Ниже приведены важные концепции и сервисы AWS, которые могут потребоваться при реализации решения AWS ML.

Сервисы искусственного интеллекта AWS

Компьютерное зрение

  • Rekognition: Автоматизируйте анализ изображений и видео с помощью машинного обучения
  • Panorama: Улучшите свои операции с помощью компьютерного зрения на периферии.

Бизнес-показатели

  • Прогноз -> Управляемый сервис прогнозирования временных рядов

Язык искусственного интеллекта

  • Comprehend : Извлечение взаимосвязей и метаданных
  • Полли -> Речь в текст
  • Lex -> чат-боты, текст в текст, речь в текст
  • Языковой перевод -> Перевести
  • OCR › Текстовый тракт

Опыт работы с клиентами

  • Персонализация. Улучшите качество обслуживания клиентов, используя машинное обучение для персонализации веб-сайтов и онлайн-приложений.

SageMaker

  • SageMaker — это полностью управляемый сервис AWS, который позволяет разработчикам быстро создавать, обучать и развертывать модели машинного обучения (ML).
  • Hyperparameter Tuning->Collection of Optimal Algorithms
  • Batch Transform —> Large Dataset Transformation and Feature Generation
  • SageMaker Neo → Машинное обучение для облачных и периферийных устройств
  • Конвейеры вывода → предсказание/обслуживание ML без какой-либо предварительной обработки
  • Эластичные вычисления для вывода → Эластичный вывод
  • Standard Scaler > Standardizing Features
  • Номализатор -> нормализовать значение, используя общую шкалу.
  • XGBoost-> Ridge regression to penalize a complex model
  • Feature Engineering->Generating Unique Attributes for Data
  • Dimensionality Reduction-> Convert data features from high dimensions to low dimensions
  • Word2Vec - › Анализ слова в скользящем периоде вдовы с помощью Word2Vec
  • FeatureStore -> DataStore for features (online and offline)

Стриминговые сервисы

  • Kinesis Data Stream: потоковая передача больших объемов данных для обработки.
  • Kinesis Video Stream: потоковое видео для аналитики, машинного обучения или обработки видео
  • Kinesis Firehose: Потоковая передача данных в приемник.
  • Kinesis Data Analytics (KDA): Применение аналитики к данным в реальном времени

Метрики модели

  • Отзыв/чувствительность (% истинных положительных результатов)
  • Специфичность (% истинно отрицательных результатов)
  • Precision
  • Accuracy
  • F1
  • ROC
  • AUC
  • Bias and Variance: Предвзятость — это ошибка, возникающая из-за неверного предположения. Дисперсия относится к изменениям результатов модели с различными наборами обучающих данных.