ほり

某SIerで大規模データ分析基盤の研究開発・構築支援などを行っています。

ほり

某SIerで大規模データ分析基盤の研究開発・構築支援などを行っています。

SageMakerにおけるパラメータ最適化 〜「ハイパーパラメータの調整ジョブ」の使い方〜

Amazon SageMakerは、AWSが提供するフルマネージドな機械学習サービスです。データサイエンティストや開発者が素早く簡単に、機械学習モデルを構築・デプロイできる環境を提供しています。 SageMakerの機能の一つに「ハイパーパラメータの調整ジョブ」があります。これは指定されたアルゴリズムとハイパーパラメータ範囲によって多数のトレーニングジョブを実行し、モデルの最適なハイパーパラメータを探索する機能です。 本記事では、KaggleのOtto Group Pro

¥100
ほり

    • 独自コンテナを作成してSageMaker上で機械学習モデルの訓練・デプロイ・推論を行う

      SageMakerではPyTorchやTensorflowといった機械学習でよく用いられるフレームワークをビルトインで提供しており、これらを用いて簡単に機械学習を実装することが出来るようようになっています。一方で、ビルトインで提供されていないアルゴリズムを利用したい場合のために、独自のコンテナを作成・利用する方法も提供しています。 今回はKaggleのTitanic生存予測を、独自コンテナを作成して行ってみます。本記事で扱うアルゴリズムはXGBoostであり、これはビルトイ

      ¥300
      ほり

      • SageMakerのXGBoostを使ってTitanicの生存予測を行う

        AWSが提供するフルマネージドな機械学習サービスであるSageMakerを使って機械学習モデルの訓練、およびモデルによる予測を行います。本記事では、Kaggleの入門的なコンペであるTitanicを例として扱います。機械学習アルゴリズムにはビルトインで提供されているXGBoostを使用します。 記事の内容KaggleよりTitanicデータをダウンロードし、SageMakerのノートブックインスタンスを使用して生存予測モデルの訓練・デプロイを行います。最終的にテストデータに

        ¥200
        ほり

      SageMakerにおけるパラメータ最適化 〜「ハイパーパラメータの調整ジョブ」の使い方〜

      ¥100
      ほり

      • 独自コンテナを作成してSageMaker上で機械学習モデルの訓練・デプロイ・推論を行う

        ¥300
        ほり

      • SageMakerのXGBoostを使ってTitanicの生存予測を行う

        ¥200
        ほり