orangefrog168
New member
[TIẾNG VIỆT]:
## Hướng dẫn của Amazon Sagemaker: Hướng dẫn từng bước
Amazon Sagemaker là một nền tảng học máy dựa trên đám mây giúp bạn dễ dàng xây dựng, đào tạo và triển khai các mô hình học máy.Trong hướng dẫn này, bạn sẽ học cách sử dụng Sagemaker để xây dựng một mô hình học máy đơn giản dự đoán giá của một ngôi nhà.
### Điều kiện tiên quyết
Để làm theo hướng dẫn này, bạn sẽ cần những điều sau đây:
*Tài khoản ** Amazon Web Services ** (AWS)
*Giao diện dòng lệnh ** AWS ** (AWS CLI)
*SDK ** sagemaker python **
### Bước 1: Tạo phiên bản Notebook Sagemaker
Bước đầu tiên là tạo một phiên bản Notebook Sagemaker.Một phiên bản Notebook là một máy ảo mà bạn có thể sử dụng để chạy Notebook Jupyter.Notebook Jupyter là một cách tuyệt vời để phát triển tương tác và gỡ lỗi các mô hình học máy.
Để tạo một thể hiện máy tính xách tay, hãy làm theo các bước sau:
1. Chuyển đến [Bảng điều khiển Sagemaker của Amazon] (https://console.aws.amazon.com/sagemaker/).
2. Nhấp vào ** Các phiên bản Notebook **.
3. Nhấp vào ** Tạo phiên bản Notebook **.
4. Nhập tên cho phiên bản Notebook của bạn.
5. Chọn loại ** Loại máy **.
6. Chọn một hạt nhân ** **.
7. Nhấp vào ** Tạo **.
Ví dụ về máy tính xách tay của bạn sẽ được tạo trong một vài phút.Khi nó được tạo, bạn có thể nhấp vào nút ** Connect ** để mở sổ ghi chép Jupyter trong trình duyệt của bạn.
### Bước 2: Nhập dữ liệu
Bước tiếp theo là nhập dữ liệu mà bạn sẽ sử dụng để đào tạo mô hình của mình.Trong hướng dẫn này, bạn sẽ sử dụng [Bộ dữ liệu nhà ở California] (https://www.kaggle.com/camnugent/california-housing-prices).Bộ dữ liệu này chứa thông tin về giá nhà đất ở California.
Để nhập dữ liệu, hãy làm theo các bước sau:
1. Trong sổ ghi chép Jupyter của bạn, nhấp vào nút ** mới ** và chọn ** Python 3 **.
2. Sao chép và dán mã sau vào sổ ghi chép:
`` `
nhập khẩu gấu trúc dưới dạng PD
df = pd.read_csv ('https://raw.githubusercontent.com/ageron/handson-ml2/master/datasets/housing/housing.csv')
`` `
Mã này sẽ tải bộ dữ liệu nhà ở California vào khung dữ liệu gấu trúc.
### Bước 3: Khám phá dữ liệu
Trước khi bạn có thể đào tạo mô hình học máy, bạn cần khám phá dữ liệu để đảm bảo rằng nó phù hợp cho mục đích của bạn.Trong phần này, bạn sẽ khám phá bộ dữ liệu nhà ở California để tìm hiểu thêm về dữ liệu và xác định bất kỳ vấn đề tiềm ẩn nào.
Để khám phá dữ liệu, bạn có thể sử dụng các lệnh sau:
* `df.head ()`: Lệnh này sẽ hiển thị cho bạn vài hàng đầu tiên của dữ liệu.
* `df.info ()`: Lệnh này sẽ hiển thị cho bạn thông tin về dữ liệu, chẳng hạn như số lượng hàng và cột, các loại dữ liệu của các cột và các giá trị bị thiếu.
* `df.describe ()`: Lệnh này sẽ hiển thị cho bạn số liệu thống kê tóm tắt cho dữ liệu, chẳng hạn như giá trị trung bình, trung bình và độ lệch chuẩn của mỗi cột.
Bạn cũng có thể sử dụng [Pandas Recordiling] (https://pandas-profiling.github.io/pandas-profiling/) để tạo một báo cáo chi tiết hơn về dữ liệu.
### Bước 4: Đào tạo mô hình
Bây giờ bạn đã khám phá dữ liệu, bạn có thể đào tạo một mô hình học máy.Trong hướng dẫn này, bạn sẽ đào tạo một mô hình hồi quy tuyến tính để dự đoán giá của một ngôi nhà.
Để đào tạo mô hình, hãy làm theo các bước sau:
1. Nhập thư viện `sklearn`.
2. Tạo mô hình hồi quy tuyến tính.
3. Phù hợp với mô hình vào dữ liệu đào tạo.
Đây là mã để đào tạo mô hình:
`` `
từ sklearn.linear_model nhập tuyến tính tuyến tính
model = tuyến tính ()
model.fit (df.drop ('median_house_value', trục = 1), df ['median_house_value']))
`` `
### Bước 5: Đánh giá mô hình
Khi bạn đã đào tạo mô hình, bạn cần đánh giá nó để đảm bảo rằng nó đang hoạt động tốt.
[ENGLISH]:
## Amazon SageMaker Tutorial: A Step-by-Step Guide
Amazon SageMaker is a cloud-based machine learning platform that makes it easy to build, train, and deploy machine learning models. In this tutorial, you will learn how to use SageMaker to build a simple machine learning model that predicts the price of a house.
### Prerequisites
To follow this tutorial, you will need the following:
* A **Amazon Web Services** (AWS) account
* The **AWS Command Line Interface** (AWS CLI)
* The **SageMaker Python SDK**
### Step 1: Create a SageMaker Notebook Instance
The first step is to create a SageMaker Notebook Instance. A notebook instance is a virtual machine that you can use to run Jupyter notebooks. Jupyter notebooks are a great way to interactively develop and debug machine learning models.
To create a notebook instance, follow these steps:
1. Go to the [Amazon SageMaker console](https://console.aws.amazon.com/sagemaker/).
2. Click **Notebook instances**.
3. Click **Create notebook instance**.
4. Enter a name for your notebook instance.
5. Select a **Machine type**.
6. Select a **Kernel**.
7. Click **Create**.
Your notebook instance will be created in a few minutes. Once it is created, you can click the **Connect** button to open a Jupyter notebook in your browser.
### Step 2: Import the Data
The next step is to import the data that you will use to train your model. In this tutorial, you will use the [California Housing dataset](https://www.kaggle.com/camnugent/california-housing-prices). This dataset contains information about housing prices in California.
To import the data, follow these steps:
1. In your Jupyter notebook, click the **New** button and select **Python 3**.
2. Copy and paste the following code into the notebook:
```
import pandas as pd
df = pd.read_csv('https://raw.githubusercontent.com/ageron/handson-ml2/master/datasets/housing/housing.csv')
```
This code will load the California Housing dataset into a pandas DataFrame.
### Step 3: Explore the Data
Before you can train a machine learning model, you need to explore the data to make sure that it is suitable for your purposes. In this section, you will explore the California Housing dataset to learn more about the data and to identify any potential problems.
To explore the data, you can use the following commands:
* `df.head()`: This command will show you the first few rows of the data.
* `df.info()`: This command will show you information about the data, such as the number of rows and columns, the data types of the columns, and the missing values.
* `df.describe()`: This command will show you summary statistics for the data, such as the mean, median, and standard deviation of each column.
You can also use the [pandas profiling](https://pandas-profiling.github.io/pandas-profiling/) library to create a more detailed report about the data.
### Step 4: Train the Model
Now that you have explored the data, you can train a machine learning model. In this tutorial, you will train a linear regression model to predict the price of a house.
To train the model, follow these steps:
1. Import the `sklearn` library.
2. Create a linear regression model.
3. Fit the model to the training data.
Here is the code for training the model:
```
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(df.drop('median_house_value', axis=1), df['median_house_value'])
```
### Step 5: Evaluate the Model
Once you have trained the model, you need to evaluate it to make sure that it is performing well.
## Hướng dẫn của Amazon Sagemaker: Hướng dẫn từng bước
Amazon Sagemaker là một nền tảng học máy dựa trên đám mây giúp bạn dễ dàng xây dựng, đào tạo và triển khai các mô hình học máy.Trong hướng dẫn này, bạn sẽ học cách sử dụng Sagemaker để xây dựng một mô hình học máy đơn giản dự đoán giá của một ngôi nhà.
### Điều kiện tiên quyết
Để làm theo hướng dẫn này, bạn sẽ cần những điều sau đây:
*Tài khoản ** Amazon Web Services ** (AWS)
*Giao diện dòng lệnh ** AWS ** (AWS CLI)
*SDK ** sagemaker python **
### Bước 1: Tạo phiên bản Notebook Sagemaker
Bước đầu tiên là tạo một phiên bản Notebook Sagemaker.Một phiên bản Notebook là một máy ảo mà bạn có thể sử dụng để chạy Notebook Jupyter.Notebook Jupyter là một cách tuyệt vời để phát triển tương tác và gỡ lỗi các mô hình học máy.
Để tạo một thể hiện máy tính xách tay, hãy làm theo các bước sau:
1. Chuyển đến [Bảng điều khiển Sagemaker của Amazon] (https://console.aws.amazon.com/sagemaker/).
2. Nhấp vào ** Các phiên bản Notebook **.
3. Nhấp vào ** Tạo phiên bản Notebook **.
4. Nhập tên cho phiên bản Notebook của bạn.
5. Chọn loại ** Loại máy **.
6. Chọn một hạt nhân ** **.
7. Nhấp vào ** Tạo **.
Ví dụ về máy tính xách tay của bạn sẽ được tạo trong một vài phút.Khi nó được tạo, bạn có thể nhấp vào nút ** Connect ** để mở sổ ghi chép Jupyter trong trình duyệt của bạn.
### Bước 2: Nhập dữ liệu
Bước tiếp theo là nhập dữ liệu mà bạn sẽ sử dụng để đào tạo mô hình của mình.Trong hướng dẫn này, bạn sẽ sử dụng [Bộ dữ liệu nhà ở California] (https://www.kaggle.com/camnugent/california-housing-prices).Bộ dữ liệu này chứa thông tin về giá nhà đất ở California.
Để nhập dữ liệu, hãy làm theo các bước sau:
1. Trong sổ ghi chép Jupyter của bạn, nhấp vào nút ** mới ** và chọn ** Python 3 **.
2. Sao chép và dán mã sau vào sổ ghi chép:
`` `
nhập khẩu gấu trúc dưới dạng PD
df = pd.read_csv ('https://raw.githubusercontent.com/ageron/handson-ml2/master/datasets/housing/housing.csv')
`` `
Mã này sẽ tải bộ dữ liệu nhà ở California vào khung dữ liệu gấu trúc.
### Bước 3: Khám phá dữ liệu
Trước khi bạn có thể đào tạo mô hình học máy, bạn cần khám phá dữ liệu để đảm bảo rằng nó phù hợp cho mục đích của bạn.Trong phần này, bạn sẽ khám phá bộ dữ liệu nhà ở California để tìm hiểu thêm về dữ liệu và xác định bất kỳ vấn đề tiềm ẩn nào.
Để khám phá dữ liệu, bạn có thể sử dụng các lệnh sau:
* `df.head ()`: Lệnh này sẽ hiển thị cho bạn vài hàng đầu tiên của dữ liệu.
* `df.info ()`: Lệnh này sẽ hiển thị cho bạn thông tin về dữ liệu, chẳng hạn như số lượng hàng và cột, các loại dữ liệu của các cột và các giá trị bị thiếu.
* `df.describe ()`: Lệnh này sẽ hiển thị cho bạn số liệu thống kê tóm tắt cho dữ liệu, chẳng hạn như giá trị trung bình, trung bình và độ lệch chuẩn của mỗi cột.
Bạn cũng có thể sử dụng [Pandas Recordiling] (https://pandas-profiling.github.io/pandas-profiling/) để tạo một báo cáo chi tiết hơn về dữ liệu.
### Bước 4: Đào tạo mô hình
Bây giờ bạn đã khám phá dữ liệu, bạn có thể đào tạo một mô hình học máy.Trong hướng dẫn này, bạn sẽ đào tạo một mô hình hồi quy tuyến tính để dự đoán giá của một ngôi nhà.
Để đào tạo mô hình, hãy làm theo các bước sau:
1. Nhập thư viện `sklearn`.
2. Tạo mô hình hồi quy tuyến tính.
3. Phù hợp với mô hình vào dữ liệu đào tạo.
Đây là mã để đào tạo mô hình:
`` `
từ sklearn.linear_model nhập tuyến tính tuyến tính
model = tuyến tính ()
model.fit (df.drop ('median_house_value', trục = 1), df ['median_house_value']))
`` `
### Bước 5: Đánh giá mô hình
Khi bạn đã đào tạo mô hình, bạn cần đánh giá nó để đảm bảo rằng nó đang hoạt động tốt.
[ENGLISH]:
## Amazon SageMaker Tutorial: A Step-by-Step Guide
Amazon SageMaker is a cloud-based machine learning platform that makes it easy to build, train, and deploy machine learning models. In this tutorial, you will learn how to use SageMaker to build a simple machine learning model that predicts the price of a house.
### Prerequisites
To follow this tutorial, you will need the following:
* A **Amazon Web Services** (AWS) account
* The **AWS Command Line Interface** (AWS CLI)
* The **SageMaker Python SDK**
### Step 1: Create a SageMaker Notebook Instance
The first step is to create a SageMaker Notebook Instance. A notebook instance is a virtual machine that you can use to run Jupyter notebooks. Jupyter notebooks are a great way to interactively develop and debug machine learning models.
To create a notebook instance, follow these steps:
1. Go to the [Amazon SageMaker console](https://console.aws.amazon.com/sagemaker/).
2. Click **Notebook instances**.
3. Click **Create notebook instance**.
4. Enter a name for your notebook instance.
5. Select a **Machine type**.
6. Select a **Kernel**.
7. Click **Create**.
Your notebook instance will be created in a few minutes. Once it is created, you can click the **Connect** button to open a Jupyter notebook in your browser.
### Step 2: Import the Data
The next step is to import the data that you will use to train your model. In this tutorial, you will use the [California Housing dataset](https://www.kaggle.com/camnugent/california-housing-prices). This dataset contains information about housing prices in California.
To import the data, follow these steps:
1. In your Jupyter notebook, click the **New** button and select **Python 3**.
2. Copy and paste the following code into the notebook:
```
import pandas as pd
df = pd.read_csv('https://raw.githubusercontent.com/ageron/handson-ml2/master/datasets/housing/housing.csv')
```
This code will load the California Housing dataset into a pandas DataFrame.
### Step 3: Explore the Data
Before you can train a machine learning model, you need to explore the data to make sure that it is suitable for your purposes. In this section, you will explore the California Housing dataset to learn more about the data and to identify any potential problems.
To explore the data, you can use the following commands:
* `df.head()`: This command will show you the first few rows of the data.
* `df.info()`: This command will show you information about the data, such as the number of rows and columns, the data types of the columns, and the missing values.
* `df.describe()`: This command will show you summary statistics for the data, such as the mean, median, and standard deviation of each column.
You can also use the [pandas profiling](https://pandas-profiling.github.io/pandas-profiling/) library to create a more detailed report about the data.
### Step 4: Train the Model
Now that you have explored the data, you can train a machine learning model. In this tutorial, you will train a linear regression model to predict the price of a house.
To train the model, follow these steps:
1. Import the `sklearn` library.
2. Create a linear regression model.
3. Fit the model to the training data.
Here is the code for training the model:
```
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(df.drop('median_house_value', axis=1), df['median_house_value'])
```
### Step 5: Evaluate the Model
Once you have trained the model, you need to evaluate it to make sure that it is performing well.
