AWS SageMaker是AWS專門為Machine Learning開發所建置的環境。從資料蒐集、清洗、特徵工程的建置、模型的訓練、部署與監控，SageMaker都提供各種相容與彈性的開發環境與服務建置。

1. 資料端

主要從S3來去做資料的接收，但亦可設定連接至AWS生態系的各種資料服務，例如先前所提到的EMR、Athena、Redshift都是。

2. 資料工程與模型訓練

由於開發上，每一個流程可能都會需要有專屬的開發環境，為了減少開發環境管控問題，在SageMaker內可以透過ECR(Elastic Container Registery)來去做開發環境管控。ERC是存放各種Image的地方，每一個Image會有各自定義好的作業系統與軟體安裝環境。

SageMaker資料前處理流程：
首先把資料從S3拉到SageMaker的環境，這個環境配有資料前處理專屬的Image去跑一個container服務，接著我們在這個container服務上去進行資料前處理，資料處理後，我們再把資料傳送回S3去做存放。

SageMaker模型訓練:
SageMaker有內建的模型，只要指定S3訓練資料的位置，即可開始執行模型的訓練。關於內建的模型，會再下一篇文章跟大家說明。當然，如果要自己建立模型來訓練也是可以的，我們可以指定所需要的運算資源和Image來去執行模型的訓練。

3. 模型部署

SageMaker也提供自動化模型部署服務，讓我們不用花太多心思在底層infra的管控上，可以直接部署模型到服務上。

• Single Inference：每次僅跑單一預測
• Batach Inference：每次跑多筆資料的預測

ChatGPT來考試：

問題1：Amazon SageMaker的主要用途是什麼？

A) 託管網站和應用程式
B) 處理和分析大數據
C) 訓練和部署機器學習模型
D) 設計和管理雲基礎架構

答案：C) 訓練和部署機器學習模型

解釋： Amazon SageMaker的主要用途是簡化機器學習模型的訓練和部署過程，使開發人員能夠更容易地構建和部署機器學習模型。

問題2：Amazon SageMaker中的“Notebook Instance”用於什麼目的？

A) 儲存和管理數據集
B) 創建虛擬私有雲（VPC）
C) 運行Jupyter筆記本
D) 建立Amazon RDS數據庫

答案：C) 運行Jupyter筆記本

解釋： Amazon SageMaker的“Notebook Instance”是一個Jupyter筆記本環境，用於開發、訓練和測試機器學習模型。

問題3：Amazon SageMaker中的“Endpoint”是用於什麼目的？

A) 儲存和管理數據集
B) 部署訓練好的機器學習模型
C) 創建虛擬私有雲（VPC）
D) 建立Amazon RDS數據庫

答案：B) 部署訓練好的機器學習模型

解釋： Amazon SageMaker的“Endpoint”用於部署訓練好的機器學習模型，以便用戶可以通過API對模型進行推論。

問題4：Amazon SageMaker中的“SageMaker Ground Truth”是什麼？

A) 自動化機器學習模型訓練工具
B) 一種自動標記數據的服務
C) 計算資源的配置管理工具
D) 雲端數據儲存服務

答案：B) 一種自動標記數據的服務

解釋： SageMaker Ground Truth是Amazon SageMaker的一個服務，用於自動標記數據，以便用於機器學習模型的訓練。

問題5：Amazon SageMaker中的“SageMaker Studio”是什麼？

A) 一個簡化機器學習模型部署的服務
B) 一個用於大數據處理的集成開發環境
C) 一個用於數據可視化的工具
D) 一個整合了Jupyter筆記本和機器學習工具的集成開發環境

答案：D) 一個整合了Jupyter筆記本和機器學習工具的集成開發環境

解釋： Amazon SageMaker Studio是一個整合了Jupyter筆記本和機器學習工具的集成開發環境，用於機器學習模型的開發和部署。