详细内容或原文请订阅后点击阅览

在Amazon Sagemaker Canvas Workfrows中集成自定义依赖项

2025年3月27日 19:00 33 Comments
X Twitter Instagram Mail

在亚马逊sagemaker画布中实施机器学习工作流程时，组织可能需要考虑其特定用例所需的外部依赖项。尽管Sagemaker画布为快速实验提供了强大的无代码和低编码功能，但某些项目可能需要默认情况下默认情况下的专门依赖项和库。这篇文章提供了一个示例，说明了如何将依赖外部依赖关系的代码合并到您的SageMaker画布工作流程中。

来源:亚马逊云科技 _机器学习
在亚马逊萨吉人帆布中实施机器学习（ML）工作流程时，组织可能需要考虑其特定用例所需的外部依赖项。尽管Sagemaker画布为快速实验提供了强大的无代码和低编码功能，但某些项目可能需要默认情况下默认情况下的专门依赖项和库。这篇文章提供了一个示例，说明了如何将依赖外部依赖项的代码纳入您的sagemaker画布工作流程。AmazonSagemaker Canvas是一个低代码无代码（LCNC）ML平台，可指导用户在ML旅程的每个阶段，从初始数据准备到最终模型部署。 Without writing a single line of code, users can explore datasets, transform data, build models, and generate predictions.SageMaker Canvas offers comprehensive data wrangling capabilities that help you prepare your data, including:Over 300 built-in transformation stepsFeature engineering capabilitiesData normalization and cleansing functionsA custom code editor supporting Python, PySpark, and SparkSQLIn this post, we demonstrate how to incorporate dependencies stored在Amazon Sagemaker数据Wrangler Flow中，在Amazon简单存储服务（Amazon S3）中。使用这种方法，您可以运行依赖于SageMaker Canvas固有支持的模块的自定义脚本。Sultoly概述以展示来自Amazon S3的自定义脚本和依赖项的集成到Sagemaker Canvas中，我们探索了以下示例工作流程。上传的代码元素并导出模型，以下图是解决方案的架构。在此示例中，我们将使用萨格玛制剂帆布中可用的两个补充数据集，其中包含用于计算机屏幕交付的运输信息。通过加入这些数据集，W
强大的 旅程的 数据集 帆布 Sagemaker 流程 依赖 工作 Canvas code Amazon 模型 模块的 代码 data ML 可用的 示例 计算机 自定义 支持的 需要 默认 情况 机器学习 所需的