機器學習概念

我們把討論的範圍限定在最常見的有監督學習的框架內，所謂的機器學習模型，本質上是一個函數，其作用是實現從一個樣本 x 到樣本的標記值 Y 的映射，即 f(x) --> Y 。

當然這樣說太籠統了，事實上機器學習模型需要在給定樣本集合 { x_i |i=1,...,n} 以及其對應標籤 <Y_1, Y_2, ..., Y_n> 的情況下，用假設已知的函數形式 f'(x_i) --> Y_i , 儘可能擬合客觀存在的映射函數f(x_i)--> Y_i ，並且保證f' 在未知同分布樣本上具有儘可能相近的擬合能力。

機器學習工作流是迭代且負責的

Amazon SageMaker Studio

使用 Amazon SageMaker Studio

Amazon SageMaker Autopilot

使用 Amazon SageMaker Autopilot，創建並審查迴歸和分類模型

Amazon SageMaker 幫助您構建、訓練和部署模型

Amazon SageMaker Ground Truth(僅限Global Region)

成功的模型需要高質量數據(僅限Global Region)

Amazon SageMaker Ground Truth工作原理(僅限Global Region)

Amazon SageMaker Processing

Amazon SageMaker Notebooks

Amazon SageMaker Notebooks 共享工作

自動捕獲代碼依賴項

內置算法

AWS Marketplace

成百上千種算法、模型和數據

一鍵式訓練模型

自動模型調優

Experiments

Experiments 跟蹤和管理數千個實驗

Debugger

識別問題 – 例如梯度消失

全託管 SageMaker – 一鍵式模型部署

持續監控 Monitor

識別模型偏移

訓練一次，多處運行，性能提升高達2倍

推理階段的費用佔90%

Elastic Inference 降低深度學習推理成本

Augmented AI 輕鬆構建人工審覈預測所需的工作流

Amazon Augmented AI 的工作原理

編排框架

SageMaker 入門

Amazon SageMaker

Reference Architecture

國內應用