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.
Ressourcen für die Verwendung von R mit Amazon SageMaker
In diesem Dokument sind Ressourcen aufgeführt, mit denen Sie lernen können, wie Sie SageMaker Amazon-Funktionen mit der R-Softwareumgebung verwenden können. In den folgenden Abschnitten wird SageMaker der integrierte R-Kernel vorgestellt, die ersten Schritte mit R erläutert und mehrere Beispiel-Notebooks vorgestellt. SageMaker
Die Beispiele sind in drei Stufen unterteilt: Anfänger, Fortgeschrittene und Fortgeschrittene. Sie beginnen mit Getting Started with R on SageMaker
Informationen darüber, wie Sie Ihr eigenes benutzerdefiniertes R-Image in Studio importieren können, finden Sie unter Bringen Sie Ihr eigenes SageMaker Bild mit. Einen ähnlichen Blogartikel finden Sie unter Bring your own R environment to Amazon SageMaker Studio
Themen
RStudioUnterstützung in SageMaker
Amazon SageMaker unterstützt RStudio als vollständig verwaltete integrierte Entwicklungsumgebung (IDE), die in die SageMaker Amazon-Domain integriert ist. Mit der RStudio Integration können Sie eine RStudio Umgebung in der Domain starten, um Ihre RStudio Workflows auf SageMaker Ressourcen auszuführen. Weitere Informationen finden Sie unter RStudioauf Amazon SageMaker.
R-Kernel einschalten SageMaker
SageMaker Notebook-Instances unterstützen R mit einem vorinstallierten R-Kernel. Außerdem verfügt der R-Kernel über die Reticulate-Bibliothek, eine R-zu-Python-Schnittstelle, sodass Sie die Funktionen SDK von SageMaker Python in einem R-Skript verwenden können.
-
reticulatelibrary
: bietet eine R-Schnittstelle zu Amazon Python. SageMaker SDK Das Reticulate-Paket übersetzt zwischen R- und Python-Objekten.
Beispiel-Notebooks
Voraussetzungen
-
Erste Schritte mit R on SageMaker
— In diesem Beispielnotizbuch wird beschrieben, wie Sie R-Skripte mit dem R-Kernel SageMaker von Amazon entwickeln können. In diesem Notizbuch richten Sie Ihre SageMaker Umgebung und Ihre Berechtigungen ein, laden den Abalone-Datensatz aus dem UCIMachine Learning Repository herunter, führen einige grundlegende Verarbeitungen und Visualisierungen der Daten durch und speichern die Daten dann im CSV-Format in S3.
Einsteiger
-
SageMaker Batch-Transformation mit R-Kernel
— Dieses Beispiel-Notizbuch beschreibt, wie ein Batch-Transformationsjob mit SageMaker dem Transformer API und dem XGBoostAlgorithmus ausgeführt wird. Das Notizbuch verwendet auch den Abalone-Datensatz.
Fortgeschritten
-
Hyperparameter-Optimierung für XGBoost in R
— Dieses Beispielnotizbuch erweitert die vorherigen Anfänger-Notebooks, die den Abalone-Datensatz und verwenden. XGBoost Es wird beschrieben, wie die Modellabstimmung mitHyperparameter-Optimierung durchgeführt wird. Außerdem erfahren Sie, wie Sie die Stapeltransformation für Stapelvorhersagen verwenden und wie Sie einen Modellendpunkt für Echtzeitvorhersagen erstellen. -
Mit Amazon SageMaker Processing with R
— SageMaker Processing können Sie Modellevaluierungs-Workloads vor- und nachverarbeiten und ausführen. In diesem Beispiel wird gezeigt, wie Sie ein R-Skript erstellen, um einen Verarbeitungsauftrag zu orchestrieren.
Experte
-
Trainieren und implementieren Sie Ihren eigenen R-Algorithmus in SageMaker
— Haben Sie bereits einen R-Algorithmus und möchten ihn einsetzen, um ihn SageMaker zu optimieren, zu trainieren oder einzusetzen? Dieses Beispiel führt Sie durch die Anpassung von SageMaker Containern mit benutzerdefinierten R-Paketen bis hin zur Verwendung eines gehosteten Endpunkts für Inferenzen auf Ihr R-Origin-Modell.
