시작하기

Amazon SageMaker는 개발자와 데이터 과학자가 기계 학습 모델을 대규모로 손쉽게 구축, 교육, 배포할 수 있도록 하는 완전 관리형 모듈식 서비스입니다. 이러한 개발자 리소스로 시작하면 개념에서 프로덕션으로 신속하게 이동할 수 있습니다.

Amazon SageMaker 소개

Amazon SageMaker의 구축, 교육 및 배포 모듈에 대해 알아보십시오.

Amazon SageMaker(1분 03초)

개발자 안내서


이 단계별 안내서를 통해 Amazon SageMaker 사용을 신속하게 시작하십시오.

자습서


Amazon SageMaker를 10분 만에 시작하는 방법을 알아보십시오.

웹 세미나


이 온디맨드 테크 톡에서는 Amazon SageMaker Studio를 사용하여 단일 인터페이스를 통해 전체 ML 워크플로를 관리하는 방법을 알아봅니다. SageMaker Studio를 사용하면 통합된 단일 시각적 인터페이스에서 코드를 작성하고, 실험을 추적하고, 데이터를 시각화하고, 디버깅 및 모니터링을 수행할 수 있으므로 개발자 생산성이 크게 향상됩니다.

교육 과정


이 교육 과정에서 Amazon SageMaker를 사용하여 기계 학습을 애플리케이션에 통합하는 방법을 알아보십시오. 주요 주제로 Amazon SageMaker의 내장형 알고리즘 기반의 모델 학습을 위한 Jupyter Notebook과 검증된 모델 게시를 위한 Amazon SageMaker를 사용하여 기계 학습 및 이를 통해 해결 가능한 문제 등을 개괄적으로 살펴봅니다. 학습을 마칠 때에는 Amazon SageMaker 게시 엔드포인트와 통합되는 서버리스 애플리케이션을 구축할 수 있게 됩니다.

교육 과정


이 교육 과정에서는 Amazon SageMaker 및 Amazon SageMaker Ground Truth를 사용하여 기계 학습 파이프라인을 구현하는 방법을 학습합니다. 먼저 레이블이 지정된 데이터 세트를 생성한 다음, 객체 감지 모델을 훈련하기 위한 훈련 작업을 생성하고, 마지막으로 Amazon SageMaker를 사용하여 모델을 생성 및 업데이트합니다.

Amazon SageMaker에서 안전하고 규정을 준수하는 ML 워크플로

금융 서비스에 대해 안전하고 규정을 준수하는 포괄적인 ML 워크플로를 구축하는 방법을 알고 싶으십니까? 이 비디오 데모를 확인해 보십시오. 엄격한 규정에 따르는 산업이 보안 기계 학습을 이용하는 사용 사례에서 필요로 하는 공통 패턴과 요구 사항을 설명합니다.

Secure ML workflows with Amazon SageMaker(58:37)

기계 학습 모델 구축

SageMaker의 구축 모듈을 사용하여 교육 데이터를 수집 및 준비하고, 사전 구축된 노트북에 액세스하여 기본 고성능 알고리즘을 활용하십시오.

개발자 안내서


이 안내서에 나와 있는 단계 및 리소스를 통해 ML 모델의 구축 방법을 알아보십시오.

동영상


이 동영상에서 Amazon SageMaker로 완전 관리형 노트북 인스턴스에 대한 모든 내용을 알아보십시오.

완전 관리형 노트북 인스턴스 심층 분석(16분 44초)

블로그


이 블로그를 읽고 Amazon SageMaker 노트북 인스턴스를 통해 일반 워크플로를 사용하는 방법을 알아보십시오.

실습


GitHub에서 풍부한 SageMaker 노트북 리포지토리에 액세스하십시오.

실습


일반적인 알고리즘보다 빠르고 저렴한 Amazon SageMaker에 내장된 알고리즘을 이용하십시오.

동영상


이 동영상에서 Amazon SageMaker에 내장형 고성능 알고리즘에 대해 알아보십시오.

내장된 고성능 기계 학습 알고리즘 활용(15분 37초)

기계 학습 모델 교육 및 튜닝

교육 모듈을 사용하여 클릭 한 번으로 교육 환경을 설정하고, 자동 모듈 튜닝을 통해 모델을 최적화하십시오.

개발자 안내서


Amazon SageMaker를 사용하여 기계 학습 모델을 교육하는 방법의 개요를 읽어보십시오.

동영상


이 동영상에서는 Amazon SageMaker를 사용하여 기계 학습 모델을 최고 수준의 정확도로 훈련하고 조정하는 방법에 대해 알아보십시오.

Amazon SageMaker를 통한 ML 모델 교육 및 튜닝(18분 29초)

블로그


Amazon SageMaker 실험으로 반복 교육을 효율적으로 구성하고 추적하십시오. ML 모델 교육에는 일반적으로 변화하는 데이터 세트, 알고리즘 버전 및 모델 파라미터의 영향을 분리하고 측정하기 위한 반복이 수반됩니다. SageMaker 실험은 입력 파라미터, 구성 및 결과를 자동으로 캡처하고 이러한 반복을 관리하고 가장 적합한 수행 실험을 식별하도록 돕습니다.

 

실습


다양한 알고리즘 및 딥 러닝 프레임워크에서 하이퍼파라미터를 사용하는 예를 활용해 보십시오.

블로그


관리형 스팟 학습과 Amazon EC2 스팟 인스턴스를 사용하여 학습 비용을 최대 90%까지 절약하는 방법을 알아보십시오. 스팟 인스턴스는 용량 연산 기능이며, 여유 용량이 생기면 학습 작업이 자동으로 실행됩니다. 학습 실행은 용량 변경으로 인한 중단에 탄력적으로 대응할 수 있도록 설계되어서 학습 작업을 실행하는 시기를 유연하게 조절함으로써 비용을 절감할 수 있습니다.

웨비나


이 온디맨드 테크 토크에서 Amazon SageMaker Experiments를 사용하는 방법과 Amazon SageMaker Debugger를 사용하여 모델 훈련 및 튜팅을 통해 모델 품질을 향상하는 방법을 알아봅니다. 입력 파라미터, 구성 및 결과를 자동으로 캡처하고 훈련 중에 훈련, 검증 및 혼돈 행렬과 같은 실시간 지표를 자동으로 캡처하여 반복을 관리하는 방법을 확인할 수 있습니다.

기계 학습 모델 배포

배포 모듈을 사용하여 기계 학습 모델을 클릭 한 번으로 프로덕션 환경에 배포하십시오.

개발자 안내서


단계별 안내서를 통해 최고 성능의 인프라에서 기계 학습 모델을 배포하십시오.

동영상


이 동영상에서는 가장 확장성이 뛰어난 인프라에서 프로덕션에 ML 모델을 배포하는 방법을 학습합니다.

ML 모델을 실험에서 프로덕션으로 배포(7분 52초)

실습


GitHub의 예에 따라 Amazon SageMaker 및 AWS Step Functions를 사용하여 사용자 지정 기계 학습 모델의 구축, 교육 및 배포를 자동화하십시오.

블로그


A/B 테스트와 Auto Scaling을 포함한 SageMaker의 배포 기능을 사용하여 기계 학습 모델의 고성능 및 고가용성을 실현하는 방법을 알아보십시오.

블로그


이 블로그에서는 개념 드리프트 등의 변화가 발생했을 때 프로덕션에서 Amazon SageMaker 모델 모니터를 사용하여 기계 학습 모델의 품질을 유지하는 방법을 알아보실 수 있습니다. 데이터 품질에 문제가 생기면 필요한 조치할 수 있도록 알림도 보낼 수 있습니다.

블로그


이 블로그에서는 Amazon SageMaker Python SDK 및 PyTorch 기본 이미지를 사용하여 Amazon SageMaker 교육 및 호스팅에 fastai 모델을 구축, 교육 및 배포하는 방법에 대해 알아봅니다. 자체 컨테이너를 구축하여 추가 단계를 생략할 수 있습니다.

추가 리소스

SDK

프로그래밍 언어 또는 플랫폼에 맞게 조정된 API를 통해 애플리케이션에서 Amazon SageMaker를 더욱 간편하게 사용하십시오.

새로운 소식

새로운 소식 알림에서는 출시 소식 및 기능 업데이트에 대한 주요 요약 내용을 제공합니다. Amazon SageMaker와 관련된 업데이트 및 기타 AWS 알림을 읽어보십시오.

지금 읽어보기 »

현재는 블로그 게시물을 찾을 수 없습니다. AWS 블로그에서 다른 리소스를 확인하십시오. 

Amazon SageMaker 기능에 대해 자세히 알아보십시오

기능 페이지로 이동하기
질문이 있으십니까?
AWS에 문의하기