Amazon SageMaker 自动驾驶仪示例笔记本

默认情况下，Autopilot 允许将生成的模型部署到实时推理端点。在此存储库中，笔记本说明了如何将在 ENSEMBLING 和 HYPERPARAMETER OPTIMIZATION (HPO) 模式下训练的 Autopilot 模型部署到无服务器端点。无服务器端点会自动启动计算资源，并根据流量横向扩展和缩减，而无需选择实例类型或管理扩展策略。

自定义特征选择

Autopilot 会检查您的数据集，并运行多个候选模型，以找出数据预处理步骤、机器学习算法和超参数的最佳组合。您可以轻松地将其部署在实时端点，也可用于批量处理。

在某些情况下，您可能希望能够灵活地将自定义数据处理代码引入 Autopilot。例如，您的数据集可能包含大量自变量，您可能希望加入一个自定义特征选择步骤，以便首先移除不相关的变量。这样得到的较小的数据集可用于启动 Autopilot 作业。最终，您可能还希望包括自定义处理代码和来自 Autopilot 的模型，以进行实时或批量处理。

管道示例

虽然 Autopilot 简化了构建机器学习模型的过程，但 mLOP 工程师仍负责在生产环境中创建、自动化和管理 end-to-end 机器学习工作流程。 SageMaker 管道可以帮助自动执行机器学习生命周期的各个步骤，例如数据预处理、模型训练、超参数调整、模型评估和部署。本笔记本演示了如何将 Autopilot 整合到 Pipelines Auto SageMaker M end-to-end L 训练工作流程中。要在 Pipelines 中启动 Autopilot 实验，您必须使用 Pipelines Lambda 或处理步骤编写自定义集成代码，从而创建模型构建工作流。有关更多信息，请参阅使用 Amazon Pip elines 将 Amazon A SageMaker utopilot 机器学习模型从实验转移到生产。 SageMaker

或者，在 E nsembling 模式下使用 Autopilot 时，你可以参考笔记本示例，该示例演示了如何在 Pipeline 的原生 AutoML 步骤中使用原生 Aut SageMaker o ML 步骤。由于 Pipelines 支持将 Autopilot 作为原生步骤，您现在可以在 Pipelines 中添加自动训练步骤 (AutoMLStep)，然后在组合模式下调用 Autopilot 实验。

更多笔记本

在根目录中，您可以找到更多说明其他使用场景的笔记本，例如批量转换、时间序列预测等。