תוֹכֶן
ש:
מה עדיף, פלטפורמה או אלגוריתם למידה מכונה משלך ב- AWS?
ת:
בימינו חברות רבות משלבות פתרונות למידת מכונות בערכת כלי הניתוח שלהם כדי לשפר את ניהול המותג, לשפר את חוויית הלקוחות ולהגדיל את היעילות התפעולית. מודלים של למידת מכונה הם המרכיב העיקרי בפתרונות למידת מכונה. מודלים מאומנים באמצעות אלגוריתמים מתמטיים ומערכות נתונים גדולות כדי לבצע תחזיות אמינות. שתי דוגמאות נפוצות לתחזיות הן (1) קביעה אם קבוצה של עסקאות פיננסיות מעידה על הונאה או (2) הערכת רגשות הצרכנים סביב מוצר, על סמך תשומות שנאספו ממדיה חברתית.
אמזון SageMaker הוא שירות מנוהל באופן מלא המאפשר למפתחים ומדעני נתונים לבנות, לאמן ולפרוס מודלים של למידת מכונות. ב- SageMaker, אתה יכול להשתמש באלגוריתמים מחוץ לתיבה או ללכת בדרך להביא את עצמך לפיתרון מותאם אישית יותר. שתי הבחירות תקפות ומשמשות באותה מידה כבסיס לפיתרון מצליח של למידת מכונה.
(הערת העורך: תוכל לראות חלופות אחרות ל- SageMaker כאן.)
האלגוריתמים של SageMaker מחוץ לתיבה כוללים דוגמאות פופולריות ומיטובות מאוד לסיווג תמונות, עיבוד שפות טבעיות וכו '. ניתן למצוא את הרשימה המלאה. פה.
- יתרונות מחוץ לתיבה: אלגוריתמים אלו עברו אופטימיזציה מראש (ועוברים שיפור מתמיד). אתה יכול להיות למעלה, לרוץ ולפרוס במהירות.בנוסף, כוונון היפר-פרמטרים אוטומטי של AWS זמין.
- שיקולים מחוץ לתיבה: השיפורים המתמשכים שהוזכרו לעיל עשויים שלא להביא תוצאות בצורה צפויה כאילו הייתה לך שליטה מלאה ביישום האלגוריתמים שלך.
אם האלגוריתמים הללו אינם מתאימים לפרויקט שלך, יש לך שלוש אפשרויות אחרות: (1) ספריית Apache Spark של אמזון, (2) קוד Python מותאם אישית (המשתמש ב- TensorFLow או Apache MXNet) או (3) "להביא את שלך" איפה שאתה הם למעשה בלתי מוגבלים, אך יהיה עליהם ליצור תמונת Docker כדי להכשיר ולהגיש את המודל שלך (ייתכן שתעשה זאת באמצעות ההוראות פה).
הגישה להביא-בעצמך מציעה לך חופש מוחלט. זה עשוי להיות אטרקטיבי עבור מדעני נתונים שכבר הקימו ספרייה של קוד אלגוריתמי מותאם אישית ו / או קנייני שאולי לא מיוצג במערך הנוכחי מחוץ לתיבה.
- הביא יתרונות משלך: מאפשר שליטה מלאה על כל צנרת מדעי הנתונים יחד עם השימוש ב- IP קנייני.
- להביא שיקולים משלך: דרוש עגינה כדי לאמן ולשרת את המודל המתקבל. שילוב שיפורים אלגוריתמיים הוא באחריותך.
ללא קשר לבחירת האלגוריתם שלך, SageMaker ב- AWS היא גישה שכדאי לקחת בחשבון בהתחשב בכמה מיקוד הושם על קלות השימוש מנקודת מבט מדעי נתונים. אם ניסית אי פעם להעביר פרויקט למידת מכונות מהסביבה המקומית לסביבת אירוח, תופתע לטובה עד כמה SageMaker הופך אותה לחלקה. ואם אתה מתחיל מהתחלה, אתה כבר כמה צעדים קרוב יותר למטרה שלך, בהתחשב בכמה כבר בהישג ידך.