本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
解決方案範本
重要
截至 2023 年 11 月 30 日,以前的 Amazon SageMaker 工作室體驗現在被命名為 Amazon SageMaker 工作室經典。下面的部分是特定於使用 Studio 傳統版應用程序。如需使用更新後的 Studio 體驗的相關資訊,請參閱Amazon SageMaker 一室。
注意
JumpStart 解決方案僅適用於經典工作室。
SageMaker JumpStart 為許多常見的機器學習使用 end-to-end 案例提供一鍵式解決方案。探索下列使用案例,以取得可用解決方案範本的詳細資訊。
從 JumpStart 登陸頁面選擇最適合您使用案例的解決方案範本。當您選擇解決方案範本時,會 JumpStart 開啟新索引標籤,顯示解決方案的說明和 [啟動] 按鈕。選取 Launch 時, JumpStart 會建立執行解決方案所需的所有資源,包括訓練和模型託管執行個體。如需啟動 JumpStart 解決方案的詳細資訊,請參閱啟動解決方案。
啟動解決方案之後,您可以瀏覽中的解決方案功能和任何產生的成品 JumpStart。使用 [已啟動 JumpStart 資產] 功能表尋找您的解決方案。在解決方案的索引標籤中,選取開啟筆記本以使用提供的筆記本並探索解決方案的特徵。當在啟動期間或執行提供的筆記本之後產生成品時,它們會列在產生的成品表格中。您可以使用垃圾桶圖示 (
) 刪除個別成品。您可以選擇刪除解決方案資源來刪除解決方案的所有資源。
需求預測
需求預測會使用歷史時間序列資料,以便針對特定期間的客戶需求進行未來的預估,並簡化跨企業的供給需求決策程序。
需求預測使用案例包括預測交通運輸業的票務銷售情況、股票價格、醫院就診次數、下個月多個地區僱用的客戶代表人數、下一季多個地區的產品銷售量、視訊串流服務的隔天雲端伺服器使用量、下週多個地區的用電量、IoT 裝置數量和感應器 (例如能源消耗) 等等。
時間序列資料分類為單變數和多變數。例如,單一家庭的總用電量是一段時間內的單變數時間序列。當多個單變量時間序列彼此堆疊時,稱之為多變量時間序列。例如,單個社區中 10 個不同 (但相關) 家庭的總用電量,即構成了一個多變量時間序列資料集。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
需求預測 | 使用三種時間序列預測演算法進行多變數 state-of-the-art 時間序列資料的需求預測:LSTNet |
信用評級預測
使用 JumpStart的信用評級預測解決方案來預測企業信用評級或解釋機器學習模型所做的信用預測決策。與傳統的信用評級建模方法相比,機器學習模型可以自動化並提高信用預測的準確性。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
企業信用評級預測 | 多模式(長文本和表格)機器學習,使用表 AWS AutoGluon 格 |
GitHub » |
以圖形為基礎的信用評分 | 訓練 Gra ph 神經網路 GraphSage 和表格式模型,使用表格式資料和 AWS AutoGluon 企業網路 |
在 Amazon SageMaker 工作室經典中查找。 |
說明信用決策 | 在信貸申請中預測信用違約,並使用 LightGbM |
詐騙偵測
許多企業每年因欺詐損失數十億美元。機器學習式的欺詐檢測模型可以幫助企業從大量資料中系統地識別可能的欺詐活動。以下解決方案使用交易和身份資料集來識別欺詐性交易。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
偵測惡意使用者和交易 | 使用 SageMakerXGBoost 透過過採樣技術,自動偵測交易中潛在的詐騙活動合成少數群 |
|
使用深度圖庫在金融交易中進行欺詐檢測 | 使用深度圖表庫 |
|
金融付款分類 | 使用 SageMaker XG Boost 根據交易信息對金融付款進行分類。使用此解決方案範本作為詐騙偵測、個人化或異常偵測的中繼步驟。 |
在 Amazon SageMaker 工作室經典中查找。 |
電腦視覺
隨著自動駕駛汽車、智慧型視訊監控、醫療照護監控和各種物件計數任務等業務使用案例的興起,快速準確的物體偵測系統需求不斷增加。這些系統不僅涉及識別和分類圖像中的每個物體,還需要在其周圍繪製適當的邊界框來定位各個物體。在過去的十年中,深度學習技術的快速進步快速推進了物件偵測的發展。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
視覺產品缺陷偵測 | 透過從頭開始訓練物體偵測模型或微調預先訓 SageMaker 練的模型,來 |
|
手寫辨識 | 訓練物體偵測模型 |
GitHub » |
鳥類物體偵測 | 使用SageMaker 物體檢測模型識別場景中的鳥類種類。 |
在 Amazon SageMaker 工作室經典中查找。 |
從文件擷取和分析資料
JumpStart 為您提供解決方案,以發掘關鍵業務文件中的寶貴見解和連結。使用案例包括文字分類、文件摘要、手寫辨識、提取關係、問題和回答、以及在表格記錄中填寫缺失的值。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
情感分類的隱私 | 匿名化文字 |
|
理解文件 | 使用中 PyTorch的變壓器 |
|
手寫辨識 | 訓練物體偵測模型 |
GitHub » |
在表格記錄中填入缺少的值 | 透過訓練SageMaker AutoPilot |
預測性維護
預測性維護旨在透過促進及時更換元件來最佳化糾正性和預防性維護之間的平衡。下列解決方案使用工業資產的感應器資料來預測機器故障、意外停機時間和維修成本。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
車隊的預測性維護 | 透過卷積神經網路模型,使用車輛感應器和維護資訊來預測車隊故障。 | |
製造業的預測性維護 | 使用歷史感應器讀數訓練堆疊式雙向 LSTM 神經網路 |
流失預測
客戶流失或損耗率是許多公司都會面臨的成本高昂問題。為了減少客戶流失,公司可以識別可能離開服務的客戶,以便將精力集中在客戶保留上。使用客戶 JumpStart流失預測解決方案來分析使用者行為和客戶支援聊天記錄等資料來源,以識別有取消訂閱或服務風險高的客戶。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
使用文字預測流失 | 使用 BERT 編碼器和分類器 |
|
手機客戶流失預測 | 使用 SageMaker XG Boost 識別不滿意的手機客戶。 |
在 Amazon SageMaker 工作室經典中查找。 |
個人化推薦
您可以使用解 JumpStart 決方案來分析客戶身份圖表或用戶會話,以更好地了解和預測客戶行為。使用下列解決方案提供個人化建議,以跨多個裝置建立客戶身分識別模型、判斷客戶進行購買的可能性,或根據過去的客戶行為建立自訂電影推薦片單。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
具有深度圖庫的識別圖譜中的實體解析 | 透過訓練具有深度圖庫 |
|
購買建模 | 預測客戶是否會透過訓練 SageMaker XGBoost 模型進行購買。 | |
客製化推薦系統 |
訓練和部署自訂推薦系統,該系統會使用中 SageMaker的「神經協作篩選」,根據過去的行為為為客戶產生電影建議。 |
在 Amazon SageMaker 工作室經典中查找。 |
強化學習
強化學習 (RL) 是一種基於與環境互動的學習類型。這種類型的學習是由一個代理使用,該代理必須通過與動態環境的 trial-and-error 交互來學習行為,其目標是最大限度地提高代理程式因其行動而獲得的長期獎勵。透過具有已知獎勵的行動來交換具有不確定獎勵的探索行動,從而獲得最大的獎勵。
RL 非常適合解決大型複雜的問題,例如供應鏈管理、HVAC 系統、工業機器人、遊戲人工智慧、對話系統和自動駕駛汽車。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
Battlesnake AI 競賽的強化學習 | 為 BattleSnake |
|
針對 Progen 挑戰的分散式強化學習 | 分散式強化學習入門套件為 NeurIPS 2020 Procgen |
GitHub
» |
醫療照護與生命科學
臨床醫生和研究人員可以使用 JumpStart 解決方案來分析醫學影像、基因組資訊和臨床健康記錄。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
肺癌存活率預測 | 使用 XGBoost 進行三維肺電腦斷層掃描 (CT) 掃描、基因組資料和臨床健康記錄,預測非小細胞肺癌患者存活狀況。SageMaker |
財務定價
許多企業會定期動態調整定價,以將收益提到最高。針對價格最佳化、動態定價、期權定價或產品組合最佳化使用 JumpStart 案例,請使用下列解決方案。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
價格最佳化 |
使用雙機器學習 (ML) 進行因果推論和使用 Prophet |
在 Amazon SageMaker 工作室經典中查找。 |
因果推論
研究人員可以使用貝葉斯網路等的機器學習模型來表達因果依賴關係,並根據資料得出因果結論。使用以下解 JumpStart決方案了解氮基肥料應用與玉米作物產量之間的因果關係。
解決方案名稱 | 描述 | 開始使用 |
---|---|---|
作物產量反事實 |
產生玉米對氮反應的反事實分析。該解決方案使用多光譜衛星圖像和地面高度觀測 |
在 Amazon SageMaker 工作室經典中查找。 |