Memulai

Amazon SageMaker membantu data scientist dan developer menyiapkan, membangun, melatih, dan men-deploy model machine learning (ML) berkualitas tinggi dengan cepat dengan menggabungkan set kemampuan yang luas yang dibangun dengan tujuan khusus untuk ML.

Pengantar Amazon SageMaker

Pelajari cara mempersiapkan, membangun, melatih, dan men-deploy model dengan Amazon SageMaker.

VIDEO


Selesaikan semua tugas administratif yang diperlukan untuk meluncurkan Amazon SageMaker Studio hanya dengan beberapa klik.

Onboard ke Amazon SageMaker Studio

TUTORIAL


Dalam tutorial ini, Anda menggunakan Amazon SageMaker Studio untuk membangun, melatih, men-deploy, dan memantau model XGBoost. Kami mencakup seluruh alur kerja machine learning (ML) mulai dari rekayasa fitur dan pelatihan model hingga penerapan langsung dan batch untuk model ML.

PANDUAN DEVELOPER


Ikuti panduan langkah demi langkah ini untuk mulai menggunakan semua fitur Amazon SageMaker Studio.

WEBINAR


Dalam bincang teknologi sesuai permintaan ini, perhatikan cara cepat membuat notebook baru, mengunggah data, melatih model, membandingkan hasil model, dan men-deploy model ke produksi, semuanya di Amazon SageMaker Studio.

VIDEO


Mulai menggunakan machine learning (ML) dapat menghabiskan banyak waktu. Amazon SageMaker JumpStart membantu Anda memulai menggunakan ML dengan cepat dan mudah.

Mulai menggunakan ML dalam hitungan menit dengan Amazon SageMaker JumpStart

VIDEO


Pelajari cara menyediakan lingkungan ML yang aman, dengan menyelami pola umum dan arsitektur yang diperlukan dalam industri beregulasi.

Machine learning yang aman dan patuh untuk industri beregulasi

Alur kerja ML yang aman dan patuh dengan Amazon SageMaker

Pernah bertanya-tanya bagaimana cara membangun alur kerja ML yang aman dan sesuai untuk Layanan Keuangan? Lihat demonstrasi video ini, saat kami membahas pola dan persyaratan umum yang diperlukan oleh industri yang diatur sangat ketat untuk kasus penggunaannya dengan machine learning yang aman.

Alur kerja ML yang aman dengan Amazon SageMaker (58:37)

Bangun model machine learning

PANDUAN DEVELOPER


Pelajari cara membangun model ML dengan langkah-langkah dan sumber daya yang diuraikan dalam panduan ini.

LABORATORIUM PRAKTIK LANGSUNG


Akses repositori notebook lengkap SageMaker, di GitHub.

LABORATORIUM PRAKTIK LANGSUNG


Memanfaatkan algoritma yang dibuat ke dalam Amazon SageMaker yang lebih cepat dan lebih murah dibandingkan dengan pilihan lain yang populer.

VIDEO


Amazon SageMaker menawarkan banyak algoritma internal yang dioptimalkan untuk kecepatan, penskalaan, dan akurasi. Pelajari cara menggunakan algoritma yang tepat berdasarkan masalah yang ingin Anda pecahkan menggunakan ML.

Pilih algoritma machine learning yang tepat di Amazon SageMaker

VIDEO


Bahasa R populer di antara data scientist dan praktisi ML. Dalam video ini, pelajari cara menggunakan R dan jalankan simulasi ML yang aman dan sesuai skala dengan Amazon SageMaker.

Memproduksi beban kerja R menggunakan Amazon SageMaker, bersama Siemens

VIDEO


Pelajari cara menyiapkan kontainer menggunakan layanan AWS dengan mudah dan sesuai skala. Video ini akan memberikan Anda pemahaman tentang cara memelihara konsistensi dan portabilitas dalam lingkungan pengembangan ML.

Membangun lingkungan ML yang konsisten dan portabel dengan kontainer

Melatih dan menyetel model machine learning

Gunakan modul Latih untuk menyiapkan lingkungan pelatihan dengan sekali klik dan optimalkan model Anda menggunakan penyetelan modul otomatis

TUTORIAL


Pelajari cara menggunakan Amazon SageMaker Studio untuk melatih, dan menyetel model deep learning TensorFlow.

PANDUAN DEVELOPER


Baca ikhtisar tentang cara melatih model machine learning menggunakan Amazon SageMaker.

BLOG


Mengelola dan melacak iterasi pelatihan Anda secara efisien menggunakan Amazon SageMaker Experiments. Melatih model ML umumnya memerlukan banyak iterasi untuk mengisolasi dan mengukur dampak rangkaian data, versi algoritma, dan parameter model yang berubah-ubah. Eksperimen SageMaker membantu Anda mengelola iterasi dengan menangkap secara otomatis parameter input, konfigurasi, dan hasil, serta mengidentifikasi eksperimen dengan kinerja terbaik.

 

VIDEO


Melatih model ML umumnya memerlukan banyak iterasi untuk mengisolasi dan mengukur dampak beberapa variabel. Dalam video ini, pelajari bagaimana Eksperimen Amazon SagMaker dapat membantu Anda dan melacak iterasi ini dalam antarmuka visual SageMaker Studio.

Ikhtisar Eksperimen Amazon SageMaker

LABORATORIUM PRAKTIK LANGSUNG


Coba contoh penggunaan penyetelan hyperparameter di berbagai algoritma dan kerangka kerja deep learning.

TUTORIAL


Pelajari cara menghemat biaya pelatihan hingga 90%, menggunakan instans Spot Amazon EC2 dengan Pelatihan Spot Terkelola. Instans spot adalah kapasitas komputasi ruang dan tugas pelatihan yang dijalankan secara otomatis saat kapasitas cadangan tersedia. Tugas pelatihan yang dibuat tahan terhadap gangguan perubahan kapasitas, memungkinkan Anda menghemat biaya ketika Anda memiliki fleksibilitas saat menjalankan tugas pelatihan.

WEBINAR


Dalam pembahasan teknologi sesuai permintaan ini, pelajari cara menggunakan Amazon SageMaker Experiments dan bagaimana Amazon SageMaker Debugger meningkatkan kualitas model melalui pelatihan dan penyetelan model yang lebih baik. Anda akan melihat cara mengelola iterasi dengan menangkap parameter input, konfigurasi, dan hasil secara otomatis serta menangkap metrik waktu nyata secara otomatis selama pelatihan seperti matriks pelatihan dan validasi serta matriks kinerja model klasifikasi.

VIDEO


Proses pelatihan ML umumnya bersifat rancangan. Pelajari bagaimana Amazon SageMaker Debugger membuat proses pelatihan menjadi transparan dengan secara otomatis menangkap metrik, menganalisis jalannya pelatihan, dan mendeteksi masalah.

Menganalisis, mendeteksi, dan mendapatkan peringatan selama pelatihan berlangsung

VIDEO


Pelajari cara melatih dan menyetel model ML ke tingkat akurasi paling tinggi dengan video mendalam tentang melatih model ML dengan Amazon SageMaker.

Melatih dan menyetel model ML ke tingkat akurasi paling tinggi menggunakan Amazon SageMaker

Men-deploy model machine learning

PANDUAN DEVELOPER


Ikuti panduan langkah demi langkah pelaksanaan deploy model machine learning pada infrastruktur berkinerja tertinggi.

LABORATORIUM PRAKTIK LANGSUNG


Ikuti contoh di GitHub untuk menggunakan Amazon SageMaker dan AWS Step Functions untuk mengotomatiskan pembangunan, pelatihan, dan pelaksanaan deploy model machine learning kustom.

VIDEO


Pelajari bagaimana Titik Akhir Multi-Model Amazon SageMaker mewujudkan cara yang terskalakan dan hemat biaya untuk melakukan deploy model ML sesuai skala menggunakan satu titik akhir.

Men-deploy beberapa model di satu endpoint

VIDEO


AWS menawarkan beragam jenis infrastruktur ML dengan Amazon SageMaker. Dalam video ini, pelajari cara memilih instans komputasi yang tepat bagi inferensi ML untuk persyaratan khusus Anda.

Cara memilih jenis instans yang tepat untuk inferensi ML

VIDEO


Praktik ML Ops membantu data scientist dan profesional pengoperasian IT berkolaborasi dan mengelola alur kerja ML. Pelajari cara Amazon SageMaker membantu Anda dalam ML Ops untuk mengelola dan menskalakan alur kerja menyeluruh dengan mudah.

MLOps untuk perangkat edge dengan Amazon SageMaker Edge Manager

Sumber daya tambahan

SDK

Gunakan API yang disesuaikan dengan bahasa pemrograman atau platform Anda untuk memudahkan penggunaan Amazon SageMaker di aplikasi Anda.

Apa yang Baru

Pemberitahuan Hal Baru merupakan ringkasan tingkat-tinggi dari peluncuran dan pembaruan fitur-fitur. Baca pembaruan spesifik Amazon SageMaker dan pemberitahuan AWS lainnya.

Baca sekarang »

Tidak ada postingan blog saat ini. Silakan lihat Blog AWS untuk sumber daya lainnya. 

Pelajari selengkapnya tentang fitur Amazon SageMaker

Kunjungi halaman fitur
Ada pertanyaan lagi?
Hubungi kami