Erste Schritte
Amazon SageMaker ist ein vollständig verwalteter modularer Service, mit dem Entwickler und Datenwissenschaftler Machine Learning-Modelle jeder Größe erstellen, trainieren und bereitstellen können. Starten Sie mit diesen Entwicklerressourcen, sodass Sie schnell aus der Konzept- in die Produktionsphase wechseln können.
Einführung in Amazon SageMaker
Erfahren Sie mehr über die Module zum Erstellen, Trainieren und Bereitstellen von Amazon SageMaker.
ENTWICKLERHANDBUCH
Folgen Sie dieser schrittweisen Anleitung, um Amazon SageMaker schnell einsetzen zu können.
TUTORIAL
Erfahren Sie in 10 Minuten, wie Sie mit Amazon SageMaker loslegen können.
WEBINAR
In diesem technischen On-Demand-Gespräch erfahren Sie, wie Sie den vollständigen ML-Workflow mithilfe von Amazon SageMaker Studio auf einer einzigen Oberfläche verwalten. Mit SageMaker Studio können Sie auf einer einzigen, integrierten Oberfläche, die die Produktivität der Entwickler deutlich steigert, Code programmieren, Experimente nachverfolgen, Daten visualisieren sowie Debugging und Überwachung durchführen.
SCHULUNGSKURS
In diesem Kurs lernen Sie, wie Sie Amazon SageMaker einsetzen können, um die Integration von Machine Learning in Ihre Anwendungen zu vereinfachen. Zu den wichtigsten Themen gehören: ein Überblick über Machine Learning und die Probleme, die damit gelöst werden können, die Verwendung eines Jupyter-Notebooks zum Trainieren eines Modells, das auf den integrierten Algorithmen von Amazon SageMaker basiert, und die Verwendung von Amazon SageMaker zur Veröffentlichung des validierten Modells. Sie beenden den Kurs mit der Erstellung einer Serverless-Anwendung, die sich in den von Amazon SageMaker veröffentlichten Endpunkt integriert.
TRAININGSKURS
In diesem Kurs lernen Sie, wie Sie eine Machine Learning-Pipeline mit Amazon SageMaker und Amazon SageMaker Ground Truth implementieren. Zuerst erstellen Sie einen beschrifteten Datensatz, dann erstellen Sie eine Trainingsaufgabe, um Ihr Objekterkennungsmodell zu trainieren, und schließlich verwenden Sie Amazon SageMaker, um Ihr Modell zu erstellen und zu aktualisieren.
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
Verwenden Sie das Erstellungsmodul von SageMaker, um Trainingsdaten zu erfassen und vorzubereiten, auf vorgefertigte Notebooks zuzugreifen und die integrierten, leistungsstarken Algorithmen zu nutzen.
ENTWICKLERHANDBUCH
Lernen Sie mit den in diesem Handbuch aufgeführten Schritten und Ressourcen, ein ML-Modell zu erstellen.
VIDEO
In diesem Video erfahren Sie alles über die vollständig verwalteten Notebook-Instances mit Amazon SageMaker.
BLOG
Lesen Sie diesen Blog, um zu erfahren, wie Sie allgemeine Workflows mit Amazon SageMaker-Notebook-Instances verwenden können.
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.
VIDEO
In diesem Video erfahren Sie mehr über die in Amazon SageMaker integrierten Hochleistungsalgorithmen.
Trainieren und Optimieren von Machine Learning-Modellen
Mit dem Trainingsmodul können Sie mit einem Klick Trainingsumgebungen einrichten und Ihr Modell durch automatische Modulabstimmung optimieren.
ENTWICKLERHANDBUCH
Lesen Sie eine Übersicht darüber, wie Sie Machine Learning-Modelle mit Amazon SageMaker trainieren.
VIDEO
In diesem Video erfahren Sie, wie Sie Ihre Machine Learning-Modelle mit höchster Genauigkeit mit Amazon SageMaker trainieren und optimieren können.
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.
PRAKTISCHE ÜBUNG
Probieren Sie diese Beispiele für die Verwendung der Hyperparameteroptimierung über verschiedene Algorithmen und Deep Learning-Frameworks hinweg aus.
BLOG
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).
Bereitstellen von Machine-Learning-Modellen
Verwenden Sie das Bereitstellungsmodul, um Ihre Machine Learning-Modelle mit einem einzigen Klick in der Produktion bereitzustellen.
ENTWICKLERHANDBUCH
Folgen Sie der schrittweisen Anleitung, um Machine Learning-Modelle auf der leistungsstärksten Infrastruktur bereitzustellen.
VIDEO
In diesem Video erfahren Sie, wie Sie Ihre ML-Modelle auf der am besten skalierbaren Infrastruktur in der Produktion einsetzen können.
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.
BLOG
Erfahren Sie, wie Sie die Bereistellungsmöglichkeiten von SageMaker (einschließlich A/B-Tests und Auto Scaling) nutzen können, um eine hohe Leistung und Verfügbarkeit für Ihre Machine Learning-Modelle zu erzielen.
BLOG
In diesem Blog erfahren Sie, wie Sie mithilfe von Amazon SageMaker Model Monitor die Qualität Ihrer Modelle für Machine Learning in der Produktion erhalten, wenn Änderungen wie Konzeptabweichungen auftreten. Sie können sogar benachrichtigt werden, wenn Probleme mit der Datenqualität auftreten, damit Sie die erforderlichen Maßnahmen ergreifen können.
BLOG
In diesem Blog erfahren Sie, wie Sie fast.ai-Modelle für das Amazon SageMaker-Training und -Hosting entwickeln, trainieren und bereitstellen können, indem Sie das Amazon SageMaker Python-SDK und ein PyTorch-Grund-Image verwenden. Sie können sich die zusätzlichen Schritte zur Entwicklung eines eigenen Containers sparen.
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
