Repolode
Enviar
aws

aws/amazon-sagemaker-examples

Colección de notebooks de Jupyter de ejemplo que muestran cómo crear, entrenar y desplegar modelos de machine learning en Amazon SageMaker.

Ver en GitHubSitio web
Estrellas
10,994
Forks
6,951
Issues abiertos
855
Último commit
hace 10 días

¿Qué es?

Este repositorio reúne notebooks de Jupyter que explican el flujo de trabajo de Amazon SageMaker de principio a fin. Los notebooks están organizados por etapa del ciclo de vida: entrenamiento, personalización de modelos, evaluación, inferencia y MLOps. Cada notebook es independiente e incluye sus propios scripts, datos e imágenes.

Los ejemplos de entrenamiento usan la clase ModelTrainer de SageMaker Python SDK v3 y abarcan entrenamiento distribuido, entrenamiento administrado con instancias spot y checkpointing, uso de un contenedor propio y ejecución de código local como un trabajo de entrenamiento. Los ejemplos de personalización de modelos cubren métodos de fine-tuning como el ajuste fino supervisado, DPO, RLVR y el preentrenamiento continuo. Los ejemplos de inferencia usan ModelBuilder y abarcan endpoints en tiempo real, sin servidor y asíncronos, pruebas A/B, escalado automático y despliegues en Amazon Bedrock.

Los notebooks están diseñados para ejecutarse en SageMaker Notebook Instances, donde ya vienen incluidos, y también pueden ejecutarse en otros entornos después de actualizar el rol de IAM e instalar las dependencias. El repositorio oficial está a cargo del equipo de SageMaker, y un repositorio comunitario independiente acepta ejemplos adicionales.

Funciones clave

  • 01Notebooks organizados por etapa del ciclo de vida: entrenamiento, personalización de modelos, evaluación, inferencia y MLOps
  • 02Ejemplos basados en ModelTrainer y ModelBuilder de SageMaker Python SDK v3
  • 03Cobertura de entrenamiento distribuido, entrenamiento administrado con instancias spot y uso de contenedores propios
  • 04Ejemplos de inferencia con endpoints en tiempo real, sin servidor y asíncronos
  • 05Ejemplos de MLOps con SageMaker Pipelines, Model Registry, Feature Store y MLflow

Casos de uso

  • Aprender a entrenar y desplegar un modelo en SageMaker con un ejemplo funcional
  • Ajustar un modelo fundacional con SFT, DPO o aprendizaje por refuerzo en SageMaker
  • Configurar un pipeline de MLOps con registro de modelos y seguimiento del linaje
  • Comparar opciones de despliegue, como inferencia en tiempo real, sin servidor y por lotes

Inicio rápido

  1. 1

    Crea una cuenta de AWS

  2. 2

    Configura los permisos del usuario y el rol de IAM

  3. 3

    Crea una instancia de Amazon SageMaker Notebook y un bucket de S3

  4. 4

    Abre la pestaña SageMaker Examples en Jupyter o JupyterLab y ejecuta un notebook

Antes de usarlo

  • Se necesita una cuenta de AWS y ejecutar los ejemplos genera cargos de AWS.
  • La mayoría de los ejemplos dependen de recursos administrados por SageMaker, por lo que ejecutarlos en otro entorno requiere modificaciones, como actualizar el rol de IAM e instalar bibliotecas.

En colecciones

Frameworks y entornos de aprendizaje por refuerzoCursos y herramientas de ciencia de datos

Temas

#aws#machine-learning#jupyter-notebook#mlops#deep-learning#inference#model-training#data-science#examples#reinforcement-learning

Preguntas frecuentes

¿Qué es amazon-sagemaker-examples?
Colección de notebooks de Jupyter de ejemplo que muestran cómo crear, entrenar y desplegar modelos de machine learning en Amazon SageMaker. Este repositorio reúne notebooks de Jupyter que explican el flujo de trabajo de Amazon SageMaker de principio a fin. Los notebooks están organizados por etapa del ciclo de vida: entrenamiento, personalización de modelos, evaluación, inferencia y MLOps. Cada notebook es independiente e incluye sus propios scripts, datos e imágenes.
¿amazon-sagemaker-examples es gratuito? ¿Qué licencia tiene?
amazon-sagemaker-examples es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿amazon-sagemaker-examples sigue mantenido?
Mantenimiento activo. El último commit de amazon-sagemaker-examples fue el 14 oct 2026.
¿Para qué puedo usar amazon-sagemaker-examples?
Aprender a entrenar y desplegar un modelo en SageMaker con un ejemplo funcional Ajustar un modelo fundacional con SFT, DPO o aprendizaje por refuerzo en SageMaker Configurar un pipeline de MLOps con registro de modelos y seguimiento del linaje Comparar opciones de despliegue, como inferencia en tiempo real, sin servidor y por lotes
¿Cómo se instala amazon-sagemaker-examples?
Crea una cuenta de AWS Configura los permisos del usuario y el rol de IAM Crea una instancia de Amazon SageMaker Notebook y un bucket de S3 Abre la pestaña SageMaker Examples en Jupyter o JupyterLab y ejecuta un notebook
¿Dónde consigo amazon-sagemaker-examples?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/aws/amazon-sagemaker-examples

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados