The core function of a data management platform is to take in information from diverse sources and p

如今，许多公司将机器学习解决方案集成到其分析工具集中，以增强品牌管理、改善客户体验并提高运营效率。机器学习模型是机器学习解决方案的核心组成部分。模型使用数学算法和大数据集进行训练，以做出可靠的预测。预测的两个常见例子是（1）确定一组金融交易是否表明欺诈，或（2）基于从社交媒体收集的输入，评估消费者对产品的情绪。



Amazon SageMaker是一项完全管理的服务，允许开发人员和数据科学家构建、培训和部署机器学习模型。在SageMaker中，您可以使用开箱即用的算法，也可以选择自己的路径来获得更定制的解决方案。这两种选择都是有效的，也是成功的机器学习解决方案的基础。



（编者按：您可以在此处看到SageMaker的其他替代方案。）



SageMaker的开箱即用算法包括流行的、高度优化的图像分类、自然语言处理等示例。完整列表可在此处找到。



开箱即用的优点：这些算法已经过预优化（并且正在不断改进）。您可以快速启动、运行和部署。此外，还提供了AWS自动超参数调整功能。

开箱即用的注意事项：上面提到的持续改进可能不会产生可预测的结果，就好像你完全控制了算法的实现一样。

如果这些算法不适合您的项目，您还有三个其他选择：（1）亚马逊的Apache Spark库，（2）自定义Python代码（使用TensorFLow或Apache MXNet）或（3）“自带”，在那里您基本上不受约束，但需要创建Docker映像来训练和服务您的模型（您可以使用此处的说明进行操作）。



自带的方法为您提供了完全的自由。这可能对已经建立了自定义和/或专有算法代码库的数据科学家很有吸引力，这些代码可能不会在当前的开箱即用集合中表示。



带来自己的优势：通过使用专有IP，实现对整个数据科学管道的完全控制。

带上你自己的注意事项：需要Dockerization来训练和服务生成的模型。整合算法改进是您的责任。

无论您选择何种算法，考虑到从数据科学的角度来看，SageMaker在AWS上的易用性是一种值得考虑的方法。如果你曾经尝试过将机器学习项目从本地环境迁移到托管环境，你会对SageMaker的无缝制作感到惊喜。如果你从零开始，考虑到你已经触手可及，你离目标又近了几步。