Публикации по теме 'sagemaker'
Как развернуть контейнер персонализированной модели на AWS Sagemaker с помощью Docker и Flask
Простой шаблон… прямо к делу
Существует множество способов развертывания модели с помощью AWS Sagemaker, и иногда бывает сложно решить, какой из них выбрать. Преимущество метода, описанного в этом руководстве ( Принесите свою собственную модель ), заключается в том, что он универсален, но при этом относительно прост в реализации. То есть он будет работать со всеми платформами, в отличие от некоторых других более строгих подходов ( Принесите свою собственную модель ). Например, на..
Генеративный ИИ в финансовых услугах — «Получите ценную информацию о взаимодействии клиента и агента с помощью Amazon…
Генеративный ИИ покорил мир и вызвал массовые дискуссии о том, какие варианты использования можно решить с помощью этих удивительных технологий.
В этом блоге мы сосредоточимся на очень популярном примере использования, связанном с созданием аналитики после звонка и извлечением информации для агента по обслуживанию клиентов в банке (давайте назовем его AnyBank).
Таким образом, AnyBank ежедневно получает тысячи звонков от клиентов, поэтому все его агенты заняты круглосуточно и без выходных...
Пример 1 AWS. Применение машинного обучения к данным, хранящимся в S3
В этой статье с использованием AWS; Хранение данных и применение алгоритмов машинного обучения к сохраненным данным объясняются на простом примере.
Первым использованным инструментом AWS был S3, Simple Storage Service, то есть простой сервис хранения данных. (Следует отметить, что служба хранения и область хранения — это разные вещи.) Используя S3, данные можно хранить в Интернете столько, сколько необходимо, и к ним можно получить доступ в любое время. Кроме того, можно создать..
Быстрая и масштабируемая настройка гиперпараметров и перекрестная проверка в AWS SageMaker
Использование управляемых теплых пулов SageMaker
В этой статье приводится рецепт ускорения до 60% настройки гиперпараметров с помощью перекрестной проверки в SageMaker Pipelines с использованием управляемых теплых пулов SageMaker. При использовании теплых пулов время выполнения шага настройки со 120 последовательными заданиями сокращается с 10 до 4 часов .
Для улучшения и оценки производительности модели машинного обучения часто требуются различные ингредиенты. Два таких..
Раскрытие волшебства: в чем сила AI/ML и как реализовать ее с помощью AWS SageMaker
Что такое ИИ?
ИИ (искусственный интеллект) относится к области компьютерных наук, которая фокусируется на создании интеллектуальных машин, способных имитировать и выполнять задачи, которые обычно требуют человеческого интеллекта. ИИ охватывает различные области, такие как машинное обучение, обработка естественного языка, компьютерное зрение и робототехника.
Что такое машинное обучение?
ML (машинное обучение) — это подмножество ИИ, которое включает в себя разработку..
Автоматическое масштабирование конечных точек SageMaker в реальном времени
Перенесите свои рабочие нагрузки машинного обучения в производство
Одно дело иметь работающую конечную точку для логического вывода. Другое дело — убедиться, что конечная точка может обрабатывать ожидаемый трафик. С Конечными точками SageMaker Real-Time необходимо учитывать множество факторов, когда дело доходит до запуска моделей в производство. Какой тип экземпляра вы используете для конечной точки? Что еще более важно для этого варианта использования, сколько экземпляров у..
Пример 2 AWS — линейная регрессия с Sagemaker
В предыдущей статье мы получили доступ к данным, хранящимся в S3, из SageMaker и подготовили их для машинного обучения.
В этой статье демонстрируется применение линейной регрессии к данным.
Все данные, для которых будет применяться линейная регрессия, должны быть числовыми. Поскольку единственным нечисловым параметром является информация о дате, в качестве первого шага мы делаем информацию о дате числовой.
from sklearn.preprocessing import OrdinalEncoder
ord_enc = OrdinalEncoder()..
