aws/amazon-sagemaker-examples
Example 📓 Jupyter notebooks that demonstrate how to build, train, and deploy machine learning models using 🧠 Amazon SageMaker.
What it solves
このリポジトリは、Amazon SageMaker を使用して機械学習モデルを構築、トレーニング、デプロイする方法を示す公式の Jupyter ノートブックを包括的に提供します。SageMaker のプラットフォーム機能と実装のギャップを埋め、さまざまな ML タスク向けのエンドツーエンドワークフローを提供します。
How it works
プロジェクトは例を ML ライフサイクルに合わせてカテゴリ分けし、データ準備、モデル構築/トレーニング、デプロイ、モニタリングを含みます。また、SageMaker-Core という新しい Python SDK を導入し、オブジェクト指向インターフェースとリソースチェーンにより、TrainingJobs や Endpoints などの SageMaker リソースとのやり取りを簡素化し、手動でのパラメータ指定や低レベル API のポーリングを削減します。
Who it’s for
AWS 上で機械学習ワークロードを実装したい ML 実務者や開発者向けです。エンドツーエンドのガイドを求める初心者から、Generative AI、MLOps、Responsible AI の具体的実装パターンを探す熟練エンジニアまで幅広く対応します。
Highlights
- Full ML Lifecycle Coverage: データ準備、トレーニング、デプロイ、リアルタイムモニタリングを網羅した例。
- SageMaker-Core SDK: 型ヒント、オートコンプリート、リソース管理のオブジェクト指向アプローチを提供する洗練された Python SDK。
- Generative AI Support: テキスト、画像、音声、動画の各モダリティで合成データを作成する専用例。
- MLOps & Governance: ML の CI/CD、バイアス検出、Model Cards と Dashboards を用いたモデルガバナンスを実装するためのツールとノートブック。