Bewährte Methoden und Anleitungen zu Machine Learning

Anmelden

Themenschwerpunkt: ML-Vorgänge (MLOps)

Erste Schritte
Lernen und entwerfen
Entwickeln und Testen
Bereitstellen
Überprüfen und optimieren

AWS Well-Architected ML Lens

Wir bieten eine Reihe etablierter, cloud- und technologieunabhängiger bewährter Methoden und Anleitungen für Machine Learning-Workloads an.

Tiefer Einblick in die Kategorie: Machine Learning

Erfahren Sie, wie Sie Ihren Anwendungen Intelligenz hinzufügen und schnell Modelle für Machine Learning in großem Maßstab erstellen, trainieren und bereitstellen können.

Warum sollten Sie ML Ops nutzen?

Wir erklären, wie die Disziplin ML-Vorgänge (MLOps) Ihnen helfen kann, KI/ML zu nutzen, um Ihr Unternehmen in großem Maßstab zu transformieren.
Lassen Sie uns Architekten sein! Architektur für Machine Learning

Wir zeigen Ihnen, wie Sie es mit AWS CDK erstellen, Ihr System für MLOps konzipieren und die Bereitstellung der Lösungen für A/B-Tests automatisieren.

MLOps Foundation Roadmap für Unternehmen mit Amazon SageMaker

Wir zeigen Ihnen die wichtigsten Phasen beim Aufbau einer MLOps-Grundlage, wie mehrere Personen auf dieser Grundlage zusammenarbeiten, und unsere speziell entwickelten Tools.

Erstellen einer sicheren Enterprise-Plattform für Machine Learning in AWS

Wir bieten Architekturmuster, Codebeispiele und bewährte Methoden für den Aufbau einer ML-Plattform für Unternehmen auf AWS.
MLOps mit SageMaker-Projekten automatisieren

Wir zeigen Ihnen, wie Sie MLOps mit Amazon SageMaker Projects automatisieren können, um Sie bei der Standardisierung von Governance-Praktiken in ML-Projekten zu unterstützen.

Automatisieren von Machine Learning-Workflows

Wir zeigen Ihnen, wie Sie mit Amazon SageMaker umfassende Machine Learning-Workflows erstellen und automatisieren können.

Walkthrough zum SageMaker MLOps Projekt

Wir demonstrieren die Verwendung von Amazon SageMaker-MLOps-Projekten zur Erstellung eines CI/CD-Systems zum Erstellen, Trainieren und Bereitstellen von Modellen.
MLOps Workload Orchestrator

Setzen Sie eine Lösung ein, die Sie bei der Rationalisierung und Durchsetzung bewährter Architekturverfahren für die Produktion von Modellen für Machine Learning unterstützt.

Stellen Sie eine MLOps-Lösung bereit, die Ihre Modellendpunkte in AWS Lambda hostet

Bringen Sie eine Lösung auf den Markt, die einen vollständig CI/CD-gesteuerten Ansatz für Machine Learning darstellt und den Sie an Ihre Anwendungsfälle anpassen können.

Verbessern der Prognosegenauigkeit mit Machine Learning

Stellen Sie eine Lösung bereit, die Prognosen und Visualisierungs-Dashboards für Amazon QuickSight oder Amazon SageMaker Jupyter Notebooks erstellt.
Optimieren Sie Ihre ML-Bereitstellungen mit Auto Scaling auf Amazon SageMaker

Wir bieten ein Entwurfsmuster zur Ableitung der richtigen Auto-Scaling-Konfiguration für Ihre ML-basierten Anwendungen.

Überwachen Sie Modelle auf Daten- und Modellqualität, Verzerrung und Erklärbarkeit

Erfahren Sie, wie Sie eine kontinuierliche Überwachung der Qualität von Amazon SageMaker-Modellen für Machine Learning in der Produktion einrichten.

Erstellen Sie einen kontoübergreifenden MLOps-Workflow mithilfe der SageMaker-Modellregistrierung

Wir besprechen die kontoübergreifenden Funktionen von Amazon SageMaker, mit denen Sie Modellgruppen teilen und verwalten sowie Modellversionen verwalten können.

Filtern nach:

Alle Filter löschen

Keine Ergebnisse gefunden.
Bitte wählen Sie verschiedene Kriterien, prüfen Sie die Rechtschreibung oder versuchen Sie es mit anderen Schlüsselwörtern.

1 …

…

Machine-Learning-Blogbeiträge

Für die ausgewählten Kriterien wurden keine passenden Blogbeiträge gefunden.

Weitere Informationen ...

War diese Seite hilfreich?

Feedback