此代码库包含使用 AWS SageMaker 部署机器学习模型的代码和相关文件。其中包含各种案例研究、代码练习和项目文件的多个教程 notebook，展示了机器学习工作流程的各个环节，并使你有机会练习部署各种机器学习算法。

• 人口分割：学习如何在 SageMaker 中构建和部署非监督式模型。在此示例中，你需要聚类美国人口普查数据：使用 PCA 降低数据的维度，并通过 k 均值对生成的主成分进行聚类。
• 支付欺诈检测：学习如何在 SageMaker 中构建和部署监督式 LinearLearner 模型。你需要优化模型并处理类别不平衡性问题，然后训练模型检测信用卡欺诈行为。
• 部署自定义 PyTorch 模型 (Moon Data)：训练和部署一个分类“月亮”数据的自定义 PyTorch 神经网络，“月亮”数据是形状像月亮一样的二维数据集。
• 时间序列预测：学习分析时间序列数据，并调整数据格式，使其能够用于训练 DeepAR 算法，这是一种利用循环神经网络的预测算法。你需要训练一个模型来预测家庭能耗模式并评估结果。

剽窃检测器：构建一个端到端剽窃分类模型。运用所学的技能清理数据、提取有意义的特征，并在 SageMaker 中部署剽窃分类器。

此代码库中提供的 notebook 需要使用 Amazon SageMaker 平台执行。下面简要说明了如何使用 SageMaker 设置托管 notebook 实例，你可以在此实例中完成和运行 notebook。

登录 AWS 控制台并转到 SageMaker 信息中心。点击“Create notebook instance”。

• notebook 可以随意命名，建议使用 ml.t2.medium，因为它属于免费套餐。
• 对于角色，新建一个角色就行了。使用默认选项即可。
• 注意，notebook 实例需要能够访问 S3 资源，默认就能访问。该 notebook 可以访问名称中带 sagemaker 的任何 S3 存储桶或对象。
• 使用 git clone 将项目代码库克隆到 notebook 实例中，网址为：https://github.com/udacity/CN-ML_SageMaker_Studies.git

将代码库克隆到 notebook 实例中后，你可以转到要完成或执行的任何 notebook，然后完成该 notebook。每个 notebook 都包含了额外的说明。