Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Algoritmi integrati e modelli preaddestrati in Amazon SageMaker
Amazon SageMaker offre una suite di algoritmi integrati, modelli pre-addestrati e modelli di soluzioni predefiniti per aiutare i data scientist e i professionisti dell'apprendimento automatico a iniziare rapidamente ad addestrare e implementare modelli di apprendimento automatico. Per chi è alle prime armi SageMaker, scegliere l'algoritmo giusto per il proprio caso d'uso può essere un compito impegnativo. La tabella seguente fornisce un breve riepilogo che mostra come iniziare con un problema o un caso d'uso di esempio e trovare un algoritmo integrato appropriato SageMaker che sia valido per quel tipo di problema. Ulteriori indicazioni organizzate per paradigmi di apprendimento (supervisionati e non supervisionati) e domini di dati importanti (testo e immagini) sono fornite nelle sezioni che seguono la tabella.
Tabella: Mappatura dei casi d'uso agli algoritmi integrati
| Esempi di problemi e casi d'uso | Paradigma o dominio di apprendimento | Tipi di problema | Formato di input dei dati | algoritmi integrati |
|---|---|---|---|---|
|
Ecco alcuni esempi dei 15 tipi di problemi che possono essere risolti con i modelli preaddestrati e i modelli di soluzione predefiniti forniti da: SageMaker JumpStart Risposta alle domande: chatbot che fornisce una risposta a una determinata domanda. Analisi del testo: analizza testi basati di modelli specifici di un settore come quello finanziario. |
Modelli preaddestrati e modelli di soluzioni preinstallati |
Classificazione delle immagini Classificazione tabulare Regressione tabulare Classificazione del testo Rilevamento di oggetti Incorporamento del testo Risposta alle domande Classificazione delle coppie di frasi Incorporamento di immagini Riconoscimento delle entità denominate Segmentazione delle istanze Generazione di testo Riepilogo testo Segmentazione semantica Traduzione automatica |
Immagine, testo, tabella | Modelli popolari, tra cui MobilenetYOLO, Faster R- CNNBERT, light GBM e CatBoost Per un elenco dei modelli preconfigurati disponibili, consulta Modelli. JumpStart Per un elenco dei modelli di soluzioni predefiniti disponibili, consulta JumpStart Soluzioni. |
|
Prevedi se un articolo appartiene a una categoria: un filtro antispam per le e-mail |
Classificazione multi-classe/Binaria |
Tabulare |
AutoGluon-Tabulare, CatBoost, Algoritmo delle macchine di fattorizzazione, Algoritmo K-Nearest Neighbors (k-NN), Leggero GBM, Algoritmo di apprendimento lineare, TabTransformer, XGBoostalgoritmo con Amazon SageMaker |
|
|
Prevedi un valore numerico/continuo: stima il valore di una casa |
Regressione |
Tabulare |
AutoGluon-Tabulare, CatBoost, Algoritmo delle macchine di fattorizzazione, Algoritmo K-Nearest Neighbors (k-NN), Leggero GBM, Algoritmo di apprendimento lineare, TabTransformer, XGBoostalgoritmo con Amazon SageMaker |
|
|
Basato su dati storici per un comportamento, prevedi il comportamento futuro: prevedi le vendite di un nuovo prodotto sulla base dei dati di vendita precedenti. |
Previsione di serie temporali |
Tabulare | ||
|
Migliora l'incorporamento dei dati degli oggetti ad alta dimensione: identifica i ticket di assistenza duplicati o trova l'instradamento corretto in base alla somiglianza del testo nei ticket |
Incorporamenti: converte oggetti ad alta dimensione in uno spazio a bassa dimensione. | Tabulare | Algoritmo Object2Vec | |
|
Elimina quelle colonne da un set di dati che hanno una relazione debole con la variabile etichetta/destinazione: il colore di un'auto nella previsione del suo chilometraggio. |
Apprendimento non supervisionato |
Ingegneria delle funzionalità: riduzione della dimensionalità |
Tabulare | |
|
Rileva comportamenti anomali nell'applicazione: individua quando un sensore IoT invia letture anomale |
Rilevamento anomalie |
Tabulare | ||
|
Proteggi la tua applicazione da utenti sospetti: rileva se un indirizzo IP che accede a un servizio potrebbe provenire da un malintenzionato |
Rilevamento di anomalie IP |
Tabulare | ||
|
Raggruppa oggetti/dati simili: trova clienti con spese elevate, medie e basse utilizzando la cronologia delle transazioni |
Raggruppamento o raggruppamento |
Tabulare | ||
|
Organizza una serie di documenti in argomenti (non noti in anticipo): contrassegna un documento come appartenente a una categoria medica in base ai termini utilizzati nel documento. |
Modellazione degli argomenti |
Testo |
Algoritmo Allocazione latente di Dirichlet (LDA, Latent Dirichlet Allocation), Algoritmo Neural Topic Model (NTM) |
|
|
Assegna categorie predefinite ai documenti di un corpus: classifica i libri di una biblioteca in discipline accademiche |
Classificazione del testo |
Testo |
BlazingText algoritmo, Classificazione del testo - TensorFlow |
|
|
Converti il testo da una lingua all'altra: da spagnolo a inglese |
Traduzione automatica Algoritmo |
Testo | ||
|
Riassumi un corpus di testo lungo: un riassunto per un documento di ricerca |
Riepilogo testo |
Testo | ||
|
Converti file audio in testo: trascrive le conversazioni del call center per ulteriori analisi |
S peech-to-text |
Testo | ||
|
Etichetta/tagga un'immagine in base al contenuto dell'immagine: avvisa sui contenuti per adulti in un'immagine |
Elaborazione di immagini |
Classificazione multi-etichetta e immagine |
Immagine | |
|
Classifica qualcosa in un'immagine utilizzando l'apprendimento del trasferimento. |
Classificazione delle immagini | Immagine | ||
|
Rileva persone e oggetti in un'immagine: la polizia esamina una grande galleria fotografica di una persona scomparsa |
Rilevamento di oggetti e classificazione |
Immagine |
Rilevamento di oggetti - MXNet, Rilevamento di oggetti - TensorFlow |
|
|
Etichetta singolarmente ogni pixel di un'immagine con una categoria: le auto a guida autonoma si preparano a identificare gli oggetti sul percorso |
Visione artificiale |
Immagine |
Per informazioni importanti sui seguenti elementi comuni a tutti gli algoritmi integrati forniti da SageMaker, vedereParametri per algoritmi integrati.
-
Percorsi del registro Docker
-
formati di dati
-
tipi di EC2 istanze Amazon consigliati
-
CloudWatch registri
Le seguenti sezioni forniscono indicazioni aggiuntive per gli algoritmi SageMaker integrati di Amazon raggruppati in base ai paradigmi di apprendimento supervisionato e non supervisionato a cui appartengono. Per le descrizioni di questi paradigmi di apprendimento e dei tipi di problemi associati, consulta Tipi di algoritmi. Sono inoltre disponibili sezioni relative agli algoritmi SageMaker integrati disponibili per due importanti domini di apprendimento automatico: l'analisi testuale e l'elaborazione delle immagini.
Modelli e modelli di soluzioni pre-addestrati
SageMaker JumpStart fornisce un'ampia gamma di modelli preformati, modelli di soluzioni predefiniti ed esempi per i tipi di problemi più diffusi. Questi utilizzano SageMaker SDK oltre a Studio Classic. Per ulteriori informazioni su questi modelli, soluzioni e sui notebook di esempio forniti da SageMaker JumpStart, vedere. SageMaker JumpStart modelli preaddestrati
Apprendimento supervisionato
Amazon SageMaker fornisce diversi algoritmi generici integrati che possono essere utilizzati per problemi di classificazione o regressione.
-
AutoGluon-Tabulare: un framework AutoML open source che riesce a raggruppare modelli e impilarli su più livelli.
-
CatBoost: un'implementazione dell'algoritmo alberi potenziati dal gradiente che introduce il potenziamento ordinato e un algoritmo innovativo per l'elaborazione delle funzionalità categoriche.
-
Algoritmo delle macchine di fattorizzazione: Si tratta di un'estensione di un modello lineare che è stato progettato per acquisire in modo economico le interazioni tra le funzionalità all'interno del set di dati sparsi altamente dimensionali.
-
Algoritmo K-Nearest Neighbors (k-NN)—un metodo non parametrico che utilizza i k punti etichettati più vicini per assegnare un valore. Per la classificazione, è un'etichetta per un nuovo punto dati. Per la regressione, è un valore obiettivo previsto sulla base della media dei k punti più vicini.
-
Leggero GBM—un' implementazione dell'algoritmo gradient-boosted trees che aggiunge due nuove tecniche per migliorare l'efficienza e la scalabilità. Queste due nuove tecniche sono One-Side Sampling () basato su Gradient e Exclusive Feature Bundling (). GOSS EFB
-
Algoritmo di apprendimento lineare: apprende una funzione lineare per la regressione o una funzione di soglia lineare per la classificazione.
-
TabTransformer—una nuova architettura di modellazione dei dati tabulare approfondita basata su Transformers. self-attention-based
-
XGBoostalgoritmo con Amazon SageMaker: un'implementazione dell'algoritmo di alberi potenziati dal gradiente che combina un insieme di stime di una serie di modelli più semplici e più deboli.
Amazon fornisce SageMaker anche diversi algoritmi di apprendimento supervisionato integrati utilizzati per attività più specializzate durante la progettazione e la previsione delle funzionalità a partire da dati di serie temporali.
-
Algoritmo Object2Vec: un nuovo algoritmo multiuso altamente personalizzabile utilizzato per l'ingegneria delle funzionalità. Può apprendere incorporamenti densi a bassa dimensione di oggetti ad alta dimensione per produrre funzionalità che migliorano l'efficienza di addestramento per i modelli downstream. Sebbene si tratti di un algoritmo supervisionato, esistono molti scenari in cui le etichette delle relazioni possono essere ottenute esclusivamente da raggruppamenti naturali nei dati. Anche se richiede dati etichettati per l'addestramento, ciò può avvenire senza alcuna annotazione umana esplicita.
-
Usa l'algoritmo di SageMaker previsione DeepAR—un algoritmo di apprendimento supervisionato per la previsione di serie temporali scalari (unidimensionali) utilizzando reti neurali ricorrenti (). RNN
Apprendimento non supervisionato
Amazon SageMaker offre diversi algoritmi integrati che possono essere utilizzati per una varietà di attività di apprendimento senza supervisione. Queste attività includono attività come il clustering, la riduzione delle dimensioni, il riconoscimento di schemi e il rilevamento delle anomalie.
-
Algoritmo di analisi dei componenti principali (PCA): riduce la dimensionalità (numero di funzionalità) all'interno di un set di dati proiettando i punti dati sui primi componenti principali. L'obiettivo è conservare quante più informazioni o variazioni possibili. Per i matematici, i componenti principali sono gli autovettori della matrice di covarianza dei dati.
-
Algoritmo K-Means: trova raggruppamenti discreti all'interno dei dati. Ciò si verifica quando i membri di un gruppo sono il più possibile simili tra loro e il più diversi possibile dai membri di altri gruppi.
-
IP Insights—apprende i modelli di utilizzo degli indirizzi. IPv4 È progettato per acquisire associazioni tra IPv4 indirizzi e varie entità, come numeri di utente IDs o di account.
-
Algoritmo Random Cut Forest (RCF): rileva punti dati anomali all'interno di un set di dati che divergono da dati altrimenti ben strutturati o modellati.
Analisi testuale
SageMaker fornisce algoritmi personalizzati per l'analisi di documenti testuali. Ciò include il testo utilizzato nell'elaborazione del linguaggio naturale, nella classificazione o riepilogo dei documenti, nella modellazione o classificazione degli argomenti e nella trascrizione o traduzione linguistica.
-
BlazingText algoritmo: un'implementazione altamente ottimizzata di Word2vec e algoritmi di classificazione del testo che si adattano facilmente a set di dati di grandi dimensioni. È utile per molte attività successive di elaborazione del linguaggio naturale (). NLP
-
Sequence-to-Sequence Algoritmo: questo algoritmo supervisionato è utilizzato comunemente per la traduzione automatica neurale.
-
Algoritmo Allocazione latente di Dirichlet (LDA, Latent Dirichlet Allocation): un algoritmo idoneo per determinare gli argomenti in un set di documenti. Si tratta di un algoritmo non supervisionato e pertanto non utilizza dati di esempio con risposte durante l'addestramento.
-
Algoritmo Neural Topic Model (NTM): un'altra tecnica non supervisionata per determinare gli argomenti in un set di documenti, utilizzando un approccio di rete neurale.
-
Classificazione del testo - TensorFlow: un algoritmo supervisionato che supporta l’apprendimento del trasferimento con modelli preaddestrati disponibili per la classificazione del testo.
Elaborazione di immagini
SageMaker fornisce inoltre algoritmi di elaborazione delle immagini utilizzati per la classificazione delle immagini, il rilevamento di oggetti e la visione artificiale.
-
Classificazione delle immagini - MXNet: utilizza dati di esempio con delle risposte (definito come algoritmo supervisionato). Utilizza questo algoritmo per classificare le immagini.
-
Classificazione delle immagini - TensorFlow—utilizza modelli TensorFlow Hub preaddestrati per ottimizzare attività specifiche (denominati algoritmi supervisionati). Utilizza questo algoritmo per classificare le immagini.
-
Algoritmo di segmentazione semantica: fornisce un approccio a livello di pixel in modo granulare per lo sviluppo di applicazioni di visione artificiale.
-
Rilevamento di oggetti - MXNet: rileva e classifica gli oggetti nelle immagini utilizzando un'unica rete neurale profonda. È un algoritmo di apprendimento supervisionato che accetta le immagini come input e identifica tutte le istanze degli oggetti all'interno della scena dell'immagine.
-
Rilevamento di oggetti - TensorFlow: rileva i riquadri di delimitazione e le etichette degli oggetti in un'immagine. È un algoritmo di apprendimento supervisionato che supporta il trasferimento dell'apprendimento con i modelli preaddestrati disponibili. TensorFlow
Argomenti
