Erste Schritte
Amazon SageMaker unterstützt Daten-Wissenschaftler und Entwickler bei der schnellen Vorbereitung, Erstellung, Schulung und Bereitstellung hochwertiger ML (Machine Learning)-Modelle, indem eine breite Palette von Funktionen zusammengestellt wird, die speziell für ML entwickelt wurden.
Einführung in Amazon SageMaker
Erfahren Sie, wie Sie Modelle mit Amazon SageMaker vorbereiten, erstellen, trainieren und bereitstellen.
VIDEO
Führen Sie alle zum Starten von Amazon SageMaker Studio erforderlichen Administrationsaufgaben mit nur wenigen Klicks aus.
TUTORIAL
In diesem Tutorial verwenden Sie Amazon SageMaker Studio zum Erstellen, Trainieren, Bereitstellen und Überwachen eines XGBoost-Modells. Wir decken den gesamten Workflow für Machine Learning (ML) ab, vom Feature-Engineering und Modelltraining bis hin zu Batch- und Live-Bereitstellungen für ML-Modelle.
ENTWICKLERHANDBUCH
Befolgen Sie diese Schritt-für-Schritt-Anleitung, um alle Funktionen von Amazon SageMaker Studio zu nutzen.
WEBINAR
In diesem On-Demand-Tech-Vortrag zeigen wir Ihnen, wie Sie in Amazon SageMaker Studio schnell neue Notebooks erstellen, Daten hochladen, Modelle trainieren, Modellergebnisse vergleichen und Modelle für die Produktion bereitstellen können.
Sichere und konforme ML-Workflows mit Amazon SageMaker
Haben Sie sich jemals gefragt, wie ein sicherer und konformer End-to-End ML-Workflow für Finanzdienstleistungen aufgebaut werden kann? Sehen Sie sich diese Videodemonstration an, in der wir uns mit den gängigen Mustern und Anforderungen befassen, die von stark regulierten Branchen für ihre Anwendungsfälle mit sicherem Machine Learning benötigt werden.
Erstellen von Machine Learning-Modellen
ENTWICKLERHANDBUCH
Lernen Sie mit den in diesem Handbuch aufgeführten Schritten und Ressourcen, ein ML-Modell zu erstellen.
PRAKTISCHE ÜBUNG
Auf GitHub finden Sie ein umfassendes Repository an SageMaker-Notebooks.
PRAKTISCHE ÜBUNG
Nutzen Sie die in Amazon SageMaker integrierten Algorithmen, welche schneller und kostengünstiger als gängige Alternativen sind.
Trainieren und Optimieren von Machine Learning-Modellen
Mit dem Trainingsmodul können Sie mit einem Klick Trainingsumgebungen einrichten und Ihr Modell durch automatische Modulabstimmung optimieren.
TUTORIAL
Erfahren Sie, wie Sie mit Amazon SageMaker Studio ein TensorFlow-Deep-Learning-Modell trainieren und optimieren.
ENTWICKLERHANDBUCH
Lesen Sie eine Übersicht darüber, wie Sie Machine Learning-Modelle mit Amazon SageMaker trainieren.
BLOG
Organisieren, verfolgen und bewerten Sie ML Schulungsläufe mithilfe von Amazon SageMaker Experiments
Organisieren und verfolgen Sie Ihre Trainingsiterationen effizient mit Amazon SageMaker Experiments. Das Training eines ML-Modells umfasst in der Regel viele Iterationen, um die Auswirkungen sich ändernder Datensätze, Algorithmusversionen und Modellparameter zu isolieren und zu messen. Mit SageMaker Experiments können Sie diese Iterationen verwalten, indem Sie die Eingabeparameter, Konfigurationen und Ergebnisse automatisch erfassen und das Experiment mit der besten Leistung ermitteln.
VIDEO
Das Training eines ML-Modells erfordert normalerweise viele Iterationen, um die Auswirkungen mehrerer Variablen zu isolieren und zu messen. In diesem Video erfahren Sie, wie Amazon SageMaker Experiments Ihnen helfen kann, und verfolgen Sie diese Iterationen über die visuelle Oberfläche von SageMaker Studio.
PRAKTISCHE ÜBUNG
Probieren Sie diese Beispiele für die Verwendung der Hyperparameteroptimierung über verschiedene Algorithmen und Deep Learning-Frameworks hinweg aus.
TUTORIAL
Erfahren Sie, wie Sie mithilfe von Amazon EC2 Spot-Instances mit Managed Spot Training bis zu 90% der Schulungskosten einsparen können. Spot-Instances sind Speicherplatzkapazitäten und Schulungsaufgaben, die automatisch ausgeführt werden, wenn die freie Kapazität verfügbar wird. Schulungsläufe sind unempfindlich gegen Unterbrechungen, die durch Kapazitätsänderungen verursacht werden. So können Sie Kosten sparen, wenn Sie Flexibilität bei der Ausführung von Schulungsaufgaben haben.
WEBINAR
Bei diesem On-Demand Tech Talk erfahren Sie, wie Sie Amazon SageMaker Experiments nutzen und wie Amazon SageMaker Debugger die Modellqualität durch besseres Modell-Training und -Optimierung optimiert. Sie erfahren, wie Sie Iterationen durch automatische Erfassung der Eingabeparameter, Konfigurationen und Ergebnisse und durch automatische Erfassung von Echtzeitkennzahlen während des Trainings verwalten (z. B. Trainings-, Validierungs- und Verwirrungsmatrizen).
VIDEO
Der ML-Trainingsprozess ist weitgehend undurchsichtig. Erfahren Sie, wie Amazon SageMaker Debugger den Trainingsprozess transparent macht, indem Metriken automatisch erfasst, Trainingsläufe analysiert und Probleme erkannt werden.
Bereitstellen von Machine Learning-Modellen
ENTWICKLERHANDBUCH
Folgen Sie der schrittweisen Anleitung, um Machine Learning-Modelle auf der leistungsstärksten Infrastruktur bereitzustellen.
PRAKTISCHE ÜBUNG
Folgen Sie den Beispielen auf GitHub, um Amazon SageMaker und AWS Step Functions zu verwenden, um das Erstellen, Trainieren und Bereitstellen von benutzerdefinierten Machine Learning-Modellen zu automatisieren.
VIDEO
Erfahren Sie, wie Amazon SageMaker-Endpunkte mit mehreren Modellen eine skalierbare und kostengünstige Möglichkeit bieten, ML-Modelle mithilfe eines einzigen Endpunkts in großem Maßstab bereitzustellen.
Weitere Ressourcen
SDKs
Verwenden Sie auf Ihre Programmiersprache oder Plattform zugeschnittene APIs, um die Verwendung von Amazon SageMaker in Ihren Anwendungen zu erleichtern.
Neuerungen
Was ist neu? Bei den Ankündigungen handelt es sich um allgemeine Zusammenfassungen von Produkteinführungen und Funktionsaktualisierungen. Lesen Sie über Amazon SageMaker-spezifische Updates und andere AWS-Ankündigungen.
Blogs zu Amazon SageMaker
Weitere Informationen zu Amazon SageMaker-Funktionen