Използване на линейния ученик на AWS SageMaker за решаване на регресионни проблеми

Блог

Демонстрация на код от край до край и обяснение на вградения алгоритъм на SageMaker Linear Learner.

AWS SageMaker процъфтява и се доказва като една от най -добрите услуги за изграждане на ML модели и тръбопроводи в облака. Една от най -добрите характеристики на SageMaker е широката гама от вградени алгоритми че предоставя на учените и разработчиците на данни бързо обучение и внедряване на техните модели. За тези с по -малък опит със създаването на модели в определена област, тези алгоритми вършат цялата работа зад кулисите, докато всичко, което трябва да направите, е да подадете данните си за обучение. За да проверите всички алгоритми и случаи на използване, SageMaker предоставя щракване тук . За тази статия ще изследваме един от алгоритмите, използвани за супервизирано обучение, наречен Линеен учащ и го използвайте за справяне с популярното Бостънски жилища регресионен набор от данни.

ЗАБЕЛЕЖКА : За тези от вас, които са нови в AWS, не забравяйте да направите акаунт на следното връзка ако искате да следвате. Ще дам и списък с услуги, които ще използваме, заедно с по-задълбочени дефиниции. Ако вече сте запознати с тези услуги, не се колебайте да преминете към демонстрацията на кода.

#aws #aws мъдрец

къмdatascience.com

Използване на линейния ученик на AWS SageMaker за решаване на регресионни проблеми

Например, ако имаме голям набор от данни, който изисква тежка предварителна обработка, би се препоръчал екземпляр с интензивни изчисления като c4 или c5. За нашия проблем имаме сравнително малък набор от данни, така че ще продължим със стандартния екземпляр ml.t2.medium.