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.

Amazon SageMaker Notebook-Instances

Eine SageMaker Amazon-Notebook-Instance ist eine Recheninstanz für maschinelles Lernen (ML), auf der die Jupyter Notebook-Anwendung ausgeführt wird. Eine der besten Möglichkeiten für Machine-Learning-Experten (ML), Amazon zu nutzen, SageMaker besteht darin, ML-Modelle mithilfe von SageMaker Notebook-Instances zu trainieren und bereitzustellen. Die SageMaker Notebook-Instances helfen bei der Erstellung der Umgebung, indem sie Jupyter-Server auf Amazon Elastic Compute Cloud (AmazonEC2) initiieren und vorkonfigurierte Kernel mit den folgenden Paketen bereitstellen: Amazon SageMaker PythonSDK, AWS Command Line Interface (AWS CLI), Conda, Pandas AWS SDK for Python (Boto3), Deep-Learning-Framework-Bibliotheken und andere Bibliotheken für Datenwissenschaft und maschinelles Lernen.

Verwenden Sie Jupyter-Notebooks in Ihrer Notebook-Instance, um:

SageMaker bietet auch Beispielnotizbücher, die vollständige Codebeispiele enthalten. Diese Beispiele zeigen, wie allgemeine ML-Aufgaben erledigt werden können. SageMaker Weitere Informationen finden Sie unter Rufen Sie Beispiel-Notizbücher auf.

Informationen zur Preisgestaltung mit Amazon SageMaker Notebook Instance finden Sie unter SageMaker Amazon-Preise.

Wartung

SageMaker aktualisiert die zugrunde liegende Software für Amazon SageMaker Notebook Instances mindestens einmal alle 90 Tage. Bei einigen Wartungsupdates, wie z. B. Betriebssystem-Upgrades, muss Ihre Anwendung möglicherweise für einen kurzen Zeitraum offline geschaltet werden. Während dieses Zeitraums können keine Operationen ausgeführt werden, während die zugrunde liegende Software aktualisiert wird. Wir empfehlen, Ihre Notebooks mindestens einmal alle 30 Tage neu zu starten, damit Patches automatisch verwendet werden.

Für weitere Informationen wenden Sie sich an https://aws.amazon.com/premiumsupport/.

Machine Learning mit SageMaker Python SDK

Verwenden Sie SageMaker Python, um ein ML-Modell in einer SageMaker Notebook-Instanz zu trainieren, zu validieren, bereitzustellen und zu evaluierenSDK. Die SageMaker SDK Python-Abstraktionen AWS SDK for Python (Boto3) und SageMaker API Operationen. Sie können damit andere AWS Services integrieren und orchestrieren, wie Amazon Simple Storage Service (Amazon S3) zum Speichern von Daten und Modellartefakten, Amazon Elastic Container Registry (ECR) für den Import und die Wartung der ML-Modelle, Amazon Elastic Compute Cloud (AmazonEC2) für Training und Inferenz.

Sie können auch SageMaker Funktionen nutzen, die Ihnen helfen, jede Phase eines vollständigen ML-Zyklus zu bewältigen: Datenkennzeichnung, Datenvorverarbeitung, Modelltraining, Modellbereitstellung, Bewertung der Prognoseleistung und Überwachung der Modellqualität in der Produktion.

Wenn Sie ein SageMaker Erstbenutzer sind, empfehlen wir Ihnen, SageMaker Python zu verwendenSDK, indem Sie dem end-to-end ML-Tutorial folgen. Die Open-Source-Dokumentation finden Sie in Amazon SageMaker Python SDK.