Amazon SageMaker AI

Panduan Developer

Apa itu Amazon SageMaker AI?
Menyiapkan SageMaker AI
ML otomatis, tanpa kode, atau kode rendah
- SageMaker Autopilot
  Membuat Pekerjaan Regresi atau Klasifikasi Menggunakan AutoML API
  Format Dataset dan Jenis Masalah
  Mode Pelatihan dan Algoritma
  Metrik dan validasi
  Penerapan dan prediksi model
  Terapkan model untuk inferensi waktu nyata
  Jalankan pekerjaan inferensi batch
  Lihat detail model
  Melihat laporan kinerja model
  Notebook dihasilkan
  Laporan eksplorasi data
  Temukan dan jalankan buku catatan definisi kandidat
  Konfigurasikan output inferensi
  Membuat Job Klasifikasi Gambar menggunakan AutoML API
  Format Dataset dan Metrik Objektif
  Menyebarkan Model Autopilot
  Laporan Penjelasan
  Laporan Kinerja Model
  Membuat pekerjaan Klasifikasi Teks menggunakan AutoML API
  Format Dataset dan Metrik Objektif
  Menyebarkan Model Autopilot untuk Prediksi
  Laporan Penjelasan
  Laporan Kinerja Model
  Buat pekerjaan peramalan deret waktu menggunakan AutoML API
  Format kumpulan data dan metode pengisian nilai yang hilang
  Kalender Hari Libur Nasional
  Metrik obyektif
  Algoritma
  Penyebaran dan prakiraan model
  Peramalan waktu nyata
  Peramalan Batch
  Buku catatan eksplorasi data
  Laporan yang dihasilkan
  Batas sumber daya perkiraan deret waktu
  Buat pekerjaan fine-tuning LLM menggunakan AutoML API
  Model yang didukung
  Jenis file dataset dan format data input
  Hyperparameter
  Metrik
  Penerapan dan prediksi model
  Membuat Pekerjaan Regresi atau Klasifikasi Menggunakan UI Studio Classic
  Konfigurasikan parameter default eksperimen Autopilot (untuk administrator)
  Contoh Notebook
  Video
  Tutorial
  Kuota
  Referensi API
- SageMaker JumpStart
  Model pondasi
  Model yang tersedia
  Penggunaan model pondasi
  Studio
  Sempurnakan model di Studio
  Menyebarkan model di Studio
  Evaluasi model di Studio
  Gunakan SageMaker JumpStart Model Anda di Amazon Bedrock
  Studio Klasik
  SageMaker Python SDK
  Sempurnakan model publik
  Menyebarkan model publik
  Menyebarkan model berpemilik
  SageMaker Konsol AI
  Lisensi
  Kustomisasi Model
  Rekayasa yang cepat
  Penyetelan halus
  Sempurnakan model menggunakan adaptasi domain
  Sempurnakan model dengan instruksi yang cepat
  Pengambilan Generasi Augmented
  Evaluasi Model
  Notebook contoh
  Kontrol akses
  Panduan admin
  Buat hub model pribadi
  Tambahkan model ke hub pribadi
  Perbarui sumber daya di hub pribadi
  Berbagi lintas akun
  Siapkan berbagi hub lintas akun
  Hapus model dari hub pribadi
  Batasi akses ke model yang JumpStart terjaga keamanannya
  Hapus akses ke hub model SageMaker Publik
  Hapus hub pribadi
  Pemecahan Masalah
  Panduan pengguna
  Akses model hub yang dikuratori
  Menyesuaikan model hub yang dikuratori
  Studio Klasik
  Model Khusus Tugas
  Menyebarkan Model
  Sempurnakan Model
  Bagikan Model
  Model dan Notebook Bersama
  Berbagi model dan notebook
  Akses konten bersama
  Tambahkan model
  Tambahkan informasi dasar
  Aktifkan pelatihan
  Aktifkan penerapan
  Tambahkan buku catatan
  Template Solusi
  Luncurkan Solusi
  SageMaker JumpStart Industri: Keuangan
Lingkungan pembelajaran mesin yang ditawarkan oleh Amazon SageMaker AI
Pelabelan data dengan human-in-the-loop
Siapkan data
Pekerjaan pengolahan
Membuat, menyimpan, dan berbagi fitur
Kapasitas cadangan dengan rencana SageMaker pelatihan
Pelatihan model
Menyebarkan model untuk inferensi
Implementasikan MLOps
Pemantauan kualitas data dan model
Mengevaluasi, menjelaskan, dan mendeteksi bias dalam model
Tata kelola model
Kontainer Docker untuk melatih dan menerapkan model
Konfigurasikan keamanan di Amazon SageMaker AI
Algoritma dan paket di AWS Marketplace
Alat untuk memantau AWS sumber daya yang disediakan saat menggunakan Amazon AI SageMaker
Referensi

Amazon SageMaker

Dokumentasi
Amazon SageMaker
Panduan Developer

Praktik terbaik

PDF

RSS

Mode fokus

Praktik terbaik - Amazon SageMaker AI

Dokumentasi Amazon SageMaker Panduan Developer

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Topik berikut memberikan panduan tentang praktik terbaik untuk menerapkan model pembelajaran mesin di Amazon SageMaker AI.

Topik

Praktik terbaik untuk menerapkan model pada Layanan Hosting SageMaker AI
Pantau Praktik Terbaik Keamanan
Inferensi real-time latensi rendah dengan AWS PrivateLink
Migrasikan beban kerja inferensi dari x86 ke Graviton AWS
Memecahkan masalah penerapan model Amazon SageMaker AI
Praktik terbaik pengoptimalan biaya inferensi
Praktik terbaik untuk meminimalkan gangguan selama peningkatan driver GPU
Praktik terbaik untuk keamanan dan kesehatan titik akhir dengan Amazon AI SageMaker
Memperbarui kontainer inferensi untuk mematuhi NVIDIA Container Toolkit

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

Sesi stateful

Praktik terbaik untuk menerapkan model pada Layanan Hosting SageMaker AI

Apakah halaman ini membantu Anda? - Ya

Terima kasih telah memberitahukan bahwa hasil pekerjaan kami sudah baik.

Jika Anda memiliki waktu luang, beri tahu kami aspek apa saja yang sudah bagus, agar kami dapat menerapkannya secara lebih luas.

Apakah halaman ini membantu Anda? - Tidak

Terima kasih telah memberi tahu kami bahwa halaman ini perlu ditingkatkan. Maaf karena telah mengecewakan Anda.

Jika Anda memiliki waktu luang, beri tahu kami bagaimana dokumentasi ini dapat ditingkatkan.

Topik berikutnya:

Praktik terbaik untuk menerapkan model pada Layanan Hosting SageMaker AI

Topik sebelumnya:

Sesi stateful

Perlu bantuan?

Coba AWS re:Post
Terhubung dengan pakar AWS IQ

Pilih preferensi cookie Anda

Sesuaikan preferensi cookie

Penting

Kinerja

Fungsional

Iklan

Tidak dapat menyimpan preferensi cookie