Mise en route

Amazon SageMaker aide les scientifiques des données et les développeurs à préparer, créer, entraîner et déployer rapidement des modèles de machine learning (ML) de haute qualité en rassemblant un large ensemble de fonctionnalités spécialement conçues pour le ML.

Présentation d'Amazon SageMaker

Découvrez comment préparer, créer, entraîner et déployer des modèles avec Amazon SageMaker.

VIDÉO


Accomplissez toutes les tâches administratives nécessaires au lancement d'Amazon SageMaker Studio en quelques clics seulement.

S'inscrire à Amazon SageMaker Studio

DIDACTICIEL


Dans ce didacticiel, vous utiliserez Amazon SageMaker Studio pour créer, entraîner, déployer et surveiller un modèle XGBoost. Nous couvrirons l'ensemble du flux de travail du machine learning (ML) depuis l'ingénierie de fonctionnalités et l'entraînement de modèles aux déploiements en lots et en direct des modèles de machine learning.

GUIDE DU DÉVELOPPEUR


Suivez ce guide étape par étape pour commencer à utiliser toutes les fonctionnalités d'Amazon SageMaker Studio.

WEBINAIRE


Cet exposé technique à la demande montre comment rapidement créer des blocs-notes, charger des données, entraîner des modèles, comparer les résultats de modèles et déployer des modèles en production, le tout dans Amazon SageMaker Studio.

VIDÉO


La mise en route du machine learning peut prendre beaucoup de temps. Amazon SageMaker JumpStart vous aide à vous familiariser avec le machine learning de manière facile et rapide.

Sa familiariser avec le machine learning en quelques minutes avec Amazon SageMaker JumpStart

VIDÉO


Apprenez à mettre en service un environnement de ML sécurisé et découvrez de manière approfondie les modèles et architectures communs requis dans les industries réglementées.

Machine learning sûr et conforme pour les secteurs réglementés

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)

Création de modèles de machine learning

GUIDE DU DÉVELOPPEUR


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

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


Amazon SageMaker offre de nombreux algorithmes intégrés optimisés pour la vitesse, la mise à l'échelle et la précision. Découvrez comment choisir le bon algorithme en fonction du problème que vous souhaitez résoudre à l'aide du machine learning.

Choisir le bon algorithme de machine learning dans Amazon SageMaker

VIDÉO


Le langage R est populaire parmi les scientifiques des données et les professionnels du ML. Dans cette vidéo, découvrez comment vous pouvez utiliser R et exécuter des simulations de ML sécurisées à grande échelle avec Amazon SageMaker.

Production de charges de travail R à l'aide d'Amazon SageMaker, avec Siemens

VIDÉO


Découvrez comment configurer des conteneurs facilement et à grande échelle à l'aide des services AWS. Cette vidéo vous permettra de comprendre comment maintenir la cohérence et la portabilité dans votre environnement de développement de machine learning.

Créer des environnements de machine learning cohérents et portables avec des conteneurs

Entraîner et ajuster des 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.

DIDACTICIEL


Découvrez comment utiliser Amazon SageMaker Studio pour entraîner et régler un modèle de deep learning TensorFlow.

GUIDE DU DÉVELOPPEUR


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

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.

 

VIDÉO


La formation d’un modèle de machine learning demande de nombreuses itérations pour isoler et mesurer l’impact de plusieurs variables. Dans cette vidéo, découvrez comment Amazon SagMaker Experiments peut vous aider et suivez ces itérations dans l'interface visuelle de SageMaker Studio.

Présentation d'Amazon SageMaker Experiments

ATELIER PRATIQUE


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

DIDACTICIEL


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.

VIDÉO


Le processus d'entraînement du ML est largement opaque. Découvrez comment Amazon SageMaker Debugger rend le processus d'entraînement transparent en capturant automatiquement les métriques, en analysant les cycles d'entraînement et en détectant les problèmes.

Analyser, détecter et recevoir des alertes pendant les entraînements

VIDÉO


Découvrez comment entraîner et ajuster vos modèles de machine learning avec la plus grande précision grâce à une vidéo approfondie sur l'entraînement des modèles de machine learning avec Amazon SageMaker.

Entraîner et ajuster des modèles de machine learning extrêmement précis avec Amazon SageMaker

Déployer des modèles de machine learning

GUIDE DU DÉVELOPPEUR


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

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.

VIDÉO


Découvrez comment les points de terminaison à plusieurs modèles Amazon SageMaker permettent de déployer des modèles de ML à grande échelle de manière évolutive et rentable en utilisant un seul point de terminaison.

Déployer plusieurs modèles sur un même point de terminaison

VIDÉO


AWS offre une infrastructure de machine learning étendue et approfondie avec Amazon SageMaker. Dans cette vidéo, découvrez comment choisir le type d'instance de calcul adapté à votre inférence de machine learning selon vos besoins spécifiques.

Choisir le bon type d'instance pour une inférence de machine learning

VIDÉO


Les pratiques ML Ops aident les scientifiques des données et les professionnels des opérations informatiques à collaborer et à gérer le flux de travail ML. Découvrez comment Amazon SageMaker peut vous aider à gérer et à mettre à l'échelle les flux de travail de bout en bout facilement à l'aide des ML Ops.

ML Ops pour les dispositifs périphériques avec Amazon SageMaker Edge Manager

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 ?
Nous contacter