Amazon SageMaker 示例笔记本教程

Amazon SageMaker 示例笔记本教程

amazon-sagemaker-examplesExample 📓 Jupyter notebooks that demonstrate how to build, train, and deploy machine learning models using 🧠 Amazon SageMaker. 项目地址:https://gitcode.com/gh_mirrors/am/amazon-sagemaker-examples

1. 项目介绍

Amazon SageMaker 示例笔记本 是一系列 Jupyter 笔记本，展示了如何在 Amazon SageMaker 上构建、训练和部署机器学习模型。这个项目由 Amazon SageMaker 团队维护，涵盖了各种机器学习用例，包括数据预处理、分布式训练、模型调优和部署等。这些示例旨在帮助用户充分利用 SageMaker 的功能，如托管训练、实时预测端点等。

2. 项目快速启动

要开始运行 SageMaker 示例笔记本，你需要：

1. AWS 账户：确保你有一个有效的 AWS 账户。
2. IAM 用户和角色：创建一个具有适当权限的 IAM 用户和角色，以访问 SageMaker 和相关服务。
3. Amazon SageMaker Notebook 实例 或 SageMaker Studio：通过 SageMaker 开发者指南 设置它们。

在 SageMaker Notebook 实例上运行笔记本：

例子已预先安装并可通过 JupyterLab 中的 "SageMaker Examples" 菜单项访问。

在 SageMaker Studio 上运行笔记本：

1. 打开终端。
2. 进入你的家目录。
3. 克隆仓库：git clone https://github.com/aws/amazon-sagemaker-examples.git

3. 应用案例和最佳实践

这些示例涵盖机器学习生命周期的各个阶段，从数据准备到模型监控。其中一些亮点包括：

• Customer Churn Prediction with XGBoost：展示如何使用 XGBoost 预测客户流失。
• Distributed Data Processing using Apache Spark and SageMaker Processing：演示如何结合 Spark 和 SageMaker 处理大规模数据。
• Hyperparameter Tuning with the SageMaker TensorFlow Container：利用 SageMaker 的 TensorFlow 容器进行超参数调优。
• Use SageMaker Batch Transform for PyTorch Batch Inference：介绍如何使用 SageMaker 批量转换进行 PyTorch 批次推理。

4. 典型生态项目

• SageMaker Data Wrangler: 助于简化数据预处理，提供可视化工作流和自动特征工程。
• SageMaker Neo: 优化模型以跨不同的硬件加速平台进行部署，提高性能。

此外，还有一个名为 SageMaker Example Community Repository 的社区驱动项目，它包含了更多示例和参考解决方案，可以在这里找到：https://github.com/aws/amazon-sagemaker-examples-community

为了贡献或提交新的示例，请确保您的笔记本演示了 SageMaker 的新特性，且未在此官方库中出现过。

现在，你可以选择一个感兴趣的示例开始探索 Amazon SageMaker 的强大功能！

amazon-sagemaker-examplesExample 📓 Jupyter notebooks that demonstrate how to build, train, and deploy machine learning models using 🧠 Amazon SageMaker. 项目地址:https://gitcode.com/gh_mirrors/am/amazon-sagemaker-examples