Sådan bruges AWS Sagemaker

I dette indlæg vil jeg forklare, hvordan du bruger AWS Sagemaker. Selvom du ikke har erfaring med denne AWS-tjeneste, vil denne guide hjælpe med at forstå AWS Sagemaker trin for trin.

Hvad er AWS Sagemaker?

AWS Sagemaker er en ny webservice, som AWS tilbyder. Det hjælper med at bygge, træne og implementere maskinlæringsmodeller i enhver skala. Dybest set klarer Sagemaker det tunge løft af maskinlæring, og som udvikler eller dataforsker kan du fokusere på at bygge og træne din model.

Store fordele ved AWS Sagemaker

• Du kan nemt hente eller gemme data fra andre AWS-tjenester
• Meget skalerbar. Dette relaterer igen til mit tidligere punkt ved at være i stand til at oprette forbindelse til andre AWS-tjenester.
• Løfter tunge ML-algoritmer – Hurtig træning

Detaljer om Machine Learning og Sagemaker

Maskinlæring er bogstaveligt talt maskinlæring om noget. Ikke desto mindre, at noget kan være hvad som helst, som mennesker normalt er gode eller dårlige til. Machine Learning giver systemerne mulighed for at lære og forbedre sig af erfaring.

På en anden måde kan man sige et system med en feedback-loop. Et system udfører funktioner, samler data undervejs, bruger disse data til at forbedre de funktioner, det udfører.

Opbygning af en model

Sagemaker gør det nemt at oprette forbindelse til AWS Services som S3, Database. Sagemaker inkluderer også Juypter-notesbøger. Disse notesbøger gør det nemmere at visualisere data.

Sagemaker tilbyder også et sæt forudinstallerede algoritmer. Sagemaker kommer også med forudkonfigureret TensorFlow eller Apache MXNet.

Uddannelse og implementering af en model

Jeg viser senere i dette indlæg, hvordan vi kan træne en model i Sagemaker med et enkelt klik. Det vigtige at bemærke her er, at du nemt kan træne en model til petabyte-skala i Sagemaker. Med løbende forbedringer kan Sagemaker også forbedre modellens ydeevne.

Når først du træner og tuner modellen i Sagemaker, er det nemt at implementere modellen i produktionen. Sagemaker implementerer modellen på en automatisk skaleringsklynge af EC2-instanser.

Et simpelt eksempel på brug af AWS Sagemaker

1. Når du logger ind på AWS-konsollen, får du adgang til Sagemaker-tjenesten. Vælg Notebook Instances og opret en Jupyter Notebook-instans som vist nedenfor:

2. På næste side skal du beholde de mest standardindstillinger som vist. Du skal oprette en IAM-rolle til oprettelse af S3-bøtte. Hvis du ikke har den rolle, kan du oprette den, mens du vælger rollen.

3. Når du har valgt rollen, skal du klikke på "opret en notesbogsforekomst", og den vil oprette en notesbogsforekomst. Det vil tage et par minutter, før det viser, at det kører. Når notebook-forekomsten kører, skal du klikke på "åbn", og den åbner Jupyter notesbog på en anden fane.

4. Vælg notebook-miljø som conda_python3 eller noget, du vil bruge.

Når du har åbnet notesbogen, kan du bruge python eller sproget efter eget valg til at bygge en model. For modellen kan du nemt hente data fra S3 eller relationelle databaser fra AWS service.

Jeg vil ikke vise den del i dette indlæg. Men hvis du vil henvise til et godt eksempel, kan du besøge dette indlæg her.

Konklusion

I dette indlæg viste jeg, hvordan man kan bruge AWS Sagemaker til at bygge og træne modellen til maskinlæring.

Du kan abonnere på min blog her.