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.
SageMaker JumpStart Amazon-Branche: Finanzen
Verwenden Sie die Notizbücher SageMaker JumpStart Branche: Finanzlösungen, Modelle und Beispiele, um anhand von kuratierten Ein-Schritt-Lösungen und Beispielnotizbüchern zu branchenspezifischen Problemen im Bereich maschinelles Lernen (ML) mehr über SageMaker Funktionen und Möglichkeiten zu erfahren. In den Notebooks wird auch beschrieben, wie Sie mit SageMaker JumpStart Industry Python SDK Industrietextdaten verbessern und vortrainierte Modelle optimieren können.
Themen
- Amazon SageMaker JumpStart Industry Python SDK
- Amazon SageMaker JumpStart Industry: Finanzielle Lösung
- SageMaker JumpStart Amazon-Branche: Finanzmodelle
- SageMaker JumpStart Amazon-Branche: Notizbücher mit finanziellem Beispiel
- SageMaker JumpStart Amazon-Branche: Blogbeiträge zum Thema Finanzen
- SageMaker JumpStart Amazon-Branche: Finanzbezogene Forschung
- SageMaker JumpStart Amazon-Branche: Zusätzliche finanzielle Ressourcen
Amazon SageMaker JumpStart Industry Python SDK
SageMaker Runtime JumpStart bietet über seine Client-Bibliothek namens Industry Python Verarbeitungstools für die Kuratierung von Branchendatensätzen und die Feinabstimmung vortrainierter Modelle. SageMaker JumpStart SDK Eine ausführliche API Dokumentation und weitere Informationen zur Verarbeitung und Verbesserung von Industrietextdatensätzen zur Verbesserung der Leistung von state-of-the-art Modellen finden Sie in der SDKOpen-Source-Dokumentation SageMaker JumpStart Industry Python
Amazon SageMaker JumpStart Industry: Finanzielle Lösung
SageMaker JumpStart Branche: Financial bietet die folgenden Lösungs-Notebooks an:
-
Prognose der Kreditwürdigkeit von Unternehmen
Diese SageMaker JumpStart Branche: Die Finanzlösung bietet eine Vorlage für ein textgestütztes Kreditratingmodell für Unternehmen. Es wird gezeigt, wie anhand eines Modells, das auf numerischen Merkmalen (in diesem Fall den berühmten 5 Finanzkennzahlen von Altman) basiert, in Kombination mit Texten aus SEC Unterlagen eine Verbesserung der Kreditwürdigkeit erreicht werden kann. Zusätzlich zu den 5 Altman-Verhältnissen können Sie bei Bedarf weitere Variablen hinzufügen oder benutzerdefinierte Variablen festlegen. Dieses Lösungsnotizbuch zeigt, wie SageMaker JumpStart Industry Python SDK dabei hilft, die Bewertung von Texten aus SEC Einreichungen mithilfe von Natural Language Processing (NLP) zu verarbeiten. Darüber hinaus zeigt die Lösung, wie ein Modell mithilfe des erweiterten Datensatzes trainiert werden kann, um ein best-in-class Modell zu erstellen, das Modell auf einem SageMaker Endpunkt für die Produktion bereitzustellen und verbesserte Vorhersagen in Echtzeit zu erhalten.
-
Auf Grafiken basierende Kreditwürdigkeitsprüfung
Kreditratings werden traditionell anhand von Modellen generiert, die Jahresabschlussdaten und Marktdaten verwenden, die nur tabellarisch (numerisch und kategorisch) sind. Diese Lösung baut anhand von SECUnterlagen ein Netzwerk von Unternehmen auf und zeigt, wie das Netzwerk von Unternehmensbeziehungen mit tabellarischen Daten genutzt werden kann, um genaue Ratingprognosen
Anmerkung
Die Lösungs-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Sie finden diese Finanzdienstleistungslösungen auf der SageMaker JumpStart Seite in Studio Classic.
Wichtig
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich speziell auf die Verwendung der Studio Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Oberfläche finden Sie unterAmazon SageMaker Studio.
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und können dort ausgeführt werden. Melden Sie sich bei der SageMaker Konsole
SageMaker JumpStart Amazon-Branche: Finanzmodelle
SageMaker JumpStart Branche: Financial bietet die folgenden vortrainierten Modelle mit robust-optimiertem BERT Ansatz (RoBERTa)
-
Einbetten von Finanztexten (R oBERTa - SEC -Base)
-
R oBERTa - SEC - WIKI -Basis
-
R oBERTa - SEC -Groß
-
R oBERTa - SEC - WIKI -Groß
Bei den Modellen oBERTa SEC R-Base und oBERTa SEC R-Large handelt es sich um Modelle zur Texteinbettung, die auf dem oBERTa R-Modell NLP von Gluon
Sie finden diese Modelle in, SageMaker JumpStart indem Sie zum Knoten Textmodelle navigieren, „Alle Textmodelle durchsuchen“ auswählen und dann nach der ML-Aufgabe „Texteinbettung“ filtern. Sie können auf alle entsprechenden Notebooks zugreifen, nachdem Sie das Modell Ihrer Wahl ausgewählt haben. In den gekoppelten Notizbüchern erfahren Sie, wie die vortrainierten Modelle für spezifische Klassifizierungsaufgaben in multimodalen Datensätzen, die durch die Industry Python erweitert wurden, optimiert werden können. SageMaker JumpStart SDK
Anmerkung
Die Modell-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Der folgende Screenshot zeigt die vortrainierten Modellkarten, die auf der Seite in Studio Classic bereitgestellt werden. SageMaker JumpStart
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und ausgeführt. Melden Sie sich bei der SageMaker Konsole
SageMaker JumpStart Amazon-Branche: Notizbücher mit finanziellem Beispiel
SageMaker JumpStart Branche: Financial stellt die folgenden Beispiel-Notebooks zur Verfügung, um Lösungen für branchenspezifische ML-Probleme zu demonstrieren:
-
Konstruktion von TabText Finanzdaten — In diesem Beispiel wird vorgestellt, wie die SageMaker JumpStart Industry Python SDK für die Verarbeitung der SEC Unterlagen verwendet wird, z. B. für die Textzusammenfassung und die Bewertung von Texten auf der Grundlage von NLP Punktetypen und den entsprechenden Wortlisten. Eine Vorschau des Inhalts dieses Notizbuches finden Sie unter Einfache Konstruktion eines multimodalen Datensatzes aus SEC Unterlagen
und Ergebnissen. NLP -
Multimodales ML auf TabText Daten — Dieses Beispiel zeigt, wie verschiedene Arten von Datensätzen zu einem einzigen Datenrahmen zusammengeführt werden, der als multimodales ML bezeichnet wird, und wie multimodales ML ausgeführt wird. TabText Eine Vorschau des Inhalts dieses Notizbuchs finden Sie unter Machine Learning auf einem TabText Datenrahmen — Ein Beispiel, das auf dem Paycheck Protection Program basiert
. -
Mehrkategorisches maschinelles Lernen anhand von Anmeldedaten — Dieses Beispiel zeigt, wie ein AutoGluon NLP Modell anhand von multimodalen (TabText) Datensätzen trainiert wird, die aus SEC Unterlagen für eine Klassifizierungsaufgabe mit mehreren Klassen zusammengestellt wurden. SEC Klassifizieren Sie SEC 10K/Q-Einreichungen
anhand der Textspalte nach Branchencodes. MDNA
Anmerkung
Die Beispiel-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über Studio Classic gehostet und ausgeführt. SageMaker Melden Sie sich bei der SageMaker Konsole
Eine Vorschau des Inhalts der Beispiel-Notebooks finden Sie in der SDKPython-Dokumentation Tutorials — Finance
SageMaker JumpStart Amazon-Branche: Blogbeiträge zum Thema Finanzen
Ausführliche Anwendungsmöglichkeiten zur Nutzung von SageMaker JumpStart Industry: Financial Solutions, Models, Examples und der SDK finden Sie in den folgenden Blogbeiträgen:
SageMaker JumpStart Amazon-Branche: Finanzbezogene Forschung
Recherchen zum Thema SageMaker JumpStart Industrie: Finanzlösungen finden Sie in den folgenden Veröffentlichungen:
SageMaker JumpStart Amazon-Branche: Zusätzliche finanzielle Ressourcen
Weitere Dokumentation und Tutorials finden Sie in den folgenden Ressourcen:
