Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Uso de instancias de cuadernos para crear modelos
Una de las mejores formas para que los profesionales del aprendizaje automático (ML) utilicen Amazon SageMaker es entrenar e implementar modelos de aprendizaje automático mediante instancias de SageMaker notebook. Las instancias de SageMaker notebook ayudan a crear el entorno al iniciar los servidores de Jupyter en Amazon Elastic Compute Cloud (Amazon EC2) y proporcionar núcleos preconfigurados con los siguientes paquetes: SageMaker Amazon Python AWS SDK for Python (Boto3) SDKAWS Command Line Interface,, (), Conda, PandasAWS CLI, bibliotecas de marcos de aprendizaje profundo y otras bibliotecas para ciencia de datos y aprendizaje automático.
Machine Learning con el SDK de SageMaker Python
Para entrenar, validar, implementar y evaluar un modelo de aprendizaje automático en una instancia de SageMaker notebook, usa el SDK de SageMaker Python. Los resúmenes del SDK de SageMaker Python AWS SDK for Python (Boto3) y las operaciones de SageMaker la API. Le permite integrarse con otros servicios de AWS y orquestarlos, por ejemplo Amazon Simple Storage Service (Amazon S3) para guardar datos y artefactos de modelos, Amazon Elastic Container Registry (ECR) para importar y reparar los modelos de machine learning y Amazon Elastic Compute Cloud (Amazon EC2) para el entrenamiento y la inferencia.
También puede aprovechar SageMaker las funciones que le ayudan a abordar todas las etapas de un ciclo completo de aprendizaje automático: el etiquetado de datos, el preprocesamiento de los datos, el entrenamiento de los modelos, el despliegue de los modelos, la evaluación del rendimiento de las predicciones y la supervisión de la calidad del modelo en producción.
Si es la primera vez que lo SageMaker utiliza, le recomendamos que utilice el SDK de SageMaker Python siguiendo el tutorial de end-to-end ML. Para encontrar la documentación de código abierto, consulte el SDK de Amazon SageMaker Python
Información general del tutorial
Este tutorial de introducción explica cómo crear una instancia de SageMaker cuaderno, abrir un cuaderno de Jupyter con un núcleo preconfigurado con el entorno Conda para el aprendizaje automático e iniciar una SageMaker sesión para ejecutar un ciclo de aprendizaje automático. end-to-end Aprenderá a guardar un conjunto de datos en un bucket de Amazon S3 predeterminado que se empareja automáticamente con la SageMaker sesión, a enviar un trabajo de formación de un modelo de aprendizaje automático a Amazon EC2 y a implementar el modelo entrenado para la predicción mediante alojamiento o inferencia por lotes a través de Amazon EC2.
En este tutorial se muestra de forma explícita un flujo completo de aprendizaje automático que consiste en entrenar el modelo XGBoost a partir del conjunto de modelos integrado. SageMaker Utiliza el conjunto de datos del censo de adultos de EE
-
SageMakerXGBoost: el modelo XGBoost
está adaptado al entorno y preconfigurado como contenedores Docker. SageMaker SageMakerproporciona un conjunto de algoritmos integrados que están preparados para usar funciones. SageMaker Para obtener más información sobre a qué se adaptan los algoritmos de aprendizaje automático SageMaker, consulte Elegir un algoritmo y utilizar los algoritmos SageMaker integrados de Amazon. Para ver las operaciones de la API de algoritmos SageMaker integrados, consulte Prist-Party Algorithms en el SDK de Amazon SageMaker Python . -
Conjunto de datos del censo de adultos
: el conjunto de datos de la base de datos de la oficina del censo de 1994 creado por Ronny Kohavi y Barry Becker (minería y visualización de datos, Silicon Graphics). El modelo SageMaker XGBoost se entrena con este conjunto de datos para predecir si una persona gana más de 50 000$ al año o menos.
Temas
