Integrierte Algorithmen und vortrainierte Modelle in Amazon SageMaker

Docker-Registry-Pfade

Datenformate

empfohlene Amazon-EC2-Instance-Typen

CloudWatch-Protokolle

Vortrainierte Modelle und Lösungsvorlagen

Überwachtes Lernen

Unüberwachtes Lernen

Textuelle Analyse

Bildverarbeitung

AutoGluon-Tabellenblatt – Ein Open-Source-AutoML-Framework, das erfolgreich ist, indem es Modelle zusammenfügt und sie in mehreren Ebenen stapelt.

CatBoost – Eine Implementierung des Gradient-Boosted Trees-Algorithmus, der ein geordnetes Boosting und einen innovativen Algorithmus für die Verarbeitung kategorischer Features einführt.

Faktorisierungsmaschinen Algorithmus – Eine Erweiterung eines linearen Modells ist darauf ausgelegt, Interaktionen zwischen Funktionen innerhalb von hochdimensionalen Datensätzen mit geringer Dichte automatisch wirtschaftlich zu erfassen.

K-nearest neighbors (k-NN)-Algorithmus – Eine nicht-parametrische Methode, bei der die k nächstgelegenen beschrifteten Punkte verwendet werden, um einen Wert zuzuweisen. Bei der Klassifizierung handelt es sich um eine Bezeichnung für einen neuen Datenpunkt. Bei der Regression handelt es sich um einen prognostizierten Zielwert aus dem Durchschnitt der k nächstgelegenen Punkte.

LightGBM – Eine Implementierung des Algorithmus Gradient-Boosted Trees der zwei neuartige Techniken zur Verbesserung der Effizienz und Skalierbarkeit hinzufügt. Diese beiden neuen Techniken sind Gradient-based One-Side Sampling (GOSS) und Exclusive Feature Bundling (EFB).

Algorithmus für lineares Lernen – lernt eine lineare Funktion für die Regression oder eine lineare Schwellenwertfunktion für die Klassifizierung.

TabTransformer – Eine neuartige, tiefgründige, tabellarische Datenmodellierungsarchitektur, die auf Transformatoren basiert, die Eigenverantwortung übernehmen.

XGBoost-Algorithmus mit Amazon SageMaker AI – Eine Implementierung des Gradient-Boosted Trees-Algorithmus, der eine Reihe einfacherer und schwächerer Modelle kombiniert.

Object2Vec-Algorithmus – Ein neuer, hochgradig anpassbarer Mehrzweckalgorithmus, der für das Feature Engineering verwendet wird. Er kann dichte Einbettungen mit niedriger Dimensionalität von Objekten mit hoher Dimensionalität erlernen und so Merkmale erzeugen, die das Trainingseffizienz für nachgeschaltete Modelle verbessern. Dabei handelt es sich zwar um einen überwachten Algorithmus, es gibt jedoch viele Szenarien, in denen die Beziehungsbezeichnungen ausschließlich aus natürlichen Clustern in Daten gewonnen werden können. Für das Training sind zwar markierte Daten erforderlich, dies kann jedoch auch ohne ausdrückliche menschliche Anmerkungen erfolgen.

Verwendung des DeepAR-Prognosealgorithmus von SageMaker AI – Ein Algorithmus für überwachtes Lernen zur Prognose von skalaren (eindimensionalen) Zeitreihen mithilfe von wiederkehrenden neuronalen Netzwerken (RNN).

Algorithmus für die Hauptkomponentenanalyse (Principal Component Analysis, PCA)–reduziert die Dimensionalität (Anzahl der Features) innerhalb eines Datensatzes, indem Datenpunkte auf die ersten Hauptkomponenten projiziert werden. Ziel ist es, so viele Informationen oder Variationen wie möglich beizubehalten. Für Mathematiker sind die Hauptkomponenten Eigenvektoren der Kovarianzmatrix der Daten.

k-Means-Algorithmus – findet diskrete Gruppierungen innerhalb von Daten. Dies ist der Fall, wenn Mitglieder einer Gruppe sich so ähnlich wie möglich sind und sich so stark wie möglich von Mitgliedern anderer Gruppen unterscheiden.

IP Insights–lernt die Nutzungsmuster für IPv4-Adressen kennen. Er wurde entwickelt, um Zuordnungen zwischen IPv4-Adressen und verschiedenen Entitys, wie beispielsweise Benutzer-IDs oder Kontonummern, zu erfassen.

Random Cut Forest (RCF)-Algorithmus – erkennt anomale Datenpunkte innerhalb eines Datensatzes, die von ansonsten gut strukturierten oder gemusterten Daten abweichen.

BlazingText-Algorithmus – Eine hochoptimierte Implementierung von Word2VEC und Textklassifizierungsalgorithmen, die sich problemlos auf große Datensätze skalieren lässt. Sie ist nützlich für viele nachgelagerte Aufgaben der natürlichen Sprachverarbeitung (NLP).

Sequence-to-Sequence-Algorithmus – Ein überwachter Algorithmus wird allgemein für neuronale maschinelle Übersetzung verwendet.

Latent Dirichlet Allocation (LDA)-Algorithmus – Ein Algorithmus eignet sich für die Bestimmung von Themen in einer Reihe von Dokumenten. Er ist ein unüberwachter Algorithmus, was bedeutet, dass während des Trainings keine Beispieldaten mit Antworten verwendet werden.

Algorithmus für neuronale Themenmodellierung (NTM) – Eine weitere unüberwachte Technik zur Bestimmung von Themen in einer Reihe von Dokumenten mithilfe eines neuronalen Netzwerkansatzes.

Textklassifizierung – TensorFlow – Ein überwachter Algorithmus, der Transfer Learning mit verfügbaren vorab trainierten Modellen für die Textklassifizierung unterstützt.

Bildklassifizierung – MXNet–Er verwendet Beispieldaten mit Antworten (bezeichnet als überwachter Algorithmus).   Verwenden Sie diesen Algorithmus zur Klassifikation von Bildern.

Bildklassifizierung – TensorFlow – verwendet vorab trainierte TensorFlow Hub-Modelle zur Feinabstimmung für bestimmte Aufgaben (wird als überwachter Algorithmus bezeichnet).   Verwenden Sie diesen Algorithmus zur Klassifikation von Bildern.

Semantischer Segmentierungsalgorithm – bietet einen fein abgestimmten Ansatz auf Pixelebene für die Entwicklung von Computer Vision-Anwendungen.

Objekterkennung – MXNet – erkennt und klassifiziert Objekte in Bildern mithilfe eines einzigen tiefen neuronalen Netzwerks. Es handelt sich um einen überwachten Lernalgorithmus, der Bilder als Eingabe akzeptiert und alle Instances von Objekten innerhalb der Bilderszene identifiziert.

Objekterkennung – TensorFlow – erkennt Begrenzungsrahmen und Objektbezeichnungen in einem Bild. Es handelt sich um einen überwachten Lernalgorithmus, der Transferlernen mit verfügbaren vortrainierten TensorFlow-Modellen unterstützt.