AWS SageMaker 最低配置
AWS SageMaker Minimum Configuration
为什么我需要 AWS SageMaker 的容器？如果我想 运行 SageMaker 的 Jupyter notebook 上的 Scikit Learn 用于自学目的，是否还需要为其配置 Container？
如果我只想学习 Scikit Learn，SageMaker 的最低配置是什么？例如，我想 运行 Scikit Learn 的决策树算法与一组训练数据和一组测试数据。我需要在 SageMaker 上做什么才能执行这些任务？谢谢。
你不需要太多。只是一个对您的角色具有相关权限的 AWS 账户。
在 AWS SageMaker 控制台中，您只需单击一下即可 运行 一个 AWS Notebook 实例。预装了 Sklearn，您可以开箱即用。不需要特殊容器。
作为最低限度，您只需要具有相关权限的 AWS 帐户即可创建 EC2 实例并从您的 S3 读取/写入。仅此而已，只需尝试一下。 :)
以此为起点：Amazon SageMaker – Accelerating Machine Learning
You can also access it via the Jupyter Terminal
如果您不关心使用 Sagemaker 的训练和部署功能，那么您只需要创建一个新的 conda_python3 notebook 并导入 sklearn。
我也对如何通过 Scikit Learn 利用 Sagemaker 的 train/deploy 功能感到困惑。最好的解释和最新的似乎是：
https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/sklearn/README.rst
简要总结是：
- 您将训练数据保存到 S3 存储桶。
- 创建一个独立的 python 脚本来进行训练，将训练模型序列化为文件并将其保存到 S3 存储桶。
- 在 Sagemaker 上的笔记本中，您导入 Sagemaker SDK 并将其指向您的训练脚本和数据。然后 Sagemaker 将临时创建一个 AWS 实例来训练模型。
- 一旦经过训练，该实例就会自动销毁。
- 最后，您使用 Sagemaker SDK 将经过训练的模型部署到另一个 AWS 实例。这也会自动创建一个可以调用以进行预测的端点。
为什么我需要 AWS SageMaker 的容器？如果我想 运行 SageMaker 的 Jupyter notebook 上的 Scikit Learn 用于自学目的，是否还需要为其配置 Container？
如果我只想学习 Scikit Learn，SageMaker 的最低配置是什么？例如，我想 运行 Scikit Learn 的决策树算法与一组训练数据和一组测试数据。我需要在 SageMaker 上做什么才能执行这些任务？谢谢。
你不需要太多。只是一个对您的角色具有相关权限的 AWS 账户。 在 AWS SageMaker 控制台中，您只需单击一下即可 运行 一个 AWS Notebook 实例。预装了 Sklearn，您可以开箱即用。不需要特殊容器。
作为最低限度，您只需要具有相关权限的 AWS 帐户即可创建 EC2 实例并从您的 S3 读取/写入。仅此而已，只需尝试一下。 :)
以此为起点：Amazon SageMaker – Accelerating Machine Learning
You can also access it via the Jupyter Terminal
如果您不关心使用 Sagemaker 的训练和部署功能，那么您只需要创建一个新的 conda_python3 notebook 并导入 sklearn。
我也对如何通过 Scikit Learn 利用 Sagemaker 的 train/deploy 功能感到困惑。最好的解释和最新的似乎是：
https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/sklearn/README.rst
简要总结是：
- 您将训练数据保存到 S3 存储桶。
- 创建一个独立的 python 脚本来进行训练，将训练模型序列化为文件并将其保存到 S3 存储桶。
- 在 Sagemaker 上的笔记本中，您导入 Sagemaker SDK 并将其指向您的训练脚本和数据。然后 Sagemaker 将临时创建一个 AWS 实例来训练模型。
- 一旦经过训练，该实例就会自动销毁。
- 最后，您使用 Sagemaker SDK 将经过训练的模型部署到另一个 AWS 实例。这也会自动创建一个可以调用以进行预测的端点。