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。
机器学习
机器学习能够帮助组织快速分析收集的数据，识别模式，从而在做出决策时尽可能减少人为干预。机器学习始于一组初始数据，即训练数据。这些训练数据有助于提高机器学习模型的预测准确性，也是该模型学习的基础。模型经过验证，准确性达到要求，足以满足业务需求后，便会将其部署到生产中。Amazon Step Functions 数据科学软件开发工具包 (SDK) 是一个开源库，允许您使用 Amazon SageMaker 和 Step Functions 轻松创建预处理数据、执行训练，以及发布模型的工作流。
预处理现有数据集是组织创建训练数据的常用方式。这种方法可以添加信息，例如标注图像中的对象、注释文本或处理音频。要预处理数据，您可以使用 Amazon Glue，也可以创建一个运行 Jupyter 笔记本应用程序的 SageMaker 笔记本实例。数据准备就绪后，可以将其上传到 Amazon S3 以便于访问。训练机器学习模型完成后，您可以调整每个模型的参数，提高准确性，直到模型可以部署为止。
Step Functions 允许您在 SageMaker 上编排端到端的机器学习工作流。这些工作流可能包括数据预处理、后处理、特征工程、数据验证和模型评估。将模型部署到生产后，您可以改进和测试新方法，持续改善业务成果。您可以直接在 Python 中创建生产就绪型工作流，也可以使用 Step Functions 数据科学开发工具包复制该工作流，体验新选项，然后将改进后的工作流投入到生产中。
客户使用 Step Functions 的机器学习工作流类型包括：
欺诈侦测
-
识别并防止欺诈性交易（例如信用欺诈）的发生。
-
使用经过训练的机器学习模型侦测并预防账户盗用。
-
识别促销滥用行为，包括创建虚假账户，以便您可以快速采取行动。
个性化和推荐
-
根据对目标客户兴趣的预测，向其推荐产品。
-
预测客户是否会将其账户从免费套餐升级为付费订阅。
数据扩充
-
将数据扩充作为预处理的一部分，为更精确的机器学习模型提供更好的训练数据。
-
为文本和音频摘录添加注释，以便添加语法信息，例如讽刺和俚语。
-
为图像中的其他对象添加标签，为模型学习提供关键信息，例如对象是苹果、篮球、岩石还是动物。