Qu'est-ce qu'Amazon SageMaker ?

Amazon SageMaker est un service de machine learning entièrement géré. Avec SageMaker, les scientifiques des données et les développeurs peuvent développer et entraîner des modèles de machine learning rapidement et facilement, puis les déployer directement dans un environnement hébergé prêt pour la production. Ce service fournit une instance de bloc-notes intégré à Jupyter pour accéder facilement à vos sources de données à des fins d'exploration et d'analyse. Ainsi, vous n'avez pas de serveur à gérer. Il fournit également des algorithmes de Machine Learning courants, optimisés pour s'exécuter efficacement avec des données de très grande taille dans un environnement distribué. Avec une prise en charge native de vos infrastructures et algorithmes existants, SageMaker offre des options de formation distribuées et flexibles, qui s'adaptent à vos flux de travail spécifiques. Déployez un modèle dans un environnement sécurisé et évolutif en le lançant en quelques clics depuis SageMaker Studio ou la console SageMaker.

Ce guide contient des informations et des didacticiels sur les fonctions SageMaker. Pour de plus amples informations, veuillez consulter Amazon SageMaker developer resources (Ressources Amazon SageMaker pour les développeurs).

Rubriques

• Fonctions d'Amazon SageMaker

• Tarification Amazon SageMaker

• Vous utilisez Amazon SageMaker pour la première fois ?

Tarification Amazon SageMaker

Comme pour les autres produits AWS, l'utilisation d'Amazon SageMaker ne requiert ni contrat ni engagement minimum. L'entraînement et l'hébergement sont facturés à la minute d'utilisation, sans montant minimum ni engagements initiaux. Pour de plus amples informations sur le coût d'utilisation de SageMaker, veuillez consulter SageMaker Pricing (Tarification SageMaker).

Vous utilisez Amazon SageMaker pour la première fois ?

Si vous utilisez SageMaker pour la première fois, nous vous recommandons de procéder comme indiqué ci-dessous :

1. Lisez Fonctionnement d'Amazon SageMaker : cette section présente SageMaker, en explique les concepts clés et décrit les principaux éléments impliqués dans la création de solutions IA avec SageMaker. Nous vous recommandons de lire cette rubrique dans l'ordre présenté.

2. Configurer les prérequis Amazon SageMaker : cette section explique comment configurer votre compte AWS.

3. Amazon SageMaker Autopilot simplifie l'expérience de machine learning en automatisant les tâches de machine learning. Si vous utilisez SageMaker pour la première fois, sachez qu'il fournit le chemin d'apprentissage le plus simple. Il est également un excellent outil d'apprentissage du ML qui fournit une visibilité sur le code avec des blocs-notes générés pour chacune des tâches ML automatisées. Pour obtenir une présentation de ses capacités, veuillez consulter SageMaker Autopilot. Pour commencer à créer, entraîner et déployer des modèles de machine learning, Autopilot met à votre disposition les éléments suivants :

   • Exemples de blocs-notes : exploration de la modélisation avec Amazon SageMaker Autopilot

   • Vidéos : utilisation d'Autopilot pour automatiser et explorer le processus de machine learning

   • Didacticiels : mise en route avec Amazon SageMaker Autopilot

4. Mise en route : cette section vous guide tout au long de l'entraînement de votre premier modèle à l'aide de SageMaker Studio, ou de la console SageMaker et de l'API SageMaker. Vous utilisez des algorithmes d'entraînement fournis par SageMaker.

5. Découvrez d'autres rubriques – En fonction de vos besoins, procédez de la façon suivante :

   • Envoyer du code Python pour entraîner des cadres de deep learning : dans SageMaker, vous pouvez utiliser vos propres scripts d'entraînement pour entraîner des modèles. Pour plus d'informations, consultez Frameworks et langages de machine learning.

   • Utiliser SageMaker directement à partir d'Apache Spark : pour de plus amples informations, veuillez consulter Utilisation d'Apache Spark avec Amazon SageMaker.

   • Utiliser SageMaker pour entraîner et déployer vos propres algorithmes personnalisés : packagez vos algorithmes personnalisés avec Docker pour les entraîner et/ou les déployer dans SageMaker. Pour savoir comment SageMaker interagit avec des conteneurs Docker, et connaître les exigences de SageMaker en matière d'images Docker, veuillez consulter Utilisation de conteneurs Docker pour créer des modèles.

6. Consulter la référence de l'API : cette section décrit les opérations de l'API SageMaker.

Fonctionnement d'Amazon SageMaker

SageMaker est un service entièrement géré qui vous permet d'intégrer rapidement et facilement des modèles basés sur le machine learning dans vos applications. Cette section présente le machine learning et explique le fonctionnement de SageMaker. Si vous utilisez SageMaker pour la première fois, nous vous recommandons de lire les sections suivantes dans l'ordre :

1. Présentation du machine learning avec Amazon SageMaker

2. Exploration, analyse et traitement de données

3. Entraînement d'un modèle dans Amazon SageMaker

4. Déploiement d'un modèle dans Amazon SageMaker

5. Frameworks et langages de machine learning

6. Mise en route