AWS Machine Learning

منحة أسس التعلم الآلي AWS

خدمات AWS ML

مع AWS ، يمكنك بناء وتدريب ونشر النماذج الخاصة بك بسرعة. Amazon Sagemaker هي خدمة مُدارة بالكامل تزيل التعقيد من مهام سير العمل ML حتى يتمكن كل مطور وعالم بيانات من نشر التعلم الآلي لمجموعة واسعة من حالات الاستخدام.

ML البنية التحتية والأطر

تسهل عليك خدمات AWS Workflow إدارة البنية التحتية ML الأساسية وتوسيع نطاقها.

رؤية الكمبيوتر مع AWS Deeplens

AWS Deeplens

تتيح لك AWS Deeplens إنشاء ونشر تطبيقات على أساس رؤية الكمبيوتر من طرف إلى طرف.

كيف يعمل AWS Deeplens

تم دمج AWS Deeplens مع خدمات AWS متعددة. يمكنك استخدام هذه الخدمات لإنشاء وتدريب وإطلاق مشروع AWS Deeplens الخاص بك. يمكنك التفكير في مشروع AWS Deeplens كما ينقسم إلى تيارين مختلفين كما هو موضح.

• أولاً ، يمكنك استخدام وحدة التحكم AWS لإنشاء مشروعك وتخزين بياناتك وتدريب النموذج الخاص بك.
• ثم ، يمكنك استخدام النموذج المدرب على جهاز AWS Deeplens. على الجهاز ، تتم معالجة دفق الفيديو من الكاميرا ، ويتم تنفيذ الاستدلال ، ويتم تمرير الإخراج من الاستدلال إلى دفقين للإخراج:
  • دفق الجهاز - تم تمرير دفق الفيديو دون معالجة.
  • Project Dream - نتائج معالجة النموذج لإطارات الفيديو.

التعلم التعزيز مع AWS Deepracer

مفاهيم التعلم التعزيز

شروط التعلم التعزيز الأساسية في سياق AWS Deepracer.

• الوكيل: العامل هو سيارة AWS Deepracer وهدفها هو إنهاء * لفات حول المسار بأسرع ما يمكن ، في بعض الحالات ، تجنب العقبات.
• البيئة: بالنسبة لـ AWS Deepracer ، هذا مسار في محاكاة أو في الحياة الحقيقية.
• الحالة: كل ولاية هي صورة تم التقاطها بواسطة الكاميرا. الحالة الأولية للسيارة هي خط البداية للمسار وحالتها الطرفية هي عندما تنتهي السيارة من اللفة ، أو تصطدم بعقبة ، أو تقود من المسار.
• الإجراء: يمكن لسيارة AWS Deepracer التي تقترب بدورها اختيار التسريع أو الفرامل والانتقال إلى اليسار أو اليمين أو الذهاب مباشرة.
• المكافأة: وظيفة المكافأة هي خطة حوافز تعين الدرجات كمكافآت لمناطق مختلفة على المسار.
• الحلقة: تبدأ حلقة في الحالة الأولية ، عندما تترك السيارة موضع البداية ، وينتهي في حالة المحطة ، عندما تنتهي من اللفة ، أو تصطدم بعقبة ، أو تقود من المسار.

في نموذج التعلم التعزيز ، يتعلم الوكيل في بيئة تفاعلية في الوقت الفعلي عن طريق التجربة والخطأ باستخدام ردود الفعل من أفعاله الخاصة. ويرد ردود الفعل في شكل مكافآت .

AI التوليدي مع AWS DeepComposer

AWS DeepComposer

يمنحك AWS DeepComposer طريقة إبداعية وسهلة للبدء في التعلم الآلي (ML) ، وتحديداً منظمة العفو الدولية. يتكون من لوحة مفاتيح USB التي تتصل بجهاز الكمبيوتر الخاص بك لإدخال Melody و AWS DeepComposer Console ، والتي تتضمن AWS DeepComposer Music Studio لتوليد الموسيقى ، وتعلم الكبسولات لتغوص عميق في نماذج AI التوليدية ، وتحديات AWS DeepComposer Chartbusters لعرض مهارات ML الخاصة بك.

AWS DeepComposer Music Studio

لإنشاء وإنشاء وتحرير التراكيب مع AWS DeepComposer ، يمكنك استخدام استوديو AWS DeepComposer Music Studio. للبدء ، تحتاج إلى مسار إدخال ونموذج مدرب.

بالنسبة لمسار الإدخال ، يمكنك استخدام عينة مسار أو تسجيل مسار مخصص أو استيراد مسار.

تدعم كل تجربة AWS DeepComposer Music Studio ثلاث تقنيات مختلفة من الذكاء الاصطناعي: شبكات الخصومة (GANS) ، والشبكة العصبية التلافيفية التلقائية (AR-CNNs) ، والمحولات.

• استخدم تقنية GAN لإنشاء مسارات مرافقة.
• استخدم تقنية AR-CNN لتعديل الملاحظات في مسار الإدخال الخاص بك.
• استخدم تقنية Transformers لتوسيع مسار الإدخال الخاص بك لمدة تصل إلى 30 ثانية.

Gans مع AWS DeepComposer

GAN هو نوع من نموذج التعلم الآلي التوليدي الذي يحفز شبكتين عصبيتين ضد بعضهما البعض لإنشاء محتوى جديد: مولد وتمييز.

• المولد هو شبكة عصبية تتعلم إنشاء بيانات جديدة تشبه البيانات المصدر التي تم تدريبها عليها.
• التمييز هو شبكة عصبية أخرى مدربة للتمييز بين البيانات الحقيقية والاصطناعية.

يتم تدريب المولد والتمييز في دورات بالتناوب. يتعلم المولد إنتاج بيانات أكثر وأكثر واقعية بينما يتحسن التمييز بشكل تكراري في تعلم التمييز بين البيانات الحقيقية والبيانات التي تم إنشاؤها حديثًا.

أثناء التدريب ، يعمل المولد والتمييز في حلقة ضيقة كما هو موضح في الصورة التالية.

AR-CNN مع AWS DeepComposer

لتدريب نموذج AR-CNN للتنبؤ بموعد إضافة الملاحظات أو إزالتها من مسار الإدخال الخاص بك (تحرير الحدث) ، يقوم النموذج بشكل تكرار بتحديث مسار الإدخال إلى مجموعة بيانات التدريب. أثناء التدريب ، يواجه النموذج أيضًا اكتشاف الاختلافات بين لفة البيانو الأصلية ولفة البيانو المعدلة حديثًا.