IP アドレスで、Jupyter ノートブックインスタンスへのアクセスを制限する | Amazon Web Services
Amazon Web Services ブログ IP アドレスで、Jupyter ノートブックインスタンスへのアクセスを制限する セキュリティを強化するため、Amazon SageMaker のお客様は、ノートブックインスタンスへのアクセスを一定の範囲の IP アドレスに限定することができます。 IP アドレスによるフィルタリングは、トラフィックのサブセットのみがノートブックインスタンスにアクセスできるようにする必要がある場合に役立ちます。ノートブックのアクセスを制限するのは、以下のような場合です。 IP アドレスの特定のホワイトリストを除いてトラフィックをブロックすることにより、セキュリティとコンプライアンスの要件を満たす場合。 特定の地域や人口をテストする場合。 一群の人々にのみ実験中のアクセスを許可する場合。 ノートブックインスタンスへのアクセスを IP アドレスで制限するには、Am
Amazon SageMaker を使用して、整形外科的病理を予測するためのモデルを作成する | Amazon Web Services
Amazon Web Services ブログ Amazon SageMaker を使用して、整形外科的病理を予測するためのモデルを作成する 人工知能 (AI) および機械学習 (ML) の分野は、ヘルスケア産業、特に医用画像化において、勢いを増しつつあります。ML に対する Amazon SageMaker のアプローチは、ヘルスケア分野において将来有望であると言えます。ML は、産業間全体のどの分野においても、適用可能であると考えられています。ヘルスケア分野の範囲で言えば、ML は最終診断を下すための重要な要素として、放射線検査または検査報告のような役割を果たすことが可能なのです。 このブログ投稿では、UCI ML Dataset を使用して、整形外科における ML の使用について説明し、脊椎の病状予測を自動化することを目指します。この技術は、診断時間を短縮し、ML を用いた拒絶選択肢
Amazon SageMaker ハンズオンレポート | BLOG - DeNA Engineering
はじめに AIシステム部・AI研究開発グループの益子です。 現在はオートモーティブ事業において、AI研究開発エンジニアとして働いています。 先月20日、DeNA社内において、アマゾン ウェブ サービス ジャパン(AWS)様より「Amazon SageMaker」ハンズオンを実施していただきましたので、その模様をレポートさせていただきます。 DeNAでは、すでに数多くのサービスでAWSを活用しています。私の所属するAIシステム部もその例外ではなく、機械学習のモデル開発に幅広く利用しています。 昨年のAWS re:Invent 2017において「Amazon SageMaker」が発表されましたが、発表の後さっそく社内でも利用したいという声が上がり、AWS様より社内エンジニア向けハンズオンを実施していただけることになりました。 Amazon SageMakerとは Amazon SageMak
Scikit Docker コンテナを構築して、Amazon SageMaker で Scikit-learnモデルのトレーニングとホストを行う | Amazon Web Services
Amazon Web Services ブログ Scikit Docker コンテナを構築して、Amazon SageMaker で Scikit-learnモデルのトレーニングとホストを行う re:Invent 2017 で登場した Amazon SageMaker は機械学習モデルを規模に応じてビルド、トレーニング、デプロイするためのサーバーレスデータサイエンス環境を提供します。お客様はまた、Scikit-learn など、最も身近なフレームワークで作業できます。 このブログ記事では次の 2 つの目標に沿って進めていきます。まずは、Amazon SageMaker がモデルのトレーニングやホストのためにどのようにコンテナを使用するかについて、高水準の説明を行います。続いて、Amazon SageMaker で Scikit モデルのトレーニングおよびホスト用に Docker コンテナを
[AWS Black Belt Online Seminar] Amazon SageMaker 資料及びQA公開 | Amazon Web Services
Amazon Web Services ブログ [AWS Black Belt Online Seminar] Amazon SageMaker 資料及びQA公開 こんにちは、ソリューションアーキテクトの石井です。 先日(2018/3/08)開催致しました AWS Black Belt Online Seminar 「Amazon SageMaker」の資料を公開いたしました。当日参加者の皆様から頂いたQAの回答と併せてご紹介致します。 20180308 AWS Black Belt Online Seminar Amazon SageMaker PDF 録画（オンデマンドセミナー） Q1. 学習モデルを作るには大量の計算リソースが必要ですが、推論の処理はそこまでリソースを要しない認識です。推論で大量のGPUを有するケースは、例えばどのようなユースケースが想定されますか？ A1. 例えば，
AWS Batch および Amazon SageMaker を使用してオンラインの化合物溶解度予測ワークフローを構築する | Amazon Web Services
Amazon Web Services ブログ AWS Batch および Amazon SageMaker を使用してオンラインの化合物溶解度予測ワークフローを構築する 計算化学の分野の Machine Learning (ML) メソッドは、急速に成長しています。アクセスが容易なオープンソルバー (TensorFlow と Apache MXNet など)、ツールキット (RDKit 化学情報ソフトウェアなど)、オープン科学イニシアチブ (DeepChem など) は、毎日の研究でこれらのフレームワークを容易に使用できるようにします。科学情報分野では、多くのアンサンブル計算化学ワークフローが多数の化合物を消費し、さまざまな記述子特性をプロファイリングする能力を必要とします。 このブログ投稿では、2 段階ワークフローについて説明します。最初のステージでは、約 1100 の候補の分子を採取
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
