Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Algorithmes intégrés et modèles préentraînés dans Amazon SageMaker
Amazon SageMaker fournit une suite d'algorithmes intégrés, de modèles préentraînés et de modèles de solutions prédéfinis pour aider les data scientists et les praticiens de l'apprentissage automatique à se lancer rapidement dans la formation et le déploiement de modèles d'apprentissage automatique. Pour quelqu'un qui est novice SageMaker, choisir le bon algorithme pour votre cas d'utilisation particulier peut être une tâche difficile. Le tableau suivant fournit un aide-mémoire rapide qui montre comment vous pouvez commencer par un exemple de problème ou de cas d'utilisation et trouver un algorithme intégré approprié et valide pour ce type de problème. SageMaker À la suite du tableau, vous trouverez des conseils supplémentaires organisés par paradigmes d'apprentissage (supervisé et non supervisé) et par domaines de données principaux (textes et images).
Tableau : mappage des cas d'utilisation aux algorithmes intégrés
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/algos.html)
Pour obtenir des informations importantes sur les éléments suivants communs à tous les algorithmes intégrés fournis par l' SageMaker IA, consultez[Paramètres des algorithmes intégrés](common-info-all-im-models.md).
+ chemins de registre Docker
+ formats de données
+ types d’instances Amazon EC2 recommandés
+ CloudWatch journaux
Les sections suivantes fournissent des conseils supplémentaires pour les algorithmes intégrés d'Amazon SageMaker AI regroupés en fonction des paradigmes d'apprentissage supervisé et non supervisé auxquels ils appartiennent. Pour obtenir une description de ces paradigmes d'apprentissage et de leurs types de problèmes associés, consultez [Types d’algorithmes](algorithms-choose.md). Des sections sont également fournies pour les algorithmes intégrés à l' SageMaker IA disponibles pour traiter deux domaines importants de l'apprentissage automatique : l'analyse textuelle et le traitement d'images.
+ [Modèles pré-entraînés et modèles de solutions](#algorithms-built-in-jumpstart)
+ [Apprentissage supervisé](#algorithms-built-in-supervised-learning)
+ [Apprentissage non supervisé](#algorithms-built-in-unsupervised-learning)
+ [Analyse de texte](#algorithms-built-in-text-analysis)
+ [Traitement graphique](#algorithms-built-in-image-processing)
## Modèles pré-entraînés et modèles de solutions
Amazon SageMaker JumpStart propose une large gamme de modèles préformés, de modèles de solutions prédéfinis et d'exemples de types de problèmes courants. Ils utilisent le SageMaker SDK ainsi que Studio Classic. Pour plus d'informations sur ces modèles, ces solutions et les exemples de blocs-notes fournis par Amazon SageMaker JumpStart, consultez[SageMaker JumpStart modèles préentraînés](studio-jumpstart.md).
## Apprentissage supervisé
Amazon SageMaker AI fournit plusieurs algorithmes intégrés à usage général qui peuvent être utilisés pour des problèmes de classification ou de régression.
+ [AutoGluon-Tabulaire](autogluon-tabular.md) : un cadre AutoML open source qui réussit en assemblant des modèles et en les empilant en plusieurs couches.
+ [CatBoost](catboost.md) : une implémentation de l'algorithme d'arborescences de gradients améliorés qui introduit l'amplification ordonnée et un algorithme innovant pour le traitement des fonctionnalités de catégories.
+ [Algorithme des machines de factorisation](fact-machines.md) : extension d'un modèle linéaire, conçue pour capturer, de façon économique, les interactions entre les fonctions dans des jeux de données fragmentés à haute dimension.
+ [Algorithme k-NN (K-Nearest Neighbors, k plus proches voisins)](k-nearest-neighbors.md) : une méthode non paramétrique qui utilise les k points étiquetés les plus proches pour attribuer une valeur. Pour la classification, il s’agit d’une étiquette indiquant un nouveau point de données. Pour la régression, il s’agit d’une valeur cible prédite à partir de la moyenne des k points les plus proches.
+ [LightGBM](lightgbm.md) : une implémentation de l’algorithme d’arborescences de gradients améliorés qui ajoute deux nouvelles techniques pour améliorer l’efficacité et la capacité de mise à l’échelle. Ces deux nouvelles techniques sont l’échantillonnage unilatéral basé sur le gradient (GOSS) et la création d’une offre groupée exclusive de caractéristiques (EFB).
+ [Algorithme d'apprentissage linéaire](linear-learner.md) : apprend une fonction linéaire pour la régression ou une fonction de seuil linéaire pour la classification.
+ [TabTransformer](tabtransformer.md): une nouvelle architecture de modélisation des données tabulaires approfondies basée sur self-attention-based Transformers.
+ [XGBoost algorithme avec Amazon SageMaker AI](xgboost.md) : implémentation de l'algorithme d'arborescences de gradients améliorés qui combine un ensemble d'estimations d'un jeu de modèles plus simples et plus faibles.
Amazon SageMaker AI fournit également plusieurs algorithmes d'apprentissage supervisé intégrés utilisés pour des tâches plus spécialisées lors de l'ingénierie des fonctionnalités et des prévisions à partir de données de séries chronologiques.
+ [Algorithme Object2Vec](object2vec.md) : nouvel algorithme polyvalent hautement personnalisable utilisé pour l'ingénierie des fonctionnalités. Il peut apprendre des intégrations denses à faible dimension d'objets à haute dimension pour produire des fonctions qui améliorent l'efficacité d'entraînement pour les modèles en aval. Bien qu’il s’agisse d’un algorithme supervisé, il existe de nombreux scénarios dans lesquels les étiquettes de relation peuvent être obtenues uniquement à partir de clusters naturels dans les données. Même si l’entraînement nécessite des données étiquetées, cela peut se produire sans aucune annotation humaine explicite.
+ [Utilisez l'algorithme de SageMaker prévision AI DeePar](deepar.md) : algorithme d'apprentissage supervisé pour les prédictions de séries temporelles scalaires (unidimensionnelles) à l'aide de réseaux neuronaux récurrents (RNN).
## Apprentissage non supervisé
Amazon SageMaker AI fournit plusieurs algorithmes intégrés qui peuvent être utilisés pour diverses tâches d'apprentissage non supervisées. Ces tâches incluent la mise en cluster, la réduction de dimensions, la reconnaissance des formes et la détection d’anomalies.
+ [Algorithme PCA (Principal Component Analysis, analyse en composantes principales)](pca.md) : réduit la dimensionnalité (nombre de fonctions) au sein d'un jeu de données en projetant des points de données sur les premiers composants principaux. L'objectif est de conserver autant d'informations ou de variations que possible. Pour les mathématiciens, les composants principaux sont les vecteurs propres de la matrice de covariance des données.
+ [Algorithme des k-moyennes (k-means)](k-means.md): identifie les groupes distincts au sein des données. Cela se produit lorsque les membres d’un groupe sont aussi similaires que possible entre eux, et aussi différents que possible des membres des autres groupes.
+ [IP Insights](ip-insights.md)—apprend les modèles d'utilisation des IPv4 adresses. Il est conçu pour capturer les associations entre les IPv4 adresses et diverses entités, telles que les numéros d'utilisateur IDs ou de compte.
+ [Algorithme RCF (Random Cut Forest)](randomcutforest.md) : détecte les points de données anormaux d'un jeu de données qui s'écartent de données autrement bien structurées ou calquées.
## Analyse de texte
SageMaker L'IA fournit des algorithmes adaptés à l'analyse de documents textuels. Ceci comprend le texte utilisé dans le traitement du langage naturel, la classification ou la synthèse de documents, la modélisation ou la classification des rubriques, ainsi que la transcription ou la traduction des langues.
+ [BlazingText algorithme](blazingtext.md) : implémentation hautement optimisée des algorithmes de classification textuelle et Word2vec qui s'adaptent facilement à de grands jeux de données. Elle est utile pour de nombreuses tâches de traitement du langage naturel (NLP).
+ [Sequence-to-Sequence Algorithme](seq-2-seq.md) : algorithme supervisé couramment utilisé pour la traduction automatique neuronale.
+ [Algorithme LDA (Latent Dirichlet Allocation, allocation de Dirichlet latente)](lda.md) : algorithme utile pour déterminer les rubriques d'un ensemble de documents. Il s'agit d'un *algorithme non supervisé*, ce qui signifie qu'il n'utilise pas d'exemples de données avec des réponses au cours de l'entraînement.
+ [Algorithme NTM (Neural Topic Model)](ntm.md) : autre technique non supervisée permettant de déterminer les rubriques d'un ensemble de documents, à l'aide d'une approche réseau neuronale.
+ [Classification du texte - TensorFlow](text-classification-tensorflow.md) : algorithme supervisé qui prend en charge l'apprentissage par transfert grâce à des modèles pré-entraînés disponibles pour la classification textuelle.
## Traitement graphique
SageMaker L'IA fournit également des algorithmes de traitement d'image utilisés pour la classification des images, la détection d'objets et la vision par ordinateur.
+ [Classification des images - MXNet](image-classification.md) : a recours à des exemples de données avec des réponses (ce qu'on appelle un *algorithme supervisé*). Utilisez cet algorithme pour classer des images.
+ [Classification des images - TensorFlow](image-classification-tensorflow.md)—utilise des modèles TensorFlow Hub préentraînés pour affiner des tâches spécifiques (ce que l'on appelle un algorithme *supervisé*). Utilisez cet algorithme pour classer des images.
+ [Algorithme de segmentation sémantique](semantic-segmentation.md) : fournit une approche granulaire, au niveau du pixel, pour développer les applications de reconnaissance d'image.
+ [Détection d'objets - MXNet](object-detection.md) : détecte et classe les objets des images à l'aide d'un seul réseau neuronal profond. Il s'agit d'un algorithme d'apprentissage supervisé qui accepte les images en tant qu'entrée et identifie toutes les instances d'objets au sein de l'image.
+ [Détection d'objets - TensorFlow](object-detection-tensorflow.md) : détecte les cadres de délimitation et les étiquettes d'objets dans une image. Il s'agit d'un algorithme d'apprentissage supervisé qui prend en charge l'apprentissage par transfert avec les TensorFlow modèles préentraînés disponibles.
**Topics**
+ [Modèles pré-entraînés et modèles de solutions](#algorithms-built-in-jumpstart)
+ [Apprentissage supervisé](#algorithms-built-in-supervised-learning)
+ [Apprentissage non supervisé](#algorithms-built-in-unsupervised-learning)
+ [Analyse de texte](#algorithms-built-in-text-analysis)
+ [Traitement graphique](#algorithms-built-in-image-processing)
+ [Paramètres des algorithmes intégrés](common-info-all-im-models.md)
+ [Algorithmes SageMaker AI intégrés pour les données tabulaires](algorithms-tabular.md)
+ [Algorithmes d' SageMaker intelligence artificielle intégrés pour les données texte](algorithms-text.md)
+ [Algorithmes SageMaker AI intégrés pour les données de séries temporelles](algorithms-time-series.md)
+ [Algorithmes SageMaker AI intégrés non supervisés](algorithms-unsupervised.md)
+ [Algorithmes SageMaker AI intégrés pour la vision par ordinateur](algorithms-vision.md)