AWS Machine Learning

Bourse AWS Machine Learning Foundations

Services AWS ML

Avec AWS, vous pouvez construire, former et déployer vos modèles rapidement. Amazon SageMaker est un service entièrement géré qui supprime la complexité des flux de travail ML afin que chaque développeur et scientifique des données puisse déployer l'apprentissage automatique pour un large éventail de cas d'utilisation.

Infrastructure et cadres ML

Les services de flux de travail AWS vous permettent de gérer et d'étendre votre infrastructure ML sous-jacente.

Vision informatique avec AWS Deeplens

AWS Deeplens

AWS Deeplens vous permet de créer et de déployer des applications basées sur la vision par ordinateur de bout en bout.

Comment fonctionne AWS Deeplens

AWS Deeplens est intégré à plusieurs services AWS. Vous utilisez ces services pour créer, former et lancer votre projet AWS Deeplens. Vous pouvez penser à un projet AWS Deeplens comme étant divisé en deux flux différents comme l'image montré.

• Tout d'abord, vous utilisez la console AWS pour créer votre projet, stocker vos données et former votre modèle.
• Ensuite, vous utilisez votre modèle formé sur l'appareil AWS Deeplens. Sur l'appareil, le flux vidéo de la caméra est traité, l'inférence est effectuée et la sortie de l'inférence est transmise en deux flux de sortie:
  • Stream de périphérique - Le flux vidéo est passé sans traitement.
  • Stream de projet - Les résultats du traitement par le modèle des cadres vidéo.

Apprentissage du renforcement avec AWS Deepracer

Concepts d'apprentissage du renforcement

Termes d'apprentissage de renforcement de base dans le contexte d'Aws Deepracer.

• Agent: L'agent est la voiture AWS Deepracer et son objectif est de terminer * les tours autour de la piste aussi vite que possible tout en évitant les obstacles.
• Environnement: Pour AWS Deepracer, c'est une piste dans notre simulateur ou dans la vraie vie.
• État: Chaque état est une image capturée par son appareil photo. L'état initial de la voiture est la ligne de départ de la piste et son état terminal est lorsque la voiture termine un tour, se heurte à un obstacle ou sort de la piste.
• Action: Une voiture AWS Deepracer s'approchant d'un tour peut choisir d'accélérer ou de freiner et de tourner à gauche, à droite ou à aller droit.
• Récompense: une fonction de récompense est un plan d'incitation qui attribue les scores en récompense à différentes zones sur la piste.
• Épisode: Un épisode commence à l'état initial, lorsque la voiture quitte la position de départ, et se termine à l'état terminal, lorsqu'il termine un tour, se heurte à un obstacle ou sort de la piste.

Dans un modèle d'apprentissage par renforcement, un agent apprend dans un environnement interactif en temps réel par essais et erreurs en utilisant les commentaires de ses propres actions . Les commentaires sont donnés sous forme de récompenses .

AI générative avec AWS Deepcomposer

AWS Deepcomposer

AWS Deepcomposer vous offre un moyen créatif et facile de commencer avec l'apprentissage automatique (ML), en particulier l'IA génératrice. Il se compose d'un clavier USB qui se connecte à votre ordinateur pour saisir la mélodie et la console AWS Deepcomposer , qui comprend AWS DeepCoser Music Studio pour générer de la musique, l'apprentissage des capsules pour plonger profondément dans les modèles générateurs de l'IA et les défis de cartes de cartouches AWS DeepCoser pour montrer vos compétences en ML.

AWS Deepcomposer Music Studio

Pour générer, créer et modifier des compositions avec AWS Deepcomposer, vous utilisez le studio de musique AWS DeepComposer. Pour commencer, vous avez besoin d'une piste d'entrée et d'un modèle formé.

Pour la piste d'entrée, vous pouvez utiliser un exemple de piste, enregistrer une piste personnalisée ou importer une piste.

Chaque expérience AWS Deepcomposer Music Studio prend en charge trois techniques d'IA génératives différentes: les réseaux adversariaux génératifs (GAN), le réseau neuronal convolutionnel autorégressif (AR-CNNS) et les transformateurs.

• Utilisez la technique GAN pour créer des pistes d'accompagnement.
• Utilisez la technique AR-CNN pour modifier les notes dans votre piste d'entrée.
• Utilisez la technique des transformateurs pour étendre votre piste d'entrée jusqu'à 30 secondes.

Gans avec AWS Deepcomposer

Un GAN est un type de modèle d'apprentissage automatique générateur qui propose deux réseaux de neurones les uns contre les autres pour générer de nouveaux contenus: un générateur et un discriminateur.

• Un générateur est un réseau neuronal qui apprend à créer de nouvelles données ressemblant aux données source sur lesquelles il a été formé.
• Un discriminateur est un autre réseau neuronal formé pour différencier les données réelles et synthétiques.

Le générateur et le discriminateur sont formés à des cycles alternés. Le générateur apprend à produire des données de plus en plus réalistes tandis que le discriminateur s'améliore itérativement pour apprendre à différencier les données réelles des données nouvellement créées.

Pendant la formation, le générateur et le discriminateur travaillent dans une boucle serrée comme le montre l'image suivante.

Ar-cnn avec AWS Deepcomposer

Pour former le modèle AR-CNN pour prédire lorsque les notes doivent être ajoutées ou supprimées de votre piste d'entrée (événement d'édition), le modèle met à jour de manière itérative la piste d'entrée pour ressembler plus à l'ensemble de données de formation. Pendant la formation, le modèle est également mis au défi de détecter les différences entre un rouleau de piano original et un rouleau de piano nouvellement modifié.