Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Über die Studio-Classic-Benutzeroberfläche ein Regressions- oder Klassifikations-Autopilot-Experiment erstellen **Wichtig** [Ab dem 30. November 2023 wird die Benutzeroberfläche von Autopilot im Rahmen der aktualisierten [Amazon SageMaker Studio-Erfahrung auf Amazon Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) migriert. SageMaker ](studio-updated.md) SageMaker Canvas bietet Analysten und Citizen Data Scientists Funktionen ohne Programmierkenntnisse für Aufgaben wie Datenaufbereitung, Feature-Engineering, Algorithmusauswahl, Schulung und Optimierung, Inferenz und mehr. Benutzer können integrierte Visualisierungen und Was-wäre-wenn-Analysen nutzen, um ihre Daten und verschiedene Szenarien zu untersuchen. Automatisierte Prognosen ermöglichen es ihnen, ihre Modelle einfach zu produzieren. Canvas unterstützt eine Vielzahl von Anwendungsfällen, darunter Computer Vision, Bedarfsprognosen, intelligente Suche und generative KI. Benutzer von [Amazon SageMaker Studio Classic](studio.md), der vorherigen Erfahrung von [Studio](studio-updated.md), können die Autopilot-Benutzeroberfläche in Studio Classic weiterhin verwenden. Benutzer mit Programmiererfahrung können weiterhin alle [API-Referenzen](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html) in jedem unterstützten SDK für die technische Implementierung verwenden. Wenn Sie bisher Autopilot in Studio Classic verwendet haben und zu SageMaker Canvas migrieren möchten, müssen Sie Ihrem Benutzerprofil oder Ihrer IAM-Rolle möglicherweise zusätzliche Berechtigungen gewähren, damit Sie die Canvas-Anwendung erstellen und verwenden können. SageMaker Weitere Informationen finden Sie unter [(Optional) Migrieren Sie von Autopilot in Studio Classic zu Canvas SageMaker](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot). [Alle UI-bezogenen Anweisungen in diesem Handbuch beziehen sich auf die eigenständigen Funktionen von Autopilot vor der Migration zu Amazon Canvas. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) Benutzer, die diese Anweisungen befolgen, sollten [Studio Classic](studio.md) verwenden. Sie können die Amazon SageMaker Studio Classic-Benutzeroberfläche verwenden, um Autopilot-Experimente für Klassifizierungs- oder Regressionsprobleme mit Tabellendaten zu erstellen. Mit Hilfe der Benutzeroberfläche können Sie den Namen Ihres Experiments angeben, Speicherorte für die Eingabe- und Ausgabedaten angeben und festlegen, welche Zieldaten vorhergesagt werden sollen. Optional können Sie auch die Art von Problem angeben, die Sie lösen möchten (Regression, Klassifizierung, Mehrklassen-Klassifizierung), Ihre Modellierungsstrategie wählen (*gestapelte Ensembles* oder *Hyperparameter-Optimierung*), die Liste der Algorithmen auswählen, die vom Autopilot-Job zum Trainieren der Daten verwendet werden u.v.m. Die Benutzeroberfläche enthält Beschreibungen, Umschalter, Auswahlmenüs, Optionsfelder u.v.m., die Ihnen beim Erstellen Ihrer Modellkandidaten helfen. Nach der Ausführung des Experiments können Sie Versuche vergleichen und sich mit den Einzelheiten der Vorverarbeitungsschritte, Algorithmen und Hyperparameterbereiche der einzelnen Modelle befassen. Optional können Sie die [Erklärbarkeits-](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-explainability.html) und [Leistungsberichte](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-insights.html) dazu herunterzuladen. Verwenden Sie die mitgelieferten [ Notebooks](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development-notebook-output.html ), um sich die Ergebnisse der automatisierten Datenexploration oder die Definitionen der Kandidatenmodelle anzusehen. Sie können aber auch die Autopilot AutoML API in [Regressions- oder Klassifizierungsjobs für Tabellendaten mithilfe der AutoML-API erstellen](autopilot-automate-model-development-create-experiment.md) verwenden. # Konfigurieren Sie die Standardparameter eines Autopilot-Experiments (für Administratoren) Autopilot unterstützt das Festlegen von Standardwerten, um die Konfiguration von Amazon SageMaker Autopilot zu vereinfachen, wenn Sie ein Autopilot-Experiment mit der Studio Classic-Benutzeroberfläche erstellen. Administratoren können mit Hilfe von Studio Classic [Lifecycle Configurations](studio-lcc.md) (LCC) in Konfigurationsdateien Infrastruktur-, Netzwerk- und Sicherheitswerte festlegen und die [erweiterten Einstellungen](autopilot-automate-model-development-create-experiment-ui.md#advanced-settings) von `AutoML`-Jobs vorab ausfüllen. Auf diese Weise können sie die Netzwerkkonnektivität und die Zugriffsberechtigungen für die mit Amazon SageMaker Studio Classic verknüpften Ressourcen, einschließlich SageMaker KI-Instances, Datenquellen, Ausgabedaten und anderer verwandter Dienste, vollständig kontrollieren. Insbesondere können Administratoren eine gewünschte Netzwerkarchitektur wie Amazon VPC, Subnetze und Sicherheitsgruppen für eine Studio-Classic-Domain oder einzelne Benutzerprofile konfigurieren. Informatiker können sich beim Erstellen ihrer Autopilot-Experimente mithilfe der Studio-Classic-Benutzeroberfläche auf datenwissenschaftliche Parameter konzentrieren. Darüber hinaus können Administratoren die Verschlüsselung von Daten in der Instance verwalten, in der Autopilot-Experimente ausgeführt werden, indem sie Standardschlüssel festlegen. **Anmerkung** Dieses Feature ist in den Opt-in-Regionen Asien-Pazifik (Hongkong) und Naher Osten (Bahrain) derzeit nicht verfügbar. In den folgenden Abschnitten finden Sie die vollständige Liste der Parameter, die die Einstellung von Standardeinstellungen beim Erstellen eines Autopilot-Experiments mit der Studio-Classic-Benutzeroberfläche unterstützen, und lernen, wie Sie diese Standardwerte einstellen können. **Topics** + [Liste der unterstützten Standardparameter](#autopilot-list-default-parameters-create-experiment) + [Legen Sie die Standardparameter für Autopilot-Experimente fest](#autopilot-set-default-parameters-create-experiment-howto) ## Liste der unterstützten Standardparameter Die folgenden Parameter helfen beim Festlegen von Standardwerten mit einer Konfigurationsdatei zur Erstellung eines Autopilot-Experiments mithilfe der Studio-Classic-Benutzeroberfläche. Sobald sie festgelegt sind, füllen die Werte automatisch das entsprechende Feld auf der Registerkarte **Experiment erstellen** des Autopiloten in der Studio-Classic-Benutzeroberfläche aus. Eine vollständige Beschreibung der einzelnen Felder finden Sie unter [Erweiterte Einstellungen (optional)](autopilot-automate-model-development-create-experiment-ui.md#advanced-settings). + **Sicherheit:** Amazon VPC-Subnetze und Sicherheitsgruppen. + **Zugriff: AWS IAM-Rolle**. ARNs + **Verschlüsselung:** AWS KMS Schlüssel IDs. + **Schlagworte:** Schlüssel-Wert-Paare, die zur Kennzeichnung und Organisation von SageMaker KI-Ressourcen verwendet werden. ## Legen Sie die Standardparameter für Autopilot-Experimente fest Administratoren können in einer Konfigurationsdatei Standardwerte festlegen und die Datei dann manuell an einem für bestimmte Benutzer empfohlenen Speicherort in der Studio-Classic-Umgebung platzieren. Sie können die Datei auch an ein Lifecycle Configuration Script (LCC) übergeben, um die Anpassung der Studio-Classic-Umgebung für eine bestimmte Domain oder ein bestimmtes Benutzerprofil zu automatisieren. + Um die Konfigurationsdatei einzurichten, geben Sie zunächst die Standardparameter ein. Um einige oder alle unter [Liste der unterstützten Standardparameter](#autopilot-list-default-parameters-create-experiment) aufgeführten Standardwerte zu konfigurieren kann der Administrator eine Konfigurationsdatei mit dem Namen `config.yaml` erstellen, deren Struktur dieser [Beispielkonfigurationsdatei](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure) entsprechen sollte. Der folgende Ausschnitt zeigt eine Beispielkonfigurationsdatei mit allen unterstützten `AutoML` Parametern. Weitere Informationen zum Format dieser Datei finden Sie im [vollständigen Schema](https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/config/config_schema.py). ``` SchemaVersion: '1.0' SageMaker: AutoMLJob: # https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html AutoMLJobConfig: SecurityConfig: EnableInterContainerTrafficEncryption: true VolumeKmsKeyId: 'kms-key-id' VpcConfig: SecurityGroupIds: - 'security-group-id-1' - 'security-group-id-2' Subnets: - 'subnet-1' - 'subnet-2' OutputDataConfig: KmsKeyId: 'kms-key-id' RoleArn: 'arn:aws:iam::111222333444:role/Admin' Tags: - Key: 'tag_key' Value: 'tag_value' ``` + Legen Sie die Konfigurationsdatei anschließend am empfohlenen Speicherort ab, indem Sie [die Datei entweder manuell](#autopilot-intelligent-defaults-manual-setup) in die empfohlenen Pfade kopieren oder eine [Lebenszykluskonfiguration](#autopilot-intelligent-defaults-lcc-setup) (LCC) verwenden. Die Konfigurationsdatei muss an mindestens einem der folgenden Speicherorte in der Studio-Classic-Umgebung des Benutzers vorhanden sein. Standardmäßig sucht SageMaker AI an zwei Orten nach einer Konfigurationsdatei: + Zunächst unter `/etc/xdg/sagemaker/config.yaml`. Diese Datei bezeichnen wir als *Administrator-Konfigurationsdatei*. + Dann unter `/root/.config/sagemaker/config.yaml`. Diese Datei bezeichnen wir als *Benutzer-Konfigurationsdatei*. Mithilfe der *Administrator-*Konfigurationsdatei können Administratoren eine Reihe von Standardwerten festlegen. Optional können sie mit Hilfe der Konfigurationsdatei des *Benutzers* die in der Konfigurationsdatei des *Administrators* festgelegten Werte umgehen oder zusätzliche Werte für die Standardparameter festlegen. Der folgende Ausschnitt zeigt ein Beispielskript, das die Konfigurationsdatei mit den Standardparametern an den Speicherort des *Administrators* in der Studio-Classic-Umgebung des Benutzers schreibt. Sie können `/etc/xdg/sagemaker` durch `/root/.config/sagemaker` ersetzen, um die Datei an den Speicherort des *Benutzers* zu schreiben. ``` ## Sample script with AutoML intelligent defaults #!/bin/bash sudo mkdir -p /etc/xdg/sagemaker echo "SchemaVersion: '1.0' CustomParameters: AnyStringKey: 'AnyStringValue' SageMaker: AutoMLJob: # https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html AutoMLJobConfig: SecurityConfig: EnableInterContainerTrafficEncryption: true VolumeKmsKeyId: 'kms-key-id' VpcConfig: SecurityGroupIds: - 'security-group-id-1' - 'security-group-id-2' Subnets: - 'subnet-1' - 'subnet-2' OutputDataConfig: KmsKeyId: 'kms-key-id' RoleArn: 'arn:aws:iam::111222333444:role/Admin' Tags: - Key: 'tag_key' Value: 'tag_value' " | sudo tee /etc/xdg/sagemaker/config.yaml ``` + **Dateien manuell kopieren** – Um die Konfigurationsdateien manuell zu kopieren, führen Sie das im vorangegangenen Schritt erstellte [Skript](#autopilot-intelligent-defaults-manual-setup) von einem Studio-Classic-Terminal aus. In diesem Fall kann das Benutzerprofil, das das Skript ausgeführt hat, Autopilot-Experimente mit den Standardwerten erstellen, die nur für sie gelten. + **Erstellen Sie eine SageMaker KI-Lebenszykluskonfiguration** — Alternativ können Sie eine [Lebenszykluskonfiguration](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) (LCC) verwenden, um die Anpassung Ihrer Studio Classic-Umgebung zu automatisieren. LCC sind Shell-Skripte, die durch Lebenszyklusereignisse von Amazon SageMaker Studio Classic ausgelöst werden, z. B. durch das Starten einer Studio Classic-Anwendung. Diese individuelle Anpassung beinhaltet die Installation von benutzerdefinierten Paketen, die Konfiguration von Notebook-Erweiterungen, das Laden von Datensätzen im Voraus, das Einrichten von Quellcode-Repositorys oder, in unserem Fall, das Vorausfüllen von Standardparametern. Administratoren können die LCC an eine Studio-Classic-Domain anhängen, um die Konfiguration der Standardwerte für jedes Benutzerprofil innerhalb dieser Domain zu automatisieren. In den folgenden Abschnitten wird eingehend beschrieben, wie eine Lebenszykluskonfiguration erstellt wird, so dass der Benutzer die Standardparameter für den Autopilot beim Starten von Studio Classic automatisch laden können. Sie können wählen, ob Sie ein LCC mit der SageMaker AI-Konsole oder dem erstellen möchten. AWS CLI ------ #### [ Create a LCC from the SageMaker AI Console ] Gehen Sie wie folgt vor, um ein LCC mit Ihren Standardparametern zu erstellen, das LCC an eine Domäne oder ein Benutzerprofil anzuhängen und dann eine Studio Classic-Anwendung zu starten, die mit den vom LCC festgelegten Standardparametern über die AI-Konsole vorbelegt ist. SageMaker + **Um eine Lebenszykluskonfiguration zu erstellen, die das [Skript](#autopilot-intelligent-defaults-script) mit Ihren Standardwerten mithilfe der AI-Konsole ausführt SageMaker ** + Öffnen Sie die SageMaker AI-Konsole unter[https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). + Navigieren Sie auf der linken Seite zu **Admin-Konfigurationen** und dann zu **Lifecycle-Konfigurationen**. + Navigieren Sie auf der Seite **Lifecycle-Konfigurationen** zur Registerkarte Studio Classic und wählen Sie dann **Konfiguration erstellen** aus. + Geben Sie unter **Name** einen Namen mit alphanumerischen Zeichen und „-“ ein, der keine Leerzeichen enthält. Der Name darf höchstens 63 Zeichen lang sein. + Fügen Sie Ihr [Skript](#autopilot-intelligent-defaults-script) in den Abschnitt **Skripte** ein. + Wählen Sie **Konfiguration erstellen** aus, um die Lebenszykluskonfiguration zu erstellen. Dadurch wird ein LCC des Typs `Kernel gateway app` erstellt. + **Um die Lebenszykluskonfiguration an eine Studio-Classic-Domain, eine Umgebung oder ein Benutzerprofil anzuhängen** Folgen Sie den Schritten unter [Lebenszykluskonfiguration an eine Studio-Classic-Domain oder ein Benutzerprofil anhängen](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-console.html#studio-lcc-create-console-step2), um Ihr LCC an eine Studio-Classic-Domain oder ein bestimmtes Benutzerprofil anzuhängen. + **Zum starten Ihrer Studio-Classic-Anwendung mit der Lebenszykluskonfiguration** Sobald das LCC an eine Domain oder ein Benutzerprofil angehängt wird, können die betroffenen Benutzer von der Startseite von Studio Classic aus eine Studio-Classic-Anwendung starten, um die vom LCC festgelegten Standardeinstellungen automatisch zu übernehmen. Damit wird die Studio-Classic-Benutzeroberfläche beim Erstellen eines Autopilot-Experiments automatisch aufgefüllt. ------ #### [ Create a LCC from the AWS CLI ] Verwenden Sie die folgenden Codefragmente, um eine Studio-Classic-Anwendung zu starten, die Ihr [Skript](#autopilot-intelligent-defaults-manual-setup) mit Hilfe des AWS CLI ausführt. Beachten Sie, dass `lifecycle_config.sh` der Name ist, den Ihr Skript in diesem Beispiel erhalten hat. Bevor Sie loslegen: + Stellen Sie sicher, dass Sie aktualisiert und konfiguriert haben, AWS CLI indem Sie die Voraussetzungen erfüllen, die unter [Erstellen einer Lebenszykluskonfiguration aus dem](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-cli.html) beschrieben sind AWS CLI. + Dokumentation zur Installation von [OpenSSL](https://www.openssl.org/source/). Der AWS CLI Befehl verwendet die Open-Source-Bibliothek *OpenSSL*, um Ihr Skript im Base64-Format zu codieren. Diese Anforderung verhindert Fehler, die bei der Kodierung von Leerzeichen und Zeilenumbrüchen auftreten. Sie können jetzt diese drei Schritten ausführen: + **Erstellen Sie eine neue Lebenszykluskonfiguration, die auf das Konfigurationsskript `lifecycle_config.sh` verweist** ``` LCC_CONTENT=`openssl base64 -A -in lifecycle_config.sh` ## Create a new lifecycle config aws sagemaker create-studio-lifecycle-config --region region \ --studio-lifecycle-config-name lcc-name \ --studio-lifecycle-config-content $LCC_CONTENT \ --studio-lifecycle-config-app-type default ``` Notieren Sie sich den ARN der neu erstellten Lebenszykluskonfiguration, die zurückgegeben wird. Dieser ARN ist erforderlich, um die Lebenszykluskonfiguration an Ihre Anwendung anzuhängen. + **Hängen Sie die Lebenszykluskonfiguration an Ihre `JupyterServerApp` an** Im folgenden Beispiel wird gezeigt, wie ein neues Benutzerprofil mit einer angehängten Lebenszykluskonfiguration erstellt wird. Verwenden Sie den Befehl, um ein vorhandenes Benutzerprofil zu aktualisieren. AWS CLI [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) Informationen zum Erstellen oder Aktualisieren einer Domain finden Sie unter [Domain erstellen](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) und [Domain aktualisieren](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). Fügen Sie den ARN für die Lebenszykluskonfiguration aus dem vorangegangenen Schritt zu den Einstellungen des `JupyterServerAppSettings` Anwendungstyps hinzu. Mit Hilfe einer Liste von Lebenszykluskonfigurationen können Sie mehrere Lebenszykluskonfigurationen gleichzeitig hinzufügen. ``` # Create a new UserProfile aws sagemaker create-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "JupyterServerAppSettings": { "LifecycleConfigArns": ["lifecycle-configuration-arn"] } }' ``` Sobald das LCC an eine Domain oder ein Benutzerprofil angehängt ist, können betroffene Benutzer ihre bestehende Studio Classic-Anwendung herunterfahren und aktualisieren, indem sie den Schritten unter [Amazon SageMaker Studio Classic herunterfahren und aktualisieren folgen oder eine neue Studio Classic-Anwendung](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-tasks-update-studio.html) von der AWS Konsole aus starten, um die vom LCC festgelegten Standardeinstellungen automatisch zu übernehmen. Damit wird die Studio-Classic-Benutzeroberfläche beim Erstellen eines Autopilot-Experiments automatisch aufgefüllt. Alternativ können sie wie folgt eine neue Studio Classic-Anwendung starten. AWS CLI + **Starten Sie Ihre Studio Classic-Anwendung mit der Lebenszykluskonfiguration mithilfe der AWS CLI** ``` # Create a Jupyter Server application aws sagemaker create-app --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --app-type JupyterServer \ --resource-spec LifecycleConfigArn=lifecycle-configuration-arn \ --app-name default ``` Weitere Informationen zum Erstellen einer Lebenszykluskonfiguration mit Hilfe des AWS CLI finden Sie unter [Erstellen einer Lebenszykluskonfiguration aus dem AWS CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-cli.html). ------ **Zum Erstellen eines Autopilot-Experiments mit Hilfe von Studio Classic UI** 1. Melden Sie sich an [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/), wählen Sie im linken Navigationsbereich **Studio** aus, wählen Sie Ihre Domain und Ihr Benutzerprofil aus und **öffnen Sie dann Studio**. 1. Wählen Sie in Studio das Studio-Classic-Symbol im oberen linken Navigationsbereich aus. Dadurch wird eine Studio-Classic-App geöffnet. 1. Führen Sie eine Studio-Classic-Anwendung in einer Umgebung Ihrer Wahl aus oder **erstellen Sie eine Studio-Classic-Umgebung**. Wählen Sie auf der Registerkarte **Home** die Karte **AutoML** aus. Dadurch wird eine neue **AutoML**-Registerkarte geöffnet. 1. Wählen Sie **Ein AutoML-Experiment erstellen** aus. Dadurch wird eine neue Registerkarte **Experiment erstellen** geöffnet. 1. Geben Sie im Abschnitt **Einzelheiten zum Experiment und zu den Daten** die folgenden Informationen ein: 1. **Name des Experiments** — Muss in der aktuellen Version für Ihr Konto eindeutig sein AWS-Region und darf maximal 63 alphanumerische Zeichen enthalten. Er kann Bindestriche (-) enthalten, jedoch keine Leerzeichen. 1. **Eingabedaten** – Geben Sie den Speicherort des Amazon Simple Storage Service (Amazon S3)-Buckets Ihrer Eingabedaten an. Dieser S3-Bucket muss sich in Ihrem aktuellen AWS-Region befinden. Die URL muss in einem `s3://` Format vorliegen, in dem Amazon SageMaker AI über Schreibberechtigungen verfügt. Die Datei muss im CSV- oder Parquet-Format vorliegen und mindestens 500 Zeilen enthalten. Wählen Sie **Durchsuchen** aus, um die verfügbaren Pfade durchzugehen, und klicken Sie auf **Vorschau**, um eine Stichprobe Ihrer Eingabedaten zu sehen. 1. **Handelt es sich bei Ihrer S3-Eingabe um eine Manifest-Datei?** - Eine Manifest-Datei enthält Metadaten zu Ihren Eingabedaten. Die Metadaten geben den Speicherort Ihrer Daten in Amazon S3 an. Sie geben außerdem an, wie die Daten formatiert sind und welche Attribute aus dem Datensatz beim Training Ihres Modells verwendet werden sollen. Sie können eine Manifest-Datei als Alternative zur Vorverarbeitung verwenden, wenn Ihre gekennzeichneten Daten im `Pipe`-Modus gestreamt werden. 1. **Daten automatisch aufteilen?** - Autopilot kann Ihre Daten im Verhältnis 80/20% in Trainings- und Validierungsdaten aufteilen. Wenn Sie eine individuelle Aufteilung bevorzugen, können Sie die Option **Teilungsverhältnis angeben** wählen. Um für die Validierung einen benutzerdefinierten Datensatz zu verwenden, wählen Sie **Überprüfungssatz bereitstellen**. 1. **Speicherort für die Ausgabedaten (S3-Bucket)** – Der Name des Speicherortes im S3-Bucket, an dem Sie die Ausgabedaten speichern möchten. Die URL für diesen Bucket muss in einem Amazon S3 S3-Format vorliegen, in dem Amazon SageMaker AI über Schreibberechtigungen verfügt. Der S3-Bucket muss sich in der aktuellen AWS-Region befinden. Autopilot kann diesen für Sie auch am selben Ort erstellen wie Ihre Eingabedaten. 1. Wählen Sie **Weiter: Ziel und Features**. Die Registerkarte **Ziel und Features** wird geöffnet. 1. Im Abschnitt **Ziel und Features**: + Wählen Sie eine Spalte aus, die als Ziel für Modellvorhersagen festgelegt werden soll. + Optional können Sie im Abschnitt **Stichprobengewicht** den Namen einer Spalte mit den Stichprobengewichten angeben, um anzufordern, dass die Zeilen in Ihrem Datensatz während des Trainings und bei der Auswertung gewichtet werden. Weitere Informationen zu verfügbaren objektiven Kennzahlen finden Sie unter [Gewichtete Metriken mit Autopilot](autopilot-metrics-validation.md#autopilot-weighted-metrics). **Anmerkung** Die Support für Stichprobengewichte steht nur im [Ensembling-Modus](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html#autopilot-training-mode) zur Verfügung. + Sie können auch Features für das Training auswählen und deren Datentyp ändern. Die folgenden Datentypen stehen zur Verfügung: `Text``Numerical`,`Categorical`,`Datetime`,`Sequence`, und`Auto`. Alle Features sind standardmäßig ausgewählt. 1. Wählen Sie **Weiter: Trainingsmethode**. Die Registerkarte **Trainingsmethode** wird geöffnet. 1. Wählen Sie im Abschnitt **Trainingsmethode** Ihre Trainingsoption aus: **Ensembling**, **Hyperparameter-Optimierung (HPO)** oder **Auto**, damit der Autopilot die Trainingsmethode anhand der Größe des Datensatzes automatisch auswählt. In jedem Trainingsmodus wird ein vordefinierter Satz von Algorithmen auf Ihren Datensatz angewendet, um Modellkandidaten zu trainieren. Standardmäßig wählt Autopilot vorab alle verfügbaren Algorithmen für den jeweiligen Trainingsmodus aus. Sie können ein Autopilot-Trainingsexperiment mit allen Algorithmen durchführen oder Ihre eigene Teilmenge auswählen. Weitere Informationen zu den Trainingsarten und den verfügbaren Algorithmen finden Sie im Abschnitt **Autopilot-Trainingsarten** auf der Seite [Trainingsarten und Algorithmen](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html). 1. Wählen Sie **Weiter: Bereitstellung und erweiterte Einstellungen**, um die Registerkarte **Bereitstellung und erweiterte Einstellungen** zu öffnen. Einstellungen sind u.a. die automatische Anzeige des Namens des Endpunktes, die Art der Aufgabe für das Machine Learning und zusätzliche Optionen für die Durchführung Ihres Experiments. 1. **Einstellungen für die Bereitstellung** – Autopilot kann automatisch einen Endpunkt erstellen und Ihr Modell für Sie zum Einsatz bringen. Um die automatische Bereitstellung auf einem automatisch generierten Endpunkt vorzunehmen oder für eine benutzerdefinierte Bereitstellung dem Endpunkt einen Namen zu geben, setzen Sie den Schalter unter **Automatisch bereitstellen?** auf **Ja**. Wenn Sie Daten aus Amazon SageMaker Data Wrangler importieren, haben Sie zusätzliche Optionen, um das beste Modell mit oder ohne die Transformationen von Data Wrangler automatisch bereitzustellen. **Anmerkung** Wenn Ihr Data Wrangler-Flow mehrzeilige Operationen wie `groupby`, `join` oder `concatenate` enthält, können Sie bei diesen Transformationen keine automatische Bereitstellung vornehmen. Weitere Informationen finden Sie unter [Modelle anhand Ihres Datenflusses automatisch trainieren](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-autopilot.html). 1. **Erweiterte Einstellungen (optional)** – Der Autopilot bietet zusätzliche Steuerelemente, mit denen Sie experimentelle Parameter manuell festlegen können, z. B. die Definition Ihres Aufgabentyps, Zeitbeschränkungen für Ihren Autopilot-Job und Ihre Versuche sowie Sicherheit und Verschlüsselungseinstellungen. **Anmerkung** Autopilot unterstützt die Festlegung von Standardwerten zur einfacheren Konfiguration von Autopilot-Experimenten mit Hilfe der Studio-Classic-Benutzeroberfläche. Administratoren können mit Hilfe von Studio Classic [Lifecycle Configurations](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) (LCC) in Konfigurationsdateien Infrastruktur-, Netzwerk- und Sicherheitswerte festlegen und die *erweiterten Einstellungen* von `AutoML`-Jobs vorab ausfüllen. Weitere Informationen darüber, wie Administratoren die individuelle Anpassung eines Autopilot-Experiments automatisieren können, finden Sie unter [Konfigurieren Sie die Standardparameter eines Autopilot-Experiments (für Administratoren)](autopilot-set-default-parameters-create-experiment.md). 1. **Aufgabentyp bei Machine Learning** – Der Autopilot kann den Aufgabentyp beim überwachten Lernen aus Ihrem Datensatz automatisch ableiten. Wenn Sie es vorziehen, ihn manuell auszuwählen, können Sie dafür das Auswahlmenü **Aufgabentyp für Machine Learning auswählen** verwenden. Beachten Sie, dass die Standardeinstellung immer **Auto** ist. In einigen Fällen ist SageMaker KI nicht in der Lage, genaue Schlüsse zu ziehen. In solchen Fällen müssen Sie den Wert angeben, damit der Job erfolgreich ausgeführt werden kann. Insbesondere können Sie aus den folgenden Aufgabentypen auswählen: + **Binäre Klassifikation** – Bei der binären Klassifizierung werden Eingabedaten anhand ihrer Attribute einer von zwei im Voraus festgelegten und sich gegenseitig ausschließenden Klassen zugewiesen, z. B. medizinische Diagnosen anhand von Untersuchungsergebnissen, mit denen festgestellt wird, ob jemand an einer Krankheit leidet. + **Regression** – Die Regression stellt eine Beziehung zwischen den Eingabevariablen (auch als unabhängige Variablen oder Features bezeichnet) und der Zielvariablen (auch als abhängige Variable bezeichnet) her. Diese Beziehung wird durch eine mathematische Funktion oder ein Modell angegeben, das die Eingabevariablen einer kontinuierlichen Ausgabe zuordnet. Dies wird häufig bei Aufgaben wie der Vorhersage von Immobilienpreisen anhand solcher Merkmale wie der Quadratmeterzahl und der Anzahl Badezimmer, Börsentrends oder geschätzten Verkaufszahlen verwendet. + **Mehrklassen-Klassifizierung** – Bei der Mehrklassen-Klassifizierung werden Eingabedaten anhand ihrer Attribute einer von mehreren Klassen zugewiesen, z. B. der Vorhersage des für ein Textdokument relevantesten Themas, z. B. Politik, Finanzen oder Philosophie. 1. **Laufzeit** – Sie können ein maximales Zeitlimit festlegen. Bei Erreichen des Zeitlimits werden Versuche und Jobs, die das Zeitlimit überschreiten, automatisch beendet. 1. **Zugriff** — Sie können die Rolle wählen, die Amazon SageMaker Studio Classic übernimmt, um in Ihrem Namen temporären Zugriff AWS-Services (insbesondere SageMaker KI und Amazon S3) zu erhalten. Wenn keine Rolle explizit definiert ist, verwendet Studio Classic automatisch die standardmäßige SageMaker KI-Ausführungsrolle, die Ihrem Benutzerprofil zugewiesen ist. 1. **Verschlüsselung** – Um die Sicherheit Ihrer Daten im Ruhezustand zu erhöhen und sie vor unbefugtem Zugriff zu schützen, können Sie Schlüssel angeben, um Daten in Ihren Buckets in Amazon S3 und im Amazon Elastic Block Store (Amazon EBS)-Volume zu verschlüsseln, das Ihrer Studio-Classic-Domain zugeordnet ist. 1. **Sicherheit** — Sie können die virtuelle private Cloud (Amazon VPC) wählen, in der Ihr SageMaker KI-Job ausgeführt wird. Vergewissern Sie sich, dass die Amazon VPC Zugriff auf Ihre Amazon S3-Eingabe- und Ausgabe-Buckets hat. 1. **Projekt** — Geben Sie den Namen des SageMaker KI-Projekts an, das mit diesem Autopilot-Experiment verknüpft werden soll, und geben Sie die Ergebnisse des Modells an. Wenn Sie ein Projekt angeben, markiert Autopilot das Projekt mit einem Experiment. Auf diese Weise wissen Sie, welche Modellausgaben mit diesem Projekt verknüpft sind. 1. **Tags** – Tags sind ein Array von Schlüsselwertepaaren. Verwende Stichwörter, um deine Ressourcen zu kategorisieren AWS-Services, z. B. nach Zweck, Eigentümer oder Umgebung. 1. Wählen Sie **Weiter: Überprüfen und erstellen**, um eine Zusammenfassung Ihres Autopilot-Experiments zu erhalten, bevor Sie es erstellen. 1. Wählen Sie **Experiment erstellen**. Mit der Erstellung des Experiments wird ein Autopilot-Job in KI gestartet. SageMaker Der Autopilot gibt den Status des Experiments, Informationen zum Datenexplorationsprozess und zu den Modellkandidaten in Notebooks aus, eine Liste der erzeugten Modelle und ihrer Berichte sowie das Job-Profil, mit dem sie erstellt wurden. Informationen zu den Notebooks, die durch einen Autopilot-Job erzeugt wurden, finden Sie unter [Autopilot-Notebooks, die zur Verwaltung von AutoML-Aufgaben generiert wurden](autopilot-automate-model-development-notebook-output.md). Informationen zu den einzelnen Modellkandidaten und ihren Berichten finden Sie unter [Anzeigen von Modelldetails](autopilot-models-details.md) und [Leistungsbericht eines Autopilot-Modells anzeigen](autopilot-model-insights.md). **Anmerkung** Zur Vermeidung unnötiger Kosten: Wenn Sie ein Modell bereitstellen, das nicht mehr benötigt wird, löschen Sie die Endpunkte und Ressourcen, die während dieser Bereitstellung erstellt wurden. Informationen zu Preisangaben für Instanzen nach Regionen finden Sie unter [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).