Amazon SageMaker 是一项完全托管的服务，可以帮助开发人员和数据科学家快速构建、训练和部署机器学习 (ML) 模型。SageMaker 完全消除了机器学习过程中每个步骤的繁重工作，让开发高质量模型变得更加轻松。
传统的 ML 开发是一个复杂、昂贵、迭代的过程，而且没有任何集成工具可用于整个机器学习工作流程，这让它难上加难。您需要将工具和工作流程拼接在一起，这既耗时又容易出错。SageMaker 在单个工具集中提供了用于机器学习的所有组件，让这一难题迎刃而解，因此模型通过更少的工作量和更低的成本即可更快地投入生产。
构建机器学习模型
使用单一 Web 界面构建模型
Amazon SageMaker 提供访问和共享笔记本以及使用内置算法和框架所需的所有内容，因此您可以轻松地大规模构建机器学习 (ML) 模型并为训练做好准备。
Amazon SageMaker Studio 是首个适用于机器学习的完全集成式开发环境 (IDE)。您可以快速上传数据、创建新笔记本、训练和调优模型，在步骤之间来回移动以调整实验、对比结果以及将模型部署到生产环境中，而且上述所有工作都在一个地方完成。您可以将 Amazon SageMaker Autopilot 与 SageMaker Studio 结合使用，以自动生成模型。
SageMaker Autopilot 是业内首个自动化机器学习功能，可让您完全掌控 ML 模型。只需单击几下，SageMaker Autopilot 即可自动检查原始数据、应用功能处理器、选择最佳算法集、训练和调优多个模型、跟踪模型性能以及对模型进行排名。
Amazon SageMaker Notebooks 是可共享的一键式 Jupyter 笔记本，可以快速启动。
Amazon SageMaker 支持领先的深度学习框架
训练机器学习模型
Amazon SageMaker 可提供调优和调试模型以及执行训练实验所需的一切，从而简化了机器学习 (ML) 模型训练过程。
Amazon SageMaker Experiments 通过自动捕获输入参数、配置和结果并将其存储为“实验”来帮助您管理迭代。您可以使用 SageMaker Studio 的可视化界面来浏览进行中的实验，根据实验特征搜索先前的实验、查看先前的实验及结果，以及直观比较实验结果。
Amazon SageMaker 调试程序能够在训练期间自动捕获实时指标（例如，训练和验证、混淆矩阵和学习梯度），让训练流程更加透明，最终提高模型精度。SageMaker Studio 中会直观呈现来自 SageMaker 调试程序的指标，以便您理解。检测到常见的训练问题时，SageMaker 调试程序还会生成警告及提供修复建议。
您可以使用托管的 Spot 训练将训练机器学习模型的成本降低高达 90%。托管的 Spot 训练使用 Amazon EC2 Spot 实例，因此与使用 Amazon EC2 按需实例相比，您的训练作业的运行成本要低得多。
部署机器学习模型
Amazon SageMaker 可提供在生产环境中部署机器学习模型和监控模型质量所需的一切，以此支持您轻松生成预测。
您能够依靠 Amazon SageMaker 模型监控器来检测和修复概念偏差。现在，影响已部署模型的精度的一个重要因素是，用于生成预测的数据与用于训练模型的数据是否有所不同。例如，日新月异的经济条件可能会推动新利率出台，从而影响购房预测。这就是概念偏差，此时模型用于预测的模式不再适用。SageMaker 模型监控器会自动检测已部署模型中的概念偏差，并提供详细的警报，帮助确定问题的根源。通过 SageMaker 训练的所有模型都会自动发送关键指标，这些指标可以在 SageMaker Studio 中收集和查看。从 SageMaker Studio 内部，您可以配置要收集的数据、查看方式以及警报的接收时间。
