Contoh: Hyperparameter Tuning Job

Contoh ini menunjukkan cara membuat notebook baru untuk mengonfigurasi dan meluncurkan pekerjaan tuning hyperparameter. Pekerjaan tuning menggunakan XGBoost algoritma dengan Amazon SageMaker AI untuk melatih model untuk memprediksi apakah pelanggan akan mendaftar untuk deposito berjangka di bank setelah dihubungi melalui telepon.

Anda menggunakan SDK tingkat rendah untuk Python (Boto3) untuk mengonfigurasi dan meluncurkan pekerjaan tuning hyperparameter, dan untuk memantau status pekerjaan tuning hyperparameter. AWS Management Console Anda juga dapat menggunakan Amazon SageMaker Python SDK tingkat tinggi Amazon SageMaker AI untuk mengonfigurasi, menjalankan, memantau, dan menganalisis pekerjaan penyetelan hiperparameter. Untuk informasi selengkapnya, lihat https://github.com/aws/sagemaker-python-sdk.

Prasyarat

Untuk menjalankan kode dalam contoh ini, Anda perlu

• AWS Akun dan pengguna administrator

• Bucket Amazon S3 untuk menyimpan kumpulan data pelatihan Anda dan artefak model yang dibuat selama pelatihan

• Instans notebook SageMaker AI yang sedang berjalan

Topik

• Membuat Instance Notebook
• Dapatkan Klien Amazon SageMaker AI Boto 3
• Dapatkan Peran Eksekusi SageMaker AI
• Menggunakan bucket Amazon S3 untuk input dan output
• Unduh, Siapkan, dan Unggah Data Pelatihan
• Konfigurasikan dan Luncurkan Job Tuning Hyperparameter
• Bersihkan