Khởi động Amazon SageMaker là trung tâm Machine Learning (ML) của SageMaker cung cấp các mô hình được đào tạo trước, có sẵn công khai cho nhiều loại vấn đề để giúp bạn bắt đầu với machine learning.
Thấu hiểu hành vi của khách hàng là ưu tiên hàng đầu của mọi doanh nghiệp ngày nay. Thu thập thông tin chi tiết về lý do và cách thức khách hàng mua hàng có thể giúp tăng doanh thu. Khách hàng rời bỏ là một vấn đề mà nhiều công ty phải đối mặt, từ viễn thông đến ngân hàng, nơi khách hàng thường bị mất đối thủ cạnh tranh. Lợi ích tốt nhất của công ty là giữ chân khách hàng hiện tại thay vì có được khách hàng mới, bởi vì việc thu hút khách hàng mới thường tốn nhiều chi phí hơn đáng kể. Khi cố gắng giữ chân khách hàng, các công ty thường tập trung nỗ lực vào những khách hàng có nhiều khả năng rời bỏ hơn. Hành vi của người dùng và nhật ký trò chuyện hỗ trợ khách hàng có thể chứa các chỉ báo có giá trị về khả năng khách hàng kết thúc dịch vụ. Trong giải pháp này, chúng tôi đào tạo và triển khai mô hình dự đoán rời bỏ sử dụng mô hình xử lý ngôn ngữ tự nhiên (NLP) tiên tiến nhất để tìm các tín hiệu hữu ích trong văn bản. Ngoài các đầu vào văn bản, mô hình này sử dụng các đầu vào dữ liệu có cấu trúc truyền thống, chẳng hạn như các trường số và phân loại.
Đa phương thức là một lĩnh vực nghiên cứu đa ngành nhằm giải quyết một số mục tiêu ban đầu của trí tuệ nhân tạo bằng cách tích hợp và mô hình hóa nhiều phương thức. Bài đăng này nhằm mục đích xây dựng một mô hình có thể xử lý và liên kết thông tin từ nhiều phương thức, chẳng hạn như các tính năng dạng bảng và văn bản.
Chúng tôi chỉ cho bạn cách đào tạo, triển khai và sử dụng mô hình dự đoán rời bỏ đã xử lý các đặc điểm số, phân loại và văn bản để đưa ra dự đoán. Mặc dù chúng tôi đi sâu vào trường hợp sử dụng dự đoán rời bỏ trong bài đăng này, nhưng bạn có thể sử dụng giải pháp này làm mẫu để khái quát hóa các mô hình được đào tạo trước, tinh chỉnh với tập dữ liệu của riêng bạn và sau đó chạy tối ưu hóa siêu tham số (HPO) để cải thiện độ chính xác. Bạn thậm chí có thể thay thế tập dữ liệu mẫu bằng tập dữ liệu của riêng bạn và chạy nó từ đầu đến cuối để giải quyết các trường hợp sử dụng của riêng bạn. Giải pháp được nêu trong bài đăng có sẵn trên GitHub.
Các mẫu giải pháp JumpStart
Khởi động Amazon SageMaker cung cấp các giải pháp toàn diện, chỉ bằng một cú nhấp chuột cho nhiều trường hợp sử dụng ML phổ biến. Khám phá các trường hợp sử dụng sau để biết thêm thông tin về các mẫu giải pháp có sẵn:
Các mẫu giải pháp JumpStart bao gồm nhiều trường hợp sử dụng khác nhau, trong mỗi trường hợp có một số mẫu giải pháp khác nhau được cung cấp (giải pháp Hiểu tài liệu này nằm trong trường hợp sử dụng “Trích xuất và phân tích dữ liệu từ tài liệu”).
Chọn mẫu giải pháp phù hợp nhất với trường hợp sử dụng của bạn từ trang đích JumpStart. Để biết thêm thông tin về các giải pháp cụ thể trong từng trường hợp sử dụng và cách khởi chạy giải pháp JumpStart, hãy xem Mẫu giải pháp.
Tổng quan về giải pháp
Hình dưới đây minh họa cách bạn có thể sử dụng giải pháp này với Amazon SageMaker các thành phần. Các công việc đào tạo SageMaker được sử dụng để đào tạo các mô hình NLP khác nhau và các điểm cuối SageMaker được sử dụng để triển khai các mô hình trong từng giai đoạn. Chúng tôi sử dụng Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) cùng với SageMaker để lưu trữ dữ liệu huấn luyện và tạo phẩm mô hình, đồng thời amazoncloudwatch để ghi nhật ký đầu ra đào tạo và điểm cuối.
Chúng tôi tiếp cận việc giải quyết vấn đề dự đoán khuấy đảo theo các bước sau:
- Khám phá dữ liệu để chuẩn bị dữ liệu sẵn sàng cho ML.
- Đào tạo một mô hình đa phương thức với một Ôm Mặt câu biến và Bộ phân loại rừng ngẫu nhiên Scikit-learning.
- Cải thiện hơn nữa hiệu suất mô hình với HPO bằng cách sử dụng SageMaker điều chỉnh mô hình tự động.
- tàu hai Mô hình đa phương thức AutoGluon: một mô hình tập hợp có trọng số/xếp chồng đa phương thức AutoGluon và một mô hình hợp nhất đa phương thức AutoGluon.
- Đánh giá và so sánh hiệu suất của mô hình trên dữ liệu thử nghiệm loại trừ.
Điều kiện tiên quyết
Để thử giải pháp trong tài khoản của riêng bạn, hãy đảm bảo rằng bạn có sẵn những điều sau:
- Một tài khoản AWS. Nếu chưa có tài khoản, bạn có thể đăng ký một.
- Giải pháp được nêu trong bài đăng là một phần của SageMaker JumpStart. Để chạy giải pháp JumpStart này và triển khai cơ sở hạ tầng cho tài khoản AWS của bạn, bạn phải tạo một tài khoản đang hoạt động. Xưởng sản xuất Amazon SageMaker ví dụ (xem Tham gia vào Amazon SageMaker Studio). Khi phiên bản Studio của bạn đã sẵn sàng, hãy sử dụng hướng dẫn trong JumpStart để khởi chạy giải pháp.
- Khi chạy cái này máy tính xách tay trên Studio, bạn nên đảm bảo rằng Python 3 (Tối ưu hóa CPU PyTorch 1.10 Python 3.8) hình ảnh/hạt nhân được sử dụng.
Bạn có thể cài đặt các gói cần thiết như được nêu trong giải pháp để chạy sổ ghi chép này:
Mở trường hợp sử dụng dự đoán rời bỏ
Trên bảng điều khiển Studio, hãy chọn Lời giải, mô hình, sổ tay ví dụ Dưới Giải pháp bắt đầu nhanh trong ngăn điều hướng. Điều hướng đến Dự đoán khuấy động với văn bản giải pháp trong JumpStart.
Bây giờ chúng ta có thể xem xét kỹ hơn một số nội dung được bao gồm trong giải pháp này.
Khám phá dữ liệu
Trước tiên, hãy tải tập dữ liệu kiểm tra, xác thực và huấn luyện xuống từ bộ chứa S3 nguồn và tải nó lên bộ chứa S3 của chúng ta. Ảnh chụp màn hình sau đây cho chúng ta thấy 10 quan sát về dữ liệu huấn luyện.
Hãy bắt đầu khám phá tập dữ liệu xác thực và đào tạo.
Như bạn có thể thấy, chúng tôi có các tính năng khác nhau như CustServ Calls
, Day Charge
và Day Calls
mà chúng tôi sử dụng để dự đoán cột mục tiêu y
(cho dù khách hàng rời khỏi dịch vụ).
y
được gọi là thuộc tính đích: thuộc tính mà chúng ta muốn mô hình ML dự đoán. Vì thuộc tính đích là nhị phân nên mô hình của chúng tôi thực hiện dự đoán nhị phân, còn được gọi là phân loại nhị phân.
Có 21 tính năng, bao gồm cả biến mục tiêu. Số lượng ví dụ cho dữ liệu đào tạo và xác nhận lần lượt là 43,000 và 5,000.
Ảnh chụp màn hình sau đây hiển thị số liệu thống kê tóm tắt của tập dữ liệu huấn luyện.
Chúng tôi đã khám phá tập dữ liệu và chia nó thành các tập huấn luyện, xác thực và kiểm tra. Bộ đào tạo và xác nhận được sử dụng cho đào tạo và HPO. Bộ kiểm tra được sử dụng làm bộ kiểm tra để đánh giá hiệu suất của mô hình. Bây giờ chúng tôi thực hiện các bước kỹ thuật tính năng và sau đó điều chỉnh mô hình.
Điều chỉnh mô hình đa phương thức với máy biến áp câu Hugging Face và bộ phân loại rừng ngẫu nhiên Scikit-learning
Quá trình đào tạo mô hình bao gồm hai thành phần: bước kỹ thuật tính năng xử lý các tính năng số, phân loại và văn bản và bước điều chỉnh mô hình phù hợp với các tính năng được chuyển đổi thành một Bộ phân loại rừng ngẫu nhiên Scikit-learning.
Đối với kỹ thuật tính năng, chúng tôi hoàn thành các bước sau:
- Điền vào các giá trị còn thiếu cho các tính năng số.
- Mã hóa các tính năng phân loại thành các giá trị một lần, trong đó các giá trị bị thiếu được tính là một trong các danh mục cho từng tính năng.
- Sử dụng Ôm Mặt câu biến để mã hóa tính năng văn bản để tạo ra một vectơ dày đặc chiều X, trong đó giá trị của X phụ thuộc vào một trình biến đổi câu cụ thể.
Chúng tôi chọn ba mô hình máy biến áp câu được tải xuống nhiều nhất và sử dụng chúng trong mô hình lắp và HPO sau đây. Cụ thể, chúng tôi sử dụng tất cả-MiniLM-L6-v2, đa-qa-mpnet-base-dot-v1và diễn giải-MiniLM-L6-v2. Đối với các siêu tham số của trình phân loại rừng ngẫu nhiên, hãy tham khảo Repo GitHub.
Hình dưới đây mô tả sơ đồ kiến trúc mô hình.
Có nhiều siêu tham số mà bạn có thể điều chỉnh, chẳng hạn như công cụ ước tính n, độ sâu tối đa và bootstrap. Để biết thêm chi tiết, hãy tham khảo Repo GitHub.
Đối với mục đích trình diễn, chúng tôi chỉ sử dụng các tính năng số CustServ Calls
và Account Length
, đặc điểm phân loại plan
và limit
, và tính năng văn bản text
để phù hợp với mô hình. Nhiều tính năng nên được phân tách bằng ,.
Chúng tôi triển khai mô hình sau khi đào tạo hoàn tất:
Khi gọi điểm cuối mới của chúng tôi từ sổ ghi chép, chúng tôi sử dụng SDK SageMaker Predictor. Một Predictor
được sử dụng để gửi dữ liệu đến điểm cuối (như một phần của yêu cầu) và diễn giải phản hồi. JSON được sử dụng làm định dạng cho cả dữ liệu đầu vào và phản hồi đầu ra vì đây là định dạng điểm cuối tiêu chuẩn và phản hồi điểm cuối có thể chứa các cấu trúc dữ liệu lồng nhau.
Với mô hình của chúng tôi đã được triển khai thành công và bộ dự đoán của chúng tôi đã được định cấu hình, chúng tôi có thể thử mô hình dự đoán rời bỏ trên một ví dụ đầu vào:
Đoạn mã sau hiển thị phản hồi (xác suất rời bỏ) từ việc truy vấn điểm cuối:
Lưu ý rằng xác suất do mô hình này trả về chưa được hiệu chỉnh. Ví dụ: khi mô hình đưa ra xác suất rời bỏ là 20%, điều này không nhất thiết có nghĩa là 20% khách hàng có xác suất 20% đã rời bỏ. Hiệu chuẩn là một thuộc tính hữu ích trong một số trường hợp nhất định, nhưng không bắt buộc trong trường hợp phân biệt giữa trường hợp khuấy và không khuấy là đủ. Hiệu chuẩnClassifierCV từ Học hỏi có thể được sử dụng để hiệu chỉnh một mô hình.
Bây giờ, chúng tôi truy vấn điểm cuối bằng cách sử dụng dữ liệu kiểm tra tạm dừng, bao gồm 1,939 ví dụ. Bảng sau đây tóm tắt các kết quả đánh giá cho mô hình đa phương thức của chúng tôi với máy biến áp câu Hugging Face và bộ phân loại rừng ngẫu nhiên Scikit-learning.
metric | BERT + Rừng ngẫu nhiên |
tính chính xác | 0.77463 |
ROC AUC | 0.75905 |
Hiệu suất của mô hình phụ thuộc vào cấu hình siêu tham số. Huấn luyện một mô hình với một bộ cấu hình siêu tham số sẽ không đảm bảo một mô hình tối ưu. Do đó, chúng tôi chạy quy trình HPO trong phần sau để cải thiện hơn nữa hiệu suất của mô hình.
Phù hợp với mô hình đa phương thức với HPO
Trong phần này, chúng tôi cải thiện hơn nữa hiệu suất của mô hình bằng cách thêm điều chỉnh HPO với SageMaker điều chỉnh mô hình tự động. Điều chỉnh mô hình tự động của SageMaker, còn được gọi là điều chỉnh siêu tham số, tìm phiên bản tốt nhất của mô hình bằng cách chạy nhiều công việc đào tạo trên tập dữ liệu của bạn bằng thuật toán và phạm vi siêu tham số mà bạn chỉ định. Sau đó, nó chọn các giá trị siêu tham số dẫn đến mô hình hoạt động tốt nhất, được đo bằng chỉ số mà bạn chọn. Mô hình tốt nhất và các siêu tham số tương ứng của nó được chọn trên dữ liệu xác thực. Tiếp theo, mô hình tốt nhất được đánh giá dựa trên dữ liệu thử nghiệm tạm dừng, chính là dữ liệu thử nghiệm mà chúng tôi đã tạo trong phần trước. Cuối cùng, chúng tôi cho thấy rằng hiệu suất của mô hình được đào tạo với HPO tốt hơn đáng kể so với mô hình được đào tạo không có HPO.
Sau đây là các siêu đường kính tĩnh mà chúng tôi không điều chỉnh và các siêu đường kính động mà chúng tôi muốn điều chỉnh và phạm vi tìm kiếm của chúng:
Chúng tôi xác định tên chỉ số mục tiêu, định nghĩa chỉ số (với mẫu biểu thức chính quy) và loại mục tiêu cho công việc điều chỉnh.
Đầu tiên, chúng tôi đặt mục tiêu là điểm chính xác trên dữ liệu xác thực (roc auc score on validation data
) và các chỉ số đã xác định cho công việc điều chỉnh bằng cách chỉ định tên chỉ số mục tiêu và một biểu thức chính quy (regex). Cụm từ thông dụng được sử dụng để khớp với đầu ra nhật ký của thuật toán và nắm bắt các giá trị số của chỉ số.
Tiếp theo, chúng tôi chỉ định các phạm vi siêu tham số để chọn các giá trị siêu tham số tốt nhất từ đó. Chúng tôi đặt tổng số công việc điều chỉnh là 10 và phân phối các công việc này trên năm công việc khác nhau. Đám mây điện toán đàn hồi Amazon (Amazon EC2) để chạy các tác vụ điều chỉnh song song.
Cuối cùng, chúng tôi chuyển các giá trị đó để khởi tạo một đối tượng Công cụ ước tính SageMaker, tương tự như những gì chúng tôi đã làm trong bước đào tạo trước đó. Thay vì gọi hàm điều chỉnh của đối tượng Công cụ ước tính, chúng ta chuyển đối tượng Công cụ ước tính dưới dạng tham số cho Siêu tham sốTuner constructor và gọi hàm phù hợp của nó để khởi chạy các công việc điều chỉnh:
Khi công việc điều chỉnh hoàn tất, chúng tôi có thể tạo bảng tóm tắt của tất cả các công việc điều chỉnh.
Sau khi công việc điều chỉnh hoàn tất, chúng tôi triển khai mô hình mang lại điểm chỉ số đánh giá tốt nhất trên tập dữ liệu xác thực, thực hiện suy luận trên cùng một tập dữ liệu thử nghiệm tạm dừng mà chúng tôi đã thực hiện trong phần trước và tính toán chỉ số đánh giá.
metric | BERT + Rừng ngẫu nhiên | BERT + Rừng ngẫu nhiên với HPO |
tính chính xác | 0.77463 | 0.9278 |
ROC AUC | 0.75905 | 0.79861 |
Chúng ta có thể thấy việc chạy HPO với tính năng điều chỉnh mô hình tự động của SageMaker cải thiện đáng kể hiệu suất của mô hình.
Ngoài HPO, hiệu suất của mô hình cũng phụ thuộc vào thuật toán. Điều quan trọng là đào tạo nhiều thuật toán hiện đại, so sánh hiệu suất của chúng trên cùng một dữ liệu kiểm tra tạm dừng và chọn thuật toán tối ưu. Do đó, chúng tôi đào tạo thêm hai mô hình đa phương thức AutoGluon trong các phần sau.
Phù hợp với mô hình quần thể xếp chồng/có trọng số đa phương thức AutoGluon
Có hai loại đa phương thức AutoGluon:
- Huấn luyện nhiều mô hình dạng bảng cũng như
TextPredictor
mô hình (sử dụngTextPredictor
mô hình bên trongTabularPredictor
), sau đó kết hợp chúng thông qua một tập hợp có trọng số hoặc tập hợp xếp chồng lên nhau, như được giải thích trong AutoGluon-Tabular: AutoML mạnh mẽ và chính xác cho dữ liệu có cấu trúc - Hợp nhất trực tiếp nhiều mô hình mạng thần kinh và xử lý văn bản thô (cũng có khả năng xử lý các cột số và phân loại bổ sung)
Trước tiên, chúng tôi đào tạo một mô hình tập hợp có trọng số hoặc xếp chồng đa phương thức trong phần này và đào tạo một mô hình mạng thần kinh tổng hợp trong phần tiếp theo.
Đầu tiên, chúng tôi truy xuất hình ảnh đào tạo AutoGluon:
Tiếp theo, chúng tôi vượt qua các siêu tham số. Không giống như các khung AutoML hiện có chủ yếu tập trung vào lựa chọn mô hình hoặc siêu tham số, AutoGluonTabular thành công bằng cách tập hợp nhiều mô hình và xếp chúng thành nhiều lớp. Do đó, HPO thường không bắt buộc đối với các mô hình nhóm AutoGluon.
Cuối cùng, chúng tôi tạo ra một Công cụ ước tính SageMaker và gọi estimator.fit()
để bắt đầu một công việc đào tạo:
Sau khi đào tạo hoàn tất, chúng tôi truy xuất hình ảnh suy luận AutoGluon và triển khai mô hình:
Sau khi chúng tôi triển khai các điểm cuối, chúng tôi truy vấn điểm cuối bằng cách sử dụng cùng một bộ kiểm tra và tính toán các chỉ số đánh giá. Trong bảng sau, chúng ta có thể thấy nhóm đa phương thức AutoGluon cải thiện khoảng 3% trong ROC AUC so với máy biến áp câu BERT và rừng ngẫu nhiên với HPO.
metric | BERT + Rừng ngẫu nhiên | BERT + Rừng ngẫu nhiên với HPO | Bộ đồng phục đa phương thức AutoGluon |
tính chính xác | 0.77463 | 0.9278 | 0.92625 |
ROC AUC | 0.75905 | 0.79861 | 0.82918 |
Lắp mô hình hợp nhất đa phương thức AutoGluon
Sơ đồ sau minh họa kiến trúc của mô hình. Để biết chi tiết, xem AutoMM cho Văn bản + Dạng bảng – Bắt đầu nhanh.
Trong nội bộ, chúng tôi sử dụng các mạng khác nhau để mã hóa các cột văn bản, cột phân loại và cột số. Các tính năng được tạo bởi các mạng riêng lẻ được tổng hợp bởi một bộ tổng hợp kết hợp muộn. Bộ tổng hợp có thể xuất cả nhật ký hoặc dự đoán điểm số.
Ở đây, chúng tôi sử dụng xương sống NLP được đào tạo trước để trích xuất các tính năng văn bản và sau đó sử dụng hai tháp khác để trích xuất tính năng từ cột phân loại và cột số.
Ngoài ra, để xử lý nhiều trường văn bản, chúng tôi phân tách các trường này bằng mã thông báo [SEP] và thay thế các số 0 và 1 làm ID phân đoạn, như minh họa trong sơ đồ sau.
Tương tự như vậy, chúng tôi làm theo hướng dẫn trong phần trước để đào tạo và triển khai mô hình hợp nhất đa phương thức AutoGluon:
Bảng sau đây tóm tắt kết quả đánh giá cho mô hình hợp nhất đa phương thức AutoGluon, cùng với kết quả của ba mô hình mà chúng tôi đã đánh giá trong các phần trước. Chúng ta có thể thấy các mô hình hợp nhất đa phương thức và đa phương thức AutoGluon đạt được hiệu suất tốt nhất.
Metrics | BERT + Rừng ngẫu nhiên | BERT + Rừng ngẫu nhiên với HPO | Bộ đồng phục đa phương thức AutoGluon | Kết hợp đa phương thức AutoGluon |
tính chính xác | 0.77463 | 0.9278 | 0.92625 | 0.9247 |
ROC AUC | 0.75905 | 0.79861 | 0.82918 | 0.81115 |
Lưu ý rằng kết quả và hiệu suất tương đối giữa các mô hình này phụ thuộc vào tập dữ liệu bạn sử dụng để đào tạo. Những kết quả này mang tính đại diện và mặc dù xu hướng để một số thuật toán hoạt động tốt hơn dựa trên các yếu tố liên quan, nhưng sự cân bằng về hiệu suất có thể thay đổi do phân phối dữ liệu khác. Bạn có thể thay thế tập dữ liệu mẫu bằng dữ liệu của riêng mình để xác định mô hình nào phù hợp nhất với mình.
Sổ ghi chép demo
Bạn có thể sử dụng sổ tay demo để gửi dữ liệu mẫu đến các điểm cuối mô hình đã được triển khai. Sổ tay demo nhanh chóng cho phép bạn có được trải nghiệm thực tế bằng cách truy vấn dữ liệu mẫu. Sau khi bạn khởi chạy giải pháp Dự đoán khuấy bằng văn bản, hãy mở sổ ghi chép minh họa bằng cách chọn Sử dụng Endpoint trong Notebook.
Làm sạch
Khi bạn hoàn thành giải pháp này, hãy đảm bảo rằng bạn xóa tất cả các tài nguyên AWS không mong muốn bằng cách chọn Xóa tất cả tài nguyên.
Lưu ý rằng bạn cần xóa thủ công mọi tài nguyên bổ sung mà bạn có thể đã tạo trong sổ ghi chép này.
Kết luận
Trong bài đăng này, chúng tôi đã chỉ ra cách bạn có thể sử dụng Sagemaker JumpStart để dự đoán tỷ lệ rời bỏ bằng cách sử dụng tính năng dạng bảng và văn bản đa phương thức.
Nếu bạn muốn tìm hiểu thêm về các mô hình rời bỏ khách hàng, hãy xem các bài đăng sau:
Về các tác giả
Tiến sĩ Xin Huang là Nhà khoa học ứng dụng cho các thuật toán tích hợp sẵn của Amazon SageMaker JumpStart và Amazon SageMaker. Ông tập trung vào việc phát triển các thuật toán học máy có thể mở rộng. Mối quan tâm nghiên cứu của anh ấy là trong lĩnh vực xử lý ngôn ngữ tự nhiên, học sâu có thể giải thích được trên dữ liệu dạng bảng và phân tích mạnh mẽ phân nhóm không-thời gian phi tham số. Ông đã xuất bản nhiều bài báo trong các hội nghị ACL, ICDM, KDD và Hiệp hội Thống kê Hoàng gia: Tạp chí Series A.
Rajakumar Sampathkumar là Giám đốc tài khoản kỹ thuật chính tại AWS, cung cấp cho khách hàng hướng dẫn về sự liên kết giữa kinh doanh và công nghệ và hỗ trợ việc sáng tạo lại các mô hình và quy trình hoạt động đám mây của họ. Anh ấy rất đam mê về đám mây và máy học. Raj cũng là một chuyên gia học máy và làm việc với khách hàng AWS để thiết kế, triển khai và quản lý khối lượng công việc và kiến trúc AWS của họ.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/churn-prediction-using-multimodality-of-text-and-tabular-features-with-amazon-sagemaker-jumpstart/
- 000
- 1
- 10
- 100
- 28
- 7
- 70
- 9
- a
- Giới thiệu
- Tài khoản
- chính xác
- chính xác
- Đạt được
- có được
- hoạt động
- Ngoài ra
- thêm vào
- địa chỉ
- Sau
- Đại lý
- Bộ tổng hợp
- Mục tiêu
- thuật toán
- thuật toán
- Tất cả
- cho phép
- bên cạnh
- Mặc dù
- đàn bà gan dạ
- Amazon EC2
- Amazon SageMaker
- Khởi động Amazon SageMaker
- phân tích
- phân tích
- và
- áp dụng
- phương pháp tiếp cận
- kiến trúc
- KHU VỰC
- nhân tạo
- trí tuệ nhân tạo
- Tài sản
- Tự động
- Tự động
- có sẵn
- AWS
- Xương sống
- Cân đối
- Ngân hàng
- dựa
- bởi vì
- BEST
- Hơn
- giữa
- bootstrap
- xây dựng
- được xây dựng trong
- kinh doanh
- mua
- cuộc gọi
- gọi
- Cuộc gọi
- có khả năng
- nắm bắt
- mang
- trường hợp
- trường hợp
- đố
- nhất định
- cơ hội
- thay đổi
- kiểm tra
- Chọn
- lựa chọn
- hoàn cảnh
- phân loại
- gần gũi hơn
- đám mây
- tập hợp
- mã
- Cột
- Cột
- kết hợp
- Chung
- Các công ty
- Của công ty
- so sánh
- so
- đối thủ cạnh tranh
- hoàn thành
- các thành phần
- Tính
- hội nghị
- An ủi
- Container
- hợp đồng
- hợp đồng
- Tương ứng
- Chi phí
- che
- tạo
- tạo ra
- khách hàng
- hành vi của khách hàng
- Dịch Vụ CSKH
- Hỗ trợ khách hàng
- khách hàng
- dữ liệu
- nhiều
- xử lý
- quyết định
- sâu
- học kĩ càng
- phụ thuộc
- phụ thuộc
- triển khai
- triển khai
- Thiết kế
- chi tiết
- Xác định
- phát triển
- ĐÃ LÀM
- khác nhau
- trực tiếp
- phân phát
- phân phối
- phu bến tàu
- tài liệu
- Không
- dont
- tải về
- năng động
- mỗi
- những nỗ lực
- hay
- Cuối cùng đến cuối
- Điểm cuối
- Kỹ Sư
- đánh giá
- đánh giá
- Ngay cả
- ví dụ
- ví dụ
- hiện tại
- kinh nghiệm
- Giải thích
- thăm dò
- khám phá
- Khám phá
- Khám phá
- trích xuất
- cực kỳ
- Đối mặt
- phải đối mặt
- các yếu tố
- Đặc tính
- Tính năng
- lĩnh vực
- Lĩnh vực
- Hình
- Cuối cùng
- Tìm kiếm
- tìm thấy
- Tên
- phù hợp với
- vừa vặn
- Tập trung
- tập trung
- theo
- tiếp theo
- rừng
- định dạng
- khung
- từ
- chức năng
- xa hơn
- nhiệt hạch
- đạt được
- tạo ra
- tạo ra
- được
- được
- cho
- Glonon
- Các mục tiêu
- tốt
- Phát triển
- Bảo hành
- xử lý
- Xử lý
- hands-on
- giúp đỡ
- hữu ích
- Độ đáng tin của
- Hướng dẫn
- HTML
- HTTPS
- Hub
- Tối ưu hóa siêu tham số
- Điều chỉnh siêu tham số
- xác định
- hình ảnh
- nhập khẩu
- quan trọng
- nâng cao
- in
- bao gồm
- Bao gồm
- Tăng lên
- Các chỉ số
- hệ thống riêng biệt,
- thông tin
- Cơ sở hạ tầng
- đầu vào
- những hiểu biết
- cài đặt, dựng lên
- ví dụ
- thay vì
- hướng dẫn
- Tích hợp
- Sự thông minh
- quan tâm
- quan tâm
- lợi ích
- tham gia
- các vấn đề
- IT
- Việc làm
- việc làm
- tạp chí
- json
- Key
- Loại
- nổi tiếng
- hạ cánh
- Ngôn ngữ
- phóng
- lớp
- học tập
- Rời bỏ
- Chiều dài
- Có khả năng
- LIMIT
- Dòng
- dài
- Xem
- máy
- học máy
- làm cho
- quản lý
- giám đốc
- thủ công
- nhiều
- Trận đấu
- Tối đa hóa
- tối đa
- số liệu
- Metrics
- Might
- tâm
- mất tích
- ML
- kiểu mẫu
- mô hình
- tháng
- tháng
- chi tiết
- hầu hết
- đa lĩnh vực
- nhiều
- tên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Điều hướng
- THÔNG TIN
- nhất thiết
- Cần
- mạng
- mạng
- mạng lưới thần kinh
- Mới
- tiếp theo
- nlp
- máy tính xách tay
- con số
- vật
- Mục tiêu
- cung cấp
- ONE
- mở
- hoạt động
- tối ưu
- tối ưu hóa
- tối ưu hóa
- nguyên
- Nền tảng khác
- nêu
- riêng
- gói
- cửa sổ
- giấy tờ
- Song song
- tham số
- một phần
- riêng
- đam mê
- Họa tiết
- Thực hiện
- hiệu suất
- biểu diễn
- thực hiện
- điện thoại
- chọn
- Nơi
- kế hoạch
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- Bài đăng
- bài viết
- dự đoán
- dự đoán
- Dự đoán
- Predictor
- Chuẩn bị
- trước
- chủ yếu
- Hiệu trưởng
- Vấn đề
- quá trình
- Xử lý
- Quy trình
- xử lý
- tài sản
- cung cấp
- cung cấp
- công khai
- công bố
- mục đích
- Python
- ngọn đuốc
- Nhanh chóng
- Mau
- ngẫu nhiên
- phạm vi
- Nguyên
- RE
- sẵn sàng
- biểu thức chính quy
- đều đặn
- có liên quan
- thay thế
- đại diện
- yêu cầu
- cần phải
- nghiên cứu
- Thông tin
- phản ứng
- đáp ứng
- kết quả
- Kết quả
- doanh thu
- mạnh mẽ
- hoàng gia
- chạy
- chạy
- nhà làm hiền triết
- Điều chỉnh mô hình tự động SageMaker
- tương tự
- khả năng mở rộng
- Nhà khoa học
- học hỏi
- sdk
- Tìm kiếm
- tìm kiếm
- Phần
- phần
- phân khúc
- chọn
- lựa chọn
- kết án
- Loạt Sách
- Dòng A
- dịch vụ
- định
- bộ
- một số
- nên
- hiển thị
- thể hiện
- Chương trình
- tín hiệu
- đáng kể
- tương tự
- Đơn giản
- So
- Xã hội
- giải pháp
- Giải pháp
- động SOLVE
- Giải quyết
- một số
- nguồn
- chuyên gia
- riêng
- đặc biệt
- chia
- cuộc đua nước rút
- xếp chồng lên nhau
- xếp chồng
- Traineeship
- Tiêu chuẩn
- Bắt đầu
- bắt đầu
- nhà nước-of-the-art
- thống kê
- số liệu thống kê
- Bước
- Các bước
- là gắn
- hàng
- cấu trúc
- phòng thu
- Sau đó
- Thành công
- như vậy
- đủ
- TÓM TẮT
- hỗ trợ
- Hỗ trợ
- bàn
- Hãy
- Mục tiêu
- công nghệ cao
- Kỹ thuật
- viễn thông
- mẫu
- mẫu
- về
- thử nghiệm
- Sản phẩm
- Khu vực
- Nguồn
- cung cấp their dịch
- vì thế
- số ba
- đến
- bây giờ
- mã thông báo
- hàng đầu
- Tổng số:
- truyền thống
- Train
- đào tạo
- Hội thảo
- chuyển đổi
- đúng
- loại
- thường
- Dưới
- sự hiểu biết
- vô hạn
- không mong muốn
- nâng cấp
- us
- sử dụng
- ca sử dụng
- người sử dang
- thường
- Bằng cách sử dụng
- HIỆU LỰC
- xác nhận
- Quý báu
- giá trị
- Các giá trị
- nhiều
- khác nhau
- Ve
- Verizon
- phiên bản
- thông qua
- Điều gì
- liệu
- cái nào
- CHÚNG TÔI LÀ
- rộng
- Phạm vi rộng
- sẽ
- không có
- Công việc
- công trinh
- sẽ
- Sai
- X
- Bạn
- trên màn hình
- zephyrnet