開始方法

Amazon SageMaker は完全マネージド型、モジュラー式のサービスです。開発者やデータサイエンティストは機械学習モデルを大規模に構築、トレーニング、デプロイできます。これらの開発者用リソースから開始すれば、開発から本番環境にすばやく移行できます。

Amazon SageMaker のご紹介

Amazon SageMaker のモジュールの構築、トレーニング、デプロイの詳細をご確認ください。

Amazon SageMaker (1:03)

開発者ガイド


Amazon SageMaker をすぐに使用開始するには、このステップバイステップガイドに従ってください。

チュートリアル


Amazon SageMaker の開始方法を 10 分でご説明します。

オンラインセミナー


このオンデマンドのテクニカルトークでは、Amazon SageMaker Studio を使用して、単一のペインから完全な ML ワークフローを管理する方法を学びます。SageMaker Studio を使用すると、コードの記述、実験の追跡、データの視覚化、デバッグと監視をすべて単一の統合されたビジュアルインターフェイス内で実行できるため、開発者の生産性が大幅に向上します。

トレーニングコース


このトレーニングコースでは、Amazon SageMaker を使用して、機械学習をアプリケーションに簡単に統合する方法を学びます。主なトピックには、機械学習と解決可能な問題の概要、Jupyter ノートブックを使用して Amazon SageMaker のビルトインアルゴリズムに基づいてモデルをトレーニングする、Amazon SageMaker を使って検証済みモデルを発行する、などがあります。コースの最後には、Amazon SageMaker で公開されたエンドポイントと統合するサーバーレスアプリケーションを構築します。

トレーニングコース


このトレーニングコースでは、Amazon SageMaker と Amazon SageMaker Ground Truth を使用して、機械学習パイプラインを実装する方法を学習します。最初にラベル付きデータセットを作成し、次にオブジェクト検出モデルをトレーニングするトレーニングジョブを作成し、最後に Amazon SageMaker を使用してモデルを作成および更新します。

Amazon SageMaker による安全で準拠した機械学習ワークフロー

金融サービス向けの安全で準拠したエンドツーエンドの機械学習ワークフローを構築する方法をご存知ですか? この動画デモをご覧ください。ここでは、高度に規制された業界が安全な機械学習を使用するユースケースに必要な一般的なパターンと要件に対応しています。

Amazon SageMaker を使用した安全な機械学習ワークフロー (58:37)

機械学習モデルの作成

SageMaker のビルドモジュールを使用すれば、トレーニングデータの収集と準備をしてビルド済みのノートブックにアクセスし、組み込みの高性能アルゴリズムを活用できます。

開発者ガイド


このガイドで説明されている手順とリソースを使用して機械学習モデルを構築する方法を学習できます。

動画


この動画で、Amazon SageMaker と完全マネージド型のノートブックインスタンスについて詳しく学習してください。

完全マネージド型のノートブックインスタンスの詳細 (16:44)

ブログ


このブログで、Amazon SageMaker ノートブックインスタンスで共通のワークフローを使用する方法をご覧ください。

ハンズオンラボ


GitHub で、SageMaker ノートブックの豊富なリポジトリにアクセスできます。

ハンズオンラボ


一般的な他の選択肢よりも高速で低料金の Amazon SageMaker の組み込みアルゴリズムを活用してください。

動画


この動画で、Amazon SageMaker の組み込みの高性能アルゴリズムについてご確認ください。

高性能な組み込みの機械学習アルゴリズムを活用する (15:37)

機械学習モデルのトレーニングと調整

Train モジュールを使用してワンクリックでトレーニング環境を設定し、自動モジュールチューニングを使用してモデルを最適化できます。

開発者ガイド


Amazon SageMaker を使用して機械学習モデルをトレーニングする方法の概要をお読みください。

動画


この動画では、Amazon SageMaker を使って、機械学習モデルを最高の精度でトレーニングおよび調整する方法を学びます。

Amazon SageMaker を使用して機械学習モデルをトレーニングおよび調整する (18:29)

ブログ


Amazon SageMaker Experiments を使用して、トレーニングの反復を効率的に整理および追跡します。ML のトレーニングにはデータセット、アルゴリズムのバージョン、モデルのパラメータなどを変更する影響を切り離し、測定するために、通常、多くの繰り返し作業が生じます。SageMaker Experiments は入力パラメータ、構成、結果などを自動的に捕捉してこうした繰り返し作業を管理しやすくし、最もパフォーマンスの高い実験を特定するのに役立ちます。

 

ハンズオンラボ


さまざまなアルゴリズムや深層学習フレームワークでハイパーパラメータチューニングを使用するこれらの例をお試しください。

ブログ


マネージドスポットトレーニングとともに Amazon EC2 スポットインスタンスを使用して、トレーニングコストを最大 90% 節約する方法を学びます。スポットインスタンスはスペースコンピューティング容量で、予備の容量が利用できるようになると、トレーニングジョブが自動的に実行されます。トレーニングの実行は、空き状況の変化によって処理が中断しても復帰できるように作成されています。そのため、トレーニングジョブを実行するタイミングを柔軟に調整できるので、コストの削減が可能になります。

オンラインセミナー


このオンデマンドの Tech Talk で、Amazon SageMaker Experiments の使用方法と Amazon SageMaker Debugger を使用したより優れたトレーニングとチューニングによってどのようにモデルの品質が改善するかを学習しましょう。入力パラメータ、設定、結果を自動的に取得することや、トレーニング中にリアルタイムメトリクス (トレーニングと検証や、混同行列に関するメトリクス) を自動的に取得することにより、どのようにイテレーションを管理できるかを確認できます。

機械学習モデルのデプロイ

デプロイモジュールを使用すれば、ワンクリックで機械学習モデルを本番環境にデプロイできます。

開発者ガイド


ステップバイステップガイドに従って、機械学習モデルを高性能なインフラストラクチャにデプロイしてください。

動画


この動画では、最もスケーラブルなインフラストラクチャの本番環境に機械学習モデルをデプロイする方法を学びます。

実験から実稼働まで、機械学習モデルをデプロイする (7:52)

ハンズオンラボ


GitHub の例に従って、Amazon SageMaker と AWS Step Functions を使用してカスタム機械学習モデルの構築、トレーニング、デプロイを自動化できます。

ブログ


A/B テストや Auto Scaling などの SageMaker のデプロイ機能を使用して、機械学習モデルで高性能と高可用性を実現する方法をご説明します。

ブログ


このブログでは、Amazon SageMaker モデルモニターを使用して、コンセプトドリフトなどの変更が発生したときに、本番環境で機械学習モデルの品質を維持する方法を学びます。データ品質の問題が発生したときにアラートを受け取り、必要なアクションを実行することもできます。

ブログ


このブログでは、Amazon SageMaker Python SDK と PyTorch ベースイメージを使用して、fastai モデルを構築、トレーニング、および Amazon SageMaker トレーニングとホスティングにデプロイする方法を学びます。独自のコンテナを構築するといった余分な手順を回避できます。

その他のリソース

SDK

アプリケーションで Amazon SageMaker をより簡単に使用するために、プログラミング言語またはプラットフォームに合わせて調整された API をお使いください。

最新情報

新着情報では、新製品の発表と機能のアップデートの概要をご紹介しています。Amazon SageMaker 固有のアップデートとその他の AWS のお知らせをご覧ください。

今すぐ読む »

現時点でブログ記事は見つかりませんでした。その他のリソースについては AWS ブログを参照してください。 

Amazon SageMaker の機能の詳細

特徴ページをご覧ください
ご不明な点がありますか?
お問い合わせ