使用 Amazon A SageMaker I 进行机器学习概述

本节介绍典型的机器学习 (ML) 工作流程，并介绍如何使用 Amazon A SageMaker I 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

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。

   2. 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。

   3. 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，您可以在集成开发环境 (IDE) 中SageMaker APIs使用 SageMaker Python SDK 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、带 SageMaker 处理功能的数据转换工作负载、和 使用特征存放区创建、存储和共享功能。

2. 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。对于内置解决方案，您可以使用 SageMaker 提供的算法之一。有关提供的算法列表 SageMaker 和相关注意事项，请参阅Amazon 中的内置算法和预训练模型 SageMaker。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。

     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。

   • 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。要训练和评估您的模型，请使用 SageMaker Python SDK 向模型发送请求，以便通过其中一个可用 IDEs模型进行推断。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。

3. 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 SageMaker 助 AI 托管服务，您可以独立部署模型，从而将其与应用程序代码分离。有关更多信息，请参阅 部署模型用于推理。

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。