Amazon SageMaker Autopilot 示例笔记本
以下笔记本可作为实用动手操作示例，用于处理 Autopilot 的各种使用场景。
在 SageMaker GitHub 示例存储库的 autopilot
建议您在 Studio 中克隆完整的 Git 存储库，以便直接访问和运行笔记本。有关如何在 Studio 中克隆 Git 存储库的信息，请参阅在 SageMaker Studio 中克隆 Git 存储库。
| 使用案例 | 描述 |
|---|---|
| 无服务器推理 |
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 |
|
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。 |
|
|
虽然 Autopilot 简化了构建 ML 模型的过程，但 MLOps 工程师仍负责在生产环境中创建、自动化和管理端到端 ML 工作流。SageMaker Pipelines 可以协助自动执行 ML 生命周期的各种步骤，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 SageMaker Pipelines 的端到端 AutoML 训练工作流中。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 SageMaker Pipelines 将 Amazon SageMaker Autopilot ML 模型从实验转移到生产 或者，在组合模式下使用 Autopilot 时，您可以参考笔记本示例，该示例演示了如何使用 SageMaker 管道的原生 AutoML 步骤 |
|
更多笔记本 |