前言

我們今天用 sagemaker studio 去學習如何建立一個 ML 專案，
SageMaker Studio 是 AWS 提供的整合式機器學習開發環境，它將資料準備、模型訓練、部署等所有 ML 流程整合在一個平台上
所以對於像我這樣的初學者來說是相對比較好上手的

什麼是 SageMaker Studio

SageMaker Studio 是一個基於 JupyterLab 的網頁版 IDE，專為機器學習工作流程設計

• 統一的開發環境：集成 Jupyter Notebook、終端機、檔案管理等功能
• 內建的 ML 工具：資料探索、模型訓練、實驗追蹤等
• 彈性的運算資源：可以動態調整 instance 規格
• 協作功能：團隊成員可以共享 notebook 和實驗

功能與特色

• 多種 Kernel 支援：Python、R、Scala 等
• Git 整合：直接連接 GitHub、CodeCommit 等
• 實驗管理：SageMaker Experiments 追蹤模型訓練
• 模型註冊：SageMaker Model Registry 管理模型版本
• 部署工具：一鍵部署到 endpoint

讓我們開始

一般來說我們到 aws console 輸入 sageMaker sutdio 然後點擊進入頁面就可以看到，長這樣

然後通常對於 aws 服務來說，要開始專案，跟著橘色的按鈕走普遍來說沒有錯

點擊 『Create a sageMaker Domain』

這時候會看到上圖的東西，

這時候如果你沒有設置 vpc 記得去左上角搜尋 vpc 創建一個 vpc 網路空間

有 vpc 後點選 setup 按鈕，就會幫你快速設定，會要等一段時間...

Application and IDEs > 隨後到 studio 的頁籤

點擊『Open studio』(如圖)

如果看到這個頁面就算成功了

我們點擊 JupyterLab 開始我的著專案

這時候熟悉 jupter notbook 基本上介面是差不多的

這時候我們開始嘗試第一個專案開始實驗

# 導入必要的套件
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
import sagemaker
from sagemaker.sklearn.estimator import SKLearn
import boto3

# 設定 SageMaker session
sagemaker_session = sagemaker.Session()
role = sagemaker.get_execution_role()
bucket = sagemaker_session.default_bucket()

print(f"SageMaker role: {role}")
print(f"S3 bucket: {bucket}")

(補充)如何移除剛才創建的

很多人可能擔心使用 aws 會衍生出其他費用，有可能只是好奇 sagemaker 的創建和使用所以沒用到要刪除

刪除基本上要注意幾點

1. sagemaker studio

記得把 running instance active 相關的給停掉，目前只開一個的話應該很好發現

2. space management ,User profile 要刪除

這個在 Admin configurations (左邊的導覽列中) -> Domain ->
這時候會看到自己的 Domain 優先把 space management, user profile 的內容刪除

這時候就可以刪除 Domain 了

3. 移除 project file
   基本上這個位置在 s3 所以要去 s3 看 sagemakder studio 產生出來的 bucket 這時候可以把該 bucket 刪除

4. 刪除相關服務
   像是 vpc, EFS volumes 等等這些都去檢查一下要刪除

打完收工！