如何設定 SageMaker？

---

---

請按照以下步驟設定 Amazon SageMaker：

步驟 1：登入 AWS

設定 Amazon SageMaker 的第一步是登入您的 AWS 管理控制檯。如果您沒有 AWS 賬戶，則必須建立一個。您可以在 AWS 網站上免費建立它。

步驟 2：導航到 SageMaker

登入後，在 AWS 控制檯中搜索“SageMaker”並選擇它。它將開啟 Amazon SageMaker 儀表板，您可以在其中管理您的機器學習專案。

步驟 3：建立 SageMaker 筆記本例項

要開始構建機器學習模型，您需要建立一個筆記本例項。點選“Notebook Instances”並選擇“Create Notebook Instance”。

步驟 4：配置筆記本例項

您需要根據您的計算需求選擇例項型別。如果您是初學者，您可以從較小的例項型別開始，例如 **ml.t2.medium**。

您還需要為您的筆記本例項命名。之後選擇具有必要許可權的角色。

步驟 5：啟動筆記本例項

配置完成後，點選 **“Create Notebook Instance”**。例項準備需要幾分鐘時間。

準備就緒並執行後，點選 **“Open Jupyter”** 訪問 Jupyter Notebook 介面。現在您可以開始編寫程式碼、訓練模型和執行實驗了。

步驟 6：準備您的資料

在開始訓練模型之前，您需要將資料上傳到 Amazon S3 儲存桶。

S3 是 AWS 建議與 SageMaker 一起使用的儲存服務。您可以直接從筆記本環境訪問和預處理資料。

配置您的第一個 SageMaker 專案

SageMaker 筆記本例項準備就緒後，您可以開始配置您的第一個專案。請按照以下步驟操作

步驟 1：選擇預構建演算法或編寫您自己的演算法

SageMaker 提供許多針對性能最佳化的內建演算法，例如線性學習器、XGBoost 等。您可以選擇這些預構建演算法之一，也可以使用 Python 編寫您自己的演算法。

步驟 2：資料準備

資料準備是專案成功的關鍵。SageMaker 提供用於清理和轉換資料的工具。您可以直接從筆記本訪問儲存在 Amazon S3 中的資料集。

在將資料輸入機器學習模型之前，使用資料準備庫來探索、清理和預處理資料。

步驟 3：訓練您的模型

資料準備之後，下一步是訓練模型。在 Jupyter Notebook 中，您可以指定演算法、定義超引數和配置訓練作業。

步驟 4：調整和最佳化

Amazon SageMaker 提供自動模型調整，它可以調整超引數以找到最佳模型效能。訓練後，您可以檢視結果並進一步調整模型以提高準確性。

您還可以使用 SageMaker 的 **內建最佳化工具** 來加快此過程。

步驟 5：部署模型

訓練和最佳化模型後，就可以部署它了。SageMaker 允許您直接將模型部署到端點以進行即時推理。

從 SageMaker 儀表板中選擇“建立端點”，並配置您的部署設定。部署後，您可以開始使用訓練的模型進行預測。

步驟 6：監控和擴充套件

部署模型後，您可以監控其效能。您可以使用 SageMaker 的內建工具進行監控。它提供即時監控、基於需求的自動擴充套件和版本控制。