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.
Amazon SageMaker JumpStart -Branche: Finanzen
Verwenden Sie SageMaker JumpStart Industrie: Finanzlösungen, Modelle und Beispielnotizbücher, um anhand kuratierter einstufiger Lösungen und Beispielnotizbücher für branchenorientierte Probleme mit Machine Learning (ML) mehr über SageMaker Features und Funktionen zu erfahren. In den Notebooks wird auch beschrieben, wie Sie das SageMaker JumpStart Industry Python SDK verwenden, um Industrietextdaten zu verbessern und vortrainierte Modelle zu optimieren.
Themen
- Amazon SageMaker JumpStart Industry Python SDK
- Amazon SageMaker JumpStart Industry: Finanzlösung
- Amazon SageMaker JumpStart Industry: Finanzmodelle
- Amazon SageMaker JumpStart Industry: Finanzbeispiel-Notebooks
- Amazon SageMaker JumpStart Industry: Finanzblogbeiträge
- Amazon SageMaker JumpStart Industry: Finanzbezogene Forschung
- Amazon SageMaker JumpStart Industry: Finanzielle zusätzliche Ressourcen
Amazon SageMaker JumpStart Industry Python SDK
SageMaker Laufzeit JumpStart bietet Verarbeitungstools für die Auswahl von Branchendatensätzen und die Feinabstimmung vortrainierter Modelle über die Client-Bibliothek namens SageMaker JumpStart Industry Python SDK. Eine ausführliche API-Dokumentation des SDK und weitere Informationen zur Verarbeitung und Verbesserung von Industrietextdatensätzen zur Verbesserung der Leistung von state-of-the-art Modellen in SageMaker JumpStartfinden Sie in der SageMaker JumpStart Open-Source-Dokumentation zum Industrie-Python-SDK
Amazon SageMaker JumpStart Industry: Finanzlösung
SageMaker JumpStart Branche: Finanzen bietet die folgenden Lösungsnotizbücher:
-
Prognose der Kreditwürdigkeit von Unternehmen
Diese SageMaker JumpStart Industrie: Finanzlösung bietet eine Vorlage für ein textgestütztes Unternehmensguthaben-Bewertungsmodell. Sie zeigt, wie ein auf numerischen Merkmalen basierendes Modell (in diesem Fall die berühmten 5 Finanzkennzahlen von Altman) mit Texten aus Unterlagen der Börsenaufsicht kombiniert werden kann, um die Vorhersage von Kreditratings zu verbessern. Zusätzlich zu den 5 Altman-Verhältnissen können Sie bei Bedarf weitere Variablen hinzufügen oder benutzerdefinierte Variablen festlegen. Dieses Lösungsnotizbuch zeigt, wie das SageMaker JumpStart Industry Python SDK hilft, die Bewertung von Texten aus SEC-Einreichungen durch natürliche Sprache zu verarbeiten (NLP). Darüber hinaus zeigt die Lösung, wie ein Modell mithilfe des erweiterten Datensatzes trainiert wird, um ein best-in-class Modell zu erreichen, das Modell für die Produktion auf einem SageMaker Endpunkt bereitzustellen und verbesserte Vorhersagen in Echtzeit zu erhalten.
-
Auf Grafiken basierende Kreditwürdigkeitsprüfung
Kreditratings werden traditionell anhand von Modellen generiert, die Jahresabschlussdaten und Marktdaten verwenden, die nur tabellarisch (numerisch und kategorisch) sind. Diese Lösung baut anhand von Unterlagen der SEC
Anmerkung
Die Lösungs-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Diese Finanzdienstleistungslösungen finden Sie auf der SageMaker JumpStart Seite in Studio Classic.
Wichtig
Ab dem 30. November 2023 heißt die vorherige Amazon SageMaker Studio-Erfahrung jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich speziell auf die Verwendung der Studio Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Umgebung finden Sie unter Amazon SageMaker Studio.
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und ausgeführt. Melden Sie sich bei der SageMaker -Konsole
Amazon SageMaker JumpStart Industry: Finanzmodelle
SageMaker JumpStart Industrie: Finanzen bietet die folgenden vortrainierten Modelle für den robust optimierten BERT-Ansatz (RoBERTa
-
Einbettung von Finanztexten (Roberta-SEC-Base)
-
Roberta-SEC-Wiki-Basis
-
Roberta-SEC-groß
-
Roberta-Sec-Wiki-groß
Bei den Modellen Roberta-SEC-Base und Roberta-SEC-Large handelt es sich um Modelle zur Texteinbettung, die auf dem RoberTA-Modell von GluonNLP
Sie finden diese Modelle in , SageMaker JumpStart indem Sie zum Knoten Textmodelle navigieren, Alle Textmodelle erkunden auswählen und dann nach der ML-Aufgabentexteinbettung filtern. Sie können auf alle entsprechenden Notizbücher zugreifen, nachdem Sie das Modell Ihrer Wahl ausgewählt haben. Die gekoppelten Notebooks führen Sie durch die Feinabstimmung der vortrainierten Modelle für bestimmte Klassifizierungsaufgaben in multimodalen Datensätzen, die durch das SageMaker JumpStart Industry Python SDK erweitert werden.
Anmerkung
Die Modell-Notebooks dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Der folgende Screenshot zeigt die vortrainierten Modellkarten, die über die SageMaker JumpStart Seite in Studio Classic bereitgestellt werden.
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und ausgeführt. Melden Sie sich bei der SageMaker Konsole
Amazon SageMaker JumpStart Industry: Finanzbeispiel-Notebooks
SageMaker JumpStart Industrie: Finanzen bietet die folgenden Beispielnotizbücher, um Lösungen für branchenorientierte ML-Probleme zu demonstrieren:
-
TabText Finanzdatensammlung – In diesem Beispiel wird die Verwendung des SageMaker JumpStart Industry Python SDK für die Verarbeitung der SEC-Einreichungen vorgestellt, z. B. Textzusammenfassung und Bewertungstexte basierend auf NLP-Score-Typen und den entsprechenden Wortlisten. Eine Vorschau des Inhalts dieses Notizbuches finden Sie unter Einfache Erstellung eines multimodalen Datensatzes aus SEC-Unterlagenund NLP-Ergebnissen
. -
Multimodales ML in TabText Daten – Dieses Beispiel zeigt, wie Sie verschiedene Arten von Datensätzen in einem einzigen Datenrahmen namens zusammenführen TabText und multimodales ML durchführen. Eine Vorschau des Inhalts dieses Notebooks finden Sie unter Machine Learning auf einem TabText Datenrahmen – Ein Beispiel, das auf dem Paycheck Protection Program basiert
. -
ML mit mehreren Kategorien in SEC-Einreichungsdaten – Dieses Beispiel zeigt, wie ein AutoGluon NLP-Modell anhand der multimodalen (TabText) Datensätze trainiert wird, die aus SEC-Einreichungen für eine Mehrklassen-Klassifizierungsaufgabe kuratiert wurden. Klassifizieren Sie SEC 10K/Q-Einreichungen anhand der MDNA-Textspalte nach Branchencodes
.
Anmerkung
Die Beispiel-Notizbücher dienen nur zu Demonstrationszwecken. Sie sollten sich nicht als Finanz- oder Anlageberatung heranziehen.
Anmerkung
Die SageMaker JumpStart Branche: Finanzlösungen, Modellkarten und Beispiel-Notebooks werden nur über SageMaker Studio Classic gehostet und ausgeführt. Melden Sie sich bei der SageMaker Konsole
Eine Vorschau des Inhalts der Beispiel-Notebooks finden Sie unter Tutorials – Finanzen
Amazon SageMaker JumpStart Industry: Finanzblogbeiträge
Ausführliche Anwendungen zur Verwendung von SageMaker JumpStart Industrie: Finanzlösungen, Modelle, Beispiele und das SDK finden Sie in den folgenden Blogbeiträgen:
Amazon SageMaker JumpStart Industry: Finanzbezogene Forschung
Weitere Informationen zu SageMaker JumpStart Industrie: Finanzlösungen finden Sie in den folgenden Artikeln:
Amazon SageMaker JumpStart Industry: Finanzielle zusätzliche Ressourcen
Weitere Dokumentation und Tutorials finden Sie in den folgenden Ressourcen:
