AWS Machine Learning

Beasiswa Yayasan Pembelajaran Mesin AWS

Layanan AWS ML

Dengan AWS, Anda dapat membangun, melatih, dan menggunakan model Anda dengan cepat. Amazon Sagemaker adalah layanan yang dikelola sepenuhnya yang menghilangkan kompleksitas dari alur kerja ML sehingga setiap pengembang dan ilmuwan data dapat menggunakan pembelajaran mesin untuk berbagai kasus penggunaan.

Infrastruktur dan kerangka kerja ML

Layanan alur kerja AWS memudahkan Anda untuk mengelola dan mengukur infrastruktur ML yang mendasari Anda.

Visi komputer dengan AWS Deeplens

AWS DEEPLENS

AWS Deeplens memungkinkan Anda untuk membuat dan menggunakan aplikasi berbasis visi komputer ujung ke ujung.

Bagaimana AWS Deeplens Bekerja

AWS Deeplens terintegrasi dengan beberapa layanan AWS. Anda menggunakan layanan ini untuk membuat, melatih, dan meluncurkan proyek AWS Deeplens Anda. Anda dapat menganggap proyek AWS Deeplens dibagi menjadi dua aliran yang berbeda seperti yang ditunjukkan gambar.

• Pertama, Anda menggunakan konsol AWS untuk membuat proyek Anda, menyimpan data Anda, dan melatih model Anda.
• Kemudian, Anda menggunakan model terlatih Anda pada perangkat AWS Deeplens. Pada perangkat, aliran video dari kamera diproses, inferensi dilakukan, dan output dari inferensi diteruskan ke dua aliran output:
  • Stream Perangkat - Aliran video dilewati tanpa pemrosesan.
  • Stream Proyek - Hasil pemrosesan model frame video.

Pembelajaran Penguatan dengan AWS Deepracer

Konsep Pembelajaran Penguatan

Istilah pembelajaran penguatan dasar dalam konteks AWS DEEPRACER.

• Agen: Agen adalah mobil AWS Deepracer dan tujuannya adalah untuk menyelesaikan * putaran di sekitar trek secepat mungkin sementara, dalam beberapa kasus, menghindari rintangan.
• Lingkungan: Untuk AWS Deepracer, ini adalah trek di simulator kami atau dalam kehidupan nyata.
• Status: Setiap negara adalah gambar yang ditangkap oleh kameranya. Keadaan awal mobil adalah garis awal lintasan dan keadaan terminalnya adalah ketika mobil selesai satu putaran, menabrak rintangan, atau melaju keluar jalur.
• Tindakan: Mobil AWS Deepracer yang mendekati belokan dapat memilih untuk mempercepat atau mengerem dan berbelok ke kiri, kanan, atau lurus.
• Hadiah: Fungsi hadiah adalah rencana insentif yang memberikan skor sebagai penghargaan ke zona yang berbeda di trek.
• Episode: Sebuah episode dimulai pada keadaan awal, ketika mobil meninggalkan posisi awal, dan berakhir pada keadaan terminal, ketika selesai satu putaran, menabrak rintangan, atau melaju keluar jalur.

Dalam model pembelajaran penguatan, agen belajar dalam lingkungan real-time interaktif dengan coba-coba menggunakan umpan balik dari tindakannya sendiri. Umpan balik diberikan dalam bentuk hadiah .

AI generatif dengan AWS DeepComposer

AWS DeepComposer

AWS DeepComposer memberi Anda cara kreatif dan mudah untuk memulai dengan Machine Learning (ML), khususnya AI generatif. Ini terdiri dari keyboard USB yang terhubung ke komputer Anda ke input melodi dan konsol AWS DeepComposer , yang mencakup AWS DeepComposer Music Studio untuk menghasilkan musik, belajar kapsul untuk menyelam jauh ke dalam model AI generatif, dan AWS DeepComposer Chartbusters tantangan untuk menunjukkan keterampilan ML Anda.

AWS DeepComposer Music Studio

Untuk menghasilkan, membuat, dan mengedit komposisi dengan AWS DeepComposer, Anda menggunakan AWS DeepComposer Music Studio. Untuk memulai, Anda memerlukan trek input dan model terlatih.

Untuk trek input, Anda dapat menggunakan trek sampel, merekam trek khusus, atau mengimpor trek.

Setiap pengalaman AWS DeepComposer Music Studio mendukung tiga teknik AI generatif yang berbeda: Generatif Perpisahan Jaringan (GANS), Autoregressive Convolutional Neural Network (AR-CNNS), dan Transformers.

• Gunakan teknik GAN untuk membuat trek iringan.
• Gunakan teknik AR-CNN untuk memodifikasi catatan di trek input Anda.
• Gunakan teknik Transformers untuk memperluas jalur input Anda hingga 30 detik.

Gans dengan AWS DeepComposer

GAN adalah jenis model pembelajaran mesin generatif yang mengadu dua jaringan saraf satu sama lain untuk menghasilkan konten baru: generator dan diskriminator.

• Generator adalah jaringan saraf yang belajar membuat data baru yang menyerupai data sumber yang dilatih.
• Diskriminator adalah jaringan saraf lain yang dilatih untuk membedakan antara data nyata dan sintetis.

Generator dan diskriminator dilatih dalam siklus bergantian. Generator belajar untuk menghasilkan lebih banyak data realistis sementara diskriminator secara iteratif menjadi lebih baik dalam belajar untuk membedakan data nyata dari data yang baru dibuat.

Selama pelatihan, generator dan diskriminator bekerja dalam lingkaran ketat seperti yang digambarkan pada gambar berikut.

Ar-cnn dengan AWS DeepComposer

Untuk melatih model AR-CNN untuk memprediksi kapan catatan perlu ditambahkan atau dihapus dari trek input Anda (EDIT Event), model ini secara iteratif memperbarui trek input agar terdengar lebih seperti dataset pelatihan. Selama pelatihan, model ini juga ditantang untuk mendeteksi perbedaan antara gulungan piano asli dan gulungan piano yang baru dimodifikasi.