שלום לנתונים טבלאיים: יצירת מערך נתונים ואימון מודל סיווג של AutoML

משתמשים במסוף Google Cloud כדי ליצור מערך נתונים טבלאי ולאמן מודל סיווג.

יצירת מערך נתונים טבלאי

1. במסוף Google Cloud , בקטע Agent Platform, עוברים לדף Datasets.

   כניסה לדף Datasets

2. כדי ליצור מערך נתונים חדש, לוחצים על יצירה בסרגל הלחצנים.

3. מזינים Structured_AutoML_Tutorial בשם קבוצת הנתונים ובוחרים בכרטיסייה Tabular.

4. בוחרים את היעד Regression/Classification (רגרסיה/סיווג).

   משאירים את ההגדרה של Region כ-us-central1.

5. לוחצים על יצירה כדי ליצור את מערך הנתונים.

   במדריך הזה נשתמש במערך נתונים של בנק שזמין לציבור ומתארח ב-Cloud Storage.

6. בקטע Select a data source (בחירת מקור נתונים), לוחצים על Select CSV files from Cloud Storage (בחירת קובצי CSV מ-Cloud Storage).

7. בשדה Import file path (נתיב לייבוא קובץ), מזינים cloud-ml-tables-data/bank-marketing.csv

8. לוחצים על Continue.

ניתוח מערך הנתונים

בקטע 'ניתוח' אפשר לראות מידע נוסף על מערך הנתונים, כמו ערכים חסרים או ערכי NULL.

מכיוון שערכת הנתונים שלנו מעוצבת בפורמט הנכון עבור המדריך הזה, אתם לא צריכים לעשות כלום בדף הזה ויכולים לדלג על הקטע הזה.

1. אופציונלי. לוחצים על יצירת נתונים סטטיסטיים כדי לראות את מספר הערכים החסרים או הערכים מסוג NULL במערך הנתונים. התהליך הזה יכול להימשך 10 דקות או יותר.

2. אופציונלי. כדי לקבל מידע נוסף על ערכי הנתונים, לוחצים על אחת מעמודות התכונות.

אימון מודל סיווג של AutoML

1. לוחצים על Train new model (אימון מודל חדש).

2. בוחרים באפשרות אחר.

3. בחלונית שיטת האימון, מוודאים שמערך הנתונים שיצרתם קודם לכן נבחר בשדה מערך נתונים.

4. בשדה Objective (יעד), בוחרים באפשרות Classification (סיווג).

5. מוודאים שנבחרה שיטת האימון AutoML.

6. לוחצים על Continue.

7. בחלונית פרטי המודל, בוחרים באפשרות הפקדה בעמודת היעד ולוחצים על המשך.

   עמודת היעד היא מה שאנחנו מאמנים את המודל לחזות. בעמודה Deposit של מערך הנתונים bank-marketing.csv מצוין אם הלקוח רכש פיקדון לזמן קצוב (2 = כן, 1 = לא).

   בחלונית אפשרויות ההדרכה אפשר להוסיף תכונות ולשנות את הנתונים בעמודות. אם לא נבחרות עמודות, כברירת מחדל כל העמודות שאינן עמודות יעד ישמשו כמאפיינים לאימון. קבוצת הנתונים הזו מוכנה לשימוש, כך שאין צורך לבצע בה שינויים.

8. לוחצים על Continue.

9. בחלונית Compute and pricing (חישוב ומחירים), מזינים 1 בתקציב האימון.

   תקציב האימון הוא הזמן המקסימלי (עשוי להשתנות מעט) שהמודל מבלה באימון. הערך הזה מוכפל במחיר לשעת צומת כדי לחשב את עלות האימון הכוללת. יותר שעות אימון יובילו למודל מדויק יותר (עד לנקודה מסוימת), אבל גם לעלות גבוהה יותר. למטרות פיתוח, תקציב נמוך הוא בסדר, אבל לייצור חשוב למצוא איזון בין עלות לדיוק.

10. לוחצים על התחלת ההדרכה.

כשהאימון של המודל מסתיים, הוא מוצג בכרטיסיית המודל כקישור פעיל, עם סמל סטטוס של סימן וי ירוק.

המאמרים הבאים

המודל שלכם נמצא כרגע בתהליך אימון, שיכול להימשך שעה או יותר. יישלח אליכם אימייל כשהאימון יסתיים. אחרי שמסיימים לאמן את המודל, פועלים לפי ההוראות בדף הבא של המדריך הזה כדי לפרוס את המודל ולבקש חיזוי.

במדריך הזה נעשה שימוש במערך נתונים שעבר ניקוי ועיצוב לאימון ב-AutoML, אבל ברוב הנתונים צריך לבצע פעולות מסוימות לפני שמוכנים לשימוש. איכות נתוני האימון משפיעה על רמת האפקטיביות של המודלים שאתם יוצרים. מידע נוסף על הכנת נתונים

כדי להבטיח שמודל הלמידה החישובית יהיה מדויק, חשוב מאוד לאסוף את הנתונים ולהכין אותם. מידע נוסף על שיטות מומלצות

מידע נוסף על יצירת מערך נתונים טבלאי

‫Gemini Enterprise Agent Platform מציעה שתי שיטות לאימון מודלים: AutoML ואימון בהתאמה אישית. ‫AutoML מאפשר אימון במאמץ מינימלי וללא צורך במומחיות בלמידת מכונה, בעוד שאימון מותאם אישית נותן לכם שליטה מלאה בפונקציונליות של האימון. מידע נוסף על שיטות אימון

פלטפורמת הסוכנים של Gemini Enterprise בוחנת את סוג נתוני המקור ואת ערכי התכונות, ומסיקה איך היא תשתמש בתכונה הזו באימון המודל. מומלץ לבדוק את סוג הנתונים של כל עמודה כדי לוודא שהם פורשו בצורה נכונה. אם צריך, אפשר לציין טרנספורמציה נתמכת אחרת לכל תכונה. מידע נוסף על טרנספורמציות

מידע נוסף על אימון AutoML לסיווג או לרגרסיה