Amazon SageMaker AI

Guía para desarrolladores

¿Qué es Amazon SageMaker AI?
Configuración de la SageMaker IA
ML automatizado, sin código o con poco código
- SageMaker Piloto automático
  Creación de trabajos de regresión o clasificación mediante la API de AutoML
  Formato de los conjuntos de datos y tipos de problemas
  Modos de entrenamiento y algoritmos
  Métricas y validación
  Predicción e implementación de modelos
  Implementación de modelos para inferencia en tiempo real
  Ejecución por lotes de trabajos de inferencia
  Ver detalles del modelo
  Visualización de un informe de rendimiento sobre el modelo
  Cuadernos generados
  Informe de exploración de datos
  Búsqueda y ejecución del cuaderno de definición de candidatos
  Configurar el resultado de la inferencia
  Creación de un trabajo de clasificación de imágenes mediante la API de AutoML
  Formato de conjuntos de datos y métrica objetivo
  Implementación de modelos de Piloto automático
  Informe de explicabilidad
  Informe de rendimiento del modelo
  Creación de un trabajo de clasificación de texto mediante la API de AutoML
  Formato de conjuntos de datos y métrica objetivo
  Implementación de modelos de piloto automático para la predicción
  Informe de explicabilidad
  Informe de rendimiento del modelo
  Creación de un trabajo de previsión de serie temporal con la API de AutoML
  Formato de conjuntos de datos y métodos de relleno de valores que faltan
  Calendarios de días festivos nacionales
  Métricas objetivo
  Algoritmos
  Implementación y previsiones de modelos
  Previsión en tiempo real
  Previsión por lotes
  Bloc de notas de exploración de datos
  Informes generados
  Límites de recursos de previsión de series temporales
  Creación de un trabajo de afinamiento de LLM con la API de AutoML
  Modelos compatibles
  Tipos de archivos de conjuntos de datos y formato de datos de entrada
  Hiperparámetros
  Métricas
  Implementación de modelos y predicciones
  Creación de un trabajo de regresión o clasificación mediante la interfaz de usuario de Studio Classic
  Configurar los parámetros predeterminados de un experimento de Piloto automático (para administradores)
  Ejemplo de cuadernos
  Videos
  Tutoriales
  Cuotas
  Referencia de la API
- SageMaker JumpStart
  Modelos fundacionales
  Modelos disponibles
  Uso de los modelos fundacionales
  Estudio
  Afinamiento de un modelo en Studio
  Implementación de un modelo en Studio
  Evaluación de un modelo en Studio
  Utilice sus JumpStart modelos de SageMaker IA en Amazon Bedrock
  Studio Classic
  SageMaker Python SDK
  Afinamiento de un modelo público
  Implementación de un modelo público
  Implementación de un modelo patentado
  SageMaker Consola de IA
  Licencias
  Personalización de modelos
  Ingeniería de peticiones
  Ajuste
  Afinamiento de un modelo mediante la adaptación de dominios
  Afinamiento de un modelo con instrucciones de peticiones
  Generación aumentada de recuperación
  Evaluación de un modelo
  Cuadernos de ejemplo
  Control de acceso
  Guía de administración
  Creación de un centro privado de modelos
  Adición de modelos a un centro privado
  Uso compartido entre cuentas
  Configuración del uso compartido de centros entre cuentas
  Eliminación de modelos de un centro privado
  Eliminar el acceso al centro de modelos públicos de SageMaker IA
  Eliminación de un centro privado
  Solución de problemas
  Guía del usuario
  Studio Classic
  Modelos específicos para tareas
  Implementación de un modelo
  Ajuste de un modelo
  Compartir modelos
  Modelos y cuadernos compartidos
  Uso compartido de modelos y cuadernos
  Acceso a contenido compartido
  Agregar un modelo
  Adición de información básica
  Habilitar el entrenamiento
  Habilitación de la implementación
  Agregar un cuaderno
  Plantillas de solución
  Lanzamiento de una solución
  SageMaker JumpStart Industria de la IA: financiera
Entornos de aprendizaje automático ofrecidos por Amazon SageMaker AI
Etiquetado de datos con un human-in-the-loop
Preparación de los datos
Trabajos de procesamiento
Cree, almacene y comparta características
Reserva capacidad con planes SageMaker de formación
Entrenamiento de modelos
Implementar modelos para inferencia
Implementar MLOps
Supervisión de la calidad de los datos y los modelos
Evaluación, explicación y detección del sesgo en los modelos
Modo de gobernanza
Contenedores de Docker para entrenamiento e implementación de modelos
Configurar la seguridad en Amazon SageMaker AI
Algoritmos y paquetes en el AWS Marketplace
Herramientas para monitorear los AWS recursos aprovisionados mientras se usa Amazon AI SageMaker
Referencia

Amazon SageMaker

Documentación
Amazon SageMaker
Guía para desarrolladores

Recursos para usar SparkML Serving con Amazon AI SageMaker

PDF

RSS

Modo de enfoque

Recursos para usar SparkML Serving con Amazon AI SageMaker - Amazon SageMaker AI

Documentación Amazon SageMaker Guía para desarrolladores

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

El modelo y el predictor SparkML Serving del SDK de Amazon SageMaker Python y el contenedor SparkML Serving de SageMaker código abierto de Amazon AI admiten el despliegue de canalizaciones de Apache Spark ML serializadas con IA para obtener inferencias. MLeap SageMaker Utilice los siguientes recursos para aprender a utilizar SparkML Serving con SageMaker IA.

Para obtener información sobre el uso del contenedor SparkML Serving para implementar modelos en SageMaker IA, consulta el repositorio de SageMaker Spark ML Container GitHub . Para obtener información sobre el modelo y los predictores de SparkML Serving del SDK de Amazon SageMaker Python, consulte la documentación de la API Predictor y SparkML Serving Model.

Aviso JavaScript está desactivado o no está disponible en su navegador.

Para utilizar la documentación de AWS, debe estar habilitado JavaScript. Para obtener más información, consulte las páginas de ayuda de su navegador.

Convenciones del documento

Scikit-learn

TensorFlow

¿Le ha servido de ayuda esta página? - Sí

Gracias por hacernos saber que estamos haciendo un buen trabajo.

Si tiene un momento, díganos qué es lo que le ha gustado para que podamos seguir trabajando en esa línea.

¿Le ha servido de ayuda esta página? - No

Gracias por informarnos de que debemos trabajar en esta página. Lamentamos haberle defraudado.

Si tiene un momento, díganos cómo podemos mejorar la documentación.

¿Necesita ayuda?

Probar AWS re:Post
Contacte con un experto de AWS IQ

Privacidad Términos del sitio Preferencias de cookies

Seleccione sus preferencias de cookies

Personalizar preferencias de cookies

Esenciales

De rendimiento

Funcionales

De publicidad

No se pueden guardar las preferencias de cookies

Recursos para usar SparkML Serving con Amazon AI SageMaker

Related resources

¿Le ha servido de ayuda esta página?

Related resources

Tema siguiente:

Tema anterior:

¿Necesita ayuda?