Публикации по теме 'aws-sagemaker'


Машинное обучение в облаке  — «Обучающие режимы AWS SageMaker (часть 2) | Багровый ара
От Андреса Альтены, консультанта по науке о данных Добро пожаловать во вторую часть нашей серии, посвященной различным режимам обучения, доступным в AWS Sagemaker . Если вы пропустили, часть 1 (где мы рассмотрели встроенные алгоритмы SageMaker) доступна здесь . В этой части мы рассмотрим режим сценария, который для многих является методом «златовласки» для настройки учебного задания, балансируя между гибкостью и требуемыми усилиями: Режим сценария Режим сценария предлагает..
машинное обучение в облаке: контейнеры в SageMaker | Багровый ара
От Андреса Альтены, консультанта по науке о данных вступление Этот блог — первый из серии, в которой мы будем направлять вас через машинное обучение в облаке с помощью SageMaker. В этом блоге мы познакомим вас с тем, как SageMaker работает за кулисами. Для этого мы рекомендуем ознакомиться с идеей контейнеров, поскольку SageMaker широко использует контейнеры Docker. В будущих блогах мы подробно рассмотрим, как именно использовать SageMaker, предоставив пошаговые примеры и..
Создание пайплайнов AWS Sagemaker для MLOps  —  Часть 2
В этой статье мы продолжим создание нашего пайплайна MLOps с помощью AWS SageMaker Pipelines. Важно помнить, что мы работали с набором данных, чтобы предсказать качество вина, и мы сохранили эти данные как группу признаков. Эта группа функций использовалась в качестве источника для нашей модели машинного обучения и была загружена в конвейер на этапе make_dataset. Кроме того, мы настроили первые два шага нашего конвейера с помощью make_dataset и шагов обучения. Вернемся к следующим..
Разверните проект машинного обучения на AWS Sagemaker.
AWS Sagemaker: AWS SageMaker — это полностью управляемый сервис, который предоставляет разработчикам и специалистам по данным инструменты для создания, обучения и развертывания моделей машинного обучения в любом масштабе. Он позволяет пользователям выбирать и настраивать алгоритмы машинного обучения, управлять экспериментами и отслеживать их, а также развертывать модели в рабочей среде различными способами, включая бессерверное и контейнерное развертывание. SageMaker также включает..
Развертывание модели машинного обучения на AWS Sagemaker
Как только модель машинного обучения создана, в реальном мире мы хотим, чтобы пользователи так или иначе использовали ее. Ниже приведены шаги, как это сделать в AWS Sagemaker, одной из популярных платформ для развертывания моделей. На техническом языке это известно как серверная модель. Шаги для обслуживания модели Режим обучения и сохраните его в среде AWS sagemaker. Модель может содержать различные файлы артефактов и файл модели. Его можно сохранить в ведре s3 Напишите скрипт..
Развертывание масштабируемой модели машинного обучения с помощью AWS Sagemaker
Некоторое время назад я изо всех сил пытался развернуть масштабируемую модель машинного обучения, которая может обрабатывать параллельные запросы. Я изучил множество различных методов масштабирования модели для обработки параллельных запросов, но большинство из них имели некоторые проблемы или утомительные ненужные задачи, которые нужно было выполнять. Вот некоторые из проблем, с которыми я столкнулся: Балансировки нагрузки Обработка параллельных запросов Задержка Поразмыслив..
Интеграция моделей машинного обучения AWS SageMaker с QuickSight.
Обзор дополнений к моделям машинного обучения, созданным с помощью Amazon SageMaker, с QuickSight. Вы когда-нибудь задумывались, как упростить добавление прогнозов машинного обучения на платформу бизнес-аналитики и поделиться ими с бизнес-клиентами? Не волнуйся! Одно из дополнений QuickSight с помощью SageMaker от AWS ML Insights поможет вам! Представьте, что вы построили оптимизированную модель и получили точность x%. Но в сценариях реального времени важны внедрение моделей в..