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.
In diesem Tutorial „Erste Schritte“ erfahren Sie, wie Sie eine SageMaker Notebook-Instance erstellen, ein Jupyter-Notebook mit einem vorkonfigurierten Kernel mit der Conda-Umgebung für maschinelles Lernen öffnen und eine SageMaker KI-Sitzung starten, um einen ML-Zyklus auszuführen. end-to-end Sie erfahren, wie Sie einen Datensatz in einem standardmäßigen Amazon S3 S3-Bucket speichern, der automatisch mit der SageMaker KI-Sitzung gepaart wird, einen Trainingsjob eines ML-Modells an Amazon senden und das trainierte Modell für Prognosen bereitstellen EC2, indem Sie es hosten oder Batch-Inferenzen über Amazon EC2 durchführen.
In diesem Tutorial wird explizit ein vollständiger ML-Flow gezeigt, bei dem das XGBoost Modell aus dem in SageMaker KI integrierten Modellpool trainiert wird. Sie verwenden den Datensatz der US-Volkszählung für Erwachsene
-
SageMaker KI XGBoost — Das XGBoost
Modell ist an die SageMaker KI-Umgebung angepasst und als Docker-Container vorkonfiguriert. SageMaker KI bietet eine Reihe integrierter Algorithmen, die für die Verwendung von SageMaker KI-Funktionen vorbereitet sind. Weitere Informationen darüber, welche ML-Algorithmen an SageMaker KI angepasst sind, finden Sie unter Wählen Sie einen Algorithmus und verwenden Sie die von Amazon SageMaker integrierten Algorithmen. Informationen zu den API-Operationen für den integrierten SageMaker KI-Algorithmus finden Sie unter Erstanbieter-Algorithmen im Amazon SageMaker Python SDK . -
Datensatz zur Volkszählung von Erwachsenen
– Der Datensatz aus der Datenbank des Census Bureau von 1994 von Ronny Kohavi und Barry Becker (Data Mining and Visualization, Silicon Graphics). Das SageMaker XGBoost KI-Modell wird anhand dieses Datensatzes trainiert, um vorherzusagen, ob eine Person mehr als 50.000$ pro Jahr oder weniger verdient.
Themen
