Amazon SageMaker Studio Lab

설정이 필요 없는 무료 개발 환경을 사용하여 ML 학습 및 실험

ML 학습 및 실험을 위한 컴퓨팅, 스토리지 및 보안을 제공하는 무료 기계 학습 개발 환경

시작하려면 유효한 이메일 주소만 있으면 됩니다. 인프라를 구성하거나 자격 증명 및 액세스를 관리하거나 AWS 계정에 가입할 필요도 없습니다.

GitHub 통합을 제공하며 주요 ML 도구, 프레임워크 및 라이브러리로 미리 구성되어 있어 즉시 시작할 수 있음

Amazon SageMaker Studio Lab은 무료 기계 학습(ML) 개발 환경으로, 누구나 기계 학습을 배우고 실험할 수 있도록 컴퓨팅, 스토리지(최대 15GB) 및 보안을 모두 무료로 제공합니다. 시작하려면 유효한 이메일 주소만 있으면 됩니다. 인프라를 구성하거나 자격 증명 및 액세스를 관리하거나 AWS 계정에 가입할 필요도 없습니다. SageMaker Studio Lab은 GitHub 통합을 통해 모델 구축을 가속화하고 가장 인기 있는 ML 도구, 프레임워크 및 라이브러리로 사전 구성되어 제공되므로 즉시 시작할 수 있습니다. SageMaker Studio Lab은 작업을 자동으로 저장하므로 세션 사이에 다시 시작할 필요가 없습니다. 노트북을 닫았다가 나중에 다시 열고 작업하는 것처럼 쉽습니다.

Amazon SageMaker Studio Lab을 사용하여 ML 학습 및 실험(1:03)

작동 방식

Amazon SageMaker Studio Lab의 작동 방식

주요 기능

AWS 계정 필요하지 않음

SageMaker Studio Lab을 시작하려면 이메일 주소를 사용하여 studiolab.sagemaker.aws에 계정을 등록하세요. SageMaker Studio Lab 계정은 AWS 계정과 별개이며 신용 카드가 필요하지 않습니다.

컴퓨팅 파워 선택

SageMaker Studio Lab은 프로젝트에 CPU 또는 GPU 세션을 제공합니다. 복잡한 알고리즘을 위한 12시간 CPU 세션 또는 신경망(CNN) 및 반복되는 신경망(RNN)과 같은 딥 러닝(DL) 아키텍처를 위한 4시간 GPU 세션으로 노트북을 실행하도록 선택할 수 있습니다. 실행할 수 있는 컴퓨팅 세션 수에는 제한이 없습니다. 세션이 종료되면 새 세션을 시작할 수 있습니다.

영구 스토리지

SageMaker Studio Lab은 15GB의 무료 장기 저장 공간이 있는 영구 세션을 제공하므로 작업을 저장하고 중단한 부분부터 다시 시작할 수 있습니다. 세션이 종료되면 작업은 자동으로 전용 스토리지에 저장됩니다.

영구 스토리지

사전 패키징된 ML 프레임워크

프로젝트에 가장 적합한 Python 패키지 관리자(예: Pip, Conda 또는 Mamba)를 선택하세요. 기본적으로 SageMaker Studio Lab은 협업을 위해 터미널 및 Git 명령줄 및 GitHub 통합을 지원합니다. 설정은 쉽고 빠르며, Jupyter Notebook을 실행하는 데 구성이 필요하지 않습니다.

리소스

블로그

SageMaker Studio Lab을 시작하는 방법

동영상

SageMaker Studio Lab에 대한 심층 프레젠테이션

동영상

SageMaker Studio Lab을 사용하여 재해 대응을 개선

DOC

GitHub의 SageMaker Studio Lab 예제