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。
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。在课程最后，您需要构建一个与 Amazon SageMaker 发布的终端节点集成的无服务器应用程序。
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，最后使用 Amazon SageMaker 创建和更新模型。
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。
训练和优化机器学习模型
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 训练和优化机器学习模型，使其达到最高准确性。
博客
确定适用于使用案例的最佳 ML 模型，并加快部署到生产中。使用本博客中概述的步骤跟踪、搜索、筛选和排列机器学习训练运行。现在，可以使用主要模型属性（如超参数值和准确性指标）和 Amazon SageMaker，在所有实验中获得最佳的 ML 模型。
网络研讨会
在此视频点播技术讲座中，学习训练基于 TensorFlow 的机器学习模型。了解 TensorFlow 和 Amazon SageMaker 的独特组合，加速机器学习模型的训练并将其投入生产。
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。
网络研讨会
在此视频点播技术讲座中，了解机器学习生命周期，在企业中使用 Amazon SageMaker 的最佳实践，以及如何将 Amazon SageMaker 与其他 AWS 服务整合。
博客
在本博客中，学习如何使用 Amazon SageMaker Python 开发工具包和 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。可以避免执行构建自己的容器的额外步骤。
其他资源
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 相关更新和其他 AWS 公告。
Amazon SageMaker 相关博客
目前还没有找到任何博客文章。请参阅 AWS 博客，了解其他资源。
