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.
Was ist Amazon SageMaker?
Amazon SageMaker ist ein vollständig verwalteter Machine Learning-Service. Mit SageMaker können Datenwissenschaftler und Entwickler schnell und einfach Machine Learning-Modelle erstellen und schulen und diese dann direkt in einer produktionsbereiten gehosteten Umgebung bereitstellen. Es bietet eine integrierte Jupyter-Authoring-Notebook-Instance für den einfachen Zugriff auf Ihre Datenquellen zur Durchsuchung und Analyse, sodass Sie keine Server verwalten müssen. Außerdem enthält es gängige Algorithmen für Machine Learning, die optimiert sind, um effizient extrem große Datenmengen in einer verteilten Umgebung bewältigen zu können. Dank nativer Unterstützung für Bring-Your-Own-Algorithmen und Frameworks bietet SageMaker flexible, verteilte Schulungsoptionen, die sich an Ihre spezifischen Workflows anpassen lassen. Stellen Sie ein Modell in einer sicheren und skalierbaren Umgebung bereit, indem Sie es mit wenigen Klicks über SageMaker Studio oder die SageMaker-Konsole starten. Schulung und Hosting werden nach Nutzung in Minuten berechnet, ohne Mindestgebühr und Vorausleistungen.
Diese Anleitung enthält Informationen und Tutorials zu SageMaker Funktionen. Weitere
Informationen finden Sie unterAmazon SageMaker Entwicklerressourcen
Themen
Amazon SageMaker Funktionen
Amazon SageMaker umfasst die folgenden Funktionen:
- SageMaker Studio
-
Eine integrierte Umgebung für das maschinelle Lernen, in der Sie Ihre Modelle in derselben Anwendung erstellen, trainieren, bereitstellen und analysieren können.
- SageMaker Modellregistrierung
-
Versionierung, Artefakt- und Lineage-Tracking, Genehmigungsworkflow und kontoübergreifende Unterstützung für die Bereitstellung Ihrer Machine Learning-Modelle.
- SageMaker Projekte
-
Erstellen Sie durchgängige ML-Lösungen mit CI/CD mit SageMaker Projekten.
- Pipelines für SageMaker Modellbau
-
Erstellen und verwalten Sie Machine Learning-Pipelines, die direkt in SageMaker Jobs integriert sind.
- SageMaker ML Lineage Tracking
-
Verfolgen Sie die Abstammung von Machine Learning-Workflows.
- SageMaker rangler
-
Importieren, analysieren, vorbereiten und Featurize von Daten in SageMaker Studio. Sie können Data Wrangler in Ihre Workflows für maschinelles Lernen integrieren, um die Datenvorverarbeitung und das Feature-Engineering mit wenig bis gar keine Codierung zu vereinfachen und zu optimieren. Sie können auch Ihre eigenen Python-Skripts und Transformationen hinzufügen, um Ihren Workflow für die Datenvorbereitung anzupassen.
- SageMaker Funktionsspeicher
-
Ein zentralisierter Speicher für Features und zugehörige Metadaten, sodass Features leicht erkannt und wiederverwendet werden können. Sie können zwei Arten von Geschäften erstellen, einen Online- oder Offline-Store. Der Onlineshop kann für Anwendungsfälle mit geringer Latenz und Echtzeit-Inferenz verwendet werden und der Offline Store kann für Schulungen und Batch-Inferenz verwendet werden.
- SageMaker JumpStart
-
Erfahren Sie mehr über die Funktionen und Funktionen von SageMaker durch kuratierte 1-Klick-Lösungen, Beispiel-Notebooks und vortrainierte Modelle, die Sie bereitstellen können. Außerdem können Sie die Modelle feinabstimmen und bereitstellen.
- Klären SageMaker
-
Verbessern Sie Ihre Machine Learning-Modelle, indem Sie potenzielle Bias erkennen und erklären Sie die Vorhersagen, die Modelle machen.
- SageMaker Edge-Manager
-
Optimieren Sie benutzerdefinierte Modelle für Edge-Geräte, erstellen und verwalten Sie Flotten und führen Sie Modelle mit einer effizienten Laufzeit aus.
- SageMaker Truth
-
Qualitativ hochwertige Training-Datasets durch den Einsatz von Arbeitskräften zusammen mit maschinellem Lernen, um mit Labels versehene Datasets zu erstellen.
- Amazon Augmented AI
-
Erstellen Sie die Workflows, die für die menschliche Überprüfung von ML-Vorhersagen erforderlich sind. Amazon A2I stellt die Prüfung durch Menschen allen Entwicklern bereit, wodurch der undifferenzierte Zusatzaufwand entfällt, der mit Aufbau von menschlichen Prüfsystemen oder der Verwaltung einer großen Anzahl von menschlichen Prüfern verbunden ist.
- SageMaker Studio-Notebooks
-
Die nächste Generation von SageMaker Notebooks, dieAWS Single Sign-On(AWS SSO) -Integration, schnelle Startzeiten und Einzelklick-Freigabe.
- SageMaker Experimente
-
Verwaltung und Nachverfolgung von Experimenten. Sie können anhand der verfolgten Daten ein Experiment rekonstruieren, inkrementell auf von Peers durchgeführten Experimenten aufbauen und die Herkunft von Modellen für Compliance- und Audit-Überprüfungen nachverfolgen.
- SageMaker Debugger
-
Untersuchen Sie Trainingsparameter und -daten während des gesamten Trainingsprozesses. Automatisches Erkennen und Hinweisen von Benutzern auf häufig auftretende Fehler, z. B. auf zu groß oder zu klein werdende Parameterwerte.
- SageMaker Autopilot
-
Benutzer ohne Kenntnisse auf dem Gebiet des maschinellen Lernens können schnell Klassifizierungs- und Regressionsmodelle erstellen.
- SageMaker Modellmonitor
-
Überwachen und analysieren Sie Modelle in der Produktion (Endpunkte), um Datendrift und Abweichungen in der Modellqualität zu erkennen.
- SageMaker Neo
-
Trainieren Sie Machine Learning-Modelle einmal und führen Sie sie dann an einer beliebigen Stelle in der Cloud oder am Edge aus.
- Elastic SageMaker Inference
-
Beschleunigen Sie den Durchsatz und verringern Sie die Latenz beim Abrufen von Echtzeit-Inferenzen.
- Reinforcement Learning
-
Maximieren Sie die langfristige Belohnung, die ein Agent infolge seiner Aktionen erhält.
- Vorverarbeitung
-
Analysieren und Vorverarbeiten von Daten, Bewältigung der Merkmalkonstruktion und Auswertung von Modellen.
- Stapeltransformation
-
Führen Sie eine Vorverarbeitung von Datasets durch, führen Sie eine Inferenz aus, wenn Sie keinen persistenten Endpunkt benötigen, und ordnen Sie Eingabedatensätze Inferenzen zu, um die Interpretation von Ergebnissen zu unterstützen.
Amazon SageMaker Preise
Wie bei anderenAWS-Produkten gibt es keine vertraglichen Verpflichtungen oder Mindestlaufzeiten
für die Nutzung von Amazon SageMaker. Weitere Informationen zu den Kosten für die
Verwendung von SageMaker finden Sie unterSageMaker Preise
Verwenden Sie Amazon SageMaker?
Wenn Sie SageMaker zum ersten Mal verwenden, empfehlen wir Folgendes:
-
LesenFunktionsweise von Amazon SageMaker— Dieser Abschnitt bietet eine Übersicht über SageMaker, erläutert wichtige Konzepte und beschreibt die zentralen Komponenten im Zusammenhang mit der Erstellung von AI-Lösungen mit SageMaker. Wir empfehlen, dieses Thema in der angegebenen Reihenfolge zu lesen.
-
Einrichten von Amazon SageMaker— In diesem Abschnitt wird erläutert, wie Sie IhreAWS-Konto und an Bord an SageMaker Studio.
-
Amazon SageMaker Autopilot vereinfacht die Machine Learning-Erfahrung durch Automatisieren von Machine Learning-Aufgaben. Wenn Sie SageMaker neu bei SageMaker sind, bietet es den einfachsten Lernpfad. Es dient auch als ausgezeichnetes ML-Lernwerkzeug, das Einblick in den Code mit Notebooks bietet, die für jede der automatisierten ML-Aufgaben generiert werden. Eine Einführung in seine Fähigkeiten finden Sie unter Automatisieren der Modellentwicklung mit Amazon SageMaker Autopilot. Für die ersten Schritte mit der Erstellung, Schulung und Bereitstellung von Machine Learning-Modellen bietet Autopilot Folgendes:
-
Erste Schritte mit Amazon SageMaker— In diesem Abschnitt erfahren Sie, wie Sie Ihr erstes Modell mit SageMaker Studio oder der SageMaker-Konsole und der SageMaker-API trainieren. Sie verwenden von SageMaker bereitgestellte Schulungsalgorithmen.
-
Entdecken Sie weitere Themen – Tun Sie in Folgendes, je nachdem, was Sie benötigen:
-
Python-Code zum Trainieren mit Deep-Learning-Frameworks einreichenIn SageMaker können Sie Ihre eigenen Schulungsskripts zum Schulen von Modellen verwenden. Weitere Informationen finden Sie unter Verwenden von Machine Learning Frameworks, Python und R mit Amazon SageMaker.
-
Verwenden Sie SageMaker direkt aus Apache SparkWeitere Informationen finden Sie unterVerwenden von Apache Spark mit Amazon SageMaker.
-
Verwenden Sie SageMaker, um Ihre eigenen benutzerdefinierten Algorithmen zu trainieren und bereitzustellen— Verpacken Sie Ihre benutzerdefinierten Algorithmen mit Docker, sodass Sie diese in SageMaker schulen und/oder bereitstellen können. Weitere Informationen darüber, wie SageMaker mit Docker-Containern interagiert, und über die SageMaker-Anforderungen für Docker-Images erfahren Sie unterVerwenden von Docker-Containern mit SageMaker .
-
-
Aufrufen des-API-Referenz— In diesem Abschnitt werden die SageMaker API-Operationen beschrieben.
Funktionsweise von Amazon SageMaker
SageMaker ist ein vollständig verwalteter Service, mit dem Sie schnell und einfach Machine Learning-basierte Modelle in Ihre Anwendungen integrieren können. Dieser Abschnitt bietet eine Übersicht über Machine Learning und erläutert die Funktionsweise von SageMaker. Wenn Sie SageMaker zum ersten Mal verwenden, empfehlen wir Ihnen, die folgenden Abschnitte nacheinander zu lesen:
