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.
Blogs und Whitepaper
In den folgenden Blogs wird anhand einer Fallstudie zur Stimmungsvorhersage für eine Filmkritik veranschaulicht, wie ein vollständiger Workflow für Machine Learning ausgeführt wird. Dazu gehören die Datenaufbereitung, die Überwachung von Spark-Aufträgen sowie das Training und Bereitstellung eines ML-Modells, um direkt aus Ihrem Studio- oder Studio-Classic-Notebook Prognosen zu erhalten.
-
Erstellen und verwalten Sie Amazon EMR-Cluster von SageMaker Studio oder Studio Classic aus, um interaktive Spark- und
ML-Workloads auszuführen. -
Informationen zur Erweiterung des Anwendungsfalls auf eine kontoübergreifende Konfiguration, bei der SageMaker Studio oder Studio Classic und Ihr Amazon EMR-Cluster in separaten AWS Konten bereitgestellt werden, finden Sie unter Erstellen und Verwalten von Amazon EMR-Clustern aus SageMaker Studio oder Studio Classic zur Ausführung interaktiver Spark- und ML-Workloads — Teil 2.
Weitere Informationen finden Sie auch unter:
-
Eine exemplarische Vorgehensweise für die Konfiguration von Access Apache Livy mit einem Network Load Balancer auf einem Amazon EMR-Cluster. Kerberos-enabled
-
AWS Whitepapers für SageMaker bewährte Methoden in Studio oder Studio Classic.
