入门

Amazon SageMaker 通过整合专门为 ML 构建的广泛功能集,帮助数据科学家和开发人员快速准备、构建、训练和部署高质量的机器学习 (ML) 模型。

Amazon SageMaker 简介

了解如何使用 Amazon SageMaker 准备、构建、训练和部署模型。

视频


只需单击几下,即可完成启动 Amazon SageMaker Studio 所需的所有管理任务。

Amazon SageMaker Studio 入门

教程


在本教程中,您将使用 Amazon SageMaker Studio 构建、训练、部署和监控 XGBoost 模型。我们将了解从功能工程和模型训练到 ML 模型的批量和实时部署的完整机器学习 (ML) 工作流程。

开发人员指南


按照此分步指南开始使用 Amazon SageMaker Studio 的所有功能。

网络研讨会


在这次的点播技术讲座中,我们将向您展示如何在 Amazon SageMaker Studio 中快速创建新笔记本、上传数据、训练模型、比较模型结果以及将模型部署到生产环境中。

视频


机器学习 (ML) 的入门可能很耗时。Amazon SageMaker JumpStart 可帮助您快速轻松地开始 ML。

使用 Amazon SageMaker JumpStart 在几分钟内开始使用 ML

视频


学习如何预置安全的 ML 环境,深入探究监管行业所需的常见模式和架构。

监管行业安全且合规的机器学习

使用 Amazon SageMaker 构建安全且合规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

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。

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


Amazon SageMaker 提供很多针对速度、规模和准确性优化的内置算法。了解如何基于您想要使用 ML 解决的问题选择适当的算法。

在 Amazon SageMaker 中选择适当的机器学习算法

视频


R 语言在数据科学家和 ML 从业者中很常用。在本视频中,了解如何通过 Amazon SageMaker 使用 R 和大规模运行安全的 ML 模拟。

使用 Amazon SageMaker 生产化 R 工作负载,采用 Siemens

视频


了解如何使用 AWS 服务轻松且大规模地设置容器。本视频将向您介绍如何在 ML 开发环境中保持一致性和可移植性。

使用容器构建一致且便携的 ML 环境

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

教程


了解如何使用 Amazon SageMaker Studio 训练和调优 TensorFlow 深度学习模型。

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览。

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。

 

视频


训练 ML 模型通常需要进行多次迭代,以隔离和衡量多个变量的影响。在本视频中,学习 Amazon SagMaker Experiments 如何为您提供帮助,并在 SageMaker Studio 的可视化界面内跟踪这些迭代。

Amazon SageMaker Experiments 概览

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优化的示例。

教程


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。

视频


ML 训练过程大部分是不透明的。了解 Amazon SageMaker Debugger 如何通过自动捕获指标、分析训练运行并检测问题来使训练过程透明化。

在训练运行期间分析、检测并获取警报

视频


通过使用 Amazon SageMaker 训练 ML 模型的相关深度视频,了解如何训练和调优 ML 模型,使其达到最高准确性。

使用 Amazon SageMaker 训练和调优 ML 模型,使其达到最高准确性

部署机器学习模型

开发人员指南


按照分步指南在性能最高的基础设施上部署机器学习模型。

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。

视频


了解 Amazon SageMaker 多模型终端节点如何使用单个终端节点以可扩展且经济高效的方式大规模部署 ML 模型。

在单个终端节点上部署多个模型

视频


AWS 使用 Amazon SageMaker 提供广泛而深入的 ML 基础设施。在本视频中,了解如何针对您特定的要求为 ML 推理选择合适的计算实例。

如何为 ML 推理选择适当的实例类型

视频


ML 运维实践可帮助数据科学家和 IT 运维专业人员协作和管理 ML 工作流程。了解 Amazon SageMaker 如何帮助您使用 ML 运维轻松管理和扩展端到端工作流。

具有 Amazon SageMaker Edge Manager 的边缘设备的 MLOps

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