入门

Amazon SageMaker 是一项完全托管的模块化服务,支持开发人员和数据科学家大规模地构建、训练和部署机器学习模型。开始使用这些开发人员资源可以快速地从概念转向生产。

Amazon SageMaker 简介

学习 Amazon SageMaker 的构建、训练和部署模块。

Amazon SageMaker (1:03)

开发人员指南


按照此分步指南快速开始使用 Amazon SageMaker。

教程


了解如何在 10 分钟内开始使用 Amazon SageMaker。

网络研讨会


在此点播式技术讲座中,学习使用 Amazon SageMaker Studio 通过单一管理平台管理整个 ML 工作流程。使用 SageMaker Studio,您可以在单个集成的可视界面中编写代码、跟踪实验、可视化数据以及执行调试和监控所有操作,从而大大提高了开发人员的工作效率。

培训课程


在本培训课程中,学习如何使用 Amazon SageMaker 简化将机器学习集成到应用程序中的过程。主要主题包括:机器学习的概述及机器学习可以帮助解决的问题,使用 Jupyter 笔记本基于 Amazon SageMaker 内置算法训练模型,以及使用 Amazon SageMaker 发布已验证的模型。您将通过构建一个与 Amazon SageMaker 发布的终端节点集成的无服务器应用程序来完成本课程。

培训课程


在本培训课程中,您将学习如何使用 Amazon SageMaker 和 Amazon SageMaker Ground Truth 实施机器学习管道。首先您将创建一个带标签的数据集,然后将创建一个训练作业来训练对象检测模型,最后将使用 Amazon SageMaker 创建和更新模型。

使用 Amazon SageMaker 构建安全且兼容的机器学习工作流程

想了解如何为金融服务构建安全且兼容的端到端机器学习工作流程? 请观看此视频演示,了解高度管制行业在其安全机器学习使用案例中的常见模式和要求。

使用 Amazon SageMaker 构建安全的机器学习工作流程 (58:37)

构建机器学习模型

使用 SageMaker 的“构建”模块收集和准备训练数据,访问预构建的笔记本,并利用内置的高性能算法。

开发人员指南


学习使用本指南中概述的步骤和资源来构建 ML 模型。

视频


在本视频中,全面学习使用 Amazon SageMaker 完全托管的笔记本实例。

深入了解完全托管的笔记本实例 (16:44)

博客


阅读此博客,学习如何利用 Amazon SageMaker 笔记本实例使用常见工作流程。

动手实验


在 GitHub 上访问丰富的 SageMaker 笔记本存储库。

动手实验


使用 Amazon SageMaker 内置的算法,这种算法比流行的替代方案更快、更便宜。

视频


在本视频中,学习 Amazon SageMaker 内置的高性能算法。

利用内置的高性能机器学习算法 (15:37)

训练和调优机器学习模型

只需单击一下即可使用“训练”模块设置训练环境,并使用自动模块调整优化模型

开发人员指南


阅读有关如何利用 Amazon SageMaker 训练机器学习模型的概述。

视频


在本视频中,学习如何使用 Amazon SageMaker 训练和调优机器学习模型,使其达到最高准确性。

使用 Amazon SageMaker 训练和调优 ML 模型 (18:29)

博客


使用 Amazon SageMaker Experiments 高效组织和跟踪您的训练迭代。训练 ML 模型通常需要进行多次迭代,以隔离和衡量更改数据集、算法版本和模型参数的影响。SageMaker Experiments 通过自动捕获输入参数、配置和结果来帮助您管理迭代,并且确定表现最好的实验。

 

动手实验


尝试在不同的算法和深度学习框架中使用超参数调优的示例。

博客


了解如何使用 Amazon EC2 Spot 实例结合托管的 Spot 训练最高节省 90% 的训练成本。Spot 实例是空间计算容量,而训练作业在有空闲容量可用时自动运行。训练运行能在因容量变化而造成中断后恢复,因此您可以灵活选择训练作业的运行时间,从而节省成本。

网络研讨会


在这个点播技术讲座中,您可以了解如何使用 Amazon SageMaker Experiments,以及 Amazon SageMaker Debugger 如何通过更好的模型训练和调整来提高模型质量。您将了解到如何通过自动捕获输入参数、配置和结果并在训练过程中自动捕获实时指标(如训练、验证和混淆矩阵等)来管理迭代。

部署机器学习模型

只需单击一下即可使用“部署”模块将机器学习模型部署到生产中。

开发人员指南


按照分步指南在最高性能的基础架构上部署机器学习模型。

视频


在本视频中,学习如何在最具可扩展性的基础架构上将 ML 模型部署到生产中。

将 ML 模型从实验部署到生产 (7:52)

动手实验


按照 GitHub 上的示例,使用 Amazon SageMaker 和 AWS Step Functions 自动构建、训练和部署自定义机器学习模型。

博客


学习使用 SageMaker 的部署功能,包括 A/B 测试和 Auto Scaling,为您的机器学习模型提供高性能和高可用性。

博客


在此博客中,了解如何使用 Amazon SageMaker Model Monitor 在发生概念漂移等变化时维护机器学习模型在生产中的质量。您甚至可以在出现数据质量问题时收到提醒,以便您采取所需的措施。

博客


在本博客中,学习如何使用 Amazon SageMaker Python SDK 和 PyTorch 基本映像构建、训练 fastai 模型并将其部署到 Amazon SageMaker 训练和托管中。可以避免构建自己的容器的额外步骤。

其他资源

软件开发工具包

使用专为您的编程语言或平台量身定制的 API,以便您能够在应用程序中轻松使用 Amazon SageMaker。

新增内容

新增内容公告是发布和功能更新的概要。阅读 Amazon SageMaker 特定的更新和其他 AWS 公告。

立即阅读 »

目前还没有找到任何播客文章。请参阅 AWS 博客,了解其他资源。 

详细了解 Amazon SageMaker 的功能

访问功能页面
还有更多问题?
联系我们