AWS Türkçe Blog
Şimdi Önizlemede – Amazon SageMaker Studio Lab ile Ücretsiz Makine Öğrenimi Deneyin
Orijinal makale: Link (Antje Barth, AWS’te AI ve ML için Principal Developer Advocate)
AWS’teki misyonumuz makine öğrenimini (Machine Learning – ML) daha erişilebilir hale getirmektir. Geçtiğimiz yıllarda birçok kişiyle konuştuk, birçok ML yeni başlayanının karşılaştığı engelleri öğrendik. Mevcut ML ortamları genellikle yeni başlayanlar için çok karmaşıktır veya modern ML deneylerini desteklemek için çok sınırlıdır. Yeni başlayanlar bütçeyi aşmamak için hızlı bir şekilde öğrenmeye başlamak ve altyapıyı hızlandırmak, hizmetleri yapılandırma veya fatura alarmları uygulama konusunda endişelenmemek ister. Bu, birçok kişi için başka bir engeli vurgular: AWS hesabı açılması sırasında fatura ve kredi kartı bilgilerini sağlama ihtiyacı.
Peki Jupyter notebook ile ML yazılımı geliştirebileceğiniz öngörülebilir ve kontrollü bir ortamınız olsaydı, üstelik yanlışlıkla büyük bir fatura tutarına yol açmayacak bir ortam olsaydı? Hesap açılması sırasında fatura ve kredi kartı bilgilerini gerektirmeyen bir ortam?
Bugün herkesin, AWS hesabı, kredi kartı veya bulut yapılandırma bilgisine gerek kalmadan ML ile deneme yapmasını sağlayan ücretsiz bir hizmet olan Amazon SageMaker Studio Lab‘ın genel önizlemesini duyurmaktan son derece mutluluk duyuyoruz.
AWS olarak teknolojinin, dünyanın en acil sorunlarını çözecek güce sahip olduğuna inanıyoruz. Ayrıca müşterilerimizin sosyal etki sağlamak için bu teknolojileri kullandığı yeni ve yenilikçi yolları heyecanla destekliyoruz.
Bu yüzden Amazon SageMaker Studio Lab kullanarak AWS Afet Yönetimi Yazılım Yarışmasının (Disaster Response Hackathon) lansmanını duyurmaktan da heyecan duyuyoruz. Bugünden başlayıp 7 Şubat 2022’ye kadar devam eden yazılım yarışması, dünyada iyilik amaçlı iş yaparken ML öğrenmeye başlamanın harika bir yoludur. Bu makalenin sonunda nasıl yer alacağınıza dair daha fazla ayrıntı paylaşacağız.
Amazon SageMaker Studio Lab’ı Kullanmaya Başlama
Studio Lab, açık kaynaklı JupyterLab‘ı temel alır ve ML ile öğrenmeye ve denemelere hızlı bir şekilde başlamak için AWS bilgi işlem kaynaklarına ücretsiz erişim sağlar. Studio Lab’ın kurulması da kolaydır. Aslında, yapmanız gereken tek yapılandırma, projeniz için bir CPU veya GPU örneğine ihtiyacınız olup olmadığını seçmek için tek bir tıklamadır. Size gösterelim.
İlk adım, buradan ücretsiz bir Studio Lab hesabı talep etmektir.
Hesap isteğiniz onaylandığında Studio Lab hesap kayıt sayfasına bağlantı içeren bir e-posta alacaksınız. Artık onaylanmış e-posta adresinizle hesabınızı oluşturabilir ve bir parola ve kullanıcı adınızı belirleyebilirsiniz. Bu hesap bir AWS hesabından farklıdır ve herhangi bir fatura bilgisi vermenizi gerektirmez.
Hesabınızı oluşturduktan ve e-posta adresinizi doğruladıktan sonra Studio Lab’da oturum açabilirsiniz. Artık projeniz için işlem türünü seçebilirsiniz. Kullanabileceğiniz sınırsız sayıda kullanıcı oturumu ile 12 saat CPU veya kullanıcı oturumu başına 4 saat GPU arasında seçim yapabilirsiniz. Ayrıca, proje başına en az 15 GB kalıcı depolama alanı elde edersiniz. Oturumunuzun süresi dolduğunda Studio Lab ortamınızın anlık yedek görüntüsünü alır. Bu, kaldığınız yerden devam etmenizi sağlar. Bu demo için CPU’yu seçip, Start runtime‘ı seçelim.
Sunucu çalıştıktan sonra ücretsiz Studio Lab ortamınıza gitmek ve geliştirmeye başlamak için Open project‘i seçin. Ek yapılandırma gerekmez.
Ortamınızı özelleştirin
Studio Lab, başlamak için Python temel görüntüsüyle birlikte gelir. Görüntü, gerçekten ihtiyacınız olan çerçeve yazılımlar ve kitaplıklar için kullanılabilir alanı kaydetmek için önceden yüklenmiş birkaç kitaplığa sahiptir.
Conda ortamını özelleştirebilir ve %conda install <package> veya %pip install <package> komutunu kullanarak doğrudan Notebook ortamından ek paketler yükleyebilirsiniz. Ayrıca tamamen yeni, özel Conda ortamları oluşturabilir veya açık kaynaklı JupyterLab ve Jupyter Server uzantılarını yükleyebilirsiniz. Ayrıntılı yönergeler için Studio Lab dökümantasyonuna bakın.
GitHub entegrasyonu
Studio Lab, GitHub ile sıkı bir şekilde entegre edilmiştir ve Git komut satırı için tam destek sunar. Bu, projelerinizi kolayca klonlamanıza, kopyalamanıza ve kaydetmenize olanak tanır. Ayrıca çalışmalarınızı başkalarıyla paylaşmak için ortak GitHub reponuzdaki README.md dosyasına veya not defterlerine Open in Studio Lab rozeti ekleyebilirsiniz.
Bu, herkesin Studio Lab’da Notebook açıp görüntülemesini sağlar. Studio Lab hesapları varsa Notebook da çalıştırabilirler. Open in Studio Lab rozetini eklemek için README.md dosyanızın veya not defterinizin üstüne aşağıdaki işaretlemeyi ekleyin:
[](https://studiolab.sagemaker.aws/import/github/org/repo/blob/master/path/to/notebook.ipynb)
org, repo, path ve notebook dosya adını reponuz için olanlarla değiştirin. Ardından Open in Studio Lab rozetini tıkladığınızda, notebook Studio Lab’da önizleme modunda açılacaktır. Kod deponuz (repo) GitHub hesabı veya organizasyona özelse ve diğer kişilerin kullanmasını istiyorsanız, Amazon SageMaker GitHub Uygulaması‘nı ayrıca GitHub hesabı veya organizasyon düzeyinde yüklemeniz gerekir.
Studio Lab hesabınız varsa, Copy to project‘i tıklayabilir ve yalnızca notebook’u kopyalamayı veya tüm kod deposunu Studio Lab hesabınıza kopyalamayı seçebilirsiniz. Ayrıca Studio Lab, kod deposunda bir Conda ortam dosyası içerip içermediğini kontrol edebilir ve sizin için özel Conda ortamını oluşturabilir.
ML Temellerini öğrenmek
Makine öğreniminde yeniyseniz Studio Lab başlamanız için ücretsiz ve eğitici içeriğe erişim sağlar. Derin Öğrenmeye Dalış (Dive into Deep Learning – D2L), ML ve derin öğrenmenin arkasındaki fikirleri, matematiği ve kodu öğreten ücretsiz bir dijital kitaptır. AWS Machine Learning University (MLU), Amazon’un kendi geliştiricilerini ML üzerinde eğitmek için kullanılan aynı ML kurslarına erişmenizi sağlar. Hugging Face, geniş bir açık kaynak topluluğudur ve önceden eğitilmiş derin öğrenme (Deep Learning – DL) modelleri için bir merkezdir. Bu esas olarak doğal dil işlemeye yöneliktir. Sadece birkaç tıklamayla D2L, MLU ve Hugging Face’ten ilgili notebook örneklerini Studio Lab ortamınıza aktarabilirsiniz.
Amazon SageMaker Studio Lab’ı kullanarak AWS Afet Yönetimi Yazılım Yarışmasına katılın
Doğal afetlerin sıklığı ve şiddeti artıyor. Sadece bu yıl Batı Amerika Birleşik Devletleri’nde ve Yunanistan ve Türkiye gibi ülkelerde yangınlar, Avrupa’da ve Ida Kasırgası’nın etkilediği Louisiana kıyılarında büyük seller gördük. Buna karşılık, hükümetler, şirketler, kar amacı gütmeyen kuruluşlar ve uluslararası kuruluşlar, felakete hazırlık ve yönetimine her zamankinden daha fazla önem veriyor.
AWS Afet Yönetimi Yazılım Yarışması’nın toplam 54,000 dolar tutarındaki ödülleri sayesinde doğal afet hazırlığı ve yönetiminde önemli zorlukları çözmek için ML uygulamanın yollarını simüle etmeyi umuyoruz.
Hackathon’a bugün katılın, projenizi geliştirmeye başlayın ve 7 Şubat 2022’den önce göndermeyi unutmayın. Bu hackathon aynı zamanda “en büyük makine öğrenimi yarışması” için Guinness Dünya Rekoru‘nu kırmaya yönelik bir girişimdir.
Önizlemeye Katılın
Bugünden itibaren ücretsiz Amazon SageMaker Studio Lab hesabı talep edebilirsiniz. Yeni hesap kayıtlarının sayısı, tüm müşteriler için yüksek bir deneyim kalitesi sağlamak için sınırlı olacaktır. Örnek notebook kodlarını Studio Lab GitHub kod deposu’nda bulabilirsiniz. Bir deneyin ve geri bildiriminizi bize bildirin.
Ücretsiz Amazon SageMaker Studio Lab hesabını buradan talep edin.