От ноутбука до облака: комплексный проект по обработке и анализу данных с помощью AWS SageMaker скачать в хорошем качестве

От ноутбука до облака: комплексный проект по обработке и анализу данных с помощью AWS SageMaker

Готовы перенести свои проекты по анализу данных с локального компьютера в облако? Это подробное руководство поможет вам создать и развернуть полноценный сквозной конвейер машинного обучения с помощью AWS SageMaker. В этом видео вы узнаете, как: Понять основы облачных вычислений для анализа данных. Настроить и использовать среду AWS SageMaker Studio. Клонировать репозиторий GitHub непосредственно в ваш экземпляр SageMaker. Провести первоначальное исследование и предварительную обработку данных в облачном блокноте Jupyter. Эффективно отслеживать и сравнивать результаты экспериментов по машинному обучению с помощью MLflow. Обучить модель scikit-learn с помощью задания обучения SageMaker. Развернуть обученную модель как масштабируемую конечную точку API для прогнозирования в режиме реального времени. Тестировать развернутую модель с использованием примеров входных данных и управлять конечной точкой. К концу этого руководства вы приобретете навыки, необходимые для переноса ваших проектов по анализу данных из локальной среды в готовое к использованию облачное решение. Временная метка: 00:00 — Введение 01:54 — Преимущества Amazon SageMaker для машинного обучения/GenAI 03:41 — Обзор консоли AWS: регионы и сервисы 04:45 — Создание домена и профиля пользователя SageMaker 06:03 — Запуск SageMaker Studio (JupyterLab) 09:45 — Запуск/остановка серверов для контроля затрат 15:03 — Структура репозитория и план проекта 17:02 — Подготовка данных: EDA, кодирование, артефакты (joblib) 21:34 — Базовые уровни обучения (RF/LR/XGBoost) и метрики 23:23 — Зачем нужно отслеживание экспериментов? Знакомство с MLflow 24:59 — Контейнеры S3 + политики IAM для MLflow 28:02 — Автоматическое протоколирование многомодельных запусков в MLflow 31:59 — Загрузка необработанных/обработанных данных в S3 33:43 — Настройка SageMaker Estimator и задания обучения 37:04 — Мониторинг журналов, артефактов и выходных данных 40:05 — Развертывание конечной точки в реальном времени (model.deploy) и тестирование 42:46 — Советы по автоматическому масштабированию и обеспечению готовности к работе 44:04 — Обзор, дальнейшие действия и заключение