Tự động cho phép bạn rút ra những hiểu biết tổng quát, nhanh chóng từ dữ liệu của mình ngay khi bắt đầu vòng đời dự án máy học (ML). Hiểu trước các kỹ thuật tiền xử lý và loại thuật toán nào mang lại kết quả tốt nhất sẽ giúp giảm thời gian phát triển, đào tạo và triển khai mô hình phù hợp. Nó đóng một vai trò quan trọng trong quá trình phát triển của mọi mô hình và cho phép các nhà khoa học dữ liệu tập trung vào các kỹ thuật ML hứa hẹn nhất. Ngoài ra, AutoML cung cấp hiệu suất mô hình cơ sở có thể đóng vai trò là điểm tham chiếu cho nhóm khoa học dữ liệu.
Công cụ AutoML áp dụng kết hợp các thuật toán khác nhau và các kỹ thuật tiền xử lý khác nhau cho dữ liệu của bạn. Ví dụ: nó có thể chia tỷ lệ dữ liệu, thực hiện lựa chọn tính năng đơn biến, tiến hành PCA ở các mức ngưỡng phương sai khác nhau và áp dụng phân cụm. Các kỹ thuật tiền xử lý như vậy có thể được áp dụng riêng lẻ hoặc được kết hợp trong một đường ống. Sau đó, công cụ AutoML sẽ đào tạo các loại mô hình khác nhau, chẳng hạn như Hồi quy tuyến tính, Elastic-Net hoặc Rừng ngẫu nhiên, trên các phiên bản khác nhau của tập dữ liệu được xử lý trước của bạn và thực hiện tối ưu hóa siêu tham số (HPO). Amazon SageMaker Tự động lái loại bỏ gánh nặng khi xây dựng các mô hình ML. Sau khi cung cấp tập dữ liệu, SageMaker Autopilot tự động khám phá các giải pháp khác nhau để tìm ra mô hình tốt nhất. Nhưng nếu bạn muốn triển khai phiên bản quy trình làm việc AutoML tùy chỉnh của mình thì sao?
Bài đăng này cho thấy cách tạo quy trình làm việc AutoML tùy chỉnh trên Amazon SageMaker sử dụng Điều chỉnh mô hình tự động của Amazon SageMaker với mã mẫu có sẵn trong một Kho lưu trữ GitHub.
Tổng quan về giải pháp
Đối với trường hợp sử dụng này, giả sử bạn là thành viên của nhóm khoa học dữ liệu phát triển các mô hình trong một miền chuyên biệt. Bạn đã phát triển một tập hợp các kỹ thuật tiền xử lý tùy chỉnh và chọn một số thuật toán mà bạn thường mong đợi sẽ hoạt động tốt với vấn đề ML của mình. Khi làm việc với các trường hợp sử dụng ML mới, trước tiên bạn muốn thực hiện chạy AutoML bằng cách sử dụng các kỹ thuật và thuật toán tiền xử lý của mình để thu hẹp phạm vi các giải pháp tiềm năng.
Trong ví dụ này, bạn không sử dụng tập dữ liệu chuyên biệt; thay vào đó, bạn làm việc với tập dữ liệu Nhà ở California mà bạn sẽ nhập từ đó Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3). Trọng tâm là trình diễn cách triển khai kỹ thuật của giải pháp bằng SageMaker HPO, giải pháp này sau này có thể được áp dụng cho bất kỳ tập dữ liệu và miền nào.
Sơ đồ sau đây trình bày quy trình làm việc của giải pháp tổng thể.
Điều kiện tiên quyết
Sau đây là những điều kiện tiên quyết để hoàn thành hướng dẫn trong bài đăng này:
Thực hiện giải pháp
Mã đầy đủ có sẵn trong Repo GitHub.
Các bước để triển khai giải pháp (như được ghi chú trong sơ đồ quy trình làm việc) như sau:
- Tạo một phiên bản sổ tay và chỉ định những điều sau:
- Trong Loại phiên bản sổ tay, chọn ml.t3.medium.
- Trong Suy luận đàn hồi, chọn không ai.
- Trong Định danh nền tảng, chọn Amazon Linux 2, Phòng thí nghiệm Jupyter 3.
- Trong Vai trò IAM, chọn mặc định
AmazonSageMaker-ExecutionRole
. Nếu nó không tồn tại, hãy tạo một cái mới Quản lý truy cập và nhận dạng AWS (IAM) và đính kèm Chính sách IAM của AmazonSageMakerFullAccess.
Lưu ý rằng bạn nên tạo chính sách và vai trò thực thi có phạm vi tối thiểu trong sản xuất.
- Mở giao diện JupyterLab cho phiên bản sổ ghi chép của bạn và sao chép kho lưu trữ GitHub.
Bạn có thể làm điều đó bằng cách bắt đầu một phiên cuối mới và chạy git clone <REPO>
lệnh hoặc bằng cách sử dụng chức năng UI, như minh họa trong ảnh chụp màn hình sau.
- Mở
automl.ipynb
tập tin sổ ghi chép, hãy chọnconda_python3
kernel và làm theo hướng dẫn để kích hoạt bộ công việc HPO.
Để chạy mã mà không có bất kỳ thay đổi nào, bạn cần tăng hạn mức dịch vụ cho ml.m5.large để sử dụng cho công việc đào tạo và Số lượng trường hợp trên tất cả các công việc đào tạo. Theo mặc định, AWS chỉ cho phép 20 công việc đào tạo SageMaker song song cho cả hai hạn ngạch. Bạn cần yêu cầu tăng hạn ngạch lên 30 cho cả hai. Cả hai thay đổi về hạn ngạch thường phải được phê duyệt trong vòng vài phút. tham khảo Yêu cầu tăng hạn ngạch để biết thêm thông tin chi tiết.
Nếu bạn không muốn thay đổi hạn ngạch, bạn chỉ cần sửa đổi giá trị của MAX_PARALLEL_JOBS
biến trong tập lệnh (ví dụ: thành 5).
- Mỗi công việc HPO sẽ hoàn thành một bộ Công việc đào tạo thử nghiệm và chỉ ra mô hình với các siêu tham số tối ưu.
- Phân tích kết quả và triển khai mô hình hoạt động tốt nhất.
Giải pháp này sẽ phát sinh chi phí trong tài khoản AWS của bạn. Chi phí của giải pháp này sẽ phụ thuộc vào số lượng và thời gian công việc đào tạo của HPO. Khi những điều này tăng lên, chi phí cũng vậy. Bạn có thể giảm chi phí bằng cách giới hạn thời gian đào tạo và cấu hình TuningJobCompletionCriteriaConfig
theo hướng dẫn được thảo luận sau trong bài viết này. Để biết thông tin về giá, hãy tham khảo Amazon SageMaker Giá.
Trong các phần sau, chúng ta sẽ thảo luận chi tiết hơn về sổ ghi chép với các ví dụ về mã cũng như các bước phân tích kết quả và chọn mô hình tốt nhất.
Thiết lập ban đầu
Hãy bắt đầu với việc chạy Nhập & Thiết lập phần trong custom-automl.ipynb
sổ tay. Nó cài đặt và nhập tất cả các phần phụ thuộc cần thiết, khởi tạo phiên và ứng dụng khách SageMaker, đồng thời đặt Vùng và vùng S3 mặc định để lưu trữ dữ liệu.
Chuẩn bị dữ liệu
Tải xuống bộ dữ liệu Nhà ở California và chuẩn bị nó bằng cách chạy Tải dữ liệu phần của cuốn sổ. Tập dữ liệu được chia thành các khung dữ liệu huấn luyện và kiểm tra rồi tải lên bộ chứa S3 mặc định của phiên SageMaker.
Toàn bộ tập dữ liệu có tổng cộng 20,640 bản ghi và 9 cột, bao gồm cả mục tiêu. Mục tiêu là dự đoán giá trị trung bình của một ngôi nhà (medianHouseValue
cột). Ảnh chụp màn hình sau đây hiển thị các hàng trên cùng của tập dữ liệu.
Mẫu kịch bản đào tạo
Quy trình làm việc AutoML trong bài đăng này dựa trên học hỏi các đường ống tiền xử lý và các thuật toán. Mục đích là tạo ra sự kết hợp lớn giữa các quy trình và thuật toán tiền xử lý khác nhau để tìm ra thiết lập hoạt động tốt nhất. Hãy bắt đầu bằng việc tạo một tập lệnh đào tạo chung, tập lệnh này được lưu trữ cục bộ trên phiên bản sổ ghi chép. Trong tập lệnh này, có hai khối nhận xét trống: một khối để chèn siêu tham số và khối còn lại dành cho đối tượng đường dẫn mô hình tiền xử lý. Chúng sẽ được đưa vào một cách linh hoạt cho từng ứng cử viên mô hình tiền xử lý. Mục đích của việc có một tập lệnh chung là để giữ cho quá trình triển khai KHÔ (không lặp lại chính mình).
Tạo kết hợp tiền xử lý và mô hình
Sản phẩm preprocessors
từ điển chứa đặc tả kỹ thuật tiền xử lý được áp dụng cho tất cả các tính năng đầu vào của mô hình. Mỗi công thức được xác định bằng cách sử dụng một Pipeline
hoặc một FeatureUnion
đối tượng từ scikit-learn, kết hợp các phép biến đổi dữ liệu riêng lẻ lại với nhau và xếp chúng lại với nhau. Ví dụ, mean-imp-scale
là một công thức đơn giản đảm bảo rằng các giá trị còn thiếu được xác định bằng cách sử dụng giá trị trung bình của các cột tương ứng và tất cả các tính năng được chia tỷ lệ bằng cách sử dụng Tiêu chuẩn. Ngược lại, mean-imp-scale-pca
chuỗi công thức lại với nhau một vài thao tác nữa:
- Gán các giá trị bị thiếu trong các cột bằng giá trị trung bình của nó.
- Áp dụng tỷ lệ tính năng bằng cách sử dụng giá trị trung bình và độ lệch chuẩn.
- Tính toán PCA dựa trên dữ liệu đầu vào ở giá trị ngưỡng phương sai được chỉ định và hợp nhất nó cùng với các tính năng đầu vào được tính toán và chia tỷ lệ.
Trong bài đăng này, tất cả các tính năng đầu vào đều là số. Nếu bạn có nhiều loại dữ liệu hơn trong tập dữ liệu đầu vào, bạn nên chỉ định một quy trình phức tạp hơn trong đó các nhánh tiền xử lý khác nhau được áp dụng cho các bộ loại tính năng khác nhau.
Sản phẩm models
từ điển chứa thông số kỹ thuật của các thuật toán khác nhau mà bạn phù hợp với tập dữ liệu. Mỗi loại mô hình đều có thông số kỹ thuật sau trong từ điển:
- script_output – Trỏ đến vị trí của tập lệnh huấn luyện được người ước tính sử dụng. Trường này được điền động khi
models
Từ điển được kết hợp vớipreprocessors
từ điển. - sự chèn – Xác định mã sẽ được chèn vào
script_draft.py
và sau đó được lưu dướiscript_output
. Chìa khóa“preprocessor”
được cố ý để trống vì vị trí này được lấp đầy bằng một trong các bộ tiền xử lý để tạo nhiều kết hợp mô hình-tiền xử lý. - siêu tham số – Một tập hợp các siêu tham số được tối ưu hóa bởi công việc HPO.
- include_cls_metadata – Thêm chi tiết cấu hình theo yêu cầu của SageMaker
Tuner
lớp học.
Một ví dụ đầy đủ về models
từ điển có sẵn trong kho GitHub.
Tiếp theo, hãy lặp qua preprocessors
và models
từ điển và tạo ra tất cả các kết hợp có thể. Ví dụ, nếu bạn preprocessors
từ điển chứa 10 công thức nấu ăn và bạn có 5 định nghĩa mẫu trong models
từ điển, từ điển đường ống mới được tạo chứa 50 đường ống mô hình tiền xử lý được đánh giá trong HPO. Lưu ý rằng các tập lệnh quy trình riêng lẻ chưa được tạo tại thời điểm này. Khối mã tiếp theo (ô 9) của sổ ghi chép Jupyter lặp qua tất cả các đối tượng mô hình tiền xử lý trong pipelines
từ điển, chèn tất cả các đoạn mã có liên quan và duy trì cục bộ một phiên bản tập lệnh dành riêng cho đường dẫn trong sổ ghi chép. Những tập lệnh đó được sử dụng trong các bước tiếp theo khi tạo các công cụ ước tính riêng lẻ mà bạn đưa vào công việc HPO.
Xác định công cụ ước tính
Bây giờ bạn có thể xác định Công cụ ước tính SageMaker mà công việc HPO sử dụng sau khi tập lệnh đã sẵn sàng. Hãy bắt đầu bằng việc tạo một lớp bao bọc xác định một số thuộc tính chung cho tất cả các công cụ ước tính. Nó kế thừa từ SKLearn
lớp và chỉ định vai trò, số lượng phiên bản và loại, cũng như các cột nào được tập lệnh sử dụng làm đối tượng và mục tiêu.
Hãy xây dựng estimators
từ điển bằng cách lặp qua tất cả các tập lệnh được tạo trước đó và nằm trong scripts
danh mục. Bạn khởi tạo một công cụ ước tính mới bằng cách sử dụng SKLearnBase
lớp, với tên công cụ ước tính duy nhất và một trong các tập lệnh. Lưu ý rằng estimators
Từ điển có hai cấp độ: cấp cao nhất định nghĩa một pipeline_family
. Đây là một nhóm logic dựa trên loại mô hình cần đánh giá và có độ dài bằng với models
từ điển. Cấp độ thứ hai chứa các loại tiền xử lý riêng lẻ kết hợp với các loại đã cho pipeline_family
. Việc nhóm logic này là bắt buộc khi tạo công việc HPO.
Xác định các đối số bộ điều chỉnh HPO
Để tối ưu hóa việc truyền đối số vào HPO Tuner
lớp học, HyperparameterTunerArgs
lớp dữ liệu được khởi tạo với các đối số do lớp HPO yêu cầu. Nó đi kèm với một tập hợp các hàm đảm bảo các đối số HPO được trả về ở định dạng mong muốn khi triển khai nhiều định nghĩa mô hình cùng một lúc.
Khối mã tiếp theo sử dụng mã được giới thiệu trước đó HyperparameterTunerArgs
lớp dữ liệu. Bạn tạo một từ điển khác tên là hp_args
và tạo ra một tập hợp các tham số đầu vào cụ thể cho từng estimator_family
từ estimators
từ điển. Những đối số này được sử dụng trong bước tiếp theo khi khởi tạo công việc HPO cho từng dòng mô hình.
Tạo đối tượng điều chỉnh HPO
Ở bước này, bạn tạo các bộ điều chỉnh riêng cho từng estimator_family
. Tại sao bạn tạo ba công việc HPO riêng biệt thay vì chỉ khởi chạy một công việc trên tất cả các công cụ ước tính? Các HyperparameterTuner
lớp được giới hạn ở 10 định nghĩa mô hình kèm theo nó. Do đó, mỗi HPO chịu trách nhiệm tìm kiếm bộ tiền xử lý hoạt động tốt nhất cho một họ mô hình nhất định và điều chỉnh các siêu tham số của họ mô hình đó.
Sau đây là một số điểm khác liên quan đến việc thiết lập:
- Chiến lược tối ưu hóa là Bayesian, có nghĩa là HPO chủ động giám sát hiệu suất của tất cả các thử nghiệm và điều hướng tối ưu hóa theo hướng kết hợp siêu tham số hứa hẹn hơn. Dừng sớm nên được đặt thành tắt or Tự động khi làm việc với chiến lược Bayesian, chiến lược này tự xử lý logic đó.
- Mỗi công việc HPO chạy tối đa 100 công việc và chạy song song 10 công việc. Nếu bạn đang xử lý các tập dữ liệu lớn hơn, bạn có thể muốn tăng tổng số công việc.
- Ngoài ra, bạn có thể muốn sử dụng các cài đặt kiểm soát thời gian thực hiện một công việc và số lượng công việc mà HPO của bạn đang kích hoạt. Một cách để làm điều đó là đặt thời gian chạy tối đa tính bằng giây (đối với bài đăng này, chúng tôi đặt thời gian chạy tối đa là 1 giờ). Một cách khác là sử dụng bản phát hành gần đây
TuningJobCompletionCriteriaConfig
. Nó cung cấp một bộ cài đặt theo dõi tiến độ công việc của bạn và quyết định xem có khả năng có nhiều công việc hơn sẽ cải thiện kết quả hay không. Trong bài đăng này, chúng tôi đặt số lượng công việc đào tạo không cải thiện tối đa là 20. Bằng cách đó, nếu điểm không được cải thiện (ví dụ: từ lần thử thứ bốn mươi), bạn sẽ không phải trả tiền cho các lần thử còn lại cho đến khimax_jobs
đạt được
Bây giờ chúng ta hãy lặp qua tuners
và hp_args
từ điển và kích hoạt tất cả công việc HPO trong SageMaker. Lưu ý việc sử dụng đối số chờ được đặt thành False
, điều đó có nghĩa là kernel sẽ không đợi cho đến khi kết quả hoàn tất và bạn có thể kích hoạt tất cả công việc cùng một lúc.
Có khả năng là không phải tất cả các công việc đào tạo đều sẽ hoàn thành và một số công việc trong số đó có thể bị dừng lại do công việc HPO. Lý do cho điều này là TuningJobCompletionCriteriaConfig
—việc tối ưu hóa kết thúc nếu bất kỳ tiêu chí nào được chỉ định được đáp ứng. Trong trường hợp này, khi tiêu chí tối ưu hóa không được cải thiện trong 20 công việc liên tiếp.
Phân tích kết quả
Ô 15 của sổ ghi chép sẽ kiểm tra xem tất cả công việc HPO đã hoàn thành chưa và kết hợp tất cả các kết quả dưới dạng khung dữ liệu gấu trúc để phân tích thêm. Trước khi phân tích kết quả một cách chi tiết, chúng ta hãy xem xét tổng thể bảng điều khiển SageMaker.
Ở phía trên của Công việc điều chỉnh siêu tham số trang, bạn có thể thấy ba công việc HPO đã triển khai của mình. Tất cả đều hoàn thành sớm và không thực hiện hết 100 công việc đào tạo. Trong ảnh chụp màn hình sau, bạn có thể thấy rằng dòng mô hình Elastic-Net đã hoàn thành số lần thử nghiệm cao nhất, trong khi những dòng khác không cần quá nhiều công việc đào tạo để tìm ra kết quả tốt nhất.
Bạn có thể mở công việc HPO để truy cập thêm thông tin chi tiết, chẳng hạn như công việc đào tạo cá nhân, cấu hình công việc cũng như thông tin và hiệu suất của công việc đào tạo tốt nhất.
Hãy tạo hình ảnh trực quan dựa trên kết quả để hiểu rõ hơn về hiệu suất của quy trình làm việc AutoML trên tất cả các dòng mô hình.
Từ biểu đồ sau, bạn có thể kết luận rằng Elastic-Net
hiệu suất của mô hình dao động trong khoảng từ 70,000 đến 80,000 RMSE và cuối cùng bị đình trệ do thuật toán không thể cải thiện hiệu suất của mô hình mặc dù đã thử nhiều kỹ thuật tiền xử lý và giá trị siêu tham số khác nhau. Có vẻ như cũng vậy RandomForest
hiệu suất thay đổi rất nhiều tùy thuộc vào bộ siêu tham số mà HPO khám phá, nhưng bất chấp nhiều thử nghiệm, nó không thể xuống dưới lỗi 50,000 RMSE. GradientBoosting
đã đạt được hiệu suất tốt nhất ngay từ đầu với mức dưới 50,000 RMSE. HPO đã cố gắng cải thiện kết quả đó hơn nữa nhưng không thể đạt được hiệu suất tốt hơn trên các kết hợp siêu tham số khác. Một kết luận chung cho tất cả các công việc HPO là không cần quá nhiều công việc để tìm ra bộ siêu tham số hoạt động tốt nhất cho mỗi thuật toán. Để cải thiện kết quả hơn nữa, bạn cần thử nghiệm tạo nhiều tính năng hơn và thực hiện kỹ thuật tính năng bổ sung.
Bạn cũng có thể kiểm tra chế độ xem chi tiết hơn về sự kết hợp mô hình-tiền xử lý để đưa ra kết luận về những kết hợp hứa hẹn nhất.
Chọn mô hình tốt nhất và triển khai nó
Đoạn mã sau chọn mô hình tốt nhất dựa trên giá trị mục tiêu đạt được thấp nhất. Sau đó, bạn có thể triển khai mô hình làm điểm cuối SageMaker.
Làm sạch
Để ngăn các khoản phí không mong muốn đối với tài khoản AWS của bạn, chúng tôi khuyên bạn nên xóa các tài nguyên AWS mà bạn đã sử dụng trong bài đăng này:
- Trên bảng điều khiển Amazon S3, xóa dữ liệu khỏi bộ chứa S3 nơi lưu trữ dữ liệu huấn luyện.
- Trên bảng điều khiển SageMaker, dừng phiên bản sổ ghi chép.
- Xóa điểm cuối mô hình nếu bạn đã triển khai nó. Điểm cuối nên bị xóa khi không còn sử dụng nữa vì chúng được tính phí theo thời gian triển khai.
Kết luận
Trong bài đăng này, chúng tôi đã giới thiệu cách tạo công việc HPO tùy chỉnh trong SageMaker bằng cách sử dụng lựa chọn tùy chỉnh các thuật toán và kỹ thuật tiền xử lý. Đặc biệt, ví dụ này trình bày cách tự động hóa quy trình tạo nhiều tập lệnh đào tạo và cách sử dụng cấu trúc lập trình Python để triển khai hiệu quả nhiều công việc tối ưu hóa song song. Chúng tôi hy vọng giải pháp này sẽ tạo thành nền tảng cho mọi công việc điều chỉnh mô hình tùy chỉnh mà bạn sẽ triển khai bằng SageMaker để đạt được hiệu suất cao hơn và tăng tốc quy trình làm việc ML của mình.
Hãy xem các tài nguyên sau để nâng cao kiến thức của bạn về cách sử dụng SageMaker HPO:
Về các tác giả
Konrad Semsch là Kiến trúc sư giải pháp ML cao cấp tại Nhóm phòng thí nghiệm dữ liệu dịch vụ web của Amazon. Anh ấy giúp khách hàng sử dụng công nghệ máy học để giải quyết các thách thức kinh doanh của họ bằng AWS. Anh ấy thích phát minh và đơn giản hóa để mang đến cho khách hàng những giải pháp đơn giản và thực tế cho các dự án AI/ML của họ. Anh ấy đam mê MlOps và khoa học dữ liệu truyền thống nhất. Ngoài công việc, anh ấy rất thích môn lướt ván và lướt ván diều.
cá ngừ Ersoy là Kiến trúc sư giải pháp cấp cao tại AWS. Trọng tâm chính của cô là giúp khách hàng Khu vực công áp dụng công nghệ đám mây cho khối lượng công việc của họ. Cô có kiến thức nền tảng về phát triển ứng dụng, kiến trúc doanh nghiệp và công nghệ trung tâm liên lạc. Mối quan tâm của cô bao gồm kiến trúc serverless và AI/ML.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/implement-a-custom-automl-job-using-pre-selected-algorithms-in-amazon-sagemaker-automatic-model-tuning/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 000
- 1
- 10
- 100
- 12
- 13
- 14
- 15%
- 20
- 2000
- 22
- 25
- 28
- 30
- 39
- 50
- 7
- 70
- 8
- 80
- 9
- a
- Có khả năng
- Giới thiệu
- truy cập
- Theo
- Tài khoản
- Đạt được
- đạt được
- ngang qua
- tích cực
- thêm vào
- Ngoài ra
- nhận nuôi
- Sau
- AI / ML
- nhằm mục đích
- thuật toán
- thuật toán
- Tất cả
- Cho phép
- cho phép
- Đã
- Ngoài ra
- đàn bà gan dạ
- Amazon SageMaker
- Amazon Web Services
- an
- phân tích
- phân tích
- phân tích
- và
- Một
- bất kì
- Các Ứng Dụng
- Phát triển ứng dụng
- áp dụng
- áp dụng
- Đăng Nhập
- phê duyệt
- kiến trúc
- LÀ
- đối số
- đối số
- AS
- đảm đương
- At
- đính kèm
- tự động
- tự động hóa
- Tự động
- tự động
- Tự động
- có sẵn
- AWS
- lý lịch
- cơ sở
- dựa
- Baseline
- Bayesian
- BE
- bởi vì
- trước
- Bắt đầu
- phía dưới
- BEST
- Hơn
- giữa
- lớn
- Chặn
- Khối
- cả hai
- chi nhánh
- xây dựng
- Xây dựng
- kinh doanh
- nhưng
- nút
- by
- california
- cuộc gọi
- gọi là
- CAN
- ứng cử viên
- trường hợp
- trường hợp
- Trung tâm
- chuỗi
- thách thức
- thay đổi
- Những thay đổi
- tải
- Séc
- Chọn
- tốt nghiệp lớp XNUMX
- CFL
- khách hàng
- đám mây
- cụm
- tập hợp
- mã
- Cột
- Cột
- kết hợp
- kết hợp
- kết hợp
- kết hợp
- đến
- bình luận
- Chung
- hoàn thành
- Hoàn thành
- hoàn thành
- phức tạp
- kết luận
- phần kết luận
- Tiến hành
- Cấu hình
- liên tiếp
- An ủi
- liên lạc
- trung tâm liên lạc
- chứa
- Ngược lại
- điều khiển
- Phí Tổn
- Chi phí
- có thể
- tạo
- tạo ra
- Tạo
- tiêu chuẩn
- quan trọng
- Hiện nay
- khách hàng
- khách hàng
- dữ liệu
- khoa học dữ liệu
- bộ dữ liệu
- xử lý
- quyết định
- Làm sâu sắc hơn
- Mặc định
- xác định
- Xác định
- xác định
- các định nghĩa
- chứng minh
- chứng minh
- phụ thuộc
- phụ thuộc
- Tùy
- triển khai
- triển khai
- triển khai
- triển khai
- lấy được
- Mặc dù
- chi tiết
- chi tiết
- chi tiết
- phát triển
- phát triển
- Phát triển
- phát triển
- sai lệch
- DICT
- khác nhau
- thư mục
- thảo luận
- thảo luận
- do
- Không
- miền
- dont
- xuống
- vẽ tranh
- khô
- thời gian
- suốt trong
- năng động
- mỗi
- Đầu
- hiệu quả
- loại trừ hết
- cho phép
- Điểm cuối
- Kỹ Sư
- đảm bảo
- đảm bảo
- Doanh nghiệp
- Toàn bộ
- hoàn toàn
- như nhau
- lôi
- đánh giá
- đánh giá
- cuối cùng
- Mỗi
- kiểm tra
- ví dụ
- ví dụ
- thực hiện
- tồn tại
- mong đợi
- dự kiến
- thử nghiệm
- Giải thích
- Khám phá
- khám phá
- sai
- gia đình
- gia đình
- fan hâm mộ
- Đặc tính
- Tính năng
- vài
- lĩnh vực
- Tập tin
- đầy
- Tìm kiếm
- tìm kiếm
- Tên
- phù hợp với
- năm
- Tập trung
- theo
- tiếp theo
- sau
- Trong
- rừng
- hình thức
- định dạng
- FRAME
- từ
- trước mặt
- Full
- chức năng
- chức năng
- chức năng
- xa hơn
- Tổng Quát
- tạo ra
- tạo ra
- tạo ra
- được
- đi
- GitHub
- được
- Go
- mục tiêu
- đi
- đồ thị
- tay
- Xử lý
- Có
- có
- he
- nặng
- nâng nặng
- giúp đỡ
- giúp
- cô
- cấp độ cao
- cao hơn
- cao nhất
- mong
- giờ
- House
- hộ gia đình
- nhà ở
- Độ đáng tin của
- Hướng dẫn
- HTML
- http
- HTTPS
- Tối ưu hóa siêu tham số
- Điều chỉnh siêu tham số
- Bản sắc
- if
- thực hiện
- thực hiện
- nhập khẩu
- nhập khẩu
- nâng cao
- cải thiện
- in
- bao gồm
- Bao gồm
- Tăng lên
- chỉ
- hệ thống riêng biệt,
- Cá nhân
- thông tin
- đầu vào
- đầu vào
- Chèn
- những hiểu biết
- ví dụ
- thay vì
- hướng dẫn
- hội nhập
- cố ý
- lợi ích
- Giao thức
- trong
- giới thiệu
- IT
- ITS
- chính nó
- Việc làm
- việc làm
- jpg
- chỉ
- chỉ một
- Giữ
- Key
- kiến thức
- phòng thí nghiệm
- lớn
- lớn hơn
- một lát sau
- phát động
- ra mắt
- học tập
- trái
- Chiều dài
- Cấp
- niveaux
- vòng đời
- nâng
- Lượt thích
- Có khả năng
- hạn chế
- linux
- tải
- tại địa phương
- nằm
- địa điểm thư viện nào
- logic
- hợp lý
- dài
- còn
- Xem
- Rất nhiều
- thấp nhất
- máy
- học máy
- nhiều
- tối đa
- Có thể..
- nghĩa là
- có nghĩa
- đi
- hoàn tất
- Metrics
- Might
- Phút
- mất tích
- ML
- MLOps
- kiểu mẫu
- mô hình
- sửa đổi
- Màn Hình
- màn hình
- chi tiết
- hầu hết
- nhiều
- tên
- hẹp
- điều hướng
- Cần
- Mới
- mới
- tiếp theo
- Không
- Không áp dụng
- máy tính xách tay
- lưu ý
- tại
- con số
- cục mịch
- vật
- Mục tiêu
- đối tượng
- of
- off
- Cung cấp
- on
- hàng loạt
- ONE
- có thể
- mở
- Hoạt động
- tối ưu
- tối ưu hóa
- Tối ưu hóa
- tối ưu hóa
- or
- gọi món
- OS
- Nền tảng khác
- Khác
- ra
- đầu ra
- bên ngoài
- kết thúc
- tổng thể
- trang
- gấu trúc
- Song song
- thông số
- một phần
- riêng
- Đi qua
- đam mê
- con đường
- Trả
- Thực hiện
- hiệu suất
- biểu diễn
- vẫn tồn tại
- miếng
- đường ống dẫn
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- đóng
- cắm
- Điểm
- điểm
- điều luật
- dân số
- có thể
- Bài đăng
- tiềm năng
- thực dụng
- dự đoán
- Predictor
- Chuẩn bị
- điều kiện tiên quyết
- quà
- ngăn chặn
- trước đây
- giá
- chính
- In
- Vấn đề
- quá trình
- sản xuất
- Sản lượng
- Lập trình
- Tiến độ
- dự án
- dự án
- hứa hẹn
- tài sản
- cho
- cung cấp
- cung cấp
- công khai
- mục đích
- Python
- ngẫu nhiên
- nhanh
- đạt
- sẵn sàng
- lý do
- gần đây
- công thức
- giới thiệu
- hồ sơ
- giảm
- làm giảm
- xem
- tài liệu tham khảo
- về
- biểu thức chính quy
- khu
- phát hành
- có liên quan
- còn lại
- tẩy
- lặp lại
- kho
- yêu cầu
- yêu cầu
- cần phải
- Thông tin
- mà
- chịu trách nhiệm
- hạn chế
- kết quả
- Kết quả
- trở lại
- ngay
- Vai trò
- chạy
- chạy
- chạy
- thời gian chạy
- nhà làm hiền triết
- Điều chỉnh mô hình tự động SageMaker
- lưu
- Quy mô
- mở rộng quy mô
- Khoa học
- các nhà khoa học
- học hỏi
- phạm vi
- Điểm số
- kịch bản
- kịch bản
- Thứ hai
- giây
- Phần
- phần
- ngành
- xem
- dường như
- chọn
- lựa chọn
- TỰ
- cao cấp
- riêng biệt
- phục vụ
- Không có máy chủ
- dịch vụ
- DỊCH VỤ
- Phiên
- định
- bộ
- thiết lập
- thiết lập
- chị ấy
- nên
- giới thiệu
- thể hiện
- Chương trình
- Đơn giản
- đơn giản hóa
- đơn giản
- đoạn
- So
- giải pháp
- Giải pháp
- động SOLVE
- một số
- chuyên nghành
- riêng
- đặc điểm kỹ thuật
- thông số kỹ thuật
- quy định
- tốc độ
- chia
- ngăn xếp
- Tiêu chuẩn
- Bắt đầu
- Bắt đầu
- Trạng thái
- Bước
- Các bước
- Dừng
- dừng lại
- dừng lại
- là gắn
- lưu trữ
- lưu trữ
- Chiến lược
- cấu trúc
- cấu trúc
- Sau đó
- như vậy
- Hỗ trợ
- bàn
- phù hợp
- Hãy
- Mục tiêu
- nhóm
- Kỹ thuật
- kỹ thuật
- Công nghệ
- Thiết bị đầu cuối
- thử nghiệm
- Kiểm tra
- việc này
- Sản phẩm
- cung cấp their dịch
- Them
- sau đó
- Đó
- vì thế
- Kia là
- họ
- điều này
- những
- số ba
- ngưỡng
- Thông qua
- thời gian
- đến
- bên nhau
- công cụ
- hàng đầu
- Tổng số:
- đối với
- truyền thống
- Train
- Hội thảo
- biến đổi
- thử nghiệm
- thử nghiệm
- cố gắng
- kích hoạt
- được kích hoạt
- kích hoạt
- cố gắng
- điều chỉnh
- hai
- kiểu
- loại
- thường
- ui
- Dưới
- sự hiểu biết
- độc đáo
- cho đến khi
- không mong muốn
- tải lên
- Sử dụng
- sử dụng
- ca sử dụng
- đã sử dụng
- sử dụng
- sử dụng
- HIỆU LỰC
- giá trị
- Các giá trị
- biến
- đa dạng
- khác nhau
- phiên bản
- phiên bản
- Xem
- hình dung
- W
- chờ đợi
- hương
- muốn
- là
- Đường..
- we
- web
- các dịch vụ web
- TỐT
- là
- Điều gì
- khi nào
- trong khi
- liệu
- cái nào
- tại sao
- sẽ
- với
- ở trong
- không có
- Công việc
- quy trình làm việc
- Luồng công việc
- đang làm việc
- sẽ
- viết
- nhưng
- Bạn
- trên màn hình
- mình
- zephyrnet