Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Utilizzo di istanze del notebook per creare modelli

Uno dei modi migliori per i professionisti del machine learning (ML) di usare Amazon SageMaker è addestrare e distribuire modelli di machine learning utilizzando SageMaker istanze notebook. Le istanze SageMaker notebook aiutano a creare l'ambiente avviando i server Jupyter su Amazon Elastic Compute Cloud (EC2Amazon) e fornendo kernel preconfigurati con i seguenti pacchetti: Amazon SageMaker SDK Python AWS SDK for Python (Boto3),,AWS CLI(), Conda, Pandas AWS Command Line Interface , librerie framework di deep learning e altre librerie per la scienza dei dati e l'apprendimento automatico.

Machine Learning con SageMaker Python SDK

Per addestrare, convalidare, distribuire e valutare un modello ML in un'istanza SageMaker notebook, usa Python SageMaker . SDK Gli SDK abstract AWS SDK for Python (Boto3) e le operazioni di SageMaker Python. SageMaker API Ti consente di integrare e orchestrare altri AWS servizi, come Amazon Simple Storage Service (Amazon S3) per il salvataggio di dati e artefatti del modello, Amazon Elastic Container Registry ECR () per l'importazione e la manutenzione dei modelli ML, Amazon Elastic Compute Cloud (Amazon) per la formazione e l'inferenza. EC2

Puoi anche sfruttare SageMaker le funzionalità che ti aiutano a gestire ogni fase di un ciclo di machine learning completo: etichettatura dei dati, preelaborazione dei dati, formazione dei modelli, implementazione del modello, valutazione delle prestazioni di previsione e monitoraggio della qualità del modello in produzione.

Se sei un SageMaker utente alle prime armi, ti consigliamo di usare SageMaker SDK Python, seguendo end-to-end il tutorial ML. Per trovare la documentazione open source, consulta Amazon SageMaker Python SDK.

Panoramica del tutorial

Questo tutorial introduttivo illustra come creare un'istanza di notebook, aprire un SageMaker notebook Jupyter con un kernel preconfigurato con l'ambiente Conda per l'apprendimento automatico e avviare una sessione per eseguire un SageMaker ciclo di machine learning. end-to-end Imparerai come salvare un set di dati in un bucket Amazon S3 predefinito associato SageMaker automaticamente alla sessione, inviare un processo di formazione su un modello di machine learning ad EC2 Amazon e distribuire il modello addestrato per la previsione ospitando o inferendo in batch tramite Amazon. EC2

Questo tutorial mostra esplicitamente un flusso di apprendimento automatico completo per addestrare il modello dal pool di modelli integrato. XGBoost SageMaker Utilizzi il set di dati del censimento degli adulti degli Stati Uniti e valuti le prestazioni del SageMaker XGBoost modello addestrato nella previsione del reddito delle persone.