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。

# 使用 Amazon SageMaker AI 进行机器学习的概述


本节介绍了典型的机器学习（ML）工作流程并描述了如何使用 Amazon SageMaker AI 完成这些任务。

在机器学习中，您*指导*计算机进行预测或推理。首先，您使用一种算法和示例数据来训练模型。然后，您将模型集成到应用程序中，以实时且大规模地生成推理。

下图显示了创建 ML 模型的典型工作流程。它包括循环流中的三个阶段，我们将在下图中详细介绍：
+ 生成示例数据
+ 训练模型
+ 部署模型

![\[ML 模型创建的三个阶段。\]](http://docs.amazonaws.cn/sagemaker/latest/dg/images/ml-concepts-10.png)


 下图显示了如何在大多数典型场景中执行以下任务：

1. **生成示例数据**：要训练模型，您需要示例数据。所需数据的类型取决于您希望模型解决的业务问题。这与您希望模型生成的推理有关。例如，如果您要创建一个模型从输入的手写数字映像中预测一个数字。要训练此类模型，您需要手写体数字的示例映像。

   数据科学家在使用示例数据进行模型训练之前，通常会花时间探索和预处理这些数据。要对数据进行预处理，您通常执行以下操作：

   1. **获取数据**：您可能拥有内部示例数据存储库，或者您可能使用公开可用的数据集。通常，您将一个或多个数据集提取到单个存储库中。

   1. **清理数据**：要改进模型训练，请检查数据并根据需要进行清理。例如，如果您的数据具有值为 `United States` 和 `US` 的 `country name` 属性，您可以编辑数据以保持一致。

   1. **准备或转换数据**：要提高性能，您可以执行额外的数据转换。例如，您可能会为一个预测飞机除冰条件的模型选择组合属性。您可以将温度和湿度属性合并为一种新的属性以获得更好的模型，而不是单独使用这些属性。

   在 SageMaker AI 中，您可以在集成式开发环境（IDE）中使用 [SageMaker API](https://docs.amazonaws.cn/sagemaker/latest/APIReference/Welcome.html) 和 [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/) 对示例数据进行预处理。使用 Python 的 SDK (Boto3)，您可以获取、浏览和准备用于模型训练的数据。有关数据准备、处理和转换数据的信息，请参阅 [在 SageMaker AI 中选择正确的数据准备工具的建议](data-prep.md)、[带 SageMaker 处理功能的数据转换工作负载](processing-job.md)、和 [使用特征存放区创建、存储和共享功能](feature-store.md)。

1. **训练模型**：模型训练包括训练和评测模型，如下所示：
   + **训练模型**：要训练模型，您需要一种算法或预训练的基本模型。您选择的算法取决于许多因素。要想获得内置解决方案，您可以使用 SageMaker 提供的算法之一。有关 SageMaker 提供的算法列表以及相关注意事项，请参阅 [Amazon 中的内置算法和预训练模型 SageMaker](algos.md)。有关提供算法和模型的基于 UI 的训练解决方案，请参阅 [SageMaker JumpStart 预训练模型](studio-jumpstart.md)。

     您还需要适用于训练的计算资源。您的资源使用情况取决于训练数据集的大小和需要结果的速度。您可以使用从单个通用实例到分布式 GPU 实例集群等各种资源。有关更多信息，请参阅 [使用 Amazon 训练模型 SageMaker](how-it-works-training.md)。
   + **评测模型**：训练模型之后，您对其进行评测，以确定推理的准确性是否可接受。要训练和评测模型，可使用 [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/) 通过可用的 IDE 之一向模型发送推理请求。有关评测模型的更多信息，请参阅 [使用 Amazon 模型监视器监控数据和 SageMaker 模型质量](model-monitor.md)。

     

1. **部署模型**：通常，您会对模型进行一些重新设计，以将其与应用程序集成并部署。借助 SageMaker AI 托管服务，您可以独立部署模型，使其与您的应用程序代码解耦。有关更多信息，请参阅 [部署模型用于推理](deploy-model.md)。

   

机器学习是连续的周期。部署模型后，您监控推理，收集更多高质量的数据并评测模型以识别偏差。然后，您可以更新训练数据以包含新收集的高质量的数据，从而提高推理准确性。随着更多的示例数据变得可用，您继续重新训练模型以提高准确性。