В моем предыдущем посте я дал вам обзор того, что вы можете ожидать узнать в первой главе книги Анализ временных рядов на AWS:
Вооружившись знаниями из этого введения, вы погрузитесь в прогнозирование временных рядов с помощью Amazon Forecast. Этот сервис является первым управляемым сервисом AI/ML, о котором вы расскажете в этой книге, и он посвящен прогнозированию временных рядов. Как и в случае с другими сервисами, описанными в этой книге, вы узнаете, как обучить свою собственную модель прогнозирования и предсказать будущие значения для вашего временного ряда, не написав ни одной строки кода и используя только консоль AWS.
Примечание для разработчиков и экспертов по машинному обучению
Как разработчик и/или специалист по машинному обучению, все, что вы будете делать в консоли, следуя этим главам, поможет вам понять философию службы и ее ограничения в отношении ваших наборов данных и вариантов использования. Хотя вы, скорее всего, быстро перейдете к использованию специального API Amazon Forecast (Документация по API будет очень кстати!), чтение этих глав поможет вам создать надежные функции прогнозирования, которые вы как интегрировать в свои собственные приложения.
Важное примечание, сервисные обновления
Amazon Forecast — это облачный сервис: команда обслуживания может в любой момент обновить его, чтобы клиенты могли воспользоваться новейшими и лучшими функциями. С другой стороны, эта книга была написана в определенный момент времени, и с тех пор, возможно, были объявлены новые функции.
Чтобы вы могли извлечь максимальную пользу из книги, я буду постоянно обновлять эту запись в блоге, чтобы рассказывать вам о новых функциях, которые не были доступны на дату публикации.
Общий обзор части 1
В первой части этой книги вы узнаете о Amazon Forecast и о том, как этот сервис AI/ML может помочь вам справиться с проблемами прогнозирования. Этот раздел структурирован вокруг следующих шести глав:
Глава 2. Обзор Amazon Forecast
В этой главе вы узнаете о типах бизнес-задач, которые можно решить с помощью прогнозирования временных рядов, получите подробный обзор Amazon Forecast и поймете, когда он будет работать хорошо или нет для ваших приложений.
Глава 3. Создание проекта и загрузка ваших данных
В этой главе показано, как служба структурирует набор данных, чтобы помочь вам сформулировать задачу прогнозирования. Вы узнаете, как создать новый проект, загрузить свои файлы и использовать в процессе соответствующие сервисы AWS (а именно Amazon S3 для хранения наборов данных и AWS IAM для безопасного предоставления доступа к вашим данным).
Если вам нужны дополнительные сведения о том, как подготовить данные для подачи в Amazon Forecast, ознакомьтесь с этой подробной статьей в блоге AWS Machine Learning. Возможно, вам придется сотрудничать с другими разработчиками, чтобы лучше использовать этот фрагмент контента.
Глава 4. Автоматическое обучение предиктора
В этой главе вы обучите свой первый предиктор, используя параметры по умолчанию. Ключевым моментом главы является раздел, посвященный интерпретации информационных панелей оценки модели и изучению наиболее важных показателей для прогнозирования проблем.
Команда сервиса Amazon Forecast недавно представила новый API, который использует ансамбль для повышения точности моделей. Предыдущие подходы теперь считаются устаревшими и будут доступны в консоли только для пользователей, создавших свои учетные записи AWS до 25 февраля 2022 г. Как новый, так и устаревший подходы, конечно, останутся доступными через вызовы API, независимо от того, являетесь ли вы старым или новым. клиенты. Только пользовательский интерфейс консоли изменится в зависимости от того, когда вы создали свою учетную запись AWS. Это может повлиять на некоторые скриншоты для глав 4 и 5, хотя все остальное должно быть согласовано. Чтобы узнать больше об этой функции, ознакомьтесь с этой статьей в блоге в блоге AWS Machine Learning.
Глава 5. Настройка обучения предикторов
В этой главе вы узнаете, как можно использовать устаревшие предикторы, выбрав алгоритм и настроив параметры обучения. Вы также узнаете, как усилить свою стратегию тестирования на исторических данных или использовать дополнительные наборы данных, уже подготовленные для вас (а именно, данные о праздниках и погоде). Одной из наиболее важных функций, о которой вы узнаете, является выбор лучших квантилей, соответствующих потребностям вашего бизнеса.
При обучении нового предиктора Amazon Forecast теперь позволяет выбирать пользовательские начальные точки горизонта. Многие пользователи ожидают, что горизонты их прогнозирования начнутся в определенный день и время, которые тесно связаны с потребностями их бизнеса. Дополнительные сведения о том, как воспользоваться этими функциями, см. в этой записи в блоге в блоге AWS Machine Learning.
Глава 6. Создание новых прогнозов
Вооружившись обученной моделью, вы узнаете, как можно запрашивать новые прогнозы, создавая новый прогноз. Вы также получите подсказку о том, как вы можете создать объяснимость для своих прогнозов, чтобы помочь вам обосновать прогнозы вашей модели.
На момент написания Amazon Forecast теперь позволяет создавать прогнозы для подмножества элементов (вместо создания их для каждого элемента в вашем наборе данных). Это дает вам детальный доступ к тому элементу, на котором вы хотите сосредоточиться. Дополнительные сведения об этой новой функции можно найти в этой записи в блоге в блоге AWS Machine Learning.
Глава 7. Улучшение и масштабирование стратегии прогнозирования
Ключевым моментом этой главы является использование бессерверной архитектуры, которую вы будете использовать, организуя различные сервисы AWS… И опять же, не написав ни одной строки кода! Навыки, которые вы приобретете в этой главе, будут полезны для многих задач оркестровки, которые могут возникнуть при автоматизации ваших проектов AI/ML в облаке AWS:
Команда Amazon Forecast добавила новую важную функцию для мониторинга развернутых моделей в рабочей среде. Amazon Forecast теперь может автоматически отслеживать развернутые предикторы и выявлять отклонения и дрейфы с течением времени. Для этого служба автоматически вычисляет показатели точности новых данных, предоставленных для вывода. В зависимости от того, как эти показатели будут меняться с течением времени, вы будете лучше информированы о решении, которое вам нужно принять: продолжать использовать предиктор, переобучить существующую модель с обновленным набором данных или вообще создать новый предиктор. Чтобы узнать больше об этой замечательной новой функции, прочитайте эту статью в блоге AWS Machine Learning.
Обзор новых функций
Вот сводка всех блогов, посвященных новым функциям Amazon Forecast, о которых было объявлено после публикации книги:
- Подготовьте и очистите свои данные для Amazon Forecast
- Новый API AutoPredictor [ноябрь 2021 г.]
- Понимание факторов, влияющих на ваши прогнозы, с помощью показателей воздействия объяснимости [ноябрь 2021 г.]
- Постоянный мониторинг точности предикторов [июнь 2022 г.]
- Еженедельные прогнозы теперь могут начинаться в воскресенье [июнь 2022 г.]
- Выберите временные ряды для прогноза [июнь 2022 г.]
Заключение
По завершении этой части вы обучите модель прогнозирования и узнаете, как генерировать новые прогнозы на основе новых доступных данных. Вы также узнаете, как получить глубокое понимание результатов вашей модели, что поможет вам либо улучшить свою стратегию прогнозирования, либо лучше понять основные причины прогноза, сделанного вашей моделью.
В следующем посте я представлю содержание второй части книги, главы с 8 по 12, посвященной обнаружению аномалий с помощью Amazon Lookout for Equipment.
Книга теперь доступна по всему миру на Amazon. Вот несколько ссылок:
Я надеюсь, что вы найдете это интересным, не стесняйтесь оставлять мне комментарии здесь и не стесняйтесь подписываться на мою рассылку по электронной почте Medium, если вы не хотите пропустить мои будущие публикации! Ссылка на подписку здесь:
Хотите поддержать меня и будущую работу? Присоединяйтесь к Medium по моей реферальной ссылке!
Дайте мне знать, что вы думаете!
