AWS Machine Learning

AWS -Stipendium für maschinelles Lernen Fundamente

AWS ML Services

Mit AWS können Sie Ihre Modelle schnell bauen, trainieren und einsetzen. Amazon Sagemaker ist ein vollständig verwalteter Dienst, der die Komplexität von ML -Workflows entfernt, sodass jeder Entwickler und Datenwissenschaftler maschinelles Lernen für eine Vielzahl von Anwendungsfällen bereitstellen können.

ML Infrastruktur und Rahmenbedingungen

AWS -Workflow -Dienste erleichtern es Ihnen, Ihre zugrunde liegende ML -Infrastruktur zu verwalten und zu skalieren.

Computer Vision mit AWS Deeplens

Aws Deeplens

Mit AWS Deeplens können Sie End-to-End-Computer-Vision-basierte Anwendungen erstellen und bereitstellen.

Wie AWS Deeplens funktioniert

AWS Deeplens ist in mehrere AWS -Dienste integriert. Sie nutzen diese Dienste, um Ihr AWS Deeplens -Projekt zu erstellen, zu trainieren und zu starten. Sie können sich ein AWS Deeplens -Projekt als unterteilt in zwei verschiedene Streams wie das gezeigte Bild vorstellen.

• Zunächst verwenden Sie die AWS -Konsole, um Ihr Projekt zu erstellen, Ihre Daten zu speichern und Ihr Modell auszubilden.
• Anschließend verwenden Sie Ihr geschultes Modell auf dem AWS Deeplens -Gerät. Auf dem Gerät wird der Videostrom aus der Kamera verarbeitet, die Inferenz erfolgt und die Ausgabe von Inferenz in zwei Ausgangsströme übergeben:
  • Gerätestream - Der Videostream, der ohne Verarbeitung übergeht.
  • Projektstream - Die Ergebnisse der Modellverarbeitung der Videorahmen.

Verstärkungslernen mit AWS Deepracer

Verstärkungslernkonzepte

Grundlegende Begriffe des Verstärkungslernens im Kontext von AWS Deepracer.

• Agent: Der Agent ist das AWS Deepracer -Auto und sein Ziel ist es, so schnell wie möglich um die Strecke zu fertig zu sein, während in einigen Fällen Hindernisse vermeiden.
• Umgebung: Für AWS Deepracer ist dies ein Track in unserem Simulator oder im wirklichen Leben.
• Status: Jeder Zustand ist ein Bild, das von seiner Kamera aufgenommen wurde. Der Anfangszustand des Autos ist die Startlinie der Strecke und sein Terminalzustand ist, wenn das Auto eine Runde beendet, in ein Hindernis stößt oder von der Strecke fährt.
• Aktion: Ein AWS -Deepracer -Auto, das sich einer Kurve nähert, kann sich beschleunigen oder bremsen und links, rechts abbiegen oder gerade gehen.
• Belohnung: Eine Belohnungsfunktion ist ein Anreizplan, der verschiedenen Zonen auf der Strecke als Belohnungen als Belohnungen zuweist.
• Episode: Eine Episode beginnt im Anfangszustand, wenn das Auto die Ausgangsposition verlässt und am Terminalzustand endet, wenn es eine Runde beendet, ein Hindernis stößt oder von der Strecke fährt.

In einem Verstärkungslernmodell lernt ein Agent in einer interaktiven Echtzeitumgebung durch Versuch und Irrtum mit Feedback aus eigenen Aktionen . Feedback wird in Form von Belohnungen gegeben.

Generative KI mit AWS DeepComposer

AWS DeepComposer

AWS DeepComposer bietet Ihnen eine kreative und einfache Möglichkeit, mit maschinellem Lernen (ML), insbesondere der generativen KI, zu beginnen. Es besteht aus einer USB -Tastatur , die eine Verbindung zu Ihrem Computer herstellt, um Melodie und die AWS DeepComposer -Konsole einzugeben, zu der AWS DeepComposer Music Studio enthält, um Musik zu generieren und Kapseln zu lernen , um tief in Generativ -KI -Modelle zu tauchen, und AWS DeepComposer -Chartbuster -Herausforderungen, um Ihre ML -Fähigkeiten zu präsentieren.

AWS DeepComposer Music Studio

Um Kompositionen mit AWS DeepComposer zu generieren, zu erstellen und zu bearbeiten, verwenden Sie das AWS DeepComposer Music Studio. Um loszulegen, benötigen Sie eine Eingabestrecke und ein geschultes Modell.

Für die Eingabespur können Sie einen Beispielspuren verwenden, einen benutzerdefinierten Track aufnehmen oder einen Track importieren.

Jedes AWS DeepComposer Music Studio-Erlebnis unterstützt drei verschiedene generative KI-Techniken: generative kontroverse Netzwerke (GANs), autoregressives Faltungsnetzwerk (AR-CNNs) und Transformers.

• Verwenden Sie die GAN -Technik, um Begleitschonungen zu erstellen.
• Verwenden Sie die AR-CNN-Technik, um Notizen in Ihrer Eingangsspur zu ändern.
• Verwenden Sie die Transformers -Technik, um Ihre Eingangsspur um bis zu 30 Sekunden zu erweitern.

Gans mit AWS DeepComposer

Ein GaN ist eine Art generatives maschinelles Lernmodell, das zwei neuronale Netze gegeneinander anspricht, um neue Inhalte zu generieren: ein Generator und ein Diskriminator.

• Ein Generator ist ein neuronales Netzwerk, das lernt, neue Daten zu erstellen, die den Quelldaten ähneln, auf denen es geschult wurde.
• Ein Diskriminator ist ein weiteres neuronales Netzwerk, das für die Unterscheidung zwischen realen und synthetischen Daten geschult ist.

Der Generator und der Diskriminator werden in abwechselnden Zyklen trainiert. Der Generator lernt, immer realistischere Daten zu erstellen, während der Diskriminator iterativ besser lernen kann, reale Daten von den neu erstellten Daten zu unterscheiden.

Während des Trainings arbeiten der Generator und der Diskriminator in einer engen Schleife, wie im folgenden Bild dargestellt.

AR-CNN mit AWS DeepComposer

Um das AR-CNN-Modell zu trainieren, um vorherzusagen, wann Notizen hinzugefügt oder aus Ihrem Eingabetitel entfernt werden müssen (Bearbeitenereignis), aktualisiert das Modell iterativ die Eingabespur so, dass sie eher nach dem Trainingsdatensatz klingt. Während des Trainings ist das Modell auch aufgefordert, Unterschiede zwischen einer ursprünglichen Klavierrolle und einer neu modifizierten Klavierrolle zu erkennen.