　　前陣子我花了一些時間學習 SageMaker 的相關使用，但除了 SageMaker外，AWS 中尚有大量的機器學習相關服務，剛好趁此機會好好的統整分類一下，後續也能作為選擇學習目標的依據。

學習

職場

以行動支持創作者！付費即可解鎖

AI、電腦視覺、圖像處理、AWS等等持續學習時的學習筆記，也包含一些心得，主要是幫助自己學習，若能同時幫助到不小心來到這裡的人，那也是好事一件 : )

　　在上篇我們介紹了 SageMaker 中 Pipeline 的使用方法，其中的 TuningStep 功能，能夠讓我們能夠指定一連串參數組合進行實驗比對，最終找出最適合的參數組合

　　除了上篇提到的 Data Wrangler 外，SageMaker 還有許多配套的功能，其中有個叫做 Pipelines 的東西，說是可以用來構建、 管理及自動化深度學習流程，能夠節省人工操作，有那麼神?這次就來試試 Pipelines 能夠為我們帶來什麼體驗。

實踐AWS中使用Lambda來負責登入簽核及與OpenAI API溝通，並利用S3容器託管一個靜態網頁做為前端

　　先前在中國的工作環境相對封閉，並沒有使用雲端產品進行AI訓練及部屬，只有在本機端進行建置調試，但如今回到台灣了，該是時候接觸一下這些雲端的 AI 服務，而在 AWS 中，深度學習相關的服務鈴瑯滿目，但聽到有人提到 SageMaker ，這次就來看看它是個什麼樣的服務吧。

　　上回練習了一個官方示例，但其中對於一些細節沒有練習到的感覺，這次我們實際將之前練習的風格轉換訓練推上去看看，看是否能體驗到更多細節。

　　這回來介紹 AWS 在目前生成式 AI 各種群魔亂舞下推出的 Bedrock 服務，其官網說明可以快速且傻瓜式的部屬生成式 AI 到你的應用上，看看是不是如其所述的功能強大。

　　在上篇我們已經學習到怎麼在 SageMaker 上進行簡易訓練，可以說是踏入了第一步， SageMaker 提供了不少工具用來協助使用者能夠更快速的進行訓練，其中 Data Wrangler 便是用於訓練資料處理的工具，那麼，他好用嗎?必須用嗎?

這裡存放著AWS實際演練官方練習或後續想到更多應用時的筆記