सामग्री
प्रश्नः
AWS वर एक प्लॅटफॉर्म किंवा आपले स्वतःचे मशीन शिक्षण अल्गोरिदम काय चांगले आहे?
उत्तरः
आजकाल, बर्‍याच कंपन्या ब्रँड व्यवस्थापन वाढविण्यासाठी, ग्राहकांचा अनुभव सुधारित करण्यासाठी आणि कार्यक्षम कार्यक्षमतेत वाढ करण्यासाठी मशीन solutionsशिंग सोल्यूशन्सला त्यांच्या विश्लेषिकी साधनात सेट करतात. मशीन लर्निंग मॉडेल हे मशीन लर्निंग सोल्यूशन्सचे मुख्य घटक आहेत. मॉडेल्सना विश्वासार्ह अंदाज लावण्यासाठी गणिताचे अल्गोरिदम आणि मोठे डेटा सेट वापरुन प्रशिक्षण दिले जाते. भविष्यवाणीची दोन सामान्य उदाहरणे आहेत (१) आर्थिक व्यवहाराचा संच घोटाळा दर्शवितो की नाही हे निर्धारित करणे किंवा (२) सोशल मीडियावरून संकलित केलेल्या इनपुटच्या आधारे उत्पादनाभोवती ग्राहकांच्या भावनांचे मूल्यांकन करणे.
Amazonमेझॉन सेजमेकर ही एक पूर्णपणे व्यवस्थापित सेवा आहे जी विकासक आणि डेटा शास्त्रज्ञांना मशीन शिक्षण मॉडेल तयार करण्यास, प्रशिक्षित करण्यास आणि तैनात करण्यास परवानगी देते. सेजमेकरमध्ये आपण अधिक सानुकूलित निराकरणासाठी द-आउट-ऑफ-बॉक्स अल्गोरिदम वापरू शकता किंवा आपला स्वतःचा मार्ग आणू शकता. दोन्ही निवडी वैध आहेत आणि यशस्वी मशीन शिक्षण समाधानासाठी आधार म्हणून तितकीच सेवा देतात.
(संपादकाची टीपः आपण सेजमेकरला इतर पर्याय येथे पाहू शकता.)
सेजमेकरच्या आउट-ऑफ-बॉक्स अल्गोरिदममध्ये प्रतिमा वर्गीकरण, नैसर्गिक भाषा प्रक्रिया इत्यादीसाठी लोकप्रिय, अत्यंत ऑप्टिमाइझ केलेली उदाहरणे आहेत. संपूर्ण यादी आढळू शकते येथे.
- आउट-ऑफ-बॉक्स फायदे: हे अल्गोरिदम पूर्व-ऑप्टिमाइझ केले गेले आहेत (आणि सतत सुधारणात आहेत). आपण तयार, धावणे आणि वेगाने तैनात करू शकता.तसेच, एडब्ल्यूएस स्वयंचलित हायपर-पॅरामीटर ट्यूनिंग उपलब्ध आहे.
- आउट-ऑफ-बॉक्स विचार: वर नमूद केलेल्या सतत केलेल्या सुधारणांमुळे असे अनुमान निघू शकत नाहीत की जणू काय आपल्या अल्गोरिदमच्या अंमलबजावणीवर आपले संपूर्ण नियंत्रण आहे.
जर हे अल्गोरिदम आपल्या प्रोजेक्टसाठी योग्य नसतील तर आपल्याकडे इतर तीन पर्याय आहेतः (1) Amazonमेझॉनची अपाचे स्पार्क लायब्ररी, (2) कस्टम पायथन कोड (जो टेन्सरएफलो किंवा अपाचे एमएक्सनेट वापरतो) किंवा (3) “आपले स्वतःचे मालक” आणा जेथे मूलत: अनियंत्रित असतात, परंतु आपल्या मॉडेलचे प्रशिक्षण आणि सेवा देण्यासाठी डॉकर प्रतिमा तयार करण्याची आवश्यकता असते (आपण सूचनांचा वापर करुन असे करू शकता येथे).
आपला स्वतःचा दृष्टीकोन आणा आपल्याला संपूर्ण स्वातंत्र्य प्रदान करते. हे डेटा वैज्ञानिकांकरिता आकर्षक असल्याचे सिद्ध होऊ शकते ज्यांनी यापूर्वीच सानुकूल आणि / किंवा मालकी अल्गोरिदम कोडची लायब्ररी तयार केली आहे जी सध्याच्या बॉक्स ऑफमध्ये दर्शविली जाऊ शकत नाही.
- आपले स्वत: चे फायदे आणा: प्रोप्रायटरी आयपीच्या वापरासह संपूर्ण डेटा सायन्स पाइपलाइनवर संपूर्ण नियंत्रण सक्षम करते.
- आपल्या मालकीच्या गोष्टी घ्या: परिणामी मॉडेलचे प्रशिक्षण आणि सेवा देण्यासाठी डॉकरिझेशन आवश्यक आहे. समावेश अल्गोरिदम सुधारणे ही आपली जबाबदारी आहे.
आपल्या अल्गोरिदम निवडीची पर्वा न करता, डेटा विज्ञान दृष्टीकोनातून वापरण्यास सुलभतेवर किती लक्ष केंद्रित केले गेले आहे त्यानुसार एडब्ल्यूएसवरील सेजमेकर विचारात घेण्याजोगे एक दृष्टिकोन आहे. आपण आपल्या स्थानिक वातावरणापासून एखाद्या होस्ट केलेल्याकडे मशीन लर्निंग प्रोजेक्ट स्थानांतरित करण्याचा प्रयत्न केला असेल तर अखंड सेजमेकर हे कसे बनवते याबद्दल आपल्याला आश्चर्य वाटेल. आणि जर आपण सुरवातीपासून सुरुवात करीत असाल तर आपल्या बोटच्या टोकावर किती आहे हे आधीपासून आपण आपल्या उद्दीष्टाच्या जवळजवळ अनेक चरण जवळ आहात.