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.

# Built-in Algorithmen und vortrainierte Modelle in Amazon SageMaker
<a name="algos"></a>

Amazon SageMaker bietet eine Reihe integrierter Algorithmen, vortrainierter Modelle und vorgefertigter Lösungsvorlagen, um Datenwissenschaftlern und Machine-Learning-Experten dabei zu helfen, schnell mit dem Training und der Implementierung von Modellen für maschinelles Lernen zu beginnen. Für jemanden, der noch nicht damit vertraut ist SageMaker, kann die Auswahl des richtigen Algorithmus für Ihren speziellen Anwendungsfall eine schwierige Aufgabe sein. Die folgende Tabelle enthält einen kurzen Spickzettel, der zeigt, wie Sie mit einem Beispielproblem oder Anwendungsfall beginnen und einen geeigneten integrierten Algorithmus finden können SageMaker , der für diesen Problemtyp gültig ist. Zusätzliche Anleitungen, die nach Lernparadigmen (beaufsichtigt und unbeaufsichtigt) und wichtigen Datendomains (Text und Bilder) geordnet sind, finden Sie in den Abschnitten nach der Tabelle.

Tabelle: Zuordnung von Anwendungsfällen zu integrierten Algorithmen



- **[Pre-trained Modelle und vorgefertigte Lösungsvorlagen](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)**
  - **** -Problemtypen**:** Bildklassifizierung<br />Tabellarische Klassifizierung<br />Tabellarische Regression<br />Textklassifizierung<br />Objekterkennung<br />Einbettung von Text<br />Beantwortete Frage<br />Klassifizierung von Satzpaaren<br />Einbettung von Bildern<br />Named Entity Recognition<br />Instance-Segmentierung<br />Textgenerierung<br />Textzusammenfassung<br />Semantische Segmentierung<br />Maschinelle Übersetzung
  - ****Beispiele für Probleme und Anwendungsfälle**:** Hier einige Beispiele der 15 Problemtypen, die mit den von Amazon bereitgestellten vortrainierten Modellen und vorgefertigten Lösungsvorlagen behoben werden können: SageMaker JumpStart<br />Beantwortung von Fragen: Chatbot, der eine Antwort auf eine bestimmte Frage ausgibt.<br />Textanalyse: Analysieren Sie Texte aus Modellen, die für eine bestimmte Branche wie Finanzen spezifisch sind.
  - ****Dateneingabeformat**:** Bild, Text, Tabellarisch
  - ****Built-in Algorithmen**:** Beliebte Modelle, darunter Mobilenet, YOLO, Faster, BERT, LightGBM R-CNN und CatBoost<br />[Eine Liste der verfügbaren vortrainierten Modelle finden Sie unter Modelle. JumpStart ](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html#jumpstart-models)<br />[Eine Liste der verfügbaren vorgefertigten Lösungsvorlagen finden Sie unter JumpStart Lösungen.](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html#jumpstart-solutions)

- ** [Überwachtes Lernen](#algorithms-built-in-supervised-learning) **
  - **** -Problemtypen**:** Binary/multi-class Klassifizierung / ****Beispiele für Probleme und Anwendungsfälle**:** Sagen Sie voraus, ob ein Artikel zu einer Kategorie gehört: einem E-Mail-Spamfilter / ****Dateneingabeformat**:** Tabellarisch / ****Built-in Algorithmen**:** [AutoGluon-Tabular](autogluon-tabular.md), [CatBoost](catboost.md), [Faktorisierungsmaschinen Algorithmus](fact-machines.md), [K-Nearest Algorithmus für Nachbarn (k-NN)](k-nearest-neighbors.md), [LightGBM](lightgbm.md), [Algorithmus für lineares Lernen](linear-learner.md), [TabTransformer](tabtransformer.md), [XGBoost-Algorithmus mit Amazon AI SageMaker](xgboost.md)
  - **** -Problemtypen**:** Regression / ****Beispiele für Probleme und Anwendungsfälle**:** Einen numeric/continuous Wert vorhersagen: Schätzen Sie den Wert eines Hauses / ****Dateneingabeformat**:** Tabellarisch / ****Built-in Algorithmen**:** [AutoGluon-Tabular](autogluon-tabular.md), [CatBoost](catboost.md), [Faktorisierungsmaschinen Algorithmus](fact-machines.md), [K-Nearest Algorithmus für Nachbarn (k-NN)](k-nearest-neighbors.md), [LightGBM](lightgbm.md), [Algorithmus für lineares Lernen](linear-learner.md), [TabTransformer](tabtransformer.md), [XGBoost-Algorithmus mit Amazon AI SageMaker](xgboost.md)
  - **** -Problemtypen**:** Time-series Prognose / ****Beispiele für Probleme und Anwendungsfälle**:** Prognostizieren Sie basierend auf historischen Daten für ein künftiges Verhalten: Prognostizieren Sie Verkäufe für ein neues Produkt auf der Grundlage früherer Verkaufsdaten. / ****Dateneingabeformat**:** Tabellarisch / ****Built-in Algorithmen**:** [Verwenden Sie den SageMaker AI DeepAR-Prognosealgorithmus](deepar.md)
  - **** -Problemtypen**:** Einbettungen: Wandelt Objekte mit hoher Dimensionalität in Umgebung mit niedriger Dimensionalität um. / ****Beispiele für Probleme und Anwendungsfälle**:** Verbessern Sie die Dateneinbettung von Objekten mit hoher Dimensionalität: Identifizieren Sie doppelte Support-Tickets oder finden Sie anhand der Ähnlichkeit des Textes in den Tickets die richtige Weiterleitung / ****Dateneingabeformat**:** Tabellarisch / ****Built-in Algorithmen**:** [Object2Vec-Algorithmus](object2vec.md)

- **[Unüberwachtes Lernen](#algorithms-built-in-unsupervised-learning)**
  - **** -Problemtypen**:** Feature Engineering: Reduzierung der Dimensionalität / ****Beispiele für Probleme und Anwendungsfälle**:** Löschen Sie die Spalten aus einem Datensatz, die eine schwache Beziehung zu der label/target Variablen haben: der Farbe eines Autos bei der Vorhersage seines Kilometerstands. / ****Dateneingabeformat**:** Tabellarisch / ****Built-in Algorithmen**:** [Algorithmus für die Hauptkomponentenanalyse (Principal Component Analysis, PCA)](pca.md)
  - **** -Problemtypen**:** Anomalie-Erkennung / ****Beispiele für Probleme und Anwendungsfälle**:** Erkennen Sie abnormales Verhalten in der Anwendung: Stellen Sie fest, wenn ein IoT-Sensor abnormale Messwerte sendet / ****Dateneingabeformat**:** Tabellarisch / ****Built-in Algorithmen**:** [Random Cut Forest (RCF)-Algorithmus](randomcutforest.md)
  - **** -Problemtypen**:** IP-Anomalie-Erkennung / ****Beispiele für Probleme und Anwendungsfälle**:** Schützen Sie Ihre Anwendung vor verdächtigen Benutzern: Stellen Sie fest, ob eine IP-Adresse, die auf einen Dienst zugreift, möglicherweise von einem schlechten Akteur stammt / ****Dateneingabeformat**:** Tabellarisch / ****Built-in Algorithmen**:** [IP Insights](ip-insights.md)
  - **** -Problemtypen**:** Clustering oder Gruppierung / ****Beispiele für Probleme und Anwendungsfälle**:** Gruppieren Sie ähnliche objects/data Produkte: Suchen Sie anhand ihrer Transaktionshistorie nach Kunden mit hohen, mittleren und niedrigen Ausgaben / ****Dateneingabeformat**:** Tabellarisch / ****Built-in Algorithmen**:** [K-Means Algorithmus](k-means.md)
  - **** -Problemtypen**:** Themenmodellierung / ****Beispiele für Probleme und Anwendungsfälle**:** Organisieren Sie eine Reihe von Dokumenten nach Themen (die im Voraus nicht bekannt sind): Kennzeichnen Sie ein Dokument basierend auf der im Dokument verwendeten Begriffe als zu einer medizinischen Kategorie gehörig. / ****Dateneingabeformat**:** Text / ****Built-in Algorithmen**:** [Latent Dirichlet Allocation (LDA)-Algorithmus](lda.md), [Algorithmus für neuronale Themenmodellierung (NTM)](ntm.md)

- ** [Textuelle Analyse](#algorithms-built-in-text-analysis) **
  - **** -Problemtypen**:** Textklassifizierung  / ****Beispiele für Probleme und Anwendungsfälle**:** Ordnen Sie Dokumenten in einem Korpus vordefinierte Kategorien zu: kategorisieren Sie Bücher in einer Bibliothek nach akademischen Disziplinen / ****Dateneingabeformat**:** Text / ****Built-in Algorithmen**:** [BlazingText Algorithmus](blazingtext.md), [Textklassifizierung - TensorFlow](text-classification-tensorflow.md)
  - **** -Problemtypen**:** Maschinelle ÜbersetzungAlgorithmus / ****Beispiele für Probleme und Anwendungsfälle**:** Text von einer Sprache in eine andere umwandeln: Spanisch > Englisch / ****Dateneingabeformat**:** Text / ****Built-in Algorithmen**:** [Sequence-to-Sequence Algorithmus](seq-2-seq.md)
  - **** -Problemtypen**:** Textzusammenfassung / ****Beispiele für Probleme und Anwendungsfälle**:** Fassen Sie einen langen Textkorpus zusammen: ein Überblick über eine Forschungsarbeit / ****Dateneingabeformat**:** Text / ****Built-in Algorithmen**:** [Sequence-to-Sequence Algorithmus](seq-2-seq.md)
  - **** -Problemtypen**:** Speech-to-text / ****Beispiele für Probleme und Anwendungsfälle**:** Audiodateien in Text umwandeln: Transkribieren Sie Callcenter-Konversationen zur weiteren Analyse / ****Dateneingabeformat**:** Text / ****Built-in Algorithmen**:** [Sequence-to-Sequence Algorithmus](seq-2-seq.md)

- **[Bildverarbeitung](#algorithms-built-in-image-processing)**
  - **** -Problemtypen**:** Klassifizierung von Bildern und Multi-Labels / ****Beispiele für Probleme und Anwendungsfälle**:** Label/tag ein Bild, das auf dem Inhalt des Bildes basiert: Warnmeldungen zu Inhalten für Erwachsene in einem Bild / ****Dateneingabeformat**:** Image / ****Built-in Algorithmen**:** [Bildklassifizierung – MXNet](image-classification.md)
  - **** -Problemtypen**:** Bildklassifizierung / ****Beispiele für Probleme und Anwendungsfälle**:** Klassifizieren Sie mithilfe von Transfer Learning etwas in einem Bild. / ****Dateneingabeformat**:** Image / ****Built-in Algorithmen**:** [Bildklassifizierung - TensorFlow](image-classification-tensorflow.md)
  - **** -Problemtypen**:** Erkennung und Klassifizierung von Objekten / ****Beispiele für Probleme und Anwendungsfälle**:** Erkennen Sie Personen und Objekte auf einem Bild: Die Polizei sucht in einer großen Bildergalerie nach einer vermissten Person / ****Dateneingabeformat**:** Image / ****Built-in Algorithmen**:** [Objekterkennung – MXNet](object-detection.md), [Objekterkennung - TensorFlow](object-detection-tensorflow.md)
  - **** -Problemtypen**:** Computervision / ****Beispiele für Probleme und Anwendungsfälle**:** Kennzeichnen Sie jedes Pixel eines Bildes einzeln mit einer Kategorie: Selbstfahrende Autos bereiten sich darauf vor, Objekte zu identifizieren, die ihnen im Weg sind / ****Dateneingabeformat**:** Image / ****Built-in Algorithmen**:** [Semantischer Segmentierungsalgorithm](semantic-segmentation.md)



Wichtige Informationen zu den folgenden Elementen, die allen von SageMaker KI bereitgestellten integrierten Algorithmen gemeinsam sind, finden Sie unter[Parameter für Algorithmen Built-in](common-info-all-im-models.md).
+ Docker-Registry-Pfade
+ Datenformate
+ empfohlene Amazon-EC2-Instance-Typen
+ CloudWatch Logs

Die folgenden Abschnitte enthalten zusätzliche Anleitungen zu den integrierten Algorithmen von Amazon SageMaker AI, gruppiert nach den Paradigmen für überwachtes und unbeaufsichtigtes Lernen, zu denen sie gehören. Eine Beschreibung dieser Lernparadigmen und der damit verbundenen Problemtypen finden Sie unter [Arten von Algorithmen](algorithms-choose.md). Es werden auch Abschnitte zu den integrierten SageMaker KI-Algorithmen bereitgestellt, die für zwei wichtige Bereiche des maschinellen Lernens verfügbar sind: Textanalyse und Bildverarbeitung.
+ [Pre-trained Modelle und Lösungsvorlagen](#algorithms-built-in-jumpstart)
+ [Überwachtes Lernen](#algorithms-built-in-supervised-learning)
+ [Unüberwachtes Lernen](#algorithms-built-in-unsupervised-learning)
+ [Textuelle Analyse](#algorithms-built-in-text-analysis)
+ [Bildverarbeitung](#algorithms-built-in-image-processing)

## Pre-trained Modelle und Lösungsvorlagen
<a name="algorithms-built-in-jumpstart"></a>

Amazon SageMaker JumpStart bietet eine große Auswahl an vortrainierten Modellen, vorgefertigten Lösungsvorlagen und Beispielen für beliebte Problemtypen. Diese verwenden sowohl das SageMaker SDK als auch Studio Classic. Weitere Informationen zu diesen Modellen, Lösungen und den von Amazon SageMaker JumpStart bereitgestellten Beispiel-Notebooks finden Sie unter[SageMaker JumpStart vortrainierte Modelle](studio-jumpstart.md).

## Überwachtes Lernen
<a name="algorithms-built-in-supervised-learning"></a>

Amazon SageMaker AI bietet mehrere integrierte Allzweckalgorithmen, die entweder für Klassifizierungs- oder Regressionsprobleme verwendet werden können.
+ [AutoGluon-Tabular](autogluon-tabular.md) – Ein Open-Source-AutoML-Framework, das erfolgreich ist, indem es Modelle zusammenfügt und sie in mehreren Ebenen stapelt. 
+ [CatBoost](catboost.md) – Eine Implementierung des Gradient-Boosted Trees-Algorithmus, der ein geordnetes Boosting und einen innovativen Algorithmus für die Verarbeitung kategorischer Features einführt.
+ [Faktorisierungsmaschinen Algorithmus](fact-machines.md) – Eine Erweiterung eines linearen Modells ist darauf ausgelegt, Interaktionen zwischen Funktionen innerhalb von hochdimensionalen Datensätzen mit geringer Dichte automatisch wirtschaftlich zu erfassen.
+ [K-Nearest Algorithmus für Nachbarn (k-NN)](k-nearest-neighbors.md) – Eine nicht-parametrische Methode, bei der die k nächstgelegenen beschrifteten Punkte verwendet werden, um einen Wert zuzuweisen. Bei der Klassifizierung handelt es sich um eine Bezeichnung für einen neuen Datenpunkt. Bei der Regression handelt es sich um einen prognostizierten Zielwert aus dem Durchschnitt der k nächstgelegenen Punkte.
+ [LightGBM](lightgbm.md) – Eine Implementierung des Algorithmus Gradient-Boosted Trees der zwei neuartige Techniken zur Verbesserung der Effizienz und Skalierbarkeit hinzufügt. Diese beiden neuartigen Techniken sind Gradient-based One-Side Sampling (GOSS) und Exclusive Feature Bundling (EFB).
+ [Algorithmus für lineares Lernen](linear-learner.md) – lernt eine lineare Funktion für die Regression oder eine lineare Schwellenwertfunktion für die Klassifizierung.
+ [TabTransformer](tabtransformer.md) – Eine neuartige, tiefgründige, tabellarische Datenmodellierungsarchitektur, die auf Transformatoren basiert, die Eigenverantwortung übernehmen. 
+ [XGBoost-Algorithmus mit Amazon AI SageMaker](xgboost.md) – Eine Implementierung des Gradient-Boosted Trees-Algorithmus, der eine Reihe einfacherer und schwächerer Modelle kombiniert.

Amazon SageMaker AI bietet auch mehrere integrierte Algorithmen für überwachtes Lernen, die für speziellere Aufgaben beim Feature-Engineering und bei Prognosen aus Zeitreihendaten verwendet werden.
+ [Object2Vec-Algorithmus](object2vec.md) – Ein neuer, hochgradig anpassbarer Mehrzweckalgorithmus, der für das Feature Engineering verwendet wird. Er kann dichte Einbettungen mit niedriger Dimensionalität von Objekten mit hoher Dimensionalität erlernen und so Merkmale erzeugen, die das Trainingseffizienz für nachgeschaltete Modelle verbessern. Dabei handelt es sich zwar um einen überwachten Algorithmus, es gibt jedoch viele Szenarien, in denen die Beziehungsbezeichnungen ausschließlich aus natürlichen Clustern in Daten gewonnen werden können. Für das Training sind zwar markierte Daten erforderlich, dies kann jedoch auch ohne ausdrückliche menschliche Anmerkungen erfolgen.
+ [Verwenden Sie den SageMaker AI DeepAR-Prognosealgorithmus](deepar.md) – Ein Algorithmus für überwachtes Lernen zur Prognose von skalaren (eindimensionalen) Zeitreihen mithilfe von wiederkehrenden neuronalen Netzwerken (RNN).

## Unüberwachtes Lernen
<a name="algorithms-built-in-unsupervised-learning"></a>

Amazon SageMaker AI bietet mehrere integrierte Algorithmen, die für eine Vielzahl von unbeaufsichtigten Lernaufgaben verwendet werden können. Zu diesen Aufgaben gehören beispielsweise Clustering, Dimensionsreduzierung, Mustererkennung und Anomalieerkennung.
+ [Algorithmus für die Hauptkomponentenanalyse (Principal Component Analysis, PCA)](pca.md)–reduziert die Dimensionalität (Anzahl der Features) innerhalb eines Datensatzes, indem Datenpunkte auf die ersten Hauptkomponenten projiziert werden. Ziel ist es, so viele Informationen oder Variationen wie möglich beizubehalten. Für Mathematiker sind die Hauptkomponenten Eigenvektoren der Kovarianzmatrix der Daten.
+ [K-Means Algorithmus](k-means.md) – findet diskrete Gruppierungen innerhalb von Daten. Dies ist der Fall, wenn Mitglieder einer Gruppe sich so ähnlich wie möglich sind und sich so stark wie möglich von Mitgliedern anderer Gruppen unterscheiden.
+ [IP Insights](ip-insights.md)–lernt die Nutzungsmuster für IPv4-Adressen kennen. Er wurde entwickelt, um Zuordnungen zwischen IPv4-Adressen und verschiedenen Entitys, wie beispielsweise Benutzer-IDs oder Kontonummern, zu erfassen.
+ [Random Cut Forest (RCF)-Algorithmus](randomcutforest.md) – erkennt anomale Datenpunkte innerhalb eines Datensatzes, die von ansonsten gut strukturierten oder gemusterten Daten abweichen.

## Textuelle Analyse
<a name="algorithms-built-in-text-analysis"></a>

SageMaker KI bietet Algorithmen, die auf die Analyse von Textdokumenten zugeschnitten sind. Dies umfasst Text, der bei der Verarbeitung natürlicher Sprache, der Klassifizierung oder Zusammenfassung von Dokumenten, der Themenmodellierung oder -klassifizierung sowie der Transkription oder Übersetzung von Sprachen verwendet wird.
+ [BlazingText Algorithmus](blazingtext.md) – Eine hochoptimierte Implementierung von Word2VEC und Textklassifizierungsalgorithmen, die sich problemlos auf große Datensätze skalieren lässt. Sie ist nützlich für viele nachgelagerte Aufgaben der natürlichen Sprachverarbeitung (NLP).
+ [Sequence-to-Sequence Algorithmus](seq-2-seq.md) – Ein überwachter Algorithmus wird allgemein für neuronale maschinelle Übersetzung verwendet. 
+ [Latent Dirichlet Allocation (LDA)-Algorithmus](lda.md) – Ein Algorithmus eignet sich für die Bestimmung von Themen in einer Reihe von Dokumenten. Er ist ein *unüberwachter Algorithmus*, was bedeutet, dass während des Trainings keine Beispieldaten mit Antworten verwendet werden.
+ [Algorithmus für neuronale Themenmodellierung (NTM)](ntm.md) – Eine weitere unüberwachte Technik zur Bestimmung von Themen in einer Reihe von Dokumenten mithilfe eines neuronalen Netzwerkansatzes.
+ [Textklassifizierung - TensorFlow](text-classification-tensorflow.md) – Ein überwachter Algorithmus, der Transfer Learning mit verfügbaren vorab trainierten Modellen für die Textklassifizierung unterstützt.

## Bildverarbeitung
<a name="algorithms-built-in-image-processing"></a>

SageMaker KI bietet auch Bildverarbeitungsalgorithmen, die zur Bildklassifizierung, Objekterkennung und Computer Vision verwendet werden.
+ [Bildklassifizierung – MXNet](image-classification.md)–Er verwendet Beispieldaten mit Antworten (bezeichnet als *überwachter Algorithmus*).   Verwenden Sie diesen Algorithmus zur Klassifikation von Bildern.
+ [Bildklassifizierung - TensorFlow](image-classification-tensorflow.md)— verwendet vortrainierte TensorFlow Hub-Modelle zur Feinabstimmung für bestimmte Aufgaben (wird als *überwachter* Algorithmus bezeichnet).   Verwenden Sie diesen Algorithmus zur Klassifikation von Bildern.
+ [Semantischer Segmentierungsalgorithm](semantic-segmentation.md) – bietet einen fein abgestimmten Ansatz auf Pixelebene für die Entwicklung von Computer Vision-Anwendungen.
+ [Objekterkennung – MXNet](object-detection.md) – erkennt und klassifiziert Objekte in Bildern mithilfe eines einzigen tiefen neuronalen Netzwerks. Es handelt sich um einen überwachten Lernalgorithmus, der Bilder als Eingabe akzeptiert und alle Instances von Objekten innerhalb der Bilderszene identifiziert.
+ [Objekterkennung - TensorFlow](object-detection-tensorflow.md) – erkennt Begrenzungsrahmen und Objektbezeichnungen in einem Bild. Es handelt sich um einen Algorithmus für überwachtes Lernen, der Transfer-Lernen mit verfügbaren vortrainierten Modellen unterstützt. TensorFlow 

**Topics**
+ [Pre-trained Modelle und Lösungsvorlagen](#algorithms-built-in-jumpstart)
+ [Überwachtes Lernen](#algorithms-built-in-supervised-learning)
+ [Unüberwachtes Lernen](#algorithms-built-in-unsupervised-learning)
+ [Textuelle Analyse](#algorithms-built-in-text-analysis)
+ [Bildverarbeitung](#algorithms-built-in-image-processing)
+ [Parameter für Algorithmen Built-in](common-info-all-im-models.md)
+ [Built-in SageMaker KI-Algorithmen für tabellarische Daten](algorithms-tabular.md)
+ [Built-in SageMaker KI-Algorithmen für Textdaten](algorithms-text.md)
+ [Built-in SageMaker KI-Algorithmen für Time-Series Daten](algorithms-time-series.md)
+ [Unüberwachte Built-in SageMaker KI-Algorithmen](algorithms-unsupervised.md)
+ [Built-in SageMaker KI-Algorithmen für Computer Vision](algorithms-vision.md)