Amazon SageMaker 自動駕駛儀範例筆記本

下列筆記本提供可處理 Autopilot 各種使用案例的實用實作範例。

您可以在 SageMaker GitHub 範例儲存庫autopilot目錄中找到 Autopilot 自動輔助駕駛的所有筆記本。

我們建議您在 Studio 經典版中複製完整的 Git 儲存庫，以直接存取和執行筆記本。如需有關如何在工作室經典版中克隆 Git 存儲庫的信息，請參閱在 SageMaker 工作室經典中克隆一個 Git 存儲庫。

使用案例	Description
無伺服器推論	根據預設，Autopilot 可讓您將產生的模型部署到即時推論端點。在這個儲存庫中，筆記本會說明如何將使用 ENSEMBLING 和 HYPERPARAMETER OPTIMIZATION (HPO) 模式訓練的 Autopilot 模型部署到無伺服器端點。無伺服器端點會自動啟動運算資源，並根據流量進行縮減與擴增，無需選擇執行個體類型或管理擴展政策。
自訂功能選擇	Autopilot 會檢查您的資料集並執行多個候選項目，以找出資料預先處理步驟、機器學習演算法和超參數的最佳組合。您可以輕鬆部署在即時端點上或進行批次處理。 在某些情況下，您可能希望將自訂資料處理程式碼提供給 Autopilot 時具有彈性。例如，您的資料集可能包含大量獨立變數，您可能希望合併自訂功能選擇步驟，先移除不相關的變數。然後，可以使用產生的較小型資料集啟動一個 Autopilot 任務。最後，您還希望同時包含 Autopilot 的自訂處理程式碼和模型，進行即時或批次處理。
Pipeline 範例	雖然 Autopilot 可簡化機器學習模型的建置程序，但 MLOP 工程師仍然負責在生產環境中建立、自動化和管理 end-to-end 機器學習工作流程。 SageMaker 管道可協助自動化 ML 生命週期的各個步驟，例如資料預處理、模型訓練、超參數調整、模型評估和部署。本筆記本可示範如何將 Autopilot 自動輔助駕駛納入 SageMaker 管道 end-to-end AutoML 訓練工作流程。若要在 Pipelines 內啟動 Autopilot 實驗，您必須使用 Pipelines Lambda 或 Processing 步驟寫入自訂整合程式碼，才能建立模型建置工作流程。如需詳細資訊，請參閱使用 Amazon 管道將 Amazon SageMaker Autopilot 機器學習模型從實驗移至生產環境。 SageMaker 或者，在「合奏」模式下使用自動輔助駕駛時，您可以參考筆記本範例，該範例示範如何在SageMaker 管線的原生 AutoML 步驟中使用原生 AutoML 步驟。使用 Pipelines 內做為原生步驟支援的 Autopilot，您就可以立即將自動化訓練步驟 (AutoMLStep) 新增至 Pipelines，並在集成模式下調用 Autopilot 實驗。
更多筆記本	您可以在根目錄中找到更多說明其他使用案例的筆記本，例如批次轉換、時間序列預測等。