入門

Amazon SageMaker 透過整合專門為 ML 建置的一組廣泛的功能,協助資料科學家和開發人員快速準備、建置、訓練和部署高品質的機器學習 (ML) 模型。

Amazon SageMaker 簡介

了解如何使用 Amazon SageMaker 準備、建置、訓練及部署模型。

影片


只需按幾下即可完成啟動 Amazon SageMaker Studio 所需的所有管理任務。

加入 Amazon SageMaker Studio

教學


在此教學中,您可以使用 Amazon SageMaker Studio 建置、訓練、部署及監控 XGBoost 模型。我們涵蓋整個機器學習 (ML) 工作流程,從功能設計和模型訓練至 ML 模型的批次處理和即時部署。

開發人員指南


遵循此逐步指南開始使用 Amazon SageMaker Studio 的所有功能。

網路研討會


在此隨需技術會談中,我們向您展示如何快速建立新筆記本、上傳資料、訓練模型、比較模型結果以及將模型部署至生產,所有這些功能都在 Amazon SageMaker Studio 中提供。

影片


開始使用機器學習 (ML) 會很費時。Amazon SageMaker JumpStart 可協助您快速、輕鬆地入門機器學習。

即刻透過 Amazon SageMaker JumpStart 入門機器學習

影片


透過深入了解監管行業所需的常見模式和架構,學會佈建安全的機器學習環境。

監管行業的安全及合規機器學習

使用 Amazon SageMaker 的安全且合規的 ML 工作流程

是否曾想過如何針對金融服務建置安全且合規的端對端 ML 工作流程? 觀看此影片示範,我們在此透過安全的機器學習,滿足高度受管制產業對其使用案例的通用模式和要求。

使用 Amazon SageMaker 的安全 ML 工作流程 (58:37)

建置機器學習模型

開發人員指南


透過本指南中概述的步驟和資源,學習建立 ML 模型。

實作實驗室


在 GitHub 存取內容豐富的 SageMaker 筆記本儲存庫。

實作實驗室


利用 Amazon SageMaker 內建的演算法,不但比其他熱門演算法速度更快,價格也更便宜。

影片


Amazon SageMaker 提供許多內建演算法,已針對速度、規模和精確度最佳化。了解如何使用機器學習根據您要解決的問題選擇適當的演算法。

在 Amazon SageMaker 中選擇適當的機器學習演算法

影片


R 語言在資料科學家和機器學習從業人員中很流行。在此影片中,了解如何使用 R,並透過 Amazon SageMaker 大規模執行安全的機器學習模擬。

使用具有 Siemens 功能的 Amazon SageMaker 生產 R 工作負載

影片


了解如何使用 AWS 服務輕鬆地大規模設定容器。此影片將讓您了解如何在機器學習開發環境中保持一致性和便攜性。

使用容器建立一致和便攜的機器學習環境

訓練和調校機器學習模型

使用訓練模組,只要按一下就可以設定訓練環境,還可以透過自動模型調校來優化模型

教學


了解如何使用 Amazon SageMaker Studio 來訓練和調校 TensorFlow 深度學習模型。

開發人員指南


閱讀關於如何使用 Amazon SageMaker 訓練機器學習模型的概觀。

部落格


使用 Amazon SageMaker Experiments 有效地組織和追蹤您的訓練反覆。訓練 ML 模型通常需要進行多次反覆,以隔離和量測變更資料集、演算法版本和模型參數的影響。SageMaker Experiments 透過自動擷取輸入參數、組態和結果,並識別效果最好的實驗來協助您管理這些反覆。

 

影片


訓練 ML 模型通常需要進行多次反覆運算,以隔離和測量多個變數的影響。在此影片中,了解 Amazon SageMaker Experiments 如何協助您並在 SageMaker Studio 的視覺化界面中追蹤這些反覆運算。

Amazon SageMaker Experiments 概觀

實作實驗室


試試這些跨不同演算法和深度學習架構使用超參數調校的範例。

教學


了解如何將 Amazon EC2 Spot 執行個體與受管 Spot 訓練結合使用,節省高達 90% 的訓練成本。Spot 執行個體是空間運算容量和訓練任務,並在備用容量可用時自動執行訓練作業。訓練的執行可以靈活應對因容量變化而引起的中斷,從而讓您可以靈活安排訓練任務的時間,從而節省成本。

網路研討會


在此隨需技術講座中,了解如何使用 Amazon SageMaker 實驗及 Amazon SageMaker Debugger 如何透過更好的模型訓練和調校改善模型品質。您將了解如何透過在訓練 (例如訓練、驗證及混淆矩陣) 期間自動擷取輸入參數、組態和結果,以及自動擷取即時指標來管理反覆項目。

影片


ML 訓練程序在很大程度上是不透明的。了解 Amazon SageMaker Debugger 如何透過自動擷取指標、分析訓練執行和偵測問題使訓練程序透明化。

在訓練執行期間分析、偵測並獲得提醒

影片


透過有關訓練 ML 模型的深度影片,學會使用 Amazon SageMaker 訓練機器學習模型並將其調校至最高準確度。

使用 Amazon SageMaker 訓練 ML 模型並將其調校至最高準確度

部署機器學習模型

開發人員指南


依照逐步指南,在最高效能的基礎設施上部署機器學習模型。

實作實驗室


依照 GitHub 的範例使用 Amazon SageMaker 和 AWS Step Functions,自動執行自訂機器學習模型的建立、訓練和部署。

影片


了解 Amazon SageMaker 多模型端點如何使用單一端點實現可擴展且具成本效益的部署 ML 模型的方法。

在單一端點上部署多個模型

影片


AWS 透過 Amazon SageMaker 提供廣泛且深入的 ML 基礎架構。在此影片中,了解如何針對特定需求,為 ML 推論選擇適當的運算執行個體。

如何為 ML 推論選擇適當的執行個體類型

影片


MLOps 實務協助資料科學家和 IT 操作專家協調和管理 ML 工作流程。了解 Amazon SageMaker 可以如何協助您透過 MLOps 輕鬆管理和擴展端對端工作流程。

使用 Amazon SageMaker Edge Manager 的邊緣裝置的 MLOps

其他資源

軟體開發套件

透過專為您的程式設計語言或平台量身打造的 API,讓您在應用程式中使用 Amazon SageMaker 更為便利。

最新消息

最新消息公告是服務推出和功能更新的概略摘要。閱讀 Amazon SageMaker 特定更新和其他 AWS 公告。

立即閱讀 »

目前找不到任何部落格文章。如需其他資源,請參閱 AWS 部落格。 

分析師報告

Year
  • Year
  • Headline (A-Z)
  • Headline (Z-A)
找不到結果。

進一步了解 Amazon SageMaker 功能

瀏覽功能頁面
還有其他問題嗎?
聯絡我們