As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Notebooks Amazon SageMaker Autopilot gerados para gerenciar tarefas do AutoML
O Amazon SageMaker Autopilot gerencia as principais tarefas em um processo automático de aprendizado de máquina (AutoML) usando uma tarefa do AutoML.
A tarefa do AutoML cria três relatórios baseados em cadernos que descrevem o plano que o Autopilot segue para gerar modelos candidatos. Um modelo candidato consiste em um par (pipeline, algoritmo). Primeiro, há um caderno de exploração de dados, que descreve o que o Autopilot aprendeu sobre os dados fornecidos por você. Segundo, há um caderno de definição de candidatos, que usa as informações sobre os dados para gerar candidatos. Terceiro, um relatório de insights do modelo que pode ajudar a detalhar as características de desempenho do melhor modelo no leaderboard de um experimento do Autopilot.
Tópicos
Você pode executar esses notebooks na Amazon SageMaker ou localmente, se tiver instalado o Amazon SageMaker Python SDK
-
Os pré-processadores usados nos dados
-
A quantidade de execuções de otimização de hiperparâmetros (HPO) e seu paralelismo
-
Os algoritmos para tentar
-
Os tipos de instância usados para os trabalhos de HPO
-
Intervalos de hiperparâmetros
Modificações no caderno de definição de candidatos são incentivadas como uma ferramenta de aprendizado. Com essa capacidade, você aprende como as decisões tomadas durante o processo de machine learning impactam seus resultados.
nota
Ao executar os cadernos em sua instância padrão, você incorre em custos de linha de base. No entanto, quando você executa trabalhos de HPO no caderno do candidato, esses trabalhos usam recursos de computação adicionais que geram custos adicionais.
