用于机器学习的架构最佳实践

登录

精选主题：机器学习操作（MLOps）

开始使用
学习和设计
构建和测试
部署
审核和优化

AWS Well-Architected ML 详解

我们为机器学习工作负载提供了一套既定的、与云和技术无关的最佳实践和指南。

类别深度探究：机器学习

学习如何为应用程序添加智能，以及如何大规模快速构建、训练和部署机器学习模型。

为什么要使用 MLOps？

我们将解释 ML 操作（MLOps）的原则如何帮助您使用 AI/ML 来大规模地转变您的业务。
让我们开始部署架构吧！为机器学习部署架构

我们将帮助您掌握如何使用 AWS CDK 进行构建，为 MLOps 建立系统架构，以及如何自动部署用于 A/B 测试的解决方案。

使用 Amazon SageMaker 的 MLOps 企业基础路线图

我们将向您展示构建 MLOps 基础的关键阶段、多个角色如何在此基础上协同工作，以及我们的专用工具。

在 AWS 上构建安全的企业机器学习平台

我们提供在 AWS 上构建企业 ML 平台的架构模式、代码示例和最佳实践。
使用 SageMaker 项目自动执行 MLOps

我们将向您展示如何使用 Amazon SageMaker Projects 自动化 MLOps，以帮助您标准化机器学习项目中的治理实践。

自动化机器学习工作流

我们将引导您完成使用 Amazon SageMaker 创建和自动化端到端机器学习工作流程。

SageMaker MLOps 项目演练

我们将演示如何使用 Amazon SageMaker MLOps 项目创建 CI/CD 系统来构建、训练和部署模型。
MLOps 工作负载编排工具

部署一个解决方案，帮助您简化和实施机器学习模型产品化的架构最佳实践。

在 AWS Lambda 中部署托管您的模型端点的 MLOps 解决方案

启动一个完全由 CI/CD 驱动的机器学习方法的解决方案，您可以根据自己的用例对其进行调整。

使用机器学习提高预测准确性

部署一个为 Amazon QuickSight 或 Amazon SageMaker Jupyter Notebooks 笔记本电脑生成预测和可视化仪表板的解决方案。
在 Amazon SageMaker 上使用自动扩展优化机器学习部署

我们提供了一种设计模式，用于为基于 ML 的应用程序派生正确的自动扩展配置。

监控模型的数据和模型质量、偏差和可解释性

了解如何设置对生产中的 Amazon SageMaker 机器学习模型质量的持续监控。

使用 SageMaker 模型注册表构建跨账户 MLOps 工作流程

我们将讨论允许您共享和管理模型组以及管理模型版本的 Amazon SageMaker 跨账户功能。

筛选条件：

清除所有筛选条件

未找到任何结果。
请选择其他条件、检查您的拼写或尝试其他关键字。

1 …

…

机器学习博客文章

未找到与选定条件匹配的博客文章。

更多…

此页内容对您是否有帮助？

反馈