入门
Amazon SageMaker 是一项完全托管的模块化服务，支持开发人员和数据科学家大规模地构建、训练和部署机器学习模型。开始使用这些开发人员资源可以快速地从概念转向生产。
Amazon SageMaker 简介
学习 Amazon SageMaker 的构建、训练和部署模块。
网络研讨会
在此点播式技术讲座中，学习使用 Amazon SageMaker Studio 通过单一管理平台管理整个 ML 工作流程。使用 SageMaker Studio，您可以在单个集成的可视界面中编写代码、跟踪实验、可视化数据以及执行调试和监控所有操作，从而大大提高了开发人员的工作效率。
培训课程
在本培训课程中，学习如何使用 Amazon SageMaker 简化将机器学习集成到应用程序中的过程。主要主题包括：机器学习的概述及机器学习可以帮助解决的问题，使用 Jupyter 笔记本基于 Amazon SageMaker 内置算法训练模型，以及使用 Amazon SageMaker 发布已验证的模型。您将通过构建一个与 Amazon SageMaker 发布的终端节点集成的无服务器应用程序来完成本课程。
培训课程
在本培训课程中，您将学习如何使用 Amazon SageMaker 和 Amazon SageMaker Ground Truth 实施机器学习管道。首先您将创建一个带标签的数据集，然后将创建一个训练作业来训练对象检测模型，最后将使用 Amazon SageMaker 创建和更新模型。
使用 Amazon SageMaker 构建安全且兼容的机器学习工作流程
想了解如何为金融服务构建安全且兼容的端到端机器学习工作流程？ 请观看此视频演示，了解高度管制行业在其安全机器学习使用案例中的常见模式和要求。
构建机器学习模型
使用 SageMaker 的“构建”模块收集和准备训练数据，访问预构建的笔记本，并利用内置的高性能算法。
博客
阅读此博客，学习如何利用 Amazon SageMaker 笔记本实例使用常见工作流程。
训练和调优机器学习模型
只需单击一下即可使用“训练”模块设置训练环境，并使用自动模块调整优化模型
视频
在本视频中，学习如何使用 Amazon SageMaker 训练和调优机器学习模型，使其达到最高准确性。
博客
使用 Amazon SageMaker Experiments 高效组织和跟踪您的训练迭代。训练 ML 模型通常需要进行多次迭代，以隔离和衡量更改数据集、算法版本和模型参数的影响。SageMaker Experiments 通过自动捕获输入参数、配置和结果来帮助您管理迭代，并且确定表现最好的实验。
博客
了解如何使用 Amazon EC2 Spot 实例结合托管的 Spot 训练最高节省 90% 的训练成本。Spot 实例是空间计算容量，而训练作业在有空闲容量可用时自动运行。训练运行能在因容量变化而造成中断后恢复，因此您可以灵活选择训练作业的运行时间，从而节省成本。
网络研讨会
在这个点播技术讲座中，您可以了解如何使用 Amazon SageMaker Experiments，以及 Amazon SageMaker Debugger 如何通过更好的模型训练和调整来提高模型质量。您将了解到如何通过自动捕获输入参数、配置和结果并在训练过程中自动捕获实时指标（如训练、验证和混淆矩阵等）来管理迭代。
部署机器学习模型
只需单击一下即可使用“部署”模块将机器学习模型部署到生产中。
动手实验
按照 GitHub 上的示例，使用 Amazon SageMaker 和 AWS Step Functions 自动构建、训练和部署自定义机器学习模型。
博客
学习使用 SageMaker 的部署功能，包括 A/B 测试和 Auto Scaling，为您的机器学习模型提供高性能和高可用性。
博客
在此博客中，了解如何使用 Amazon SageMaker Model Monitor 在发生概念漂移等变化时维护机器学习模型在生产中的质量。您甚至可以在出现数据质量问题时收到提醒，以便您采取所需的措施。
博客
在本博客中，学习如何使用 Amazon SageMaker Python SDK 和 PyTorch 基本映像构建、训练 fastai 模型并将其部署到 Amazon SageMaker 训练和托管中。可以避免构建自己的容器的额外步骤。
其他资源
软件开发工具包
使用专为您的编程语言或平台量身定制的 API，以便您能够在应用程序中轻松使用 Amazon SageMaker。
新增内容
新增内容公告是发布和功能更新的概要。阅读 Amazon SageMaker 特定的更新和其他 AWS 公告。
