Conceitos básicos

O Amazon SageMaker é um serviço modular gerenciado que ajuda desenvolvedores e cientistas de dados a criar, treinar e implantar modelos de machine learning em grande escala. Comece a usar esses recursos do desenvolvedor para que você possa sair rapidamente da esfera de conceito e passar logo para a fase de produção.

Introdução ao Amazon SageMaker

Saiba mais sobre a criação, o treinamento e a implantação de módulos do Amazon SageMaker.

Amazon SageMaker (1:03)

GUIA DO DESENVOLVEDOR


Siga este guia detalhado para começar a usar o Amazon SageMaker rapidamente.

TUTORIAL


Saiba quais são os conceitos básicos do Amazon SageMaker em 10 minutos.

WEBINAR


Neste tech talk sob demanda, aprenda a gerenciar o fluxo de trabalho completo de ML por meio de um único painel de vidro usando o Amazon SageMaker Studio. Com o SageMaker Studio, é possível escrever código, monitorar experimentos, visualizar dados e executar a depuração e o monitoramento, tudo em uma única interface visual integrada que melhora significativamente a produtividade do desenvolvedor.

CURSO DE TREINAMENTO


Neste curso de treinamento, aprenda a usar o Amazon SageMaker para simplificar a integração do machine learning aos seus aplicativos. Os principais tópicos incluem: uma visão geral de machine learning e problemas que ele pode ajudar a resolver, usando um notebook Jupyter para treinar um modelo baseado nos algoritmos integrados do Amazon SageMaker e usando o Amazon SageMaker para publicar o modelo validado. Você concluirá o curso criando um aplicativo sem servidor que se integra ao endpoint publicado do Amazon SageMaker.

CURSO DE TREINAMENTO


Neste curso de treinamento, você aprenderá a implementar um pipeline de machine learning usando o Amazon SageMaker e o Amazon SageMaker Ground Truth. Primeiro, você criará um conjunto de dados rotulado, em seguida, criará um trabalho de treinamento para treinar o seu modelo de detecção de objetos, e, por fim, usará o Amazon SageMaker para criar e atualizar o seu modelo.

Fluxos de trabalho de ML seguros e compatíveis com o Amazon SageMaker

Você já se perguntou como construir um fluxo de trabalho de ML seguro e compatível de ponta a ponta para serviços financeiros? Confira essa demonstração de vídeo; nela, nós abordamos os padrões e requisitos comuns exigidos por setores altamente regulados para os seus casos de uso com machine learning seguro.

Fluxos de trabalho de ML seguro com o Amazon SageMaker (58:37)

Criar modelos de machine learning

Use o módulo Build do SageMaker para coletar e preparar dados de treinamento, acessar blocos de anotações pré-criados e aproveitar os algoritmos de alta performance integrados.

GUIA DO DESENVOLVEDOR


Aprenda a criar um modelo de ML com as etapas e os recursos descritos neste guia.

VÍDEO


Neste vídeo, aprenda tudo sobre as instâncias gerenciadas de bloco de anotações do Amazon SageMaker.

Dive deep into fully-managed notebook instances (16:44)

BLOG


Leia este blog e saiba como usar os fluxos de trabalho comuns usando as instâncias de bloco de anotações do Amazon SageMaker.

LABORATÓRIO PRÁTICO


Acesse no GitHub um repositório avançado de blocos de anotações do SageMaker.

LABORATÓRIO PRÁTICO


Utilize algoritmos incorporados ao Amazon SageMaker. Eles são mais rápidos e mais baratos que as alternativas conhecidas no mercado.

VÍDEO


Neste vídeo, saiba mais sobre os algoritmos de alta performance incorporados ao Amazon SageMaker.

Leverage high-performance built-in machine learning algorithms (15:37)

Treine e ajuste modelos de machine learning

Use o módulo Train para configurar os ambientes de treinamento com um clique e otimizar seu modelo usando o ajuste automático de módulo

GUIA DO DESENVOLVEDOR


Leia a visão geral sobre como treinar os modelos de machine learning usando o Amazon SageMaker.

VÍDEO


Neste vídeo, aprenda a treinar e ajustar seus modelos de machine learning com a mais alta precisão usando o Amazon SageMaker.

Train and tune ML models with Amazon SageMaker (18:29)

BLOG


Organize e monitore suas iterações de treinamento de modo eficiente com o Amazon SageMaker Experiments. O treinamento de um modelo de ML normalmente envolve muitas iterações para isolar e medir o impacto da alteração de conjuntos de dados, versões de algoritmos e parâmetros de modelo. O SageMaker Experiments ajuda a gerenciar essas iterações, capturando automaticamente os parâmetros de entrada, as configurações e os resultados e identifica o experimento com melhor desempenho.

 

LABORATÓRIO PRÁTICO


Teste esses exemplos de uso do ajuste de hiperparâmetros em diferentes algoritmos e estruturas de aprendizagem profunda.

BLOG


Saiba como economizar até 90% em custos de treinamento usando as instâncias spot Amazon EC2 com treinamento gerenciado em spots. Instâncias spot são a capacidade computacional de espaço, e trabalhos de treinamento são executados automaticamente quando a capacidade livre se torna disponível. Os treinamento são resilientes a interrupções causadas por alterações na capacidade, permitindo economizar custos quando você tem flexibilidade com a execução de trabalhos de treinamento.

WEBINAR


Neste Tech Talk sob demanda, saiba como usar o Amazon SageMaker Experiments e como o Amazon SageMaker Debugger aprimora a qualidade dos modelos com treinamento e ajustes superiores. Você verá como gerenciar iterações capturando automaticamente os parâmetros de entrada, as configurações e os resultados, bem como métricas em tempo real durante o treinamento, como matrizes de treinamento, validação e confusão.

Implante modelos de machine learning

Use o módulo Deploy para implantar modelos de machine learning no ambiente de produção com um único clique.

GUIA DO DESENVOLVEDOR


Siga o guia detalhado para implantar os modelos de machine learning na infraestrutura de melhor performance.

VÍDEO


Neste vídeo, aprenda a implantar seus modelos de ML no ambiente de produção usando a infraestrutura mais escalável.

Deploy ML models from experimentation to production (7:52)

LABORATÓRIO PRÁTICO


Siga os exemplos no GitHub para usar o Amazon SageMaker e o AWS Step Functions para automatizar a criação, o treinamento e a implantação de modelos de machine learning personalizados.

BLOG


Saiba como usar os recursos de implantação do SageMaker, inclusive testes A/B e Auto Scaling, oferecendo alta performance e alta disponibilidade para seus modelos de machine learning.

BLOG


Neste blog, saiba como manter a qualidade de seus modelos de machine learning na produção, quando ocorrerem alterações, como desvio de conceito, usando o Amazon SageMaker Model Monitor. Você pode até ser alertado quando aparecerem problemas de qualidade de dados para poder tomar as medidas necessárias.

BLOG


Neste blog, saiba como você pode criar, treinar e implantar modelos fastai no treinamento e na hospedagem do Amazon SageMaker usando o SDK do Amazon SageMaker Python e uma imagem de base do PyTorch. Você pode evitar as etapas adicionais de criação do seu próprio contêiner.

Recursos adicionais

SDKs

Use APIs adaptadas à sua linguagem de programação ou plataforma para facilitar o uso do Amazon SageMaker em seus aplicativos.

Novidades

Os anúncios de Novidades são resumos dos principais lançamentos e atualizações de recursos. Leia atualizações específicas do Amazon SageMaker e outros anúncios da AWS.

Leia agora »

No momento, não há nenhuma publicação de blogs. Consulte o blog da AWS para ver outros recursos 

Saiba mais sobre os recursos do Amazon SageMaker

Visite a página de recursos
Tem outras dúvidas?
Entre em contato conosco