AWS 文档中描述的 AWS 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅中国的 AWS 服务入门。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

Amazon SageMaker 笔记本实例入门

机器学习 （ML） 实践者使用 的最佳方式之一Amazon SageMaker是使用SageMaker笔记本实例训练和部署 ML 模型。SageMaker 笔记本实例通过在 Amazon Elastic Compute Cloud （Amazon EC2） 上启动 Jupyter 服务器并使用以下程序包提供预配置内核来帮助创建环境Amazon SageMaker：Python 开发工具包适用于 Python (Boto3) 的 AWS 软件开发工具包、、 AWS Command Line Interface （AWS CLI）、Conda、Pandas、深度学习框架库以及其他用于数据科学和机器学习的库。

使用 SageMaker Python 开发工具包的 Machine Learning

要在SageMaker笔记本实例中训练、验证、部署和评估 ML 模型，请使用 SageMaker Python 开发工具包提取 适用于 Python (Boto3) 的 AWS 软件开发工具包 和 SageMaker API 操作。它使您能够协调基础设施，例如用于保存数据和模型构件的 AWS （Amazon Simple Storage Service） Amazon S3 和用于导入和处理 ML 模型的 Amazon Elastic Container Registry （ECR），用于训练和推理的 Amazon Elastic Compute Cloud （Amazon EC2）。

您还可以利用可帮助您处理完整 ML 周期的每个阶段SageMaker的功能：数据标记、数据预处理、模型训练、模型部署、预测性能评估以及监控生产中的模型质量。

如果您是新SageMaker用户，我们建议您按照端到端 ML 教程使用 SageMaker Python 开发工具包。要查找开源文档，请参阅 Amazon SageMaker Python SDK。

教程概述

本入门教程将指导您如何创建SageMaker笔记本实例，使用适用于机器学习的 Conda 环境打开具有预配置的内核的 Jupyter 笔记本，并启动SageMaker会话以运行端到端 ML 周期。您将了解如何将数据集保存到自动与Amazon S3会话配对的默认 SageMaker 存储桶，将 ML 模型的训练作业提交到 Amazon EC2，并通过 托管或批量引用来部署训练后的模型以进行预测Amazon EC2。

本教程显式显示从XGBoost内置SageMaker模型池训练模型的完整 ML 流程。您可以使用美国成人普查数据集，并根据预测个人收入来评估训练SageMakerXGBoost模型的性能。