AWS Machine Learning

Bolsa de estudos da AWS Machine Learning Foundations

AWS ML Services

Com a AWS, você pode construir, treinar e implantar seus modelos rapidamente. A Amazon Sagemaker é um serviço totalmente gerenciado que remove a complexidade dos fluxos de trabalho da ML, para que todo desenvolvedor e cientista de dados possa implantar aprendizado de máquina para uma ampla gama de casos de uso.

Infraestrutura e estruturas de ML

Os serviços de fluxo de trabalho da AWS facilitam o gerenciamento e a escala da sua infraestrutura de ML subjacente.

Visão computacional com AWS Deeplens

AWS Deeplens

O AWS Deeplens permite criar e implantar aplicativos baseados em visão computacional de ponta a ponta.

Como funciona a AWS Deeplens

O AWS Deeplens é integrado a vários serviços da AWS. Você usa esses serviços para criar, treinar e iniciar seu projeto AWS DEEPLENS. Você pode pensar em um projeto da AWS Deeplens como dividido em dois fluxos diferentes, conforme a imagem mostrada.

• Primeiro, você usa o console da AWS para criar seu projeto, armazenar seus dados e treinar seu modelo.
• Em seguida, você usa seu modelo treinado no dispositivo AWS DEEPLEN. No dispositivo, o fluxo de vídeo da câmera é processado, a inferência é realizada e a saída da inferência é passada para dois fluxos de saída:
  • Fluxo de dispositivo - o fluxo de vídeo passou sem processamento.
  • Stream do projeto - os resultados do processamento do modelo dos quadros de vídeo.

Aprendizagem de reforço com AWS Deepracer

Conceitos de aprendizado de reforço

Termos básicos de aprendizado de reforço no contexto do AWS Deepracer.

• Agente: O agente é o carro da AWS Deepracer e seu objetivo é terminar * voltas na pista o mais rápido possível, enquanto, em alguns casos, evitando obstáculos.
• Ambiente: Para a AWS Deepracer, esta é uma faixa em nosso simulador ou na vida real.
• Estado: Cada estado é uma imagem capturada por sua câmera. O estado inicial do carro é a linha de partida da pista e seu estado terminal é quando o carro termina uma volta, entra em um obstáculo ou sai da pista.
• Ação: Um carro da AWS Deepracer que se aproxima de uma curva pode optar por acelerar ou frear e virar à esquerda, direita ou ir em frente.
• Recompensa: Uma função de recompensa é um plano de incentivo que atribui pontuações como recompensas a diferentes zonas na pista.
• Episódio: Um episódio começa no estado inicial, quando o carro sai da posição inicial e termina no estado terminal, quando termina uma volta, esbarra em um obstáculo ou sai da pista.

Em um modelo de aprendizado de reforço, um agente aprende em um ambiente interativo em tempo real por tentativa e erro usando feedback de suas próprias ações . O feedback é dado na forma de recompensas .

IA generativa com AWS DeepCoser

AWS DeepComposer

O AWS DeepComposer oferece uma maneira criativa e fácil de começar com o aprendizado de máquina (ML), especificamente IA generativa. Consiste em um teclado USB que se conecta ao seu computador à Melody de entrada e ao console do AWS DeepCoser , que inclui o AWS DeepComposer Music Studio para gerar música, aprendendo cápsulas para mergulhar profundamente em modelos generativos de IA e a AWS DeepComposer Chartbusters desafiam a ML habilidades.

AWS DeepComposer Music Studio

Para gerar, criar e editar composições com o AWS DeepCoser, você usa o estúdio de música do AWS DeepCoser. Para começar, você precisa de uma faixa de entrada e um modelo treinado.

Para a faixa de entrada, você pode usar uma faixa de amostra, gravar uma faixa personalizada ou importar uma faixa.

Cada experiência do AWS DeepCoser Music Studio suporta três técnicas generativas de IA diferentes: redes adversárias generativas (GANs), Rede Neural Convolucional Autorregressiva (AR-CNNs) e Transformers.

• Use a técnica GAN para criar faixas de acompanhamento.
• Use a técnica AR-CNN para modificar as notas na sua faixa de entrada.
• Use a técnica dos transformadores para estender sua faixa de entrada por até 30 segundos.

Gans com AWS DeepCoser

Um GaN é um tipo de modelo generativo de aprendizado de máquina que coloca duas redes neurais para gerar novo conteúdo: um gerador e um discriminador.

• Um gerador é uma rede neural que aprende a criar novos dados semelhantes aos dados de origem nos quais foram treinados.
• Um discriminador é outra rede neural treinada para diferenciar dados reais e sintéticos.

O gerador e o discriminador são treinados em ciclos alternados. O gerador aprende a produzir dados cada vez mais realistas, enquanto o discriminador fica melhor em aprender a diferenciar dados reais dos dados recém -criados.

Durante o treinamento, o gerador e o discriminador trabalham em um loop apertado, conforme mostrado na imagem a seguir.

AR-CNN com AWS DeepCoser

Para treinar o modelo AR-CNN para prever quando as anotações precisam ser adicionadas ou removidas da sua faixa de entrada (Evento de edição), o modelo atualiza iterativamente a faixa de entrada para soar mais com o conjunto de dados de treinamento. Durante o treinamento, o modelo também é desafiado a detectar diferenças entre um rolo de piano original e um rolo de piano recém -modificado.