View a markdown version of this page

Pembelajaran mesin untuk pemula dan ahli - Amazon Redshift

Amazon Redshift tidak akan lagi mendukung penggunaan Python UDF setelah 30 Juni 2026. Kami akan mulai menegakkannya secara bertahap. Untuk informasi lebih lanjut tentang detail opsi akhir masa pakai dan migrasi Python, lihat posting blog yang diterbitkan pada 30 Juni 2025.

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Pembelajaran mesin untuk pemula dan ahli

Dengan Amazon Redshift, Anda dapat memanfaatkan kemampuan Machine Learning (ML) untuk mendapatkan wawasan dari data Anda, baik Anda seorang pemula atau ahli dalam ML. Machine Learning adalah fitur Amazon Redshift yang Anda gunakan untuk membuat, melatih, dan menerapkan model ML menggunakan perintah SQL, tanpa memerlukan keahlian ML yang luas atau rekayasa data yang kompleks.

Bagian berikut memandu Anda melalui proses memanfaatkan Machine Learning, memberdayakan Anda untuk membuka potensi penuh data Anda dengan Amazon Redshift.

Dengan Amazon Redshift ML, Anda dapat melatih model dengan satu perintah SQL CREATE MODEL tunggal. Perintah CREATE MODEL membuat model yang digunakan Amazon Redshift untuk menghasilkan prediksi berbasis model dengan konstruksi SQL yang sudah dikenal.

Amazon Redshift ML sangat berguna ketika Anda tidak memiliki keahlian dalam pembelajaran mesin, alat, bahasa, algoritma, dan API. Dengan Amazon Redshift ML, Anda tidak perlu melakukan pekerjaan berat tanpa perbedaan yang diperlukan untuk berintegrasi dengan layanan pembelajaran mesin eksternal. Amazon Redshift menghemat waktu Anda untuk memformat dan memindahkan data, mengelola kontrol izin, atau membuat integrasi kustom, alur kerja, dan skrip. Anda dapat dengan mudah menggunakan algoritma pembelajaran mesin populer dan menyederhanakan kebutuhan pelatihan yang membutuhkan iterasi yang sering dari pelatihan hingga prediksi. Amazon Redshift secara otomatis menemukan algoritma terbaik dan menyesuaikan model terbaik untuk masalah Anda. Anda dapat membuat prediksi dari dalam cluster Amazon Redshift tanpa perlu memindahkan data dari Amazon Redshift atau berinteraksi dengan dan membayar layanan lain.

Amazon Redshift ML mendukung analis data dan ilmuwan data dalam menggunakan pembelajaran mesin. Hal ini juga memungkinkan para ahli pembelajaran mesin untuk menggunakan pengetahuan mereka untuk memandu pernyataan CREATE MODEL untuk hanya menggunakan aspek yang mereka tentukan. Dengan demikian, Anda dapat mempercepat waktu yang dibutuhkan CREATE MODEL untuk menemukan kandidat terbaik, meningkatkan akurasi model, atau keduanya.

Pernyataan CREATE MODEL menawarkan fleksibilitas dalam bagaimana Anda dapat menentukan parameter untuk pekerjaan pelatihan. Dengan menggunakan fleksibilitas ini, baik pemula atau ahli pembelajaran mesin dapat memilih preprosesor, algoritma, jenis masalah, dan hyperparameter pilihan mereka. Misalnya, pengguna yang tertarik dengan customer churn mungkin menentukan untuk pernyataan CREATE MODEL bahwa jenis masalah adalah klasifikasi biner, yang berfungsi dengan baik untuk customer churn. Kemudian pernyataan CREATE MODEL mempersempit pencariannya untuk model terbaik menjadi model klasifikasi biner. Bahkan dengan pilihan pengguna dari jenis masalah, masih ada banyak opsi yang dapat digunakan oleh pernyataan CREATE MODEL. Misalnya, CREATE MODEL menemukan dan menerapkan transformasi preprocessing terbaik dan menemukan pengaturan hyperparameter terbaik.

Amazon Redshift ML mempermudah pelatihan dengan secara otomatis menemukan model terbaik menggunakan Amazon SageMaker AI Autopilot. Di balik layar, Amazon SageMaker AI Autopilot secara otomatis melatih dan menyetel model pembelajaran mesin terbaik berdasarkan data yang Anda berikan. Amazon SageMaker AI Neo kemudian menyusun model pelatihan dan membuatnya tersedia untuk prediksi di cluster Redshift Anda. Saat Anda menjalankan kueri inferensi pembelajaran mesin menggunakan model terlatih, kueri dapat menggunakan kemampuan pemrosesan paralel besar-besaran Amazon Redshift. Pada saat yang sama, kueri dapat menggunakan prediksi berbasis pembelajaran mesin.

  • Sebagai pemula pembelajaran mesin, dengan pengetahuan umum tentang berbagai aspek pembelajaran mesin seperti preprosesor, algoritma, dan hyperparameter, gunakan pernyataan CREATE MODEL hanya untuk aspek yang Anda tentukan. Kemudian Anda dapat mempersingkat waktu yang dibutuhkan CREATE MODEL untuk menemukan kandidat terbaik atau meningkatkan akurasi model. Selain itu, Anda dapat meningkatkan nilai bisnis dari prediksi dengan memperkenalkan pengetahuan domain tambahan seperti jenis masalah atau tujuan. Misalnya, dalam skenario churn pelanggan, jika hasil “pelanggan tidak aktif” jarang terjadi, maka tujuan F1 sering lebih disukai daripada tujuan Akurasi. Karena model Akurasi tinggi mungkin memprediksi “pelanggan aktif” sepanjang waktu, ini menghasilkan akurasi tinggi tetapi nilai bisnis kecil. Untuk informasi tentang tujuan F1, lihat AutoMLJobObjective di Referensi API Amazon SageMaker AI.

    Untuk informasi selengkapnya tentang opsi dasar untuk pernyataan CREATE MODEL, lihatCIPTAKAN MODEL Sederhana.

  • Sebagai praktisi tingkat lanjut pembelajaran mesin, Anda dapat menentukan jenis masalah dan preprosesor untuk fitur tertentu (tetapi tidak semua). Kemudian CREATE MODEL mengikuti saran Anda pada aspek yang ditentukan. Pada saat yang sama, CREATE MODEL masih menemukan preprosesor terbaik untuk fitur yang tersisa dan hyperparameter terbaik. Untuk informasi selengkapnya tentang cara membatasi satu atau lebih aspek dari pipeline pelatihan, lihatBUAT MODEL dengan panduan pengguna.

  • Sebagai ahli pembelajaran mesin, Anda dapat mengambil kendali penuh atas pelatihan dan penyetelan hyperparameter. Kemudian pernyataan CREATE MODEL tidak mencoba menemukan preprosesor, algoritma, dan hyperparameter yang optimal karena Anda membuat semua pilihan. Untuk informasi selengkapnya tentang cara menggunakan CREATE MODEL dengan AUTO OFF, lihatBUAT model XGBoost dengan AUTO OFF.

  • Sebagai insinyur data, Anda dapat membawa model XGBoost yang telah dilatih sebelumnya di Amazon SageMaker AI dan mengimpornya ke Amazon Redshift untuk inferensi lokal. Dengan membawa model Anda sendiri (BYOM), Anda dapat menggunakan model yang dilatih di luar Amazon Redshift dengan Amazon SageMaker AI untuk inferensi dalam database secara lokal di Amazon Redshift. Amazon Redshift ML mendukung penggunaan BYOM baik dalam inferensi lokal maupun jarak jauh.

    Untuk informasi selengkapnya tentang cara menggunakan pernyataan CREATE MODEL untuk inferensi lokal atau jarak jauh, lihatBawa model Anda sendiri (BYOM) - inferensi lokal.

Sebagai pengguna Amazon Redshift ML, Anda dapat memilih salah satu opsi berikut untuk melatih dan menerapkan model Anda: