Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Hier ist eine Videoserie, die einen Überblick über die Funktionen von Amazon SageMaker Autopilot mit Studio Classic bietet. Die Videos zeigen, wie Sie eine AutoML-Aufgabe starten, Daten analysieren und vorverarbeiten, Feature-Engineering und Hyperparameteroptimierung bei Kandidatenmodellen durchführen und wie Sie die resultierenden Modellmetriken visualisieren und vergleichen.
Themen
Starten Sie einen AutoML-Job mit Amazon SageMaker Autopilot
Dieses Video zeigt Ihnen, wie Sie eine AutoML-Aufgabe mit Autopilot starten. (Länge: 8:41)
Informieren Sie sich über die automatisierte Datenexploration und das automatisierte Feature-Engineering in Autopilot.
Dieses Video zeigt Ihnen, wie Sie die von Amazon SageMaker Autopilot generierten Notizbücher zur Datenexploration und Kandidatendefinition überprüfen können. (Länge: 10:04)
Optimieren von Modellen zur Optimierung der Leistung
Dieses Video zeigt Ihnen, wie Sie die Modellleistung während des Trainings durch Hyperparameteroptimierung optimieren können. (Länge: 4:59)
Auswählen und Bereitstellen des besten Modells
Dieses Video zeigt Ihnen, wie Sie Aufgabenmetriken zum Wählen des besten Modells verwenden und dieses anschließend bereitstellen. (Länge: 5:20)
Anleitung zum Amazon SageMaker Autopilot
Dieses Video führt Sie durch eine End-to-End-Demo, in der wir zunächst mit Amazon SageMaker Autopilot automatisch ein binäres Klassifizierungsmodell erstellen. Wir sehen, wie Kandidatenmodelle mit automatisch generierten Notebooks erstellt und optimiert wurden. Wir schauen uns auch die Top-Kandidaten von Amazon SageMaker Experiments an. Schließlich setzen wir den Top-Kandidaten (basierend auf XGBoost) ein und konfigurieren die Datenerfassung mit SageMaker Model Monitor.
