Αυτή η ανάρτηση γράφτηκε σε συνεργασία με τους Brad Duncan, Rachel Johnson και Richard Alcock από το MathWorks.
MATLAB είναι ένα δημοφιλές εργαλείο προγραμματισμού για ένα ευρύ φάσμα εφαρμογών, όπως η επεξεργασία δεδομένων, οι παράλληλοι υπολογιστές, η αυτοματοποίηση, η προσομοίωση, η μηχανική μάθηση και η τεχνητή νοημοσύνη. Χρησιμοποιείται σε μεγάλο βαθμό σε πολλές βιομηχανίες όπως η αυτοκινητοβιομηχανία, η αεροδιαστημική, η επικοινωνία και η κατασκευή. Τα τελευταία χρόνια, η MathWorks έχει φέρει πολλές προσφορές προϊόντων στο cloud, ειδικά στο Amazon Web Services (AWS). Για περισσότερες λεπτομέρειες σχετικά με τα προϊόντα cloud της MathWorks, βλ MATLAB και Simulink στο Cloud or email Mathworks.
Σε αυτήν την ανάρτηση, εισάγουμε τις δυνατότητες μηχανικής εκμάθησης του MATLAB Amazon Sage Maker, το οποίο έχει πολλά σημαντικά οφέλη:
- Υπολογίστε τους πόρους: Η χρήση του περιβάλλοντος υπολογιστών υψηλής απόδοσης που προσφέρει το SageMaker μπορεί να επιταχύνει την εκπαίδευση μηχανικής εκμάθησης.
- Συνεργασία: Το MATLAB και το SageMaker παρέχουν μαζί μια ισχυρή πλατφόρμα που μπορούν να χρησιμοποιήσουν οι ομάδες για να συνεργαστούν αποτελεσματικά στη δημιουργία, τη δοκιμή και την ανάπτυξη μοντέλων μηχανικής μάθησης.
- Ανάπτυξη και προσβασιμότητα: Τα μοντέλα μπορούν να αναπτυχθούν ως τελικά σημεία του SageMaker σε πραγματικό χρόνο, καθιστώντας τα εύκολα προσβάσιμα για άλλες εφαρμογές για την επεξεργασία δεδομένων ζωντανής ροής.
Σας δείχνουμε πώς να εκπαιδεύσετε ένα μοντέλο μηχανικής εκμάθησης MATLAB ως εργασία εκπαίδευσης του SageMaker και στη συνέχεια να αναπτύξετε το μοντέλο ως τελικό σημείο του SageMaker σε πραγματικό χρόνο, ώστε να μπορεί να επεξεργάζεται δεδομένα ζωντανής ροής.
Για να γίνει αυτό, θα χρησιμοποιήσουμε ένα παράδειγμα προγνωστικής συντήρησης όπου ταξινομούμε σφάλματα σε μια λειτουργική αντλία που μεταδίδει ζωντανά δεδομένα αισθητήρα. Έχουμε πρόσβαση σε ένα μεγάλο αποθετήριο δεδομένων με ετικέτα που παράγονται από α simulink προσομοίωση που έχει τρεις πιθανούς τύπους βλαβών σε διάφορους πιθανούς συνδυασμούς (για παράδειγμα, μία υγιή και επτά ελαττωματικές καταστάσεις). Επειδή έχουμε ένα μοντέλο του συστήματος και τα σφάλματα είναι σπάνια σε λειτουργία, μπορούμε να εκμεταλλευτούμε τα προσομοιωμένα δεδομένα για να εκπαιδεύσουμε τον αλγόριθμό μας. Το μοντέλο μπορεί να ρυθμιστεί ώστε να ταιριάζει με τα λειτουργικά δεδομένα από την πραγματική αντλία μας χρησιμοποιώντας τεχνικές εκτίμησης παραμέτρων στο MATLAB και στο Simulink.
Στόχος μας είναι να δείξουμε τη συνδυασμένη ισχύ του MATLAB και του Amazon SageMaker χρησιμοποιώντας αυτό το παράδειγμα ταξινόμησης σφαλμάτων.
Ξεκινάμε εκπαιδεύοντας ένα μοντέλο ταξινομητή στην επιφάνεια εργασίας μας με το MATLAB. Αρχικά, εξάγουμε χαρακτηριστικά από ένα υποσύνολο του πλήρους συνόλου δεδομένων χρησιμοποιώντας το Σχεδιαστής διαγνωστικών χαρακτηριστικών app και, στη συνέχεια, εκτελέστε την εκπαίδευση μοντέλων τοπικά με ένα μοντέλο δέντρου αποφάσεων MATLAB. Μόλις είμαστε ικανοποιημένοι με τις ρυθμίσεις παραμέτρων, μπορούμε να δημιουργήσουμε μια συνάρτηση MATLAB και να στείλουμε την εργασία μαζί με το σύνολο δεδομένων στο SageMaker. Αυτό μας επιτρέπει να κλιμακώσουμε τη διαδικασία εκπαίδευσης για να φιλοξενήσουμε πολύ μεγαλύτερα σύνολα δεδομένων. Αφού εκπαιδεύσουμε το μοντέλο μας, το αναπτύσσουμε ως ζωντανό τελικό σημείο που μπορεί να ενσωματωθεί σε μια μεταγενέστερη εφαρμογή ή πίνακα εργαλείων, όπως μια εφαρμογή Ιστού MATLAB.
Αυτό το παράδειγμα θα συνοψίσει κάθε βήμα, παρέχοντας μια πρακτική κατανόηση του τρόπου αξιοποίησης του MATLAB και του Amazon SageMaker για εργασίες μηχανικής εκμάθησης. Ο πλήρης κώδικας και η περιγραφή για το παράδειγμα είναι διαθέσιμα σε αυτό Αποθήκη.
Προϋποθέσεις
- Περιβάλλον εργασίας του MATLAB2023a ή νεότερης έκδοσης με τον μεταγλωττιστή MATLAB και την εργαλειοθήκη Statistics and Machine Learning στο Linux. Εδώ είναι ένα γρήγορο οδηγό για το πώς να τρέξετε το MATLAB στο AWS.
- Docker που έχει εγκατασταθεί σε ένα Amazon Elastic Compute Cloud (Amazon EC2) για παράδειγμα όπου εκτελείται το MATLAB. Είτε Ubuntu or Linux.
- Εγκατάσταση Διεπαφή γραμμής εντολών AWS (AWS CLI), Διαμόρφωση AWS, να Python3.
- Το AWS CLI, θα πρέπει να είναι ήδη εγκατεστημένο εάν ακολουθήσατε τον οδηγό εγκατάστασης από βήμα 1.
- Ρυθμίστε το AWS Configure για αλληλεπίδραση με πόρους AWS.
- Επαληθεύστε την εγκατάσταση του python3 εκτελώντας
python -Vorpython --versionεντολή στο τερματικό σας. Εγκαταστήστε την Python εάν χρειάζεται.
- Αντιγράψτε αυτό το αποθετήριο σε έναν φάκελο στον υπολογιστή σας Linux εκτελώντας:
- Ελέγξτε την άδεια στο φάκελο repo. Εάν δεν έχει άδεια εγγραφής, εκτελέστε την ακόλουθη εντολή φλοιού:
- Φτιάξτε το κοντέινερ εκπαίδευσης MATLAB και σπρώξτε το στο Μητρώο Amazon Elastic Container (Amazon ECR).
- Πλοηγηθείτε στο φάκελο
docker - Δημιουργήστε ένα αποθετήριο Amazon ECR χρησιμοποιώντας το AWS CLI (αντικαταστήστε το REGION με την περιοχή AWS που προτιμάτε)
- Εκτελέστε την ακόλουθη εντολή docker:
- Πλοηγηθείτε στο φάκελο
- Ανοίξτε το MATLAB και ανοίξτε το ζωντανό σενάριο που ονομάζεται
PumpFaultClassificationMATLABSageMaker.mlxσε φάκελοexamples/PumpFaultClassification. Κάντε αυτόν τον φάκελο στον τρέχοντα φάκελο εργασίας σας στο MATLAB.
Μέρος 1: Προετοιμασία δεδομένων & εξαγωγή χαρακτηριστικών
Το πρώτο βήμα σε κάθε έργο μηχανικής εκμάθησης είναι να προετοιμάσετε τα δεδομένα σας. Το MATLAB παρέχει ένα ευρύ φάσμα εργαλείων για εισαγωγή, καθαρισμό και εξαγωγή λειτουργιών από τα δεδομένα σας.:
Η SensorData.mat Το σύνολο δεδομένων περιέχει 240 εγγραφές. Κάθε ρεκόρ έχει δύο χρονοδιαγράμματα: flow και pressure. Η στήλη στόχος είναι faultcode, η οποία είναι μια δυαδική αναπαράσταση τριών πιθανών συνδυασμών σφαλμάτων στην αντλία. Για αυτούς τους πίνακες χρονοσειρών, κάθε πίνακας έχει 1,201 σειρές που μιμούνται 1.2 δευτερόλεπτα μέτρησης ροής και πίεσης αντλίας με προσαύξηση 0.001 δευτερολέπτων.
Στη συνέχεια, η εφαρμογή Diagnostic Feature Designer σάς επιτρέπει να εξάγετε, να οπτικοποιήσετε και να ταξινομήσετε μια ποικιλία λειτουργιών από τα δεδομένα. Εδώ, χρησιμοποιείτε Auto Χαρακτηριστικά, το οποίο εξάγει γρήγορα ένα ευρύ σύνολο χαρακτηριστικών του τομέα χρόνου και συχνότητας από το σύνολο δεδομένων και κατατάσσει τους κορυφαίους υποψηφίους για εκπαίδευση μοντέλων. Στη συνέχεια, μπορείτε να εξαγάγετε μια συνάρτηση MATLAB που θα υπολογίσει εκ νέου τις 15 κορυφαίες ταξινομημένες λειτουργίες από νέα δεδομένα εισόδου. Ας ονομάσουμε αυτή τη συνάρτηση extractFeaturesTraining. Αυτή η λειτουργία μπορεί να διαμορφωθεί ώστε να λαμβάνει δεδομένα όλα σε μία παρτίδα ή ως δεδομένα ροής.
Αυτή η λειτουργία παράγει έναν πίνακα χαρακτηριστικών με σχετικούς κωδικούς σφαλμάτων, όπως φαίνεται στην παρακάτω εικόνα:
Μέρος 2: Οργάνωση δεδομένων για το SageMaker
Στη συνέχεια, πρέπει να οργανώσετε τα δεδομένα με τρόπο που το SageMaker μπορεί να χρησιμοποιήσει για εκπαίδευση μηχανικής εκμάθησης. Συνήθως, αυτό περιλαμβάνει τον διαχωρισμό των δεδομένων σε σύνολα εκπαίδευσης και επικύρωσης και τον διαχωρισμό των δεδομένων πρόβλεψης από την απόκριση στόχο.
Σε αυτό το στάδιο, ενδέχεται να απαιτούνται άλλες πιο σύνθετες λειτουργίες καθαρισμού και φιλτραρίσματος δεδομένων. Σε αυτό το παράδειγμα, τα δεδομένα είναι ήδη καθαρά. Ενδεχομένως, εάν η επεξεργασία δεδομένων είναι πολύ περίπλοκη και χρονοβόρα, οι εργασίες επεξεργασίας του SageMaker μπορούν να χρησιμοποιηθούν για την εκτέλεση αυτών των εργασιών εκτός από την εκπαίδευση του SageMaker, ώστε να μπορούν να χωριστούν σε δύο βήματα.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
Μέρος 3: Εκπαιδεύστε και δοκιμάστε ένα μοντέλο μηχανικής εκμάθησης στο MATLAB
Πριν μετακομίσετε στο SageMaker, είναι καλή ιδέα να δημιουργήσετε και να δοκιμάσετε το μοντέλο μηχανικής εκμάθησης τοπικά στο MATLAB. Αυτό σας επιτρέπει να επαναλάβετε γρήγορα και να διορθώσετε το μοντέλο. Μπορείτε να ρυθμίσετε και να εκπαιδεύσετε έναν απλό ταξινομητή δέντρου αποφάσεων τοπικά.
classifierModel = fitctree(... trainPredictors,... trainResponse,... OptimizeHyperparameters='auto');
Η εργασία εκπαίδευσης εδώ θα πρέπει να διαρκέσει λιγότερο από ένα λεπτό για να ολοκληρωθεί και δημιουργεί ορισμένα γραφήματα που υποδεικνύουν την πρόοδο της εκπαίδευσης. Μετά την ολοκλήρωση της εκπαίδευσης, παράγεται ένα μοντέλο μηχανικής εκμάθησης MATLAB. ο Ταξινόμηση Μαθητής Η εφαρμογή μπορεί να χρησιμοποιηθεί για να δοκιμάσει πολλούς τύπους μοντέλων ταξινόμησης και να τα συντονίσει για βέλτιστη απόδοση και, στη συνέχεια, να παράγει τον απαραίτητο κώδικα για να αντικαταστήσει τον παραπάνω κώδικα εκπαίδευσης μοντέλων.
Αφού ελέγξουμε τις μετρήσεις ακρίβειας για το τοπικά εκπαιδευμένο μοντέλο, μπορούμε να μετακινήσουμε την εκπαίδευση στο Amazon SageMaker.
Μέρος 4: Εκπαιδεύστε το μοντέλο στο Amazon SageMaker
Αφού είστε ικανοποιημένοι με το μοντέλο, μπορείτε να το εκπαιδεύσετε σε κλίμακα χρησιμοποιώντας το SageMaker. Για να ξεκινήσετε να καλείτε SageMaker SDK, πρέπει να ξεκινήσετε μια περίοδο λειτουργίας SageMaker.
session = sagemaker.Session();
Καθορίστε μια εκτέλεση του SageMaker IAM ρόλο που θα χρησιμοποιήσουν οι εργασίες κατάρτισης και η φιλοξενία τελικού σημείου.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
Από το MATLAB, αποθηκεύστε τα δεδομένα εκπαίδευσης ως αρχείο .csv σε ένα Υπηρεσία απλής αποθήκευσης Amazon (Amazon S3) κάδος.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Δημιουργήστε έναν εκτιμητή SageMaker
Στη συνέχεια, πρέπει να δημιουργήσετε έναν εκτιμητή SageMaker και να του περάσετε όλες τις απαραίτητες παραμέτρους, όπως μια εικόνα βάσης εκπαίδευσης, τη συνάρτηση εκπαίδευσης, τις μεταβλητές περιβάλλοντος, το μέγεθος της παρουσίας εκπαίδευσης και ούτω καθεξής. Το URI της εικόνας εκπαίδευσης θα πρέπει να είναι το URI ECR του Amazon που δημιουργήσατε στο προαπαιτούμενο βήμα με τη μορφή ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest. Η λειτουργία εκπαίδευσης πρέπει να παρέχεται στο κάτω μέρος του ζωντανού σεναρίου του MATLAB.
Υποβάλετε εργασία εκπαίδευσης SageMaker
Η κλήση της μεθόδου προσαρμογής από τον εκτιμητή υποβάλλει την εργασία εκπαίδευσης στο SageMaker.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
Μπορείτε επίσης να ελέγξετε την κατάσταση της εργασίας εκπαίδευσης από την κονσόλα SageMaker:
Μετά την ολοκλήρωση των εργασιών εκπαίδευσης, επιλέγοντας τον σύνδεσμο εργασίας θα μεταφερθείτε στη σελίδα περιγραφής εργασίας όπου μπορείτε να δείτε το μοντέλο MATLAB αποθηκευμένο στον ειδικό κάδο S3:
Μέρος 5: Αναπτύξτε το μοντέλο ως τελικό σημείο SageMaker σε πραγματικό χρόνο
Μετά την εκπαίδευση, μπορείτε να αναπτύξετε το μοντέλο ως τελικό σημείο SageMaker σε πραγματικό χρόνο, το οποίο μπορείτε να χρησιμοποιήσετε για να κάνετε προβλέψεις σε πραγματικό χρόνο. Για να το κάνετε αυτό, καλέστε τη μέθοδο ανάπτυξης από τον εκτιμητή. Εδώ μπορείτε να ρυθμίσετε το επιθυμητό μέγεθος παρουσίας για φιλοξενία ανάλογα με τον φόρτο εργασίας.
Πίσω από τις σκηνές, αυτό το βήμα δημιουργεί μια εικόνα βάσης συμπερασμάτων και την ωθεί στο αποθετήριο ECR του Amazon. Δεν απαιτείται τίποτα από τον χρήστη για τη δημιουργία του κοντέινερ συμπερασμάτων. Η εικόνα περιέχει όλες τις απαραίτητες πληροφορίες για την εξυπηρέτηση του αιτήματος συμπερασμάτων, όπως τοποθεσία μοντέλου, πληροφορίες ελέγχου ταυτότητας MATLAB και αλγόριθμους. Μετά από αυτό, το Amazon SageMaker δημιουργεί μια διαμόρφωση τελικού σημείου SageMaker και τελικά αναπτύσσει το τελικό σημείο σε πραγματικό χρόνο. Το τελικό σημείο μπορεί να παρακολουθηθεί στην κονσόλα SageMaker και μπορεί να τερματιστεί ανά πάσα στιγμή, εάν δεν χρησιμοποιείται πλέον.
Μέρος 6: Δοκιμάστε το τελικό σημείο
Τώρα που το τελικό σημείο είναι έτοιμο και λειτουργεί, μπορείτε να δοκιμάσετε το τελικό σημείο δίνοντάς του μερικές εγγραφές για πρόβλεψη. Χρησιμοποιήστε τον παρακάτω κώδικα για να επιλέξετε 10 εγγραφές από τα δεδομένα εκπαίδευσης και να τις στείλετε στο τελικό σημείο για πρόβλεψη. Το αποτέλεσμα πρόβλεψης αποστέλλεται πίσω από το τελικό σημείο και εμφανίζεται στην παρακάτω εικόνα.
Μέρος 7: Ενοποίηση πίνακα εργαλείων
Το τελικό σημείο του SageMaker μπορεί να κληθεί από πολλές εγγενείς υπηρεσίες AWS. Μπορεί επίσης να χρησιμοποιηθεί ως τυπικό API REST εάν αναπτυχθεί μαζί με ένα AWS Lambda λειτουργία και πύλη API, η οποία μπορεί να ενσωματωθεί με οποιεσδήποτε διαδικτυακές εφαρμογές. Για τη συγκεκριμένη περίπτωση χρήσης, μπορείτε να χρησιμοποιήσετε την απορρόφηση ροής με το Amazon SageMaker Feature Store και το Amazon Managed Streaming για Apache Kafka, MSK, για να λάβετε αποφάσεις που υποστηρίζονται από μηχανική μάθηση σε σχεδόν πραγματικό χρόνο. Μια άλλη πιθανή ενσωμάτωση είναι η χρήση συνδυασμού Amazon Kinesis, SageMaker και Apache Flink για τη δημιουργία μιας διαχειριζόμενης, αξιόπιστης, επεκτάσιμης και άκρως διαθέσιμης εφαρμογής που είναι ικανή να εξάγει συμπεράσματα σε πραγματικό χρόνο σε μια ροή δεδομένων.
Αφού αναπτυχθούν οι αλγόριθμοι σε ένα τελικό σημείο του SageMaker, ίσως θελήσετε να τους οπτικοποιήσετε χρησιμοποιώντας έναν πίνακα εργαλείων που εμφανίζει προβλέψεις ροής σε πραγματικό χρόνο. Στην προσαρμοσμένη εφαρμογή web MATLAB που ακολουθεί, μπορείτε να δείτε δεδομένα πίεσης και ροής ανά αντλία και προβλέψεις ζωντανών σφαλμάτων από το αναπτυγμένο μοντέλο.
Σε αυτό το ταμπλό περιλαμβάνει ένα μοντέλο υπολειπόμενης ωφέλιμης ζωής (RUL) για την πρόβλεψη του χρόνου αστοχίας για κάθε εν λόγω αντλία. Για να μάθετε πώς να εκπαιδεύετε αλγόριθμους RUL, βλ Εργαλειοθήκη Predictive Maintenance.
Εκκαθάριση
Αφού εκτελέσετε αυτήν τη λύση, βεβαιωθείτε ότι έχετε καθαρίσει τυχόν περιττούς πόρους AWS για να αποφύγετε απροσδόκητα κόστη. Μπορείτε να καθαρίσετε αυτούς τους πόρους χρησιμοποιώντας το SDK SageMaker Python ή την Κονσόλα διαχείρισης AWS για τις συγκεκριμένες υπηρεσίες που χρησιμοποιούνται εδώ (SageMaker, Amazon ECR και Amazon S3). Διαγράφοντας αυτούς τους πόρους, αποτρέπετε περαιτέρω χρεώσεις για πόρους που δεν χρησιμοποιείτε πλέον.
Συμπέρασμα
Δείξαμε πώς μπορείτε να φέρετε το MATLAB στο SageMaker για μια περίπτωση χρήσης προγνωστικής συντήρησης αντλίας με ολόκληρο τον κύκλο ζωής μηχανικής εκμάθησης. Το SageMaker παρέχει ένα πλήρως διαχειριζόμενο περιβάλλον για την εκτέλεση φόρτου εργασίας μηχανικής εκμάθησης και την ανάπτυξη μοντέλων με μια μεγάλη επιλογή υπολογιστικών παρουσιών που εξυπηρετούν διάφορες ανάγκες.
Αποποίηση ευθυνών: Ο κώδικας που χρησιμοποιείται σε αυτήν την ανάρτηση ανήκει και διατηρείται από την MathWorks. Ανατρέξτε στους όρους άδειας χρήσης στο αποθετήριο GitHub. Για τυχόν ζητήματα με αιτήματα κώδικα ή δυνατότητας, ανοίξτε ένα ζήτημα GitHub στο χώρο αποθήκευσης
αναφορές
Σχετικά με τους Συγγραφείς
Μπραντ Ντάνκαν είναι ο διαχειριστής προϊόντων για τις δυνατότητες μηχανικής μάθησης στο Statistics and Machine Learning Toolbox στο MathWorks. Συνεργάζεται με πελάτες για την εφαρμογή της τεχνητής νοημοσύνης σε νέους τομείς της μηχανικής, όπως η ενσωμάτωση εικονικών αισθητήρων σε μηχανικά συστήματα, η δημιουργία εξηγήσιμων μοντέλων μηχανικής μάθησης και η τυποποίηση ροών εργασίας AI χρησιμοποιώντας MATLAB και Simulink. Πριν έρθει στο MathWorks, ηγήθηκε ομάδων για τρισδιάστατη προσομοίωση και βελτιστοποίηση της αεροδυναμικής των οχημάτων, εμπειρία χρήστη για τρισδιάστατη προσομοίωση και διαχείριση προϊόντων για λογισμικό προσομοίωσης. Ο Brad είναι επίσης προσκεκλημένος λέκτορας στο Πανεπιστήμιο Tufts στον τομέα της αεροδυναμικής οχημάτων.
Ρίτσαρντ Άλκοκ είναι ο ανώτερος διευθυντής ανάπτυξης για τις ενσωματώσεις πλατφόρμας Cloud στη MathWorks. Σε αυτόν τον ρόλο, παίζει καθοριστικό ρόλο στην απρόσκοπτη ενσωμάτωση των προϊόντων MathWorks σε πλατφόρμες cloud και κοντέινερ. Δημιουργεί λύσεις που επιτρέπουν σε μηχανικούς και επιστήμονες να εκμεταλλευτούν πλήρως τις δυνατότητες του MATLAB και του Simulink σε περιβάλλοντα που βασίζονται σε σύννεφο. Προηγουμένως ήταν μηχανικός λογισμικού στο MathWorks, αναπτύσσοντας λύσεις για την υποστήριξη παράλληλων και κατανεμημένων ροών εργασίας υπολογιστών.
Ρέιτσελ Τζόνσον είναι ο διευθυντής προϊόντων για την προγνωστική συντήρηση στη MathWorks και είναι υπεύθυνος για τη συνολική στρατηγική και το μάρκετινγκ προϊόντων. Προηγουμένως ήταν μηχανικός εφαρμογών που υποστηρίζει άμεσα την αεροδιαστημική βιομηχανία σε έργα πρόβλεψης συντήρησης. Πριν από το MathWorks, η Rachel ήταν μηχανικός αεροδυναμικής και προσομοίωσης πρόωσης για το Πολεμικό Ναυτικό των ΗΠΑ. Πέρασε επίσης αρκετά χρόνια διδάσκοντας μαθηματικά, φυσική και μηχανική.
Αποφύγετε τον Μάο είναι Senior AI/ML Partner Solutions Architect στην ομάδα Emerging Technologies στο Amazon Web Services. Είναι παθιασμένος με τη συνεργασία με εταιρικούς πελάτες και συνεργάτες για να σχεδιάσει, να αναπτύξει και να κλιμακώσει εφαρμογές AI/ML για να αντλήσει τις επιχειρηματικές τους αξίες. Εκτός δουλειάς, του αρέσει να ψαρεύει, να ταξιδεύει και να παίζει πινγκ-πονγκ.
Ramesh Jatiya είναι αρχιτέκτονας λύσεων στην ομάδα του Independent Software Vendor (ISV) στην Amazon Web Services. Είναι παθιασμένος με τη συνεργασία με πελάτες ISV για να σχεδιάσει, να αναπτύξει και να κλιμακώσει τις εφαρμογές τους στο cloud για να αντλήσει τις επιχειρηματικές αξίες τους. Ακολουθεί επίσης ένα MBA στη Μηχανική Μάθηση και Επιχειρησιακή Ανάλυση από το Babson College της Βοστώνης. Εκτός δουλειάς, του αρέσει να τρέχει, να παίζει τένις και να μαγειρεύει.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
