Начало работы

Amazon SageMaker – это полностью управляемый модульный сервис, который помогает разработчикам и специалистам по обработке данных создавать, обучать и развертывать модели машинного обучения в любом масштабе. Начните работу с ресурсами для разработчиков, которые позволят быстро перейти от создания концепции к работе.

Знакомство с Amazon SageMaker

Узнайте о модулях для создания, обучения и развертывания моделей машинного обучения в Amazon SageMaker.

Amazon SageMaker (1:03)

РУКОВОДСТВО ДЛЯ РАЗРАБОТЧИКОВ


Следуйте этому пошаговому руководству, чтобы начать пользоваться Amazon SageMaker за несколько минут.

УЧЕБНОЕ ПОСОБИЕ


Узнайте, как начать работу с Amazon SageMaker за 10 минут.

ВЕБИНАР


Из этого вебинара по требованию вы научитесь управлять полным процессом машинного обучения с помощью единой панели управления, используя Amazon SageMaker Studio. С помощью SageMaker Studio вы можете создавать программный код, отслеживать испытания, визуализировать данные, выполнять отладку и мониторинг в едином интегрированном визуальном интерфейсе, что значительно повышает производительность разработчиков.

УЧЕБНЫЙ КУРС


В рамках этого учебного курса вы узнаете, как упростить интеграцию машинного обучения в приложения с помощью Amazon SageMaker. Основные темы: обзор машинного обучения и проблем, которые можно решить с его помощью, использование Jupyter Notebook для обучения модели на базе встроенных алгоритмов Amazon SageMaker и использование Amazon SageMaker для публикации проверенной модели. Пройдя этот курс, вы создадите бессерверное приложение, которое будет интегрироваться с опубликованным адресом Amazon SageMaker.

УЧЕБНЫЙ КУРС


Из этого учебного курса вы узнаете о внедрении конвейера машинного обучения с помощью Amazon SageMaker и Amazon SageMaker Ground Truth. Сначала вы создадите помеченный набор данных, затем определите задание, по которому будет обучаться ваша модель обнаружения объектов, и наконец обратитесь к Amazon SageMaker для создания модели и ее дальнейшего обновления.

Защищенные и соответствующие требованиям рабочие процессы машинного обучения в Amazon SageMaker

Вы когда-нибудь задумывались, как создать защищенный и соответствующий требованиям сквозной рабочий процесс машинного обучения для финансовых сервисов? Посмотрите видеопрезентацию, в которой рассказывается об общих схемах и требованиях, предъявляемых в сильно регулируемых отраслях к использованию защищенного машинного обучения.

Защищенные рабочие процессы машинного обучения в Amazon SageMaker (58:37)

Создание моделей машинного обучения

Используйте модуль Build сервиса SageMaker, чтобы собрать и подготовить обучающие данные, а также получить доступ к встроенным блокнотам и высокопроизводительным алгоритмам.

РУКОВОДСТВО ДЛЯ РАЗРАБОТЧИКОВ


Научитесь создавать модели машинного обучения с помощью инструкций и ресурсов, которые приведены в этом руководстве.

ВИДЕО


Из этого видео вы узнаете о полностью управляемых инстансах блокнотов в Amazon SageMaker.

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

БЛОГ


Прочтите эту публикацию в блоге и узнайте, как использовать стандартные рабочие процессы с инстансами блокнотов Amazon SageMaker.

ПРАКТИКУМ


Получите доступ к репозиторию разнообразных блокнотов SageMaker на GitHub.

ПРАКТИКУМ


Используйте возможности встроенных алгоритмов Amazon SageMaker, которые работают быстрее и обходятся экономичнее популярных аналогов.

ВИДЕО


Из этого видео вы узнаете о высокопроизводительных алгоритмах, встроенных в сервис Amazon SageMaker.

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

Обучение и тонкая настройка моделей машинного обучения

Используйте модуль Train, чтобы создавать обучающие среды одним щелчком мыши и оптимизировать созданные модели с помощью автоматической настройки

РУКОВОДСТВО ДЛЯ РАЗРАБОТЧИКОВ


Прочитайте этот обзор, посвященный обучению моделей машинного обучения с помощью Amazon SageMaker.

ВИДЕО


Из этого видео вы узнаете, как обучать и настраивать модели машинного обучения с помощью Amazon SageMaker для достижения максимальной точности.

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

БЛОГ


Эффективно организовывайте и отслеживайте учебные итерации с помощью Amazon SageMaker Experiments. Обучение ML‑модели обычно включает в себя множество итераций, чтобы выделить и измерить влияние различных изменений наборов данных, версий алгоритма и параметров модели. Сервис SageMaker Experiments помогает управлять этими итерациями, автоматически фиксируя входные параметры, конфигурации и результаты, и определять наиболее продуктивный эксперимент.

 

ПРАКТИКУМ


Испытайте эти примеры настройки гиперпараметров на различных алгоритмах и платформах глубокого обучения.

БЛОГ


Узнайте, как сэкономить до 90 % на стоимости обучения, используя спотовые инстансы Amazon EC2 с управляемым спотовым обучением. Спотовые инстансы представляют собой ресурсы вычисления пространства, и после появления свободного пространства учебные задания запускаются автоматически. Учебные запуски получают защиту от перебоев, вызванных изменениями в объеме доступных ресурсов. Это позволяет снижать затраты, поскольку дает возможность выбирать, когда выполнять учебные задания.

ВЕБИНАР


В этом вебинаре Tech Talk по требованию вы узнаете, как использовать Amazon SageMaker Experiments и как отладчик Amazon SageMaker Debugger улучшает качество модели путем более эффективного обучения и настройки. Вы увидите, как можно управлять итерациями с помощью автоматического захвата входных параметров, конфигураций и результатов, а также автоматического сбора метрик в режиме реального времени во время обучения, такого как обучение с проверкой и матрицы путаницы.

Развертывание моделей машинного обучения

Используйте модуль Deploy для развертывания моделей машинного обучения в рабочей среде одним щелчком мыши.

РУКОВОДСТВО ДЛЯ РАЗРАБОТЧИКОВ


Это пошаговое руководство научит вас развертывать модели машинного обучения на самой производительной инфраструктуре.

ВИДЕО


Из этого видео вы узнаете, как развертывать собственные модели машинного обучения в рабочей среде на самой масштабируемой инфраструктуре.

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

ПРАКТИКУМ


Следуйте размещенным на портале GitHub примерам, которые помогут автоматизировать создание, обучение и развертывание пользовательских моделей машинного обучения с помощью Amazon SageMaker и AWS Step Functions.

БЛОГ


Научитесь использовать возможности SageMaker (включая A/B‑тестирование и Auto Scaling), которые обеспечивают высокую производительность и доступность созданных моделей машинного обучения.

БЛОГ


В этом блоге вы узнаете, как поддерживать качество моделей машинного обучения в рабочей среде в условиях изменений, например расхождения концепций, используя для этого Amazon SageMaker Model Monitor. Вы даже можете получать предупреждения о возникновении проблем с качеством данных и необходимости предпринять соответствующие меры.

БЛОГ


Из этой публикации в блоге вы узнаете, как создавать, обучать и развертывать быстрые модели искусственного интеллекта в Amazon SageMaker, обучая и размещая их с помощью пакета Amazon SageMaker Python SDK и базового образа PyTorch. Вам не потребуется тратить время на создание собственного контейнера.

Дополнительные ресурсы

Пакеты SDK

Используйте API, разработанные специально для вашего языка программирования или платформы, чтобы упростить применение Amazon SageMaker в приложениях.

Новые возможности

Анонсы новых возможностей – это краткие обзоры новых запусков и обновлений функций. Ознакомьтесь с информацией об обновлениях Amazon SageMaker и другими новостями AWS.

Читать »

Публикации по данной теме не найдены. Прочие ресурсы см. в блоге AWS

Подробнее о возможностях Amazon SageMaker

Перейти на страницу с описанием возможностей
Есть вопросы?
Свяжитесь с нами