Jeo-uzamsal ML için Amazon SageMaker Özellikleri

Genel Bakış

Amazon SageMaker jeo-uzamsal özellikleri, veri bilimcilerin ve makine öğrenimi (ML) mühendislerinin jeo-uzamsal verileri kullanarak makine öğrenimi modelleri oluşturmasını, eğitmesini ve dağıtmasını kolaylaştırır. Jeo-uzamsal verileri makine öğrenimine daha verimli şekilde hazırlamak için açık kaynaklı verilere, işleme ve görselleştirme araçlarına erişin. Model oluşturmayı ve eğitimi hızlandırmak için amaca yönelik işlemleri ve önceden eğitilmiş makine öğrenimi modellerini kullanarak üretkenliği artırabilirsiniz. Etkileşimli bir harita üzerinde tahmin çıktılarını keşfetmek ve disiplinler arası ekipler arasında öngörüleri ve sonuçları tartışmak için yerleşik görselleştirme araçlarını kullanın.

Birden fazla jeo-uzamsal veri kaynağına daha kolay erişim elde edin

Geniş jeo-uzamsal veri kümelerini içeri aktarmak için birden çok geliştirme döngüsünden geçmekten kaçının. SageMaker'ın jeo-uzamsal özellikleri, Landsat ve Sentinel-2 gibi açık kaynaklı görüntülere erişmeyi kolaylaştırır.

Önceden oluşturulmuş işlemlerle mevcut jeo-uzamsal veri kümelerinizi dönüştürün

Yaygın jeo-uzamsal operasyonlar için emtia kodu geliştirmeye ve sürdürmeye gerek kalmadan zamandan tasarruf edin. Örneğin, harita koordinatları (enlem ve boylam) ile sokak adresleri arasında coğrafi kodu sorunsuz bir şekilde tersine çevirmek için Amazon Location Service’i kullanın. Hatalı GPS izlerini bilinen sokaklara ve yollara otomatik olarak uygulamak veya hizalamak için harita eşleştirme özelliğini kullanın.

Geniş ölçekli jeo-uzamsal iş yüklerinin ön işlemesini hızlandırın

Kullanıma hazır veri ön işleme işlemlerini kullanın. Yeni bir çok bantlı görüntü, bilgi işlem bulut sunucusu için toplu istatistikler ve uydu verileri üzerinde diğer büyük ölçekli işlemler oluşturmak için farklı uydu görüntülerinden ayrı bantları birleştirin.

Tahminler yapmaya başlamak için kendi makine öğrenimi modelinizi ekleyin veya önceden oluşturulmuş bir makine öğrenimi modelini kullanın

Arazi örtüsü segmentasyonu veya bulut maskeleme gibi önceden eğitilmiş derin sinir ağı (DNN) modellerini kullanın. Örneğin, arazi örtüsü için farklı bölge türlerini (ağaçlar veya su dahil) belirlemek için arazi örtüsü segmentasyonunu kullanın. Bulutlu ve bulutsuz pikselleri bölümlere ayırmak ve önceden oluşturulmuş bulut kaldırma özelliklerini kullanarak bulutları ve gölgeleri kaldırmak için bulut maskelemeyi kullanın.

Yerleşik görselleştirme araçlarını kullanarak jeo-uzamsal tahminlerden elde edilen öngörüler üzerinde işbirliği yapın

SageMaker jeo-uzamsal özellikleri, model tahminlerinin bir temel harita üzerinde üst üste bindirilmesine yardımcı olur ve iş birliğini kolaylaştırmak için katmanlı görselleştirme sağlar. GPU destekli etkileşimli görselleştirici ve Python not defterleri, milyonlarca veri noktasını tek bir pencerede keşfetmenin ve öngörüler ile birlikte sonuçları paylaşmanın sorunsuz bir yolunu sunar.