访问官网
Github
文档studio-lab-examples 项目介绍
项目背景
SageMaker Studio Lab 是一项专为个人数据科学家设计的服务，旨在帮助他们迈向成为人工智能/机器学习（AI/ML）实践者。对于有志在此领域展开职业生涯的人来说，这提供了一个免费的起点。这个项目的仓库展示了如何根据兴趣领域（例如计算机视觉、自然语言处理等）配置 Studio Lab。同样，项目还展示了如何将项目部署到 Amazon SageMaker，从而成为合格的 AI/ML 实践者。
环境设置
进入 SageMaker Studio Lab 有几个简单的步骤：
- 请求一个 Studio Lab 账户。
- 创建 Studio Lab 账户。
- 登录到 Studio Lab。
如果需要对用户界面进行本地化，可参照相关的用户界面本地化说明进行操作。
使用指南
- 阅读：无需 Studio Lab 账户即可阅读示例笔记本。在示例部分点击“Open in Studio Lab”按钮即可。
- 运行：可以通过复制笔记本或使用
git clone将仓库克隆到你的 Studio Lab 项目中来运行笔记本。 - 分享：可以通过 Git 仓库（如 GitHub）分享这些笔记本。如果添加“Open in Studio Lab”按钮，读者可以通过点击按钮来复制笔记本或克隆仓库。
示例分类
计算机视觉
此分类下提供了图像分类模型的训练示例，包括使用 PyTorch 进行图像分类模型训练和通过 DenseNet-161 进行天气分类以降低灾害风险。
自然语言处理
在自然语言处理中，提供了细调 T5 模型以进行 COVID-19 健康服务公告的机器翻译的示例。
地理空间数据科学
提供了入门地理空间数据分析和 NOAA 天气与气候数据集的探索性分析的案例。
生成性深度学习
在生成性深度学习方面，介绍了使用 JumpStart 实现文本到图像的转化，以及提示 Mistral 7B 指令的示例。
连接至 AWS
包括如何通过 SageMaker Studio Lab 使用 AWS 资源，以及部署 Hugging Face 预训练模型到 Amazon SageMaker 无服务器端点的示例。
自定义环境
提供了 .yml 文件来设置各种编程语言或框架环境。用户可以根据需要构建具体的环境，如 R、Julia、AutoGluon 和 SciPy 等。
社区内容
还提供了来自社区的更多示例，希望使用 Studio Lab 的用户为其仓库添加 amazon-sagemaker-lab 标签。受欢迎的仓库将在项目或我们的博客上分享。
许可证与贡献
此项目基于 Apache-2.0 License。虽然项目团队非常期待来自社区的贡献，但目前仍在改进处理外部来源示例的机制。建议感兴趣的贡献者阅读贡献指南以了解如何提交问题或请求。
通过这个项目，初学者可以轻松进入 AI/ML 世界，通过与众多示例和资源的交互，提升技能，最终在相关领域中获得更好的实践经验。
