amazon-sagemaker-examples - 详解Amazon SageMaker在机器学习模型构建、训练与部署方面的应用示例

项目介绍：Amazon SageMaker Examples

Amazon SageMaker Examples项目致力于为机器学习从业者提供一系列如何使用Amazon SageMaker构建、训练和部署机器学习模型的示例。这些示例展示了如何充分利用SageMaker提供的广泛功能，是学习和使用Amazon SageMaker的绝佳资源。

SageMaker-Core简介

SageMaker-Core是一个新发布的Python SDK，为开发者提供了一种面向对象的接口来与SageMaker资源进行交互，如TrainingJob、Model和Endpoint。它引入了资源链特性，让开发者可以以更简便的方式传递资源对象作为参数，简化了代码管理。SageMaker-Core不仅全面实现了SageMaker API的功能，还通过自动代码补全、详细的文档及类型提示等使开发者的使用体验得到提升。这个SDK专为希望对AWS基础元素进行全方位定制的机器学习从业者而设计。

示例存储库

Amazon SageMaker的示例分为两个主要存储库：

SageMaker示例笔记本：这是官方存储库，集中展示了SageMaker的各项功能，由Amazon SageMaker团队直接维护。
Sagemaker社区示例存储库：该存储库由AWS的工程师和解决方案架构师社区维护，除了官方存储库展示的示例外，还包含了更多的参考解决方案和示例。

如何使用示例笔记本

这些示例笔记本会自动加载到SageMaker Notebook实例中，用户可以通过Jupyter中的SageMaker Examples标签或者JupyterLab中的SageMaker图标来访问。尽管大多数示例使用的是Amazon SageMaker的关键功能，如分布式管理训练或实时托管终端，这些笔记本可以在对IAM角色定义和必要库进行少量修改后在非SageMaker Notebook环境中运行。

示例笔记本类别

端到端机器学习生命周期：提供构建、训练和部署机器学习模型的全流程笔记本，适合初学者以及有经验的从业者。
数据准备：展示SageMaker在数据收集、预处理和组织以适应机器学习算法学习的过程中所具备的能力。
构建和训练模型：帮助用户有效地构建和训练广泛的机器学习模型，处理与设置和管理基础设施相关的繁杂任务。
部署和监控：提供多种推理选项，如实时端点、无服务器端点及异步端点，以便管理和监控模型部署与推理。
生成式AI：展示SageMaker在生成文本、图像、音频和视频等合成数据方面的能力。
机器学习运维（MLOps）：帮助在生产环境中实施机器学习模型，改善交付时间和数据科学的生产力。
负责任的AI：帮助检测潜在的偏见和解释模型的预测，提升模型开发、验证和使用的可视性。

贡献与许可

尽管项目团队非常期待来自社区的贡献，但对于外部资源的示例引入机制仍在完善中。在贡献之前，建议查看我们的贡献指南。该项目使用Apache 2.0 许可协议进行许可。