如何设置 SageMaker？

---

---

请按照以下步骤设置 Amazon SageMaker：

步骤 1：登录 AWS

设置 Amazon SageMaker 的第一步是登录您的 AWS 管理控制台。如果您没有 AWS 账户，则必须创建一个。您可以在 AWS 网站上免费创建它。

步骤 2：导航到 SageMaker

登录后，在 AWS 控制台中搜索“SageMaker”并选择它。它将打开 Amazon SageMaker 仪表板，您可以在其中管理您的机器学习项目。

步骤 3：创建 SageMaker 笔记本实例

要开始构建机器学习模型，您需要创建一个笔记本实例。点击“Notebook Instances”并选择“Create Notebook Instance”。

步骤 4：配置笔记本实例

您需要根据您的计算需求选择实例类型。如果您是初学者，您可以从较小的实例类型开始，例如 **ml.t2.medium**。

您还需要为您的笔记本实例命名。之后选择具有必要权限的角色。

步骤 5：启动笔记本实例

配置完成后，点击 **“Create Notebook Instance”**。实例准备需要几分钟时间。

准备就绪并运行后，点击 **“Open Jupyter”** 访问 Jupyter Notebook 界面。现在您可以开始编写代码、训练模型和运行实验了。

步骤 6：准备您的数据

在开始训练模型之前，您需要将数据上传到 Amazon S3 存储桶。

S3 是 AWS 建议与 SageMaker 一起使用的存储服务。您可以直接从笔记本环境访问和预处理数据。

配置您的第一个 SageMaker 项目

SageMaker 笔记本实例准备就绪后，您可以开始配置您的第一个项目。请按照以下步骤操作

步骤 1：选择预构建算法或编写您自己的算法

SageMaker 提供许多针对性能优化的内置算法，例如线性学习器、XGBoost 等。您可以选择这些预构建算法之一，也可以使用 Python 编写您自己的算法。

步骤 2：数据准备

数据准备是项目成功的关键。SageMaker 提供用于清理和转换数据的工具。您可以直接从笔记本访问存储在 Amazon S3 中的数据集。

在将数据输入机器学习模型之前，使用数据准备库来探索、清理和预处理数据。

步骤 3：训练您的模型

数据准备之后，下一步是训练模型。在 Jupyter Notebook 中，您可以指定算法、定义超参数和配置训练作业。

步骤 4：调整和优化

Amazon SageMaker 提供自动模型调整，它可以调整超参数以找到最佳模型性能。训练后，您可以查看结果并进一步调整模型以提高准确性。

您还可以使用 SageMaker 的 **内置优化工具** 来加快此过程。

步骤 5：部署模型

训练和优化模型后，就可以部署它了。SageMaker 允许您直接将模型部署到端点以进行实时推理。

从 SageMaker 仪表板中选择“创建端点”，并配置您的部署设置。部署后，您可以开始使用训练的模型进行预测。

步骤 6：监控和扩展

部署模型后，您可以监控其性能。您可以使用 SageMaker 的内置工具进行监控。它提供实时监控、基于需求的自动扩展和版本控制。