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 SageMakerkönnen Datenwissenschaftler und Entwickler schnell und einfach Machine-Learning-Modelle erstellen und trainieren 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. Mit nativer Unterstützung für bring-your-own-algorithms und Frameworks SageMaker bietet flexible 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 von aus starten SageMaker Studio oder das SageMaker -Konsole. Schulung und Hosting werden nach Nutzung in Minuten berechnet, ohne Mindestgebühr und Vorausleistungen.
Dieses Handbuch enthält Informationen und Tutorials zu SageMaker Funktionen. Weitere Informationen finden Sie unterAmazon SageMaker Entwicklerressourcen
Topics
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 Modell-Registry
-
Versionierung, Artefakt- und Abstammungsverfolgung, Genehmigungs-Workflow und kontoübergreifende Unterstützung für die Bereitstellung Ihrer Machine-Learning-Modelle.
- SageMaker Projekte
-
Erstellen end-to-end ML-Lösungen mit CI/CD unter Verwendung von SageMaker Projekte.
- SageMaker Modellentwicklungs-Pipelines
-
Erstellen und verwalten Sie Pipelines für maschinelles Lernen, die direkt SageMaker jobs.
- SageMaker ML Lineage Tracking
-
Verfolgen Sie die Herkunft der Workflows für maschinelles Lernen.
- SageMaker Aktuelle Daten Wrangler
-
Importieren, Analysieren, Vorbereiten und Featurisieren 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 keiner Codierung zu vereinfachen und zu rationalisieren. Sie können auch Ihre eigenen Python-Skripte und Transformationen hinzufügen, um Ihren Datenvorbereitungs-Workflow anzupassen.
- SageMaker Funktions-Store
-
Ein zentraler Speicher für Features und zugehörige Metadaten, damit Funktionen leicht gefunden und wiederverwendet werden können. Sie können zwei Arten von Geschäften erstellen, einen Online- oder Offline-Shop. Der Online-Shop kann für Anwendungsfälle mit geringer Latenz und Echtzeit-Inferenz verwendet werden, und der Offline Store kann für Schulungen und Batch-Inferenzen verwendet werden.
- SageMaker JumpStart
-
Weitere Informationen zu SageMaker Funktionen und Funktionen durch kuratierte 1-Klick-Lösungen, Beispiel-Notebooks und vorab trainierte Modelle, die Sie bereitstellen können. Sie können die Modelle auch optimieren und bereitstellen.
- SageMaker Klären
-
Verbessern Sie Ihre Machine-Learning-Modelle, indem Sie potenzielle Verzerrungen erkennen und die Vorhersagen der Modelle erläutern.
- 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 Ground 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 bietet allen Entwicklern menschliche Überprüfungen und beseitigt so die undifferenzierte schwere Arbeit, die mit dem Aufbau menschlicher Bewertungssysteme oder der Verwaltung einer großen Anzahl menschlicher Gutachter verbunden ist.
- SageMaker Studio Notebooks
-
Die nächste Generation von SageMaker Notebooks, die enthaltenAWS IAM Identity Center (successor to AWS Single Sign-On)(IAM Identity Center) -Integration, schnelle Startzeiten und Freigabe mit nur einem Klick.
- 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 Modell-Monitor
-
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.
- SageMaker Elastic 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 verarbeiten Sie Daten, nehmen Sie Feature-Engineering in Angriff und bewerten Sie Modelle.
- 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 Nutzung von SageMaker, sieheSageMaker Preise
Sind Sie ein erstmaliger Nutzer von Amazon? SageMaker?
Wenn Sie zum ersten Mal verwenden SageMakerempfehlen wir außerdem Folgendes:
-
LesenWie Amazon SageMaker Funktioniert— Dieser Abschnitt enthält eine Übersicht über SageMaker, erklärt Schlüsselkonzepte und beschreibt die Kernkomponenten beim Aufbau von KI-Lösungen mit SageMaker. Wir empfehlen, dieses Thema in der angegebenen Reihenfolge zu lesen.
-
Einrichten von Amazon SageMaker Voraussetzungen— In diesem Abschnitt wird beschrieben, wie Sie IhrAWS-Konto.
-
Amazon SageMaker Autopilot vereinfacht das maschinelle Lernen durch die Automatisierung von Aufgaben des maschinellen Lernens. Wenn du neu bei bist SageMakerbietet es den einfachsten Lernpfad. Es dient auch als hervorragendes ML-Lernwerkzeug, das Einblick in den Code mit Notizbüchern bietet, die für jede der automatisierten ML-Aufgaben generiert wurden. Eine Einführung in seine Fähigkeiten finden Sie unter Automatisieren Sie die Modellentwicklung mit Amazon SageMaker Autopilot. Um mit dem Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen zu beginnen, bietet Autopilot:
-
Erste Schritte mit Amazon SageMaker— Dieser Abschnitt führt Sie durch das Training Ihres ersten Modells mit SageMaker Studio oder das SageMaker -Konsole und die SageMaker API. Sie verwenden Trainingsalgorithmen von SageMaker.
-
Entdecken Sie weitere Themen – Tun Sie in Folgendes, je nachdem, was Sie benötigen:
-
Senden Sie Python-Code, um mit Deep-Learning-Frameworks— Im SageMakerkönnen Sie Ihre eigenen Trainingsskripte verwenden, um Modelle zu trainieren. Weitere Informationen finden Sie unter Verwenden von Frameworks für Machine Learning, Python und R mit Amazon SageMaker.
-
Verwenden von SageMaker direkt von Apache Spark— Weitere Informationen finden Sie unterVerwenden von Apache Spark mit Amazon SageMaker.
-
Verwenden von SageMaker um Ihre eigenen benutzerdefinierten Algorithmen zu trainieren und bereitzustellen— Package Sie Ihre benutzerdefinierten Algorithmen mit Docker, damit Sie sie trainieren und/oder bereitstellen können SageMaker. Um zu erfahren wie SageMaker interagiert mit Docker-Containern und für die SageMaker Anforderungen für Docker-Images, sieheVerwenden von Docker-Containern SageMaker.
-
-
Anzeigen desAPI-Referenz— Dieser Abschnitt beschreibt die SageMaker API-Operationen.
Wie Amazon SageMaker Funktioniert
SageMaker ist ein vollständig verwalteter Service, mit dem Sie schnell und einfach auf maschinellem Lernen basierende Modelle in Ihre Anwendungen integrieren können. Dieser Abschnitt enthält eine Übersicht über Machine-Learning und erläutert die Vorgehensweise SageMaker funktioniert. Wenn Sie zum ersten Mal verwenden SageMakerempfehlen wir Ihnen, nacheinander die folgenden Abschnitte zu lesen:
