文件名称：amazon-sagemaker-mlops-workshop:Amazon SageMaker的MLOps研讨会
文件大小：2.69MB
文件格式：ZIP
更新时间：2024-04-10 19:21:20
sagemaker sagemaker-deployment tensorflow2 sagemaker-processing sagemaker-studio
Amazon SageMaker的MLOps研讨会 使用Amazon SageMaker Pipelines进行的机器学习操作研讨会：实验室指南和材料。 介绍 在机器学习中，您“教”计算机进行预测或推理。首先，您使用算法和示例数据来训练模型。然后，您将模型集成到应用程序中，以实时，大规模地生成推论。在生产环境中，模型通常会从数百万个示例数据项中学习，并在数百到不到20毫秒的时间内得出推论。 下图说明了创建机器学习模型的典型工作流程： 如图所示，您通常执行以下活动： 识别业务问题和相关的机器学习问题。 数据提取，集成和准备。 数据可视化和分析，特征工程，模型训练和模型评估。 模型部署，模型监视和调试。 这些步骤在机器学习应用程序的生命周期中会定期重复，原因有很多：包括适应不断变化的业务目标的新功能，在新的可用数据上对模型进行再培训以保持模型的高性能，迭代地更新模型体系结构， 和别的。该研讨会
【文件预览】：
amazon-sagemaker-mlops-workshop-main
----.gitignore(217B)
----README.md(7KB)
----event_engine()
--------cfn()
--------iam()
----LICENSE(927B)
----CONTRIBUTING.md(3KB)
----CODE_OF_CONDUCT.md(309B)
----labs()
--------05_model_monitor()
--------01_configure_sagemaker_studio()
--------03_manual_sagemaker_process_train()
--------04_workflow_sm_pipelines()
--------02_initial_notebook()
----images()
--------.gitignore(1B)
--------sagemaker_pipelines_intro.png(50KB)
--------region-selection.png(44KB)
--------ml-concepts-10.png(23KB)