สร้าง ฝึกฝน และปรับใช้โมเดล Machine Learning

ด้วย Amazon SageMaker

ในบทแนะนำสอนการใช้งานนี้ คุณจะได้เรียนรู้วิธีการใช้ Amazon SageMaker ในการสร้าง ฝึกฝน และปรับใช้โมเดล Machine Learning (ML) เราจะใช้อัลกอริทึม XGBoost ML ที่นิยมสำหรับแบบฝึกหัดนี้ Amazon SageMaker เป็นบริการ Machine Learning แบบโมดูลที่ได้รับการจัดการอย่างเต็มรูปแบบ ซึ่งช่วยให้นักพัฒนาและนักวิทยาศาสตร์ข้อมูลสามารถสร้าง ฝึกฝน และปรับใช้โมเดล ML ได้ทุกขนาด

การนำโมเดล ML จากแนวคิดไปสู่การผลิตมักจะมีความซับซ้อนและใช้งานมาก คุณจะต้องจัดการกับข้อมูลจำนวนมากเพื่อฝึกฝนโมเดล เลือกอัลกอริทึมที่ดีที่สุดในการฝึกฝน จัดการความสามารถในการประมวลผลขณะฝึกฝน และปรับใช้โมเดลในสภาพแวดล้อมการผลิต Amazon SageMaker จะช่วยลดความซับซ้อนนี้ และทำให้การสร้างและปรับใช้โมเดล ML ง่ายขึ้น หลังจากที่คุณเลือกอัลกอริทึมที่เหมาะสมและเฟรมเวิร์กจากตัวเลือกต่างๆ แล้ว ระบบจะช่วยจัดการโครงสร้างพื้นฐานเพื่อฝึกฝนโมเดลของคุณที่ระดับเพตะไบต์ และปรับใช้ในการผลิต

ในบทแนะนำสอนการใช้งานนี้ คุณจะได้รับบทบาทนักพัฒนา Machine Learning ที่ปฏิบัติหน้าที่ที่ธนาคาร คุณจะได้รับคำขอให้พัฒนาโมเดล Machine Learning เพื่อคาดการณ์ว่าลูกค้าจะลงทะเบียนรับบัตรเงินฝาก (CD) หรือไม่ โมเดลจะได้รับการฝึกฝนเกี่ยวกับชุดข้อมูลการตลาดที่ประกอบด้วยข้อมูลด้านประชากรของลูกค้า การตอบรับกิจกรรมด้านการตลาด และปัจจัยภายนอก

ข้อมูลจะมีป้ายกำกับไว้เพื่อความสะดวก และคอลัมน์ในชุดข้อมูลจะระบุว่าลูกค้าจะลงทะเบียนรับข้อเสนอด้านผลิตภัณฑ์จากธนาคารหรือไม่ ชุดข้อมูลนี้เป็นเวอร์ชันที่ เปิดเผยต่อสาธารณะ จากคลังเนื้อหาของ ML ที่ดำเนินการโดย University of California, Irvine บทแนะนำสอนการใช้งานนี้ได้นำโมเดล Machine Learning ที่มีการควบคุมดูแลมาใช้ เนื่องจากมีป้ายกำกับข้อมูล (การเรียนรู้ที่ไม่มีการควบคุมดูแลจะเกิดขึ้นเมื่อไม่มีป้ายกำกับชุดข้อมูล)

ในบทแนะนำสอนการใช้งานนี้ คุณจะได้ดำเนินการต่อไปนี้:

  1. สร้างอินสแตนซ์โน้ตบุ๊ค
  2. เตรียมข้อมูล
  3. ฝึกฝนโมเดลเพื่อเรียนรู้จากข้อมูล
  4. ปรับใช้โมเดล
  5. ประเมินประสิทธิภาพของโมเดล ML
 
ทรัพยากรต่างๆ ที่สร้างและใช้ในบทแนะนำสอนการใช้งานนี้สามารถใช้กับ AWS Free Tier ได้ โปรดอย่าลืมทำตามขั้นตอนที่ 7 และยกเลิกทรัพยากรของคุณ หากบัญชีของคุณมีการใช้งานกับทรัพยากรเหล่านี้เป็นเวลานานกว่า 2 เดือน บัญชีของคุณจะมีค่าบริการไม่เกิน 0.50 USD
 

บทแนะนำสอนการใช้งานนี้ต้องใช้บัญชี AWS

ทรัพยากรต่างๆ ที่คุณสร้างขึ้นในบทแนะนำสอนการใช้งานนี้สามารถใช้กับ Free Tier ได้ 

ข้อมูลเพิ่มเติมเกี่ยวกับ Free Tier >>


ขั้นตอนที่ 1 เข้าสู่ Amazon SageMaker Console

ไปที่ Amazon SageMaker Console


เมื่อคุณคลิกที่นี่ AWS Management Console จะเปิดขึ้นในหน้าต่างใหม่ เพื่อให้คุณจสามารถเปิดคำแนะนำแบบทีละขั้นตอนนี้ค้างไว้ จากนั้นพิมพ์ SageMaker ในแถบค้นหาและเลือกAmazon SageMaker เพื่อเปิดคอนโซลบริการ

build-train-deploy-machine-learning-model-sagemaker-1

(คลิกเพื่อขยาย)


ขั้นตอนที่ 2 สร้างอินสแตนซ์โน้ตบุ๊คของ Amazon SageMaker

ในขั้นตอนนี้ คุณจะต้องสร้างอินสแตนซ์โน้ตบุ๊คของ Amazon SageMaker 


2ก. จากแดชบอร์ด Amazon SageMaker ให้เลือก อินสแตนซ์โน้ตบุ๊ค 

build-train-deploy-machine-learning-model-sagemaker-2a

(คลิกเพื่อขยาย)


2ข. ในหน้า สร้างอินสแตนซ์โน้ตบุ๊ค ให้ป้อนชื่อในช่อง ชื่ออินสแตนซ์โน้ตบุ๊ค บทแนะนำสอนการใช้งานนี้จะใช้ MySageMakerInstance เป็นชื่ออินสแตนซ์ แต่คุณสามารถเลือกชื่ออื่น หากต้องการ

สำหรับบทแนะนำสอนการใช้งานนี้ คุณสามารถใช้ ประเภทอินสแตนซ์โน้ตบุ๊ค เป็น ml.t2.medium ตามค่าเริ่มต้น

หากต้องการเปิดใช้งานอินสแตนซ์โน้ตบุ๊คเพื่อเข้าถึงและอัปโหลดข้อมูลลงใน Amazon S3 อย่างปลอดภัย คุณจะต้องระบุบทบาท IAM ในช่อง บทบาท IAM ให้เลือกบทบาท สร้างบทบาทใหม่ เพื่อให้ Amazon SageMaker สร้างบทบาทที่มีสิทธิ์ที่กำหนดและกำหนดให้กับอินสแตนซ์ของคุณ หรือคุณสามารถเลือกบทบาท IAM ที่มีอยู่ในบัญชีของคุณเพื่อใช้ในวัตถุประสงค์นี้ได้

build-train-deploy-machine-learning-model-sagemaker-2b

(คลิกเพื่อขยาย)


2ค. ในช่อง สร้างบทบาท IAM ให้เลือก ทุกบัคเก็ต S3 ขั้นตอนนี้จะช่วยให้อินสแตนซ์ Amazon SageMaker ของคุณสามารถเข้าถึงบัคเก็ต S3 ทั้งหมดในบัญชีของคุณได้ ภายหลังบทแนะนำสอนการใช้งานนี้ คุณจะสร้างบัคเก็ต S3 ใหม่ อย่างไรก็ตาม หากคุณมีบัคเก็ตที่คุณต้องการใช้แทน ให้เลือก บัคเก็ต S3 เฉพาะ และระบุชื่อของบัคเก็ต

เลือก สร้างบทบาท

build-train-deploy-machine-learning-model-sagemaker-2c

(คลิกเพื่อขยาย)


2ง. โปรดสังเกตว่า Amazon SageMaker ได้สร้างบทบาทที่ชื่อว่า AmazonSageMaker-ExecutionRole-*** สำหรับคุณ

สำหรับบทแนะนำสอนการใช้งานนี้ คุณจะใช้ค่าเริ่มต้นสำหรับช่องอื่นๆ เลือก สร้างอินสแตนซ์โน้ตบุ๊ค

build-train-deploy-machine-learning-model-sagemaker-2d

(คลิกเพื่อขยาย)


2จ. ในหน้า อินสแตนซ์โน้ตบุ๊ค คุณจะเห็นอินสแตนซ์โน้ตบุ๊ค MySageMakerInstance ใหม่ในสถานะ รอดำเนินการ

อินสแตนซ์โน้ตบุ๊คของคุณจะเปลี่ยนสถานะจาก รอดำเนินการ ไปเป็น กำลังดำเนินการ ภายในเวลาไม่เกิน 2 นาที

build-train-deploy-machine-learning-model-sagemaker-2e

(คลิกเพื่อขยาย)


ขั้นตอนที่ 3 เตรียมข้อมูล

ในขั้นตอนนี้ คุณจะใช้โน้ตบุ๊ค Amazon SageMaker ของคุณในการประมวลผลข้อมูลล่วงหน้าที่คุณต้องการฝึกฝนโมเดล Machine Learning


3ก. ในหน้า อินสแตนซ์โน้ตบุ๊ค ให้รอจนกว่า MySageMakerInstance เปลี่ยนสถานะจาก รอดำเนินการ ไปเป็น กำลังดำเนินการ

หลังจากที่สถานะเปลี่ยนไปเป็น กำลังดำเนินการ แล้ว ให้เลือก MySageMakerInstance และเปิดโดยใช้เมนูดรอปดาวน์ การดำเนินการ หรือเลือก เปิด Jupyter ถัดจากสถานะ กำลังดำเนินการ

build-train-deploy-machine-learning-model-sagemaker-3a

(คลิกเพื่อขยาย)

build-train-deploy-machine-learning-model-sagemaker-3a1

(คลิกเพื่อขยาย)


3ข. หลังจากเปิด Jupyter แล้ว จากแท็บ ไฟล์ ให้เลือก สร้าง จากนั้นเลือก conda_python3 

build-train-deploy-machine-learning-model-sagemaker-3b

(คลิกเพื่อขยาย)


3ค. หากต้องการเตรียมข้อมูล ฝึกฝนโมเดล ML และปรับใช้ คุณจะต้องนำเข้าไลบรารีบางส่วนและกำหนดตัวแปรสภาพแวดล้อมในสภาพแวดล้อมโน้ตบุ๊ค Jupyter ของคุณ คัดลอกโค้ดต่อไปนี้ไปวางในเซลล์โค้ดในอินสแตนซ์ของคุณ และเลือก เรียกใช้

ขณะที่โค้ดทำงาน เครื่องหมาย * จะปรากฏในวงเล็บเหลี่ยมดังที่แสดงในภาพหน้าจอด้านขวา หลังจากนั้นไม่นาน โค้ดจะดำเนินการเสร็จสมบูรณ์ จะมีเครื่องหมาย * พร้อมหมายเลข 1 และคุณจะเห็นข้อความดำเนินการเสร็จสมบูรณ์ดังที่แสดงในภาพหน้าจอที่สองทางด้านขวา 

# import libraries
import boto3, re, sys, math, json, os, sagemaker, urllib.request
from sagemaker import get_execution_role
import numpy as np                                
import pandas as pd                               
import matplotlib.pyplot as plt                   
from IPython.display import Image                 
from IPython.display import display               
from time import gmtime, strftime                 
from sagemaker.predictor import csv_serializer   

# Define IAM role
role = get_execution_role()
prefix = 'sagemaker/DEMO-xgboost-dm'
containers = {'us-west-2': '433757028032.dkr.ecr.us-west-2.amazonaws.com/xgboost:latest',
              'us-east-1': '811284229777.dkr.ecr.us-east-1.amazonaws.com/xgboost:latest',
              'us-east-2': '825641698319.dkr.ecr.us-east-2.amazonaws.com/xgboost:latest',
              'eu-west-1': '685385470294.dkr.ecr.eu-west-1.amazonaws.com/xgboost:latest'} # each region has its XGBoost container
my_region = boto3.session.Session().region_name # set the region of the instance
print("Success - the MySageMakerInstance is in the " + my_region + " region. You will use the " + containers[my_region] + " container for your SageMaker endpoint.")
build-train-deploy-machine-learning-model-sagemaker-3c-1

(คลิกเพื่อขยาย)

build-train-deploy-machine-learning-model-sagemaker-3c-2

(คลิกเพื่อขยาย)


3ง. ในขั้นตอนนี้ คุณจะต้องสร้างบัคเก็ต S3 ที่จะจัดเก็บข้อมูลของคุณสำหรับบทแนะนำสอนการใช้งานนี้

คัดลอกโค้ดต่อไปนี้ไปวางในเซลล์โค้ดถัดไปในโน้ตบุ๊คของคุณ และเปลี่ยนชื่อของบัคเก็ต S3 เพื่อให้ชื่อไม่ซ้ำกัน ชื่อบัคเก็ต S3 จะต้องไม่ซ้ำกันทั้งระบบ และมี เงื่อนไขและข้อจำกัดอื่นๆ

เลือก เรียกใช้ หากคุณไม่ได้รับข้อความดำเนินการเสร็จสมบูรณ์ ให้เปลี่ยนชื่อบัคเก็ตแล้วลองอีกครั้ง

 

bucket_name = 'your-s3-bucket-name' # <--- CHANGE THIS VARIABLE TO A UNIQUE NAME FOR YOUR BUCKET
s3 = boto3.resource('s3')
try:
    if  my_region == 'us-east-1':
      s3.create_bucket(Bucket=bucket_name)
    else: 
      s3.create_bucket(Bucket=bucket_name, CreateBucketConfiguration={ 'LocationConstraint': my_region })
    print('S3 bucket created successfully')
except Exception as e:
    print('S3 error: ',e)
build-train-deploy-machine-learning-model-sagemaker-3d

(คลิกเพื่อขยาย)


3จ. จากนั้น คุณจะต้องดาวน์โหลดข้อมูลลงในอินสแตนซ์ Amazon SageMaker และโหลดลงในดาต้าเฟรม คัดลอกและ เรียกใช้ โค้ดต่อไปนี้:

try:
  urllib.request.urlretrieve ("https://d1.awsstatic.com/tmt/build-train-deploy-machine-learning-model-sagemaker/bank_clean.27f01fbbdf43271788427f3682996ae29ceca05d.csv", "bank_clean.csv")
  print('Success: downloaded bank_clean.csv.')
except Exception as e:
  print('Data load error: ',e)

try:
  model_data = pd.read_csv('./bank_clean.csv',index_col=0)
  print('Success: Data loaded into dataframe.')
except Exception as e:
    print('Data load error: ',e)
build-train-deploy-machine-learning-model-sagemaker-3e

(คลิกเพื่อขยาย)


3ฉ. ตอนนี้ เราจะสลับข้อมูลและแบ่งออกเป็นข้อมูลฝึกฝนและข้อมูลทดสอบ

ระบบจะใช้ ข้อมูลฝึกฝน (ลูกค้า 70%) ในระหว่างลูปการฝึกฝนโมเดล เราจะใช้การปรับหาค่าที่เหมาะสมตามการไล่ระดับสีเพื่อปรับแต่งพารามิเตอร์ของโมเดลได้ซ้ำๆ การปรับหาค่าที่เหมาะสมตามการไล่ระดับสีเป็นวิธีการหาค่าพารามิเตอร์ของโมเดลที่จะช่วยลดข้อผิดพลาดของโมเดลให้น้อยที่สุด โดยใช้การไล่ระดับสีของฟังก์ชันข้อผิดพลาดของโมเดล

ข้อมูลทดสอบ (ลูกค้า 30% ที่เหลือ) จะนำมาใช้เพื่อประเมินประสิทธิภาพของโมเดล และวัดความสามารถในการสรุปข้อมูลที่ยังไม่ได้อ่านของโมเดลที่ผ่านการฝึกฝนแล้ว

คัดลอกโค้ดต่อไปนี้ไปวางในเซลล์โค้ดใหม่ และเลือก เรียกใช้ เพื่อสลับและแบ่งข้อมูล:

train_data, test_data = np.split(model_data.sample(frac=1, random_state=1729), [int(0.7 * len(model_data))])
print(train_data.shape, test_data.shape)
build-train-deploy-machine-learning-model-sagemaker-3f

(คลิกเพื่อขยาย)


ขั้นตอนที่ 4 ฝึกฝนโมเดลจากข้อมูล

ในขั้นตอนนี้ คุณจะต้องฝึกฝนโมเดล Machine Learning ของคุณด้วยชุดข้อมูลฝึกฝน 


4ก. หากต้องการใช้โมเดล XGBoost ที่สร้างไว้ล่วงหน้าของ Amazon SageMaker คุณจะต้องฟอร์แมตส่วนหัวและคอลัมน์แรกของข้อมูลฝึกฝนใหม่ และโหลดข้อมูลจากบัคเก็ต S3

คัดลอกโค้ดต่อไปนี้ไปวางในเซลล์โค้ดใหม่ และเลือก เรียกใช้ เพื่อฟอร์แมตใหม่และโหลดข้อมูล:

pd.concat([train_data['y_yes'], train_data.drop(['y_no', 'y_yes'], axis=1)], axis=1).to_csv('train.csv', index=False, header=False)
boto3.Session().resource('s3').Bucket(bucket_name).Object(os.path.join(prefix, 'train/train.csv')).upload_file('train.csv')
s3_input_train = sagemaker.s3_input(s3_data='s3://{}/{}/train'.format(bucket_name, prefix), content_type='csv')

4ข. จากนั้น คุณจะต้องตั้งค่าเซสชัน Amazon SageMaker สร้างอินสแตนซ์ของโมเดล XGBoost (ตัวประเมิน) และกำหนดไฮเปอร์พารามิเตอร์ของโมเดล คัดลอกโค้ดต่อไปนี้ไปวางในเซลล์โค้ดใหม่ และเลือก เรียกใช้:

sess = sagemaker.Session()
xgb = sagemaker.estimator.Estimator(containers[my_region],role, train_instance_count=1, train_instance_type='ml.m4.xlarge',output_path='s3://{}/{}/output'.format(bucket_name, prefix),sagemaker_session=sess)
xgb.set_hyperparameters(max_depth=5,eta=0.2,gamma=4,min_child_weight=6,subsample=0.8,silent=0,objective='binary:logistic',num_round=100)

4ค. เมื่อโหลดข้อมูลและตั้งค่าตัวประเมิน XGBoost แล้ว ให้ฝึกฝนโมเดลโดยใช้การปรับหาค่าที่เหมาะสมตามการไล่ระดับสีบนอินสแตนซ์ ml.m4.xlarge โดยคัดลอกโค้ดต่อไปนี้ไปวางในเซลล์โค้ดใหม่ และเลือก เรียกใช้

หลังจากนั้นอีกสักครู่ คุณจะเริ่มเห็นบันทึกการฝึกฝนที่สร้างขึ้น

xgb.fit({'train': s3_input_train})
build-train-deploy-machine-learning-model-sagemaker-4c

(คลิกเพื่อขยาย)


ขั้นตอนที่ 5 ปรับใช้โมเดล

ในขั้นตอนนี้ คุณจะต้องปรับใช้โมเดลที่ผ่านการฝึกฝนแล้วกับตำแหน่งข้อมูล ฟอร์แมตใหม่ จากนั้นโหลดข้อมูล CSV และเรียกใช้โมเดลเพื่อสร้างข้อมูลคาดการณ์


5ก. หากต้องการปรับใช้โมเดลในเซิร์ฟเวอร์และสร้างตำแหน่งข้อมูลที่คุณสามารถเข้าถึงได้ ให้คัดลอกโค้ดต่อไปนี้ไปวางในเซลล์โค้ดใหม่ และเลือก เรียกใช้:

xgb_predictor = xgb.deploy(initial_instance_count=1,instance_type='ml.m4.xlarge')
build-train-deploy-machine-learning-model-sagemaker-5a

(คลิกเพื่อขยาย)


5ข. หากต้องการคาดการณ์ว่าลูกค้าในข้อมูลทดสอบจะลงทะเบียนรับผลิตภัณฑ์ของธนาคารหรือไม่ ให้คัดลอกโค้ดต่อไปนี้ไปวางในเซลล์โค้ดใหม่ และเลือก เรียกใช้:

test_data_array = test_data.drop(['y_no', 'y_yes'], axis=1).values #load the data into an array
xgb_predictor.content_type = 'text/csv' # set the data type for an inference
xgb_predictor.serializer = csv_serializer # set the serializer type
predictions = xgb_predictor.predict(test_data_array).decode('utf-8') # predict!
predictions_array = np.fromstring(predictions[1:], sep=',') # and turn the prediction into an array
print(predictions_array.shape)
build-train-deploy-machine-learning-model-sagemaker-5b

(คลิกเพื่อขยาย)


ขั้นตอนที่ 6 ประเมินประสิทธิภาพของโมเดล

ในขั้นตอนนี้ คุณจะต้องประเมินประสิทธิภาพและความถูกต้องของโมเดล Machine Learning


6ก. คัดลอกและวางโค้ดด้านล่าง และเลือก เรียกใช้ เพื่อเปรียบเทียบค่าตามจริงกับค่าที่คาดการณ์ในตารางที่มีชื่อว่า คอนฟิวชันแมทริกซ์

จากการคาดการณ์ เราสามารถสรุปได้ว่า คุณได้คาดการณ์ว่าลูกค้าจะลงทะเบียนรับบัตรเงินฝากอย่างถูกต้องสำหรับลูกค้า 90% ในข้อมูลทดสอบ โดยมีความแม่นยำ 65% (278/429) สำหรับลูกค้าที่ลงทะเบียน และ 90% (10,785/11,928) สำหรับลูกค้าที่ไม่ลงทะเบียน

cm = pd.crosstab(index=test_data['y_yes'], columns=np.round(predictions_array), rownames=['Observed'], colnames=['Predicted'])
tn = cm.iloc[0,0]; fn = cm.iloc[1,0]; tp = cm.iloc[1,1]; fp = cm.iloc[0,1]; p = (tp+tn)/(tp+tn+fp+fn)*100
print("\n{0:<20}{1:<4.1f}%\n".format("Overall Classification Rate: ", p))
print("{0:<15}{1:<15}{2:>8}".format("Predicted", "No Purchase", "Purchase"))
print("Observed")
print("{0:<15}{1:<2.0f}% ({2:<}){3:>6.0f}% ({4:<})".format("No Purchase", tn/(tn+fn)*100,tn, fp/(tp+fp)*100, fp))
print("{0:<16}{1:<1.0f}% ({2:<}){3:>7.0f}% ({4:<}) \n".format("Purchase", fn/(tn+fn)*100,fn, tp/(tp+fp)*100, tp))
build-train-deploy-machine-learning-model-sagemaker-6a

(คลิกเพื่อขยาย)


ขั้นตอนที่ 7 ยกเลิกทรัพยากรของคุณ

ในขั้นตอนนี้ คุณจะต้องยกเลิกทรัพยากรของคุณที่เกี่ยวข้องกับ Amazon SageMaker

ข้อสำคัญ: การยกเลิกทรัพยากรที่ไม่ได้ใช้งานจะช่วยลดต้นทุนและเป็นแนวปฏิบัติที่ดีที่สุด หากไม่ยกเลิกทรัพยากรของคุณ จะทำให้เกิดค่าบริการ


7ก. หากต้องการลบตำแหน่งข้อมูล Amazon SageMaker และอ็อบเจ็กต์ในบัคเก็ต S3 ของคุณ ให้คัดลอก วาง และ เรียกใช้ โค้ดต่อไปนี้:  

sagemaker.Session().delete_endpoint(xgb_predictor.endpoint)
bucket_to_delete = boto3.resource('s3').Bucket(bucket_name)
bucket_to_delete.objects.all().delete()
build-train-deploy-machine-learning-model-sagemaker-7a

(คลิกเพื่อขยาย)


ขอแสดงความยินดี!

คุณได้เรียนรู้วิธีการใช้ Amazon SageMaker ในการเตรียมความพร้อม ฝึกฝน ปรับใช้และประเมินโมเดล Machine Learning แล้ว Amazon SageMaker จะทำให้สามารถสร้างโมเดล ML ได้อย่างง่ายดายโดยการจัดหาทุกอย่างที่คุณต้องการเพื่อให้เชื่อมต่อกับข้อมูลฝึกฝนของคุณได้อย่างรวดเร็ว และเลือกอัลกอริทึมและเฟรมเวิร์กที่ดีที่สุดสำหรับแอปพลิเคชันของคุณ พร้อมทั้งยังช่วยจัดการโครงสร้างพื้นฐานทั้งหมด เพื่อให้คุณสามารถฝึกฝนโมเดลต่างๆ ได้ที่ระดับเพตะไบต์


 

เรียนรู้เพิ่มเติม

Amazon SageMaker มาพร้อมกับอัลกอริทึม Machine Learning ที่สร้างไว้ล่วงหน้า ซึ่งสามารถใช้ในกรณีการใช้งานได้มากมาย เรียนรู้เพิ่มเติมเกี่ยวกับการใช้ อัลกอริทึมที่สร้างไว้ล่วงหน้า ที่มาพร้อมกับ Amazon SageMaker 

ดูรายละเอียดเพิ่มเติม

คุณสามารถใช้ Machine Learning ที่มี Automatic Model Tuning ใน Amazon SageMaker ได้ ส่วนนี้จะช่วยให้คุณสามารถปรับไฮเปอร์พารามิเตอร์ในโมเดลของคุณได้อย่างอัตโนมัติเพื่อผลลัพธ์ที่ดีที่สุด อ่านเอกสารประกอบสำหรับ Automatic Model Tuning และ โพสต์บล็อก เพื่อดูรายละเอียดเพิ่มเติมเกี่ยวกับความสามารถนี้ 

ดูการทำงาน

Amazon SageMaker มีตัวอย่างโน้ตบุ๊คมากมายที่ช่วยจัดการกับกรณีการใช้งาน Machine Learning ที่พบบ่อย ดูได้ที่ GitHub!