Page 34 - 6.Machine Learning for Data Science

หลักสูตรการวิเคราะหอินเทอรเน็ตของทุกสรรพสิ่งเบื้องตนดวย Hadoop | 33

Azure มีแพลตฟอรมสำเร็จรูปสำหรับการเรียนรูของเครื่องจักรใหใชงาน เชน Windows ML ที่เปนแพลตฟอรม

ของ Windows10, ML.net เปน SDK แบบ open-source cross platform นอกจากนั้นยังรองรับไลบรารี่อื่น ๆ ที่มีอยู เชน
Spark Machine Learning ผาน Azure DataBricks ที่รองรับภาษา Python, R, Scala และ SQL นอกจากนี้เมื่อตองการทำ

การวิเคราะหเชิงทำนาย (Predictive Analytic ดวยขอมูลแบบสัมพันธ บนเครื่องแมขาย SQL นอกจากนี้ Azure ยังมีบริการ

SQL Server Machine Learning ใหเลือกใชอีกดวยโดยรองรับการใชงานผานภาษา Python และ R

6.4 Amazon Web Service Machine Learning

Amazon Web Service หรือ AWS เปนการบริการแบบกลุมเมฆขนาดใหญที่มีการรองรับการใชงานผานภาษา

JAVA Java Script .Net PHP Python Ruby Go และ C++ โดยใหบริการดานการเรียนรูของเครื่องจักรแกผูใชบริการจำนวน
มากโดยมีบริการใหบริการหลากหลาย ทั้งการประมวลผล พื้นที่จัดเก็บ ฐานขอมูล เครือขาย การวิเคราะห การเรียนรูของ

เครื่องจักร ปญญาประดิษฐ (AI อินเทอรเน็ตในทุกสิ่ง ( IoT ความปลอดภัย รวมถึงการพัฒนาแอปพลิเคชัน การปรับใช และ

การจัดการ

บริการของ AWS ที่เกี่ยวของกับการเรียนรูของเครื่องจักรจะแบงออกเปน 3 รูปแบบดังนี้

Amazon SageMaker เปนการใหบริการขั้นตน ที่เหมาะกับผูพัฒนา (Developer และนักวิทยาการขอมูล
(Data Scientist ทุกคน เนื่องจากชวยใหสามารถสราง ฝกฝน และปรับใชโมเดลการเรียนรูของเครื่องจักรไดอยางรวดเร็ว โดย

เปนบริการที่มีการจัดการเต็มรูปแบบซึ่งครอบคลุมกระบวนการการทำงานของการเรียนรูของเครื่องจักรทั้งหมดเพื่อติดปาย

(labelling การ จัดเตรียมขอมูล เลือกอัลกอริทึม ฝกสอนโมเดล ปรับและเพิ่มประสิทธิภาพของโมเดล คาดการณ และ
ดำเนินการ

Amazon SageMaker จะชวยกำหนดคาและเพิ่มประสิทธิภาพใหกับ TensorFlow, Apache MXNet,

PyTorch, Chainer, Scikit-learn, SparkML, Horovod, Keras และ Gluon โดยอัตโนมัติ พรอมโมเดลและอัลกอริทึมที่
ไดรับการฝกสอนไวแลวกวา 200 รายการซึ่งพรอมใชงานใน AWS Marketplace นอกจากนี้ยังสามารถนำอัลกอริทึมหรือ

เฟรมเวิรกอื่นมาใชไดโดยการสรางคอนเทนเนอร Docker

Amazon SageMaker Ground Truth บริการนี้จะชวยใหสรางและจัดการชุดขอมูลฝกฝนที่มีแมนยำสูงได

อยางรวดเร็ว โดย Ground Truth จะเตรียมการเขาถึงใหแกผูทำปายชื่อใหแกขอมูล (labeler ทั้งในรูปแบบสาธารณะ

(public และ สวนตัว (private ใหสามารถเขาถึงไดงาย รวมถึงจัดเตรียมขั้นตอนการดำเนินการและสวนติดตอผูใช
(interface สำหรับงานการติดปายชื่อ นอกจากนี้ Amazon SageMaker Ground Truth จะเรียนรูจากการติดปายชื่อจาก

ผูใชเพื่อสรางคำอธิบายอัตโนมัติที่มีคุณภาพสูงซึ่งจะชวยใหสามารถลดคาใชจายจากการทำปายชื่อไดถึง 70% โดยแสดง

โครงสรางของ Amazon SageMaker Ground Truth ดังรูปที่ 6.1

INTRODUCTION TO IOT ANALYTICS USING HADOOP สถาบันสหวิทยาการดิจิทัลและหุนยนต มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร