快速入門
快速存取 Studio 中的全受管 Jupyter 筆記本。SageMaker Studio 筆記本已針對完成 AWS 最佳化的 TensorFlow 和 PyTorch 預先設定好深度學習環境，可協助您開始建置模型。

雲端中熟悉的 Jupyter 筆記本
在全受管 SageMaker 服務中使用您了解並信任的 Jupyter 和 JupyterLab 筆記本。不再有設定運算資源、升級資料科學和機器學習套件以及套用安全修補的麻煩。SageMaker 筆記本執行個體讓您可以完全專注於機器學習，同時確保您的運算環境安全並裝有最新的開放原始碼軟體。

大規模準備資料
使用適用於資料工程、分析和機器學習的統一筆記本環境來簡化您的資料工作流程。直接從 SageMaker Studio 筆記本建立、瀏覽和連接至 Amazon EMR 叢集和 AWS Glue 互動式工作階段。直接從筆記本內使用 Spark UI 等熟悉工具來監控和偵錯 Spark 任務。直接從筆記本中使用採用 Amazon SageMaker Data Wrangler 技術的內建資料準備功能，來視覺化資料、識別資料品質問題並套用推薦的解決方案，以提高資料品質和模型準確性，而無需編寫任何程式碼。

取得 AWS 效能與規模
透過 AWS 針對效能進行最佳化的預先封裝資料科學和機器學習架構，縮短從資料到洞見所需的時間。透過從雲端中最廣泛應用的運算優化和 GPU 加速的執行個體中選取來擴展您的資源。使用內建的 SageMaker Python SDK 在 SageMaker 上訓練和部署模型。在 Amazon CloudWatch 中取得 Jupyter 日誌以追蹤事件和指標、偵測異常行為、設定警示並發現使用模式。

Elastic Compute
擴充或縮減基礎運算資源，並使用共享持久性儲存切換運算，所有這些動作都不會中斷您的工作。從 AWS 提供的最廣泛應用的運算資源選擇中進行選擇，包括最強大的機器學習 GPU 執行個體。

得到啟發
正在尋找如何建置的想法嗎？ 您的筆記本執行個體包含 SageMaker 提供的 200 多本範例筆記本，以及顯示如何使用 SageMaker 套用機器學習解決方案的程式碼。

筆記本程式碼至生產就緒任務的自動轉換
選取筆記本後，SageMaker Studio 筆記本會拍攝整個筆記本的快照，將其相依項封裝到容器中，建置基礎設施，按照從業者設定的排程將筆記本作為自動化任務執行，並在任務完成時取消佈建基礎設施，從而將筆記本投入生產所需的時間從數週縮短至幾小時。 

為團隊而建置
使用 AWS IAM Identity Center (AWS Single Sign-on 的後繼者) 設定您的團隊對 SageMaker Studio 筆記本的存取權限。為平台管理員和業務主管建立不同的環境，以監控 SageMaker Studio 的成本和用量。建立共享空間，您的團隊可以在其中一起即時閱讀、編輯和執行筆記本，以簡化協作和溝通。團隊成員可以一起檢閱結果，以立即了解模型的執行狀況，而無需來回傳遞資訊。藉由對 BitBucket 和 AWS CodeCommit 等服務的內建支援，團隊可以輕鬆管理不同的筆記本版本，對隨時間發生的變更進行比較。所有資源都會自動標記，從而可以更輕鬆地使用 AWS Budgets 和 AWS Cost Explorer 等工具監控成本和規劃預算。

可自訂
使用自訂 Docker 映像檔將您自己的筆記本開發環境帶入 SageMaker Studio。使用生命週期組態為您的團隊實現自動化和自訂筆記本環境。例如，您可以安裝自訂套件和筆記本擴充功能、預先載入資料集以及自動關閉閒置執行個體。