Masz oznaczony zbiór danych obrazów z dwiema klasami: lew lub gepard. Chcesz wytrenować model, który, dla nowego obrazu, przewiduje, czy zawiera on lwa, czy geparda. Jaki algorytm SageMaker jest odpowiedni?

Prawidłowa odpowiedź to klasyfikacja obrazów przy użyciu TensorFlow. Problem polega na kategoryzacji całego obrazu (lew lub gepard), co jest klasycznym zadaniem klasyfikacji obrazów. Algorytm klasyfikacji obrazów w SageMaker jest do tego przeznaczony. TensorFlow to popularna biblioteka do głębokiego uczenia, często używana w takich zastosowaniach. XGBoost (drzewa wzmacniane gradientem) jest algorytmem uczenia maszynowego, ale nie jest optymalny do bezpośredniej pracy z surowymi danymi obrazowymi bez wcześniejszej ekstrakcji cech. Wykrywanie obiektów przy użyciu TensorFlow jest przeznaczone do lokalizowania i identyfikowania wielu obiektów na obrazie, co wykracza poza wymagania tego zadania (które polega na klasyfikacji całego obrazu). Segmentacja semantyczna przy użyciu MXNet jest używana do przypisywania etykiety klasy każdemu pikselowi na obrazie, co jest znacznie bardziej szczegółowym zadaniem niż prosta klasyfikacja obrazu.