Nozioni di base

Amazon SageMaker è un servizio modulare e completamente gestito che permette a sviluppatori e data scientist di creare, addestrare e distribuire modelli di apprendimento automatico su larga scala. Comincia a utilizzare il servizio con queste risorse per sviluppatori, così che tu possa passare velocemente dal concetto alla produzione.

Introduzione ad Amazon SageMaker

Scopri come costruire, addestrare e distribuire i moduli di Amazon SageMaker.

Amazon SageMaker (1:03)

DEVELOPER GUIDE


Segui questa guida passo passo per cominciare a utilizzare Amazon SageMaker rapidamente.

TUTORIAL


Scopri come iniziare a usare Amazon SageMaker in 10 minuti.

WEBINAR


Tramite questo webinar on demand impara a gestire il flusso di lavoro ML completo attraverso una singola schermata utilizzando Amazon SageMaker Studio. Grazie a SageMaker Studio, è possibile scrivere codice, tenere traccia degli esperimenti, visualizzare i dati ed eseguire il debug e il monitoraggio all'interno di un'unica interfaccia visiva integrata che aumenta significativamente la produttività degli sviluppatori.

CORSO DI FORMAZIONE


Questo corso di formazione spiega come utilizzare Amazon SageMaker per semplificare l'integrazione del machine learning nelle applicazioni. Gli argomenti principali sono: panoramica del machine learning e dei problemi che può risolvere, uso di un Jupyter Notebook per addestrare un modello basato sugli algoritmi incorporati di Amazon SageMaker e uso di Amazon SageMaker per pubblicare il modello convalidato. Per concludere il corso, costruirai un'applicazione serverless che si integra con l'endpoint pubblicato di Amazon SageMaker.

CORSO DI FORMAZIONE


In questo corso di formazione, scoprirai come implementare una pipeline di machine learning con Amazon SageMaker e Amazon SageMaker Ground Truth. Per prima cosa creerai un set di dati etichettato, quindi creerai un processo di formazione per addestrare il tuo modello di rilevamento degli oggetti e infine utilizzerai Amazon SageMaker per creare e aggiornare il tuo modello.

Flussi di lavoro ML sicuri e conformi con Amazon SageMaker

Ti sei mai chiesto come creare un flusso di lavoro di machine learning end-to-end sicuro e conforme per i servizi finanziari? Guarda la nostra demo video, dove illustriamo i modelli e i requisiti comuni obbligatori nei settori rigidamente disciplinati per i relativi casi d’uso con il machine learning sicuro.

Secure ML workflows with Amazon SageMaker (58:37)

Creazione di modelli di machine learning

Utilizza il modulo Build di SageMaker per raccogliere e preparare i dati per l’addestramento, accedi a notebook pre-costruiti e sfrutta gli algoritmi inclusi ad elevate prestazioni.

DEVELOPER GUIDE


Scopri come costruire un modello di machine learning con le risorse e i passaggi indicati in questa guida.

VIDEO


Questo video illustra in modo completo e dettagliato le istanze notebook interamente gestite con Amazon SageMaker.

Approfondisci le istanze notebook completamente gestite (16:44)

BLOG


Leggi questo blog e scopri come usare flussi di lavoro comuni su istanze notebook di Amazon SageMaker.

LABORATORIO PRATICO


Accedi a un ricco repository di notebook SageMaker su GitHub.

LABORATORIO PRATICO


Utilizza gli algoritmi sviluppati in Amazon SageMaker, più veloci ed economici delle alternative più utilizzate.

VIDEO


Questo video illustra gli algoritmi a elevate prestazioni integrati in Amazon SageMaker.

Sfrutta algoritmi integrati di machine learning a elevate prestazioni (15:37)

Addestra e configura i modelli di machine learning

Utilizza il modulo “Train” per impostare ambienti di addestramento con un clic e ottimizza il tuo modello utilizzando la configurazione automatica dei moduli

DEVELOPER GUIDE


Consulta la panoramica su come addestrare i modelli di machine learning utilizzando Amazon SageMaker.

VIDEO


In questo video, scoprirai come addestrare i tuoi modelli di machine learning per la massima accuratezza con Amazon SageMaker.

Addestra e configura i modelli di machine learning con Amazon SageMaker (18:29)

BLOG


Organizza e rileva le iterazioni di formazione in modo efficiente con Amazon SageMaker Experiments. La formazione di un modello di ML solitamente richiede molte iterazioni per isolare e misurare l'impatto del cambiamento di set di dati, versioni dell'algoritmo e parametri del modello. SageMaker Experiments ti aiuta a gestire le iterazioni con l'acquisizione automatica di parametri di input, configurazioni e risultati, oltre a identificare gli esperimenti con le migliori prestazioni.

 

LABORATORIO PRATICO


Prova questi esempi utilizzando la configurazione degli iperparametri attraverso diversi algoritmi e i framework di deep learning.

BLOG


Scopri come risparmiare fino al 90% dei costi di formazione utilizzando le istanze Spot Amazon EC2 con Managed Spot Training. Le istanze Spot sono capacità di calcolo dello spazio e le attività di formazione vengono automaticamente eseguite quando diventa disponibile capacità di scorta. Le attività di formazione vengono rese resilienti alle interruzioni provocate da modifiche della capacità, consentendo un risparmio grazie alla flessibilità del momento di esecuzione dei processi di formazione.

WEBINAR


Tramite questo tech talk on demand, scopri come utilizzare Amazon SageMaker Experiments e come Amazon SageMaker Debugger migliora la qualità dei modelli attraverso l'ottimizzazione della loro formazione e configurazione. Imparerai come gestire le iterazioni acquisendo automaticamente i parametri di input, le configurazioni e i risultati nonché le metriche in tempo reale durante la fase di formazione (ad esempio: le matrici di training e di convalida e quelle di confusione).

Distribuzione di un modello di machine learning

Utilizza il modulo “Deploy” per distribuire i tuoi modelli di machine learning in produzione con un solo clic.

DEVELOPER GUIDE


Segui questa guida passo passo per distribuire i modelli di machine learning sull’infrastruttura con le prestazioni più elevate.

VIDEO


In questo video, scoprirai come distribuire i tuoi modelli di machine learning in produzione sull'infrastruttura più scalabile.

Distribuisci i modelli di machine learning dalla sperimentazione alla produzione (7:52)

LABORATORIO PRATICO


Segui gli esempi su GitHub sull’utilizzo di Amazon SageMaker e AWS Step Functions per automatizzare la realizzazione, l’addestramento e la distribuzione dei modelli personalizzati di machine learning.

BLOG


Scopri come utilizzare le funzionalità di distribuzione di SageMaker, tra cui il test A/B e Auto Scaling, così da ottenere disponibilità e prestazioni elevate per i tuoi modelli di machine learning.

BLOG


In questo blog, scoprirai come mantenere la qualità dei tuoi modelli di machine learning in produzione, quando si verificano modifiche quali il concept drift, utilizzando Amazon SageMaker Model Monitor. Puoi anche impostare un avviso quando appaiono problemi di qualità dei dati, affinché tu possa adottare l'azione necessaria.

BLOG


In questo blog, scoprirai come puoi costruire, addestrare e distribuire i modelli fast.ai nella formazione e nell'hosting di Amazon SageMaker utilizzando Amazon SageMaker Python SDK e un'immagine di base PyTorch. Puoi evitare ulteriori passaggi nella costruzione dei tuo container.

Altre risorse

SDK

Utilizza le API adatte al tuo linguaggio o alla tua piattaforma di programmazione per semplificare l’utilizzo di Amazon SageMaker nelle tue applicazioni.

Novità

Gli annunci delle novità sono riepiloghi di alto livello dei nuovi lanci e aggiornamenti delle funzionalità. Consulta gli aggiornamenti specifici di Amazon SageMaker e altri annunci di AWS.

Leggi ora »

Nessun post del blog rilevato. Consulta il Blog AWS per ulteriori risorse. 

Scopri di più sulle caratteristiche di Amazon SageMaker

Visita la pagina delle caratteristiche
Hai altre domande?
Contattaci