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 入门 SageMaker 笔记本实例
机器学习 (ML) 从业者使用 Amazon 的最佳方法之一 SageMaker 是使用训练和部署 ML 模型 SageMaker 笔记本实例。这些区域有： SageMaker 笔记本实例通过在 Amazon Elastic Compute Cloud (Amazon EC2) 上启动 Jupyter 服务器以及通过以下软件包提供预配置的内核，帮助创建环境：Amazon SageMaker Python 开发工具包，Amazon SDK for Python (Boto3)、Amazon Command Line Interface(Amazon 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图书馆。
使用的 Machine Learning SageMaker Python 开发工具包
训练、验证、部署和评估中的 ML 模型 SageMaker 笔记本实例，请使用 SageMaker Python 开发工具包。这些区域有： SageMaker Python 开发工具包摘要Amazon SDK for Python (Boto3)和 SageMaker API 操作。它使您能够与其他人集成并协调其他Amazon服务，例如用于保存数据和模型构件的 Amazon Simple Storage Service (Amazon S3)、用于导入和维护 ML 模型的 Amazon Elastic Compute Cloud (Amazon EC2)。
您也可以利用 SageMaker 可帮助您处理完整机器学习周期的每个阶段的各个阶段的功能：数据标签、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模型的质量。
如果您是第一次 SageMaker 用户，我们建议你使用 SageMaker Python SDK，遵循 end-to-end ML 教程。要查找开源文档，请参阅亚马逊 SageMaker Python 开发工具包
教程概述
本入门教程将引导您完成如何创建 SageMaker notebook 实例，打开一个带有预配置内核的 Jupyter 笔记本，并使用 Conda 环境进行机器学习，然后启动 SageMaker 要运行的会话 end-to-end ML 循环。您将了解如何将数据集保存到与 SageMaker 会话自动配对的默认 Amazon S3 存储桶，向 Amazon EC2 提交 ML 模型的培训作业，以及通过 Amazon EC2 托管或批量推断来部署训练模型以进行预测。
本教程明确显示了从 SageMaker 内置模型池。您可以使用美国成人普查数据集
-
SageMaker XGBoost— 该XGBoost
模型适用于 SageMaker 环境并预先配置为 Docker 容器。SageMaker 提供了一套内置算法准备好使用 SageMaker 功能。要了解有关哪些 ML 算法适应 SageMaker 的更多信息，请参阅选择算法和使用 Amazon SageMaker 内置算法. 对于 SageMaker 内置算法 API 操作，请参阅第一方算法 中的亚马逊 SageMaker Python 开发工具包 . -
成人普查数据集
— 来自1994 年普查局数据库 由 Ronny Kohavi 和 Barry Becker（数据挖掘和可视化，硅图形）。这些区域有： SageMaker XgBoost 模型是使用此数据集进行训练的，以预测个人年收入是否超过 50,000 美元或更少。
主题