہوگا۔ اس میں چند منٹ لگ سکتے ہیں۔

نتیجہ

اس پوسٹ میں، ہم نے دیکھا کہ آپ کس طرح اپنے ڈیٹاسیٹ کے بارے میں بصیرت حاصل کر سکتے ہیں، ڈیٹا کا تجزیہ کر سکتے ہیں، سٹوڈیو کے اندر ڈیٹا رینگلر کا استعمال کرتے ہوئے ڈیٹا کو تیار اور تبدیل کر سکتے ہیں، اور تبدیل شدہ اور تیار کردہ ڈیٹا کو سٹوڈیو لیب میں ایکسپورٹ کر سکتے ہیں اور ماڈل کی تعمیر اور دیگر اقدامات کو انجام دے سکتے ہیں۔

SageMaker Data Wrangler کے ساتھ، آپ ڈیٹا کی تیاری اور فیچر انجینئرنگ کے عمل کو آسان بنا سکتے ہیں، اور ڈیٹا کی تیاری کے ورک فلو کے ہر مرحلے کو مکمل کر سکتے ہیں، بشمول ڈیٹا کا انتخاب، کلینزنگ، ایکسپلوریشن، اور ایک ہی بصری انٹرفیس سے تصور۔

مصنفین کے بارے میں

ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عیراجکمار سمپت کمار AWS میں ایک پرنسپل ٹیکنیکل اکاؤنٹ مینیجر ہے، جو صارفین کو کاروباری ٹیکنالوجی کی صف بندی کے بارے میں رہنمائی فراہم کرتا ہے اور ان کے کلاؤڈ آپریشن ماڈلز اور پراسیسز کو دوبارہ ایجاد کرنے میں معاونت کرتا ہے۔ وہ کلاؤڈ اور مشین لرننگ کے بارے میں پرجوش ہے۔ راج مشین لرننگ کا ماہر بھی ہے اور AWS صارفین کے ساتھ کام کرتا ہے تاکہ وہ اپنے AWS کام کے بوجھ اور فن تعمیر کو ڈیزائن، تعینات اور ان کا نظم کرے۔

ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عیمیناکشی سندرم تھنڈاورائن انسانی مرکوز ڈیٹا اور تجزیات کے تجربات کو ڈیزائن، تخلیق اور فروغ دینے کے جذبے کے ساتھ ایک سینئر AI/ML ماہر ہے۔ وہ AWS اسٹریٹجک صارفین کو ڈیٹا پر مبنی تنظیم کی طرف ان کی تبدیلی پر سپورٹ کرتا ہے۔

ڈیٹا کی تیاری کے لیے Amazon SageMaker Data Wrangler اور ML PlatoBlockchain ڈیٹا انٹیلی جنس سیکھنے اور تجربہ کرنے کے لیے اسٹوڈیو لیبز کا استعمال کریں۔ عمودی تلاش۔ عیجیمز وو AWS میں ایک سینئر AI/ML ماہر حل آرکیٹیکٹ ہے۔ AI/ML سلوشنز کو ڈیزائن اور بنانے میں صارفین کی مدد کرنا۔ جیمز کا کام ایم ایل کے استعمال کے کیسز کی ایک وسیع رینج پر محیط ہے، جس میں کمپیوٹر ویژن، گہری سیکھنے، اور پورے انٹرپرائز میں ایم ایل کی پیمائش میں بنیادی دلچسپی ہے۔ AWS میں شامل ہونے سے پہلے، جیمز 10 سال سے زائد عرصے تک ایک معمار، ڈویلپر، اور ٹیکنالوجی لیڈر تھے، جس میں 6 سال انجینئرنگ اور 4 سال مارکیٹنگ اور اشتہاری صنعتوں میں شامل تھے۔

ٹائم اسٹیمپ:

سے زیادہ AWS مشین لرننگ