Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
SageMaker JumpStart Amazon-Branche: Finanzwesen
Verwenden Sie SageMaker JumpStart Industry: Financial Solutions, Models und Beispiel-Notizbücher, um anhand kuratierter, einstufiger Lösungen und Beispielnotizbücher für branchenspezifische Probleme des maschinellen Lernens (ML) mehr über SageMaker Funktionen und Fähigkeiten zu erfahren. In den Notizbüchern wird auch beschrieben, wie das SageMaker JumpStart Industry Python SDK verwendet werden kann, um Branchentextdaten zu verbessern und vortrainierte Modelle zu optimieren.
Themen
- Amazon SageMaker JumpStart Industry Python SDK
- Amazon SageMaker JumpStart Industry: Finanzlösung
- SageMaker JumpStart Amazon-Industrie: Finanzmodelle
- Amazon SageMaker JumpStart Industry: Notizbücher mit Finanzbeispielen
- Amazon SageMaker JumpStart Industry: Blog-Beiträge zum Thema Finanzen
- Amazon SageMaker JumpStart Industry: Finanzbezogene Forschung
- Amazon SageMaker JumpStart Industry: Zusätzliche finanzielle Ressourcen
Amazon SageMaker JumpStart Industry Python SDK
SageMaker JumpStart bietet über seine Client-Bibliothek Industry Python SDK Verarbeitungstools für die Kuratierung von SageMaker JumpStart Branchendatensätzen und die Feinabstimmung vortrainierter Modelle. Eine ausführliche API-Dokumentation des SDK und weitere Informationen zur Verarbeitung und Verbesserung von Branchentextdatensätzen zur Verbesserung der Leistung von state-of-the-art Modellen finden Sie in der Open-Source-Dokumentation zumSageMaker JumpStart Industry Python SDK
Amazon SageMaker JumpStart Industry: Finanzlösung
SageMaker JumpStart Branche: Financial bietet die folgenden Lösungsnotizbücher an:
-
Prognose der Bonität von Unternehmen
Diese SageMaker JumpStart Industry: Financial Solution bietet eine Vorlage für ein textgestütztes Modell zur Bonität von Unternehmen. Es zeigt, wie ein Modell, das auf numerischen Merkmalen basiert (in diesem Fall den berühmten 5 Finanzkennzahlen von Altman), kombiniert mit Texten aus den Unterlagen der SEC, um eine Verbesserung der Ratingprognose zu erreichen. Zusätzlich zu den 5 Altman-Verhältnissen können Sie nach Bedarf weitere Variablen hinzufügen oder benutzerdefinierte Variablen festlegen. Dieses Lösungsheft zeigt, wie das SageMaker JumpStart Industry Python SDK dabei hilft, die Bewertung von Texten aus SEC-Unterlagen (Natural Language Processing) zu verarbeiten. Darüber hinaus demonstriert die Lösung, wie ein Modell mithilfe des erweiterten Datensatzes trainiert werden kann, um ein best-in-class Modell zu erstellen, das Modell an einem SageMaker Endpunkt für die Produktion bereitzustellen und verbesserte Vorhersagen in Echtzeit zu erhalten.
-
Graphengestütztes Kreditrating
Kreditratings werden traditionell anhand von Modellen generiert, die Jahresabschlussdaten und Marktdaten verwenden, die nur tabellarisch (numerisch und kategorisch) vorliegen. Diese Lösung baut ein Netzwerk von Unternehmen auf der Grundlage von SEC-Unterlagen
Die Lösungshefte dienen nur zu Demonstrationszwecken. Sie sollten nicht als Finanz- oder Anlageberatung in Anspruch genommen werden.
Sie finden diese Finanzdienstleistungslösungen auf der SageMaker JumpStart Seite in Studio.
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispielnotizbücher werden nur über SageMaker Studio gehostet und können ausgeführt werden. Melden Sie sich bei der SageMaker Konsole
SageMaker JumpStart Amazon-Industrie: Finanzmodelle
SageMaker JumpStart Branche: Financial bietet die folgenden vortrainierten Modelle des Robustly Optimized BERT Approach (RobertA)
-
Einbettung von Finanztexten (Roberta-SEC-Base)
-
Roberta-Sec-Wiki-Basis
-
Roberta-Sec-Large
-
Roberta-Sec-Wiki-Large
Die Modelle Roberta-Sec-Base und Roberta-Sec-Large sind die Texteinbettungsmodelle, die auf dem RobertA-Modell von GluonNLP
Sie finden diese Modelle, SageMaker JumpStart indem Sie zum Knoten Textmodelle navigieren, „Alle Textmodelle durchsuchen“ auswählen und dann nach der Texteinbettung für die ML-Aufgabe filtern. Sie können auf alle entsprechenden Notizbücher zugreifen, nachdem Sie das Modell Ihrer Wahl ausgewählt haben. In den gepaarten Notizbüchern erfahren Sie, wie die vortrainierten Modelle für spezifische Klassifikationsaufgaben in multimodalen Datensätzen, die durch das SageMaker JumpStart Industry Python SDK erweitert werden, optimiert werden können.
Die Modell-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten nicht als Finanz- oder Anlageberatung in Anspruch genommen werden.
Der folgende Screenshot zeigt die vortrainierten Modellkarten, die auf der SageMaker JumpStart Seite in Studio bereitgestellt werden.
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispielnotizbücher werden nur über SageMaker Studio gehostet und können ausgeführt werden. Melden Sie sich bei der SageMaker Konsole
Amazon SageMaker JumpStart Industry: Notizbücher mit Finanzbeispielen
SageMaker JumpStart Industry: Financial stellt die folgenden Beispiel-Notizbücher zur Veranschaulichung von Lösungen für branchenspezifische ML-Probleme zur Verfügung:
-
Konstruktion von TabText Finanzdaten — In diesem Beispiel wird vorgestellt, wie das SageMaker JumpStart Industry Python SDK für die Verarbeitung der SEC-Unterlagen verwendet wird, z. B. für die Textzusammenfassung und die Bewertung von Texten auf der Grundlage von NLP-Scoretypen und den entsprechenden Wortlisten. Eine Vorschau des Inhalts dieses Notizbuchs finden Sie unter Einfache Erstellung eines multimodalen Datensatzes aus SEC-Unterlagen und NLP-Ergebnissen
. -
Multimodales ML für TabText Daten — Dieses Beispiel zeigt, wie verschiedene Arten von Datensätzen in einem einzigen Datenrahmen, der als multimodales ML bezeichnet wird, zusammengeführt TabText und ausgeführt werden. Eine Vorschau des Inhalts dieses Notizbuchs finden Sie unter Machine Learning in einem TabText Datenrahmen — Ein Beispiel auf der Grundlage des Paycheck Protection Program
. -
Mehrkategorisches ML für SEC-Anmeldedaten — Dieses Beispiel zeigt, wie ein AutoGluon NLP-Modell anhand der multimodalen (TabText) Datensätze trainiert wird, die aus den SEC-Unterlagen kuratiert wurden, für eine klassenübergreifende Klassifizierungsaufgabe. Klassifizieren Sie SEC 10K/Q-Einreichungen anhand der MDNA-Textspalte nach Branchencodes
.
Die Beispielnotizbücher dienen nur zu Demonstrationszwecken. Sie sollten nicht als Finanz- oder Anlageberatung in Anspruch genommen werden.
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispielnotizbücher werden nur über SageMaker Studio gehostet und können ausgeführt werden. Melden Sie sich bei der SageMaker Konsole
Eine Vorschau des Inhalts der Beispielnotizbücher finden Sie unter Tutorials — Finanzen
Amazon SageMaker JumpStart Industry: Blog-Beiträge zum Thema Finanzen
Ausführliche Anwendungen zur Verwendung von SageMaker JumpStart Industry: Financial solutions, models, examples und dem SDK finden Sie in den folgenden Blogbeiträgen:
Amazon SageMaker JumpStart Industry: Finanzbezogene Forschung
Forschungsarbeiten zum Thema SageMaker JumpStart Industrie: Finanzlösungen finden Sie in den folgenden Artikeln:
Amazon SageMaker JumpStart Industry: Zusätzliche finanzielle Ressourcen
Weitere Dokumentation und Tutorials finden Sie in den folgenden Ressourcen:
