Mise en route

Amazon SageMaker est un service modulaire entièrement géré permettant aux développeurs et aux spécialistes des données de créer, former et déployer des modèles de machine learning à n’importe quelle échelle. Démarrez avec ces ressources pour développeurs afin de passer rapidement de la conceptualisation à la production.

Présentation d'Amazon SageMaker

Découvrez comment créer, former et déployer des modules d’Amazon SageMaker.

Amazon SageMaker (1:03)

GUIDE DU DÉVELOPPEUR


Veuillez suivre le guide étape par étape pour rapidement commencer à utiliser Amazon SageMaker.

DIDACTICIEL


Découvrez comment démarrer avec Amazon SageMaker en 10 minutes.

WEBINAIRE


Dans cette présentation à la demande, découvrez comment gérer des flux de travail ML complets, de manière centralisée, à l'aide d'Amazon SageMaker Studio. Avec cet outil, vous pouvez écrire du code, effectuer des essais, visualiser des données et procéder à des opérations de débogage et de surveillance à partir d'une seule interface visuelle intégrée, ce qui vous permet de dynamiser votre productivité de développeur.

FORMATION


Cette formation vous donne les clés de l'utilisation d'Amazon SageMaker pour simplifier l'intégration de machine learning à vos applications. Elle aborde les points clés suivants : présentation de machine learning et des problèmes qu'il peut aider à résoudre, utilisation d'un bloc-note Jupyter pour former un modèle basé sur les algorithmes intégrés d'Amazon SageMaker et utilisation d'Amazon SageMaker pour publier le modèle validé. Pour terminer la formation, vous construirez une application sans serveur qui s'intègre au point de terminaison publié par Amazon SageMaker.

FORMATION


Au terme de cette formation, vous saurez comment mettre en œuvre un pipeline de machine learning en utilisant Amazon SageMaker et Amazon SageMaker Ground Truth. Vous allez d'abord créer un ensemble de données étiqueté, puis une tâche d’entraînement pour entraîner votre modèle de détection d'objets, et enfin vous utiliserez Amazon SageMaker pour créer et mettre à jour votre modèle.

Flux de travail ML sécurisés et conformes avec Amazon SageMaker

Vous êtes-vous déjà demandé comment créer un flux de travail ML de bout en bout sécurisé et conforme pour les services financiers ? Visionnez cette vidéo de démonstration, où nous abordons les modèles et les exigences courantes requises par les secteurs hautement réglementées pour leurs cas d'utilisation avec un machine learning sécurisé.

Sécuriser les flux de travail ML avec Amazon SageMaker (58:37)

Créer des modèles de machine learning

Utilisez le module Création de SageMaker pour collecter et préparer les données de formation, accéder aux blocs-notes précréés et utiliser les algorithmes haute performance intégrés.

GUIDE DU DÉVELOPPEUR


Découvrez comment créer un modèle ML à partir des étapes et des ressources contenues dans ce guide.

VIDÉO


Dans cette vidéo, découvrez tout ce qui concerne les instances de bloc-notes entièrement gérées avec Amazon SageMaker.

Découverte approfondie des instances de blocs-notes entièrement gérées (16:44)

BLOG


Lisez ce blog pour découvrir comment utiliser les flux de travail courants via les instances de blocs-notes Amazon SageMaker.

ATELIER PRATIQUE


Accédez à un vaste référentiel de blocs-notes SageMaker sur GitHub.

ATELIER PRATIQUE


Utilisez les algorithmes intégrés sur Amazon SageMaker, plus rapides et plus avantageux en termes de coûts que les produits concurrents populaires.

VIDÉO


Dans cette vidéo, découvrez les algorithmes hautes performances intégrés à Amazon SageMaker.

Tirez parti des algorithmes de machine learning hautes performances intégrés (15:37)

Formation et ajustement de vos modèles de machine learning

Utilisez le module Formation pour configurer des environnements de formation en un clic et optimiser votre modèle via l’ajustement automatique de modules.

GUIDE DU DÉVELOPPEUR


Découvrez un aperçu de la procédure de formation de modèles de machine learning avec Amazon SageMaker.

VIDÉO


Suivez cette vidéo pour apprendre comment former et ajuster des modèles de machine learning extrêmement précis avec Amazon SageMaker.

Formation et ajustement des modèles de machine learning avec Amazon SageMaker (18:29)

BLOG


Organisez et suivez efficacement vos itérations de formation avec Amazon SageMaker Experiments. La formation d'un modèle ML implique généralement de nombreuses itérations pour isoler et mesurer l'impact de l'évolution des ensembles de données, des versions d'algorithmes et des paramètres du modèle. SageMaker Experiments vous aide à gérer ces itérations en capturant automatiquement les paramètres d'entrée, les configurations et les résultats, et à identifier l'expérience la plus performante.

 

ATELIER PRATIQUE


Essayez les exemples ci-dessous visant à utiliser l’ajustement d'hyperparamètres sur différents algorithmes et cadres de deep learning.

BLOG


Apprenez à économiser jusqu'à 90 % des coûts de formation en utilisant les instances Spot Amazon EC2 Spot avec Managed Spot Training. Les instances Spot sont une fonctionnalité de calcul d'espace, et les tâches de formation sont exécutées automatiquement lorsque la capacité de réserve devient disponible. Les sessions de formation sont rendus résistantes aux interruptions causées par les changements de capacité, ce qui vous permet de réduire les coûts lorsque vous avez de la flexibilité concernant le moment d'exécuter les tâches de formation.

WEBINAIRE


Dans cette présentation technique à la demande, vous découvrez comment utiliser Amazon SageMaker Experiments et comment Amazon SageMaker Debugger améliore la qualité des modèles grâce à une meilleure formation et un meilleur ajustement des modèles. Vous découvrirez comment gérer les itérations en capturant automatiquement les paramètres d'entrée, les configurations et les résultats, mais également les mesures en temps réel durant la formation telles que la formation, la validation et les matrices de confusion.

Déploiement de modèles de machine learning

Utilisez le module Déploiement pour déployer vos modèles de machine learning en production en un clic.

GUIDE DU DÉVELOPPEUR


Suivez le guide étape par étape pour déployer des modèles de machine learning sur une infrastructure aux performances maximales.

VIDÉO


Apprenez à travers cette vidéo comment déployer vos modèles de machine learning en production sur l'infrastructure la plus évolutive.

Déploiement des modèles de machine learning de l'expérimentation à la production (7:52)

ATELIER PRATIQUE


Suivez les exemples disponibles sur GitHub afin d’utiliser Amazon SageMaker et AWS Step Functions pour automatiser la création, la formation et le déploiement de modèles personnalisés de machine learning.

BLOG


Apprenez à utiliser les fonctionnalités de déploiement de SageMaker, y compris les tests A/B et Auto Scaling, qui offrent des performances et une disponibilité élevées pour vos modèles de machine learning.

BLOG


Dans ce blog, apprenez à maintenir la qualité de vos modèles de machine learning en production, lorsque des changements, tels que des écarts par rapport aux concepts, se produisent, en utilisant Amazon SageMaker Model Monitor. Vous pouvez même être alerté lorsque des problèmes de qualité des données apparaissent, pour que vous puissiez prendre les mesures nécessaires.

BLOG


Lisez sur ce blog comment créer, former et déployer des modèles fast.ai dans la formation et l'hébergement Amazon SageMaker en utilisant Amazon SageMaker Python SDK et une image de base PyTorch. Vous pouvez éviter les étapes supplémentaires de la création de votre propre conteneur.

Ressources supplémentaires

Kits SDK

Utilisez des API adaptées à votre langage ou votre plateforme de programmation pour simplifier l'utilisation d'Amazon SageMaker dans vos applications.

Nouveautés

Les nouvelles annonces sont des résumés généraux des lancements et des mises à jour des fonctionnalités. Lisez les mises à jour spécifiques d’Amazon SageMaker et d'autres annonces AWS.

Lire maintenant »

Aucun billet de blog n'a été trouvé pour le moment. Veuillez consulter le blog AWS pour découvrir d’autres ressources. 

En savoir plus sur les fonctionnalités d'Amazon SageMaker

Consultez la page des fonctionnalités.
D'autres questions ?
Contactez-nous