Wir aktualisieren den Amazon Machine Learning Learning-Service nicht mehr und akzeptieren keine neuen Benutzer mehr dafür. Diese Dokumentation ist für bestehende Benutzer verfügbar, wir aktualisieren sie jedoch nicht mehr. Weitere Informationen finden Sie unterWas Amazon Machine Learning.
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Einsatzgebiete von Machine Learning
Beachten Sie, dass ML nicht für jede Art von Problemen eine Lösung ist. Es gibt bestimmte Fälle, in denen robuste Lösungen ohne ML-Techniken entwickelt werden können. Beispielsweise benötigen Sie kein ML, wenn Sie einen Zielwert bestimmen können, indem Sie einfache Regeln, Berechnungen oder vorbestimmte Schritte anwenden, die ohne datengesteuertes Lernen programmiert werden können.
Verwenden Sie das maschinelle Lernen für folgende Situationen:
Sie können die Regeln nicht codieren: Viele Aufgaben, die von Menschen durchgeführt werden (z. B. das Erkennen von Spam-Nachrichten) können mit einer einfachen (deterministischen), regelbasierten Lösung nicht ausreichend gelöst werden. Eine große Anzahl von Faktoren beeinflusst das Ergebnis. Wenn zu viele Regeln von zu vielen Faktoren abhängen und sich viele dieser Regeln überlappen oder sehr fein abgestimmt werden müssen, wird es schnell schwierig, diese Regeln präzise zu codieren. Mit ML können Sie dieses Problem effektiv lösen.
Sie können nicht skalieren: Sie können manuell ein paar Hundert E-Mails erkennen und entscheiden, ob sie Spam sind oder nicht. Doch diese Aufgabe wird bei Millionen von E-Mails zu aufwendig. ML-Lösungen sind für die Verarbeitung von Problemen in großem Umfang effektiv.
