sagemaker-pytorch-training-toolkit：用于在SageMaker上运行PyTorch培训脚本的工具包。 用于构建SageMaker Pytorch容器的Dockerfile位于https：//github.comawsdeep-learning-containers

SAGE算法代码matlab 概述 此 Repo 提供了一种在 AWS SageMaker 上执行 MATLAB 独立可执行文件的方法。 亚马逊拥有大量自己的存储库，可以更完整地概述他们的技术，这主要填补了在平台上执行 MATLAB 代码的空白。 使用的软件： Ubuntu MATLAB 2018b 编译器工具箱 码头工人 AWS 服务（AWS 命令​​行界面、SageMaker、S3、ECR 等） 1. SageMaker、Docker 和文件夹结构 SageMaker 是 AWS 的机器学习平台，使用 Jupyter Notebooks 和 Python。 SageMaker 有几种不同的代码执行方式，包括训练作业和推理/托管。 本指南仅涵盖训练作业，但很可能可以针对推理和托管更改代码。 此外，这是假设使用 SageMaker 的“文件”输入而不是“管道”。 如果您不想使用 SageMaker 的内置功能并希望执行自己的算法，则可以通过将代码打包到 Docker 映像并将其上传到 AWS（特别是 Elastic Container Registry 或 ECR）来实现。 AWS 有

aws-sagemaker-stylegan2-ada 在Amazon SageMaker上部署StyleGAN。 作为该项目的云架构师，我将在Amazon SageMaker上部署刚研究过的机器学习算法。在这个项目中，我与湾区的创意黑客和计算机图形学研究人员I. Yosun Chang合作，截止日期为ACM SIGGRAPH争取到研究出版物。 部分1. Amazon SageMaker是一项Amazon Web Services（AWS）服务，它允许在AWS Cloud上部署可扩展的机器学习模型。 SageMaker是一项可以单独称为平台的服务，您可以在SageMaker Studio上编写机器学习代码，启动和使用SageMaker实例进行培训，并使用SageMaker Endpoints进行部署。 SageMaker提供了预构建的机器学习算法。 AWS的软件工程师致力于优化这些功能

SageMaker培训工具包 使用Amazon SageMaker在Docker容器中训练机器学习模型。 :books: 背景 是一项针对数据科学和机器学习（ML）工作流程的完全托管服务。 您可以使用Amazon SageMaker简化构建，训练和部署ML模型的过程。 要训​​练模型，可以将训练脚本和依赖项在运行训练代码的中。 容器提供有效隔离的环境，确保一致的运行时和可靠的培训过程。 SageMaker Training Toolkit可以轻松添加到任何Docker容器中，使其与SageMaker兼容以进行。 如果您使用，则该库可能已包含在内。 有关更多信息，请参阅《 Amazon SageMaker开发人员指南》中有关。 :hammer_and_wrench_selector: 安装 要将此库安装在Docker映像中，请将以下行添加到： RUN pip3 install sagemaker-training :laptop_computer: 用法 以下是简要的操作指南。 有关使用SageMaker培训工具包构建的自定义培训容器的完整工作示例，请参阅。 创建Dock

PySpark-ClusterClassify 使用AWS Sagemaker在MNIST数据集上进行分布式KMeans聚类和XGBoost分类作业

Amazon SageMaker 自定义训练容器 此文件夹包含与 Amazon SageMaker 兼容的训练容器的骨架实现。 这些示例的目的是解释如何构建用于训练的自定义容器，相关重点是 Amazon SageMaker Training Toolkit，该工具包可促进 SageMaker 训练容器的开发，并支持从 Amazon S3 动态加载用户脚本，从而将执行环境（Docker 容器）与正在执行的脚本分开。 有关其他信息，请参阅： : 。 出于目的，在此上下文中没有应用特定的 ML 科学，并且代码正在模拟训练虚拟模型。 每个示例的结构如下： example └───docker # Dockerfile and dependencies └───notebook # Notebook with detailed walkthrough └───script

奥莱利书将于2021年初发行 AWS上的数据科学 车间介绍 在本研讨会中，我们建立了自然语言处理（NLP）模型，以使用最新的模型表示语言来对示例Twitter注释和客户支持电子邮件进行分类。 为了构建基于BERT的NLP模型，我们使用了，其中包含来自Amazon.com的150亿以上的客户评论，在1995年至2015年的20年期间。特别是，我们训练了一个分类器来预测star_rating （1是坏的，5是从良） review_body （自由形式评论文章）。 车间费用 该讲习班是免费的，但其他费用不到25美元。 车间介绍 工作坊之路 快速入门（多合一研讨会路径） 每个角色的其他车间路径 研讨会贡献者 车间说明 1.登录到AWS控制台 2.安装环境 S3 URL: http://dsoaws.s3.amazonaws.co

亚马逊 SageMaker Studio使用演示视频，英文字母，4个小视频，约25分钟

AI开发平台-百度BML&华为ModelArts&阿里PAI&腾讯TAI&亚马逊SageMaker调研对比，包含如下四部分：AI开发平台建设目标、各大平台总体功能对比、各厂商特点总结、附录（超参数搜索功能对比、视频服务功能对比）

欺诈识别 使用Amazon Sagemaker API检测银行的欺诈交易 模型 线性学习者 平台 亚马逊圣人