Amazon Machine Обучение за анализ на настроенията - amazon-web-services, машинно обучение, nlp, sentiment-analysis, amazon-machine-learning

Колко гъвкава или подкрепяща е платформата на Amazon Machine Learning за анализ на настроения и текстова анализ?

Отговори:

Можете да създадете добър модел за машинно обучение за анализ на настроенията, използвайки Amazon ML.

Ето една връзка към проект github, който прави точно това: https://github.com/awslabs/machine-learning-samples/tree/master/social-media

Тъй като Amazon ML поддържа контролирано обучение, както и текст като входен атрибут, трябва да получите проба от данни, които са маркирани, и да създадете модела с него.

Маркирането може да се основава на Mechanical Turk, както в горния пример, или с използване на стажанти ("лятото идва"), за да направи това маркиране за вас. Ползата от това, че имате конкретните си маркировки, е, че можете да поставите логиката си в модела. Например, разликата между "Бирата беше студена" или "Пържола беше студено", където единият е положителен и един е отрицателен, е нещо, което една родова система трудно ще научи.

Можете също така да се опитате да играете с някои примерни данни, от проекта по-горе или от този конкурс за анализ на настроения за филмови прегледи: https://www.kaggle.com/c/sentiment-analysis-on-movie-reviews, Използвах Amazon ML на този набор от данни и получих доста добри резултати доста лесно и бързо.

Имайте предвид, че можете да използвате и Amazon ML за изпълнениепрогнози в реално време въз основа на модела, който изграждате, и можете да го използвате, за да отговорите незабавно на отрицателен (или положителен) вход. Вижте още тук: http://docs.aws.amazon.com/machine-learning/latest/dg/interpreting_predictions.html

Това е страхотно за начало. Препоръчваме ви да проучите това като опция. Осъзнайте обаче ограниченията:

• вие ще искате да изградите тръбопровод, защото моделите са неизменни - трябва да изградите нов модел, който да включва нови данни за обучението (или нови хиперпараметри, в този случай)
• вие сте драстично ограничени в tweakability на вашата система
• това се извършва само под наблюдение
• целевата променлива не може да бъде друг текст, само число, булева или категорична стойност
• не можете да експортирате модела и да го импортирате в друга система, ако искате - моделът е черна кутия

Ползи:

• не трябва да изпълнявате никаква инфраструктура
• интегрира се добре с източниците на данни AWS
• UX е хубаво
• алгоритмите са избрани за вас, така че можете бързо да тествате и да видите дали е подходящ за вашето проблемно пространство.