机器学习本身是一个高度协作的过程，将领域经验与技术技能相结合是成功的基石，并通常需要多次迭代和实验。相比预研项目或原型验证，一个真正可以应用到生产环境的机器学习项目需要全面考虑工作流程的方方面面，包括数据预处理、框架部署与配置、算法选择和优化、模型训练和超参数优化、数据和模型安全、模型对于业务的可解释性、模型 A/B 对比测试、模型部署后的持续监控和优化、不同硬件环境对模型编译的要求、基础资源的管理运维、总拥有成本优化等等。


为了解决这些问题，今年年中在国内开放的Amazon SageMaker对于开发者来说是个不错的选择。


Amazon SageMaker 是一项完全托管的服务，可以帮助机器学习开发者和数据科学家快速构建、训练和部署模型。Amazon SageMaker 完全消除了机器学习过程中各个步骤的繁重工作，让开发高质量模型变得更加轻松。


为了帮助开发者更快上手Amazon SageMaker，机器之心联合AWS在6月开设了6期公开课，详细讲解了如何使用 SageMaker 完成构建生成对抗网络、运行中文命名实体识别、简化 Kubernetes 上的机器学习任务管理等任务，超过1000名开发者共同参与了学习与讨论。


现在，机器之心联合AWS再次开设公开课，本次公开课设置
3期线上分享
，主题分别为：
  • Amazon SageMaker Studio详解
  • 使用Amazon SageMaker 构建一个情感分析「机器人」
  • DGL图神经网络及其在SageMaker上的实践

10月15日，第一期分享

Amazon SageMaker Studio详解

Amazon SageMaker Studio 提供了一个基于 Web 的可视化界面，开发者可以通过该界面执行所有 ML 开发步骤，包括快速上传数据、创建新笔记本、训练和调优模型，在步骤之间来回移动以调整实验、对比结果以及将模型部署到生产环境中，而且上述所有工作都在一个地方完成，大大提升了工作效率。


在第一期分享中，AWS资深解决方案架构师黄德滨将带来Amazon SageMaker Studio详解，分享详情如下：

分享主题：Amazon SageMaker Studio详解
分享时间：10月15日 20:00-21:00
讲师简介：黄德滨，AWS资深解决方案架构师，服务于全球客户销售团队，负责技术架构设计和咨询，致力于企业级应用在AWS云服务的运用和部署，对于大型企业级应用开发和实施拥有近二十年的丰富经验。
分享概要：介绍Amazon SageMaker的相关组件，如studio、autopilot等，通过在线演示展示这些核心组件对AI模型开发效率的提升。
识别二维码或点击阅读原文，立即预约直播
继续阅读
阅读原文
关键词
机器学习
数据
开发者
公开课
机器之心联合AWS