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 autopilotdiretório do repositório de SageMaker GitHub exemplos.

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 ENSEMBLING e HYPERPARAMETER OPTIMIZATION (HPO) modos em endpoints sem servidor. Os endpoints sem servidor iniciam automaticamente os recursos de computação e os escalam para dentro e para baixo, dependendo do tráfego, eliminando a necessidade de escolher tipos de instância ou gerenciar políticas de escalabilidade.
Seleção de atributos personalizados	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.
Exemplo de pipeline	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 . Com o Autopilot suportado como uma etapa nativa nos Pipelines, agora você pode adicionar uma etapa de treinamento automatizada (AutoMLStep) aos seus Pipelines e invocar um experimento de Autopilot no modo de agrupamento.
Mais cadernos	Você pode encontrar mais cadernos ilustrando outros casos de uso, como transformação em lote, previsão de séries temporais e muito mais no diretório raiz.