Amazon SageMaker’da İlk ML Modelinizi S3 Verileriyle Eğitmek

Amazon SageMaker’da İlk ML Modelinizi S3 Verileriyle Eğitmek

Merhaba! Bu makalede, Amazon SageMaker kullanarak S3 depolamanızda bulunan verilerinizle ilk makine öğrenmesi (ML) modelinizi nasıl eğiteceğinizi adım adım öğreneceksiniz. Amazon SageMaker, makine öğrenmesi modellerini geliştirmek, eğitmek ve dağıtmak için kullanabileceğiniz tam özellikli bir bulut tabanlı platformdur. S3 ise Amazon’un güvenilir ve ölçeklenebilir nesne depolama hizmetidir. Bu iki servisi birleştirerek, güçlü ve ölçeklenebilir ML çözümleri oluşturabilirsiniz.

Gerekli Hazırlıklar

Başlamadan önce, aşağıdaki adımları tamamlamanız gerekmektedir:

• Bir AWS hesabınız olmalı ve SageMaker ile S3’e erişiminiz olmalıdır.
• Eğitmek istediğiniz verilerinizi S3 kovasına yüklemelisiniz. Verilerinizin uygun formatta (örneğin, CSV, Parquet) olduğundan emin olun. Veri formatı, seçtiğiniz algoritmaya bağlı olarak değişebilir. Bu konuda daha detaylı bilgiye fatihsoysal.com adresinden ulaşabilirsiniz.
• Bir Jupyter Notebook veya tercih ettiğiniz bir IDE kullanacaksınız.

Adım Adım Model Eğitimi

Şimdi, adım adım model eğitimine başlayalım:

1. S3 Kovasının Konfigürasyonu: Verilerinizin bulunduğu S3 kovasının yolunu ve adını belirleyin. Bu bilgiyi daha sonra SageMaker’a ileteceksiniz.
2. SageMaker’da Eğitim İşinin Oluşturulması: SageMaker konsolunu veya AWS CLI’sını kullanarak bir eğitim işi başlatın. Bu adımda, kullanacağınız algoritmayı (örneğin, XGBoost, scikit-learn), eğitim verilerinizin konumunu (S3 yolu), hiperparametreleri ve diğer ilgili ayarları belirtmeniz gerekecektir. Aşağıdaki örnek, XGBoost kullanarak bir eğitim işi başlatmayı göstermektedir:

# Örnek: AWS CLI ile XGBoost eğitim işi başlatma
aws sagemaker create-training-job \
    --training-job-name my-first-training-job \
    --algorithm-specification Name=xgboost,Version=1 \
    --input-data S3://my-bucket/my-data/ \
    --output-data-path s3://my-bucket/model-output/ \
    --hyperparameters "eta=0.1", "max_depth=5", "num_round=10" \
    --instance-count 1 \
    --instance-type ml.m5.xlarge 
  

3. Eğitim İşinin İzlenmesi: Eğitim işlemi tamamlanana kadar bekleyin. SageMaker konsolundan veya CloudWatch’tan eğitim işinin ilerlemesini izleyebilirsiniz. İşlem süresi, veri büyüklüğüne ve seçilen örneğe bağlı olarak değişir. Büyük veri setleri için daha güçlü örnekler kullanmayı düşünebilirsiniz.
4. Modelin Dağıtımı: Eğitim tamamlandıktan sonra, eğitilmiş modelinizi SageMaker’da dağıtabilirsiniz. Bu, modelinizi gerçek zamanlı veya toplu olarak tahmin yapma amacıyla kullanılabilir hale getirir. Dağıtım için endpoint oluşturmanız gerekecektir.
5. Tahmin Yapma: Son olarak, dağıtılan modelinizi kullanarak yeni verilere tahmin yapabilirsiniz. Bu, SageMaker’ın tahmin endpoint’ini kullanarak yapılabilir.

Sonuç

Bu makale, Amazon SageMaker kullanarak S3’teki verilerinizle ilk makine öğrenmesi modelinizi eğitmenin temel adımlarını özetlemiştir. Daha gelişmiş teknikler ve farklı algoritmalar hakkında daha fazla bilgi edinmek için AWS belgeselini inceleyebilirsiniz. Ayrıca, farklı veri türleri ve model optimizasyonu hakkında daha detaylı rehberlere fatihsoysal.com sitesinden ulaşabilirsiniz. Başarılar!

Fatih Soysal

#Etiketler: Amazon SageMaker, Makine Öğrenmesi, ML, S3, Veri Eğitimi, Cloud Computing, Yapay Zeka, AWS, Model Eğitimi, İlk Model, XGBoost, Scikit-learn, Model Dağıtımı, Tahmin Yapma, AWS CLI, S3 Kova, Hiperparametreler