aws/amazon-sagemaker-examples
Example 📓 Jupyter notebooks that demonstrate how to build, train, and deploy machine learning models using 🧠 Amazon SageMaker.
What it solves
此仓库提供完整的官方示例 Jupyter 笔记本，演示如何使用 Amazon SageMaker 构建、训练和部署机器学习模型。它弥合了 SageMaker 平台功能与实际实现之间的差距，提供各种机器学习任务的端到端工作流。
How it works
项目将示例按机器学习生命周期进行分类，包括数据准备、模型构建/训练、部署和监控。它还引入了 SageMaker-Core，一个全新的 Python SDK，通过面向对象的接口和资源链式调用，简化与 SageMaker 资源（如 TrainingJobs 和 Endpoints）的交互，减少手动参数指定和低层 API 轮询的需求。
Who it’s for
适用于想在 AWS 上实现机器学习工作负载的 ML 从业者和开发者，涵盖从需要端到端指南的初学者到寻找 Generative AI、MLOps 或 Responsible AI 具体实现模式的资深工程师。
Highlights
- Full ML Lifecycle Coverage: 示例覆盖数据准备、训练、部署和实时监控。
- SageMaker-Core SDK: 提供类型提示、自动补全和面向对象资源管理的精简 Python SDK。
- Generative AI Support: 专门的示例展示如何在文本、图像、音频和视频等多模态下生成合成数据。
- MLOps & Governance: 用于实现 ML CI/CD、偏差检测和模型治理（通过 Model Cards 和 Dashboards）的工具和笔记本。