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 de exemplo do Amazon SageMaker Autopilot
Os cadernos s a seguir servem como exemplos práticos que abordam vários casos de uso do Autopilot.
Você pode encontrar todos os cadernos do Autopilot no autopilot
Recomendamos clonar o repositório Git completo no Studio Classic para acessar e executar os notebooks diretamente. Para obter informações sobre como clonar um repositório Git no Studio Classic, consulte. Clonar um repositório SageMaker Git no Studio Classic
Caso de uso | Descrição |
---|---|
Inferência sem servidor |
Por padrão, o Autopilot permite a implantação de modelos gerados em endpoints de inferência em tempo real. Nesse repositório, o caderno ilustra como implantar modelos de piloto automático treinados com |
O piloto automático inspeciona seu conjunto de dados e executa vários candidatos para descobrir a combinação ideal de etapas de pré-processamento de dados, algoritmos de machine learning e hiperparâmetros. Você pode implantar facilmente em um endpoint em tempo real ou para processamento em lote. Em alguns casos, você pode desejar ter a flexibilidade de trazer um código de processamento de dados personalizado para o Autopilot. Por exemplo, seus conjuntos de dados podem conter um grande número de variáveis independentes, e talvez você queira incorporar uma etapa personalizada de seleção de atributos para remover primeiro as variáveis irrelevantes. O conjunto de dados menor resultante pode então ser usado para iniciar um trabalho de Autopilot. Por fim, você também gostaria de incluir o código de processamento personalizado e os modelos do Autopilot para processamento em tempo real ou em lote. |
|
Enquanto o Autopilot simplifica o processo de criação de modelos de ML, os engenheiros do MLOps ainda são responsáveis por criar, automatizar e gerenciar fluxos de trabalho de ML na produção. end-to-end SageMaker Os pipelines podem ajudar na automação de várias etapas do ciclo de vida do ML, como pré-processamento de dados, treinamento de modelos, ajuste de hiperparâmetros, avaliação de modelos e implantação. Este notebook serve como uma demonstração de como incorporar o piloto automático em um SageMaker fluxo de trabalho de treinamento do end-to-end AutoML do Pipelines. Para iniciar um experimento de Autopilot no Pipelines, você deve criar um fluxo de trabalho de criação de modelos escrevendo um código de integração personalizado usando as etapas Lambda ou de Processamento do Pipelines. Para obter mais informações, consulte Mova os modelos de ML do Amazon SageMaker Autopilot da experimentação para a produção usando o Amazon SageMaker Pipelines Como alternativa, ao usar o Autopilot no modo Ensembling, você pode consultar o exemplo do notebook que demonstra como usar a etapa nativa do AutoML na etapa nativa do AutoML do PipelineSageMaker . |
|
Mais cadernos |
Você pode encontrar mais cadernos ilustrando outros casos de uso, como transformação em lote |