AWS Machine Learning

Beca de fundaciones de AWS Machine Learning

AWS ML Services

Con AWS, puede construir, entrenar e implementar sus modelos rápidamente. Amazon Sagemaker es un servicio totalmente administrado que elimina la complejidad de los flujos de trabajo de ML para que cada desarrollador y científico de datos pueda implementar el aprendizaje automático para una amplia gama de casos de uso.

Infraestructura y marcos de ML

Los servicios de flujo de trabajo de AWS le facilitan administrar y escalar su infraestructura ML subyacente.

Visión de la computadora con AWS Deeplens

AWS profundiza

AWS Deeplens le permite crear e implementar aplicaciones basadas en la visión por computadora de extremo a extremo.

Cómo funciona AWS Deeplens

AWS Deeplens está integrado con múltiples servicios de AWS. Utiliza estos servicios para crear, capacitar y lanzar su proyecto AWS Deeplens. Puede pensar en un proyecto de AWS Deeplens como dividido en dos transmisiones diferentes como se muestra la imagen.

• Primero, utiliza la consola AWS para crear su proyecto, almacenar sus datos y capacitar a su modelo.
• Luego, usa su modelo capacitado en el dispositivo AWS Deeplens. En el dispositivo, se procesa la transmisión de video de la cámara, se realiza la inferencia y la salida de la inferencia se pasa a dos transmisiones de salida:
  • Transmisión del dispositivo: la transmisión de video pasó sin procesamiento.
  • Estruto del proyecto: los resultados del procesamiento del modelo de los marcos de video.

Aprendizaje de refuerzo con AWS DeepRacer

Conceptos de aprendizaje de refuerzo

Términos básicos de aprendizaje de refuerzo en el contexto de AWS Deepracer.

• Agente: El agente es el automóvil AWS Deepracer y su objetivo es terminar * las vueltas alrededor de la pista lo más rápido posible mientras, en algunos casos, evitan los obstáculos.
• Medio ambiente: para AWS DeepRacer, esta es una pista en nuestro simulador o en la vida real.
• Estado: Cada estado es una imagen capturada por su cámara. El estado inicial del automóvil es la línea de partida de la pista y su estado terminal es cuando el automóvil termina una vuelta, se topa con un obstáculo o sale de la pista.
• Acción: un automóvil AWS DeepRacer que se acerca a un giro puede elegir acelerar o frenar y girar a la izquierda, a la derecha o ir recto.
• Recompensa: una función de recompensa es un plan de incentivos que asigna puntajes como recompensas a diferentes zonas en la pista.
• Episodio: Un episodio comienza en el estado inicial, cuando el automóvil sale de la posición inicial y termina en el estado terminal, cuando termina una vuelta, se topa con un obstáculo o sale de la pista.

En un modelo de aprendizaje de refuerzo, un agente aprende en un entorno interactivo en tiempo real mediante prueba y error utilizando comentarios de sus propias acciones . La retroalimentación se da en forma de recompensas .

AI generativa con AWS Deep Composer

AWS Deep Composer

AWS DeepComposer le brinda una manera creativa y fácil de comenzar con el aprendizaje automático (ML), específicamente la IA generativa. Consiste en un teclado USB que se conecta a su computadora para ingresar la melodía y la consola AWS DeepComposer , que incluye AWS DeepComposer Music Studio para generar música, aprender cápsulas para sumergirse profundamente en modelos de IA generativos y desafíos de los gráficos de compositores de AWS Deep para mostrar sus habilidades ML.

AWS Deep Composer Music Studio

Para generar, crear y editar composiciones con AWS Deepcomposer, usa el AWS DeepComposer Music Studio. Para comenzar, necesita una pista de entrada y un modelo capacitado.

Para la pista de entrada, puede usar una pista de muestra, grabar una pista personalizada o importar una pista.

Cada experiencia de estudio musical de AWS Deep Composer admite tres técnicas de IA generativas diferentes: redes adversas generativas (GAN), red neuronal convolucional autorregresiva (AR-CNN) y transformadores.

• Use la técnica GaN para crear pistas de acompañamiento.
• Use la técnica AR-CNN para modificar las notas en su pista de entrada.
• Use la técnica Transformers para extender su pista de entrada hasta 30 segundos.

Gans con AWS Deep Composer

Un GaN es un tipo de modelo de aprendizaje automático generativo que enfrenta dos redes neuronales entre sí para generar contenido nuevo: un generador y un discriminador.

• Un generador es una red neuronal que aprende a crear nuevos datos que se asemejan a los datos de origen sobre los cuales fue capacitado.
• Un discriminador es otra red neuronal capacitada para diferenciar entre datos reales y sintéticos.

El generador y el discriminador están entrenados en ciclos alternos. El generador aprende a producir datos cada vez más realistas, mientras que el discriminador se mejoró de manera iterativamente para aprender a diferenciar los datos reales de los datos recién creados.

Durante el entrenamiento, el generador y el discriminador funcionan en un bucle apretado como se muestra en la siguiente imagen.

AR-CNN con AWS Deep Composer

Para capacitar al modelo AR-CNN para predecir cuándo se deben agregar o eliminar las notas de su pista de entrada (EDIT EVENT), el modelo actualiza de forma iterativa la pista de entrada a suena más como el conjunto de datos de entrenamiento. Durante el entrenamiento, el modelo también tiene el desafío de detectar diferencias entre un rollo de piano original y un rollo de piano recién modificado.