4 марта вышла моя первая книга Анализ временных рядов на AWS! Я объявил об этом в этом посте, а также дал некоторые подробности о том, что вы можете ожидать в первой вводной главе книги. В моей предыдущей статье я также подробно описал содержание следующих шести глав, посвященных Amazon Forecast — управляемому сервису, доступному в облаке AWS, позволяющему создавать и развертывать модели прогнозирования с ограниченным без знания машинного обучения:
Анализ временных рядов на AWS — Презентация, часть 1 — Прогнозирование
В моем предыдущем посте я дал вам обзор того, что вы можете ожидать узнать в первой главе книги Время…michoara.medium.com»
Последние две части книги посвящены обнаружению аномалий в другом контексте. Ни одна модель или подход, подходящие для всех, не могут справиться со всеми вариантами использования обнаружения аномалий, с которыми вы можете столкнуться. Во второй части вы узнаете, как использовать Amazon Lookout for Equipment, чтобы предоставлять ценную информацию вашим командам по обслуживанию и обеспечению надежности. Этот сервис предназначен для многомерных наборов данных временных рядов, которые вы можете найти в промышленных условиях: данные датчиков, данные об оборудовании, данные о производственных процессах… В главах этой части вы узнаете, как обучить и развернуть собственную модель обнаружения аномалий. Вы также узнаете, как обработать эти результаты, чтобы расширить информацию, которую вы получаете от службы, чтобы выйти за рамки этого и прогнозировать аномалии, а также дать подсказки о том, как вы можете продолжить классификацию аномалий.
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 специализированного API Amazon Lookout for Equipment (Документация по API будет очень кстати!), чтение этих глав поможет вам создать систему обнаружения звуковых аномалий. функции, которые вы хотели бы интегрировать в свои собственные приложения.
Общий обзор части 2
Во второй части книги вы узнаете об Amazon Lookout for Equipment и о том, как этот сервис AI/ML может помочь вам в обнаружении многовариантных аномалий. Этот раздел состоит из следующих пяти глав:
- Глава 8, Обзор Amazon Lookout for Equipment: в этой главе вы прочтете о различных подходах к обнаружению аномалий и узнаете о конкретных проблемах, возникающих при работе с многомерными данными временных рядов. После этого обзора вы узнаете об сервисе Amazon Lookout for Equipment и о том, как он может решить часть этих проблем от вашего имени. И последнее, но не менее важное: вы также получите несколько советов о том, когда служба может хорошо подходить для ваших приложений или нет.
- Глава 9, Создание набора данных и получение ваших данных: в этой главе показано, как служба ожидает подготовки своих входных данных. Вы узнаете, как создать новый проект и загрузить данные в сервис.
- Глава 10, Обучение и оценка модели: в этой главе вы обучите своего первого предиктора и узнаете, как Lookout for Equipment использует известные периоды ожидаемых аномалий для построения более качественных моделей. Вы также получите глубокое погружение в панель оценки и узнаете, насколько ценным может быть выход за рамки необработанных результатов, предоставляемых службой:
- Глава 11. Планирование регулярных выводов: после того, как вы вооружитесь обученной моделью, вы научитесь развертывать ее и добавлять в нее свежие данные для получения новых результатов выводов. Вы также узнаете, как извлекать эти результаты, чтобы их можно было постобработать для извлечения дополнительных сведений, представляющих интерес.
- Глава 12. Сокращение времени получения сведений об обнаружении аномалий: в этой главе вы узнаете, как автоматически обрабатывать диагностику модели с помощью панели мониторинга AWS CloudWatch, которая позволит вам выполнять постобработку результатов поиска оборудования. модель без написания строчки кода! Вы также узнаете, как настроить архитектуру MLOps для развертывания автоматизированного конвейера, идущего от определения оборудования (списка датчиков) до планировщика логических выводов:
Заключение
По завершении этой части вы обучите модель обнаружения аномалий и узнаете, как ее развернуть и собрать новые прогнозы для ваших свежих данных. Вы также узнаете, как получить и визуализировать глубокое понимание результатов вашей модели с помощью автоматизированных информационных панелей, и узнаете, как можно автоматизировать весь конвейер, чтобы быстро масштабировать Lookout for Equipment на несколько единиц оборудования в ваших производственных операциях.
В следующем посте я представлю содержание третьей части книги, главы с 13 по 15, посвященной обнаружению аномалий и анализу первопричин в бизнес-метриках с помощью Amazon Lookout for Metrics.
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!
