Erste Schritte mit Amazon SageMaker Notebook-Instances - Amazon SageMaker

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.

Erste Schritte mit Amazon SageMaker Notebook-Instances

Eine der besten Möglichkeiten für Machine-Learning (ML) -Praktiker, Amazon einzusetzen SageMaker ist das Trainieren und Bereitstellen von ML-Modellen mit SageMaker Notebook-Instances Die SageMaker Notebook-Instances helfen beim Erstellen der Umgebung, indem sie Jupyter-Server auf Amazon Elastic Compute Cloud (Amazon EC2) initiieren und vorkonfigurierte Kernel mit den folgenden Paketen bereitstellen: Amazon SageMaker Python SDK,AWS SDK for Python (Boto3),AWS Command Line Interface(AWS CLI), Conda, Pandas, Deep-Learning-Framework-Bibliotheken und andere Bibliotheken für Data Science und Machine Learning.

Machine Learning mit dem SageMaker Python SDK

So trainieren, validieren, bereitstellen und bewerten Sie ein ML-Modell in einem SageMaker Notebook-Instanz, verwenden Sie das SageMaker Python SDK. Die SageMaker Python SDK-AbstractsAWS SDK for Python (Boto3)und SageMaker API-Operationen Es ermöglicht Ihnen, mit anderen zu integrieren und zu orchestrierenAWS-Services wie Amazon Simple Storage Service (Amazon S3) zum Speichern von Daten und Modellartefakten, Amazon Elastic Container Registry (ECR) zum Importieren und Warten der ML-Modelle, Amazon Elastic Compute Cloud (Amazon EC2) für Schulungen und Inferenzen.

Sie können auch die Vorteile von nutzen SageMaker Funktionen, die Ihnen helfen, jede Phase eines vollständigen ML-Zyklus zu bewältigen: Datenbeschriftung, Datenvorverarbeitung, Modellschulung, Modellbereitstellung, Bewertung der Prognoseleistung und Überwachung der Qualität des Modells in der Produktion.

Wenn Sie zum ersten Mal SageMaker benutzer empfehlen wir Ihnen die SageMaker Python-SDK nach dem end-to-end ML-Tutorial. Informationen zum Auffinden der Open Source-Dokumentation finden Sie imAmazon SageMaker Python SDKaus.

Tutorial-Übersicht

Dieses Tutorial „Erste Schritte“ führt Sie durch, wie Sie ein SageMaker Notebook-Instanz, öffnen Sie ein Jupyter-Notebook mit einem vorkonfigurierten Kernel mit der Conda-Umgebung für maschinelles Lernen und starten Sie ein SageMaker Sitzung zum Ausführen eines end-to-end ML-Zyklus. Sie erfahren, wie Sie einen Datensatz in einem standardmäßigen Amazon S3 S3-Bucket speichern, der automatisch mit der SageMaker-Sitzung gepaart wird, einen Schulungsauftrag eines ML-Modells an Amazon EC2 übermittelt und das geschulte Modell zur Vorhersage bereitstellt, indem Sie über Amazon EC2 hosten oder Batch-Abschlüsse durchführen.

Dieses Tutorial zeigt explizit einen vollständigen ML-Ablauf des Trainings des XGBoost-Modells aus der SageMaker integrierter Modellpool. Sie benutzen dasDatensatz der US-Erwachsenenzählung, und Sie bewerten die Leistung des Trainierten SageMaker XGBoost-Modell zur Vorhersage des Einkommens von Einzelpersonen.