Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Cómo utilizar AI -Tabular SageMaker AutoGluon
<a name="autogluon-tabular-modes"></a>

Puedes usar AutoGluon -Tabular como un algoritmo integrado de Amazon SageMaker AI. En la siguiente sección se describe cómo usar AutoGluon -Tabular con el SDK de SageMaker Python. Para obtener información sobre cómo usar AutoGluon -Tabular desde la interfaz de usuario clásica de Amazon SageMaker Studio, consulte. [SageMaker JumpStart modelos preentrenados](studio-jumpstart.md)
+ **Utilice AutoGluon -Tabular como algoritmo integrado**

  Utilice el algoritmo integrado AutoGluon -Tabular para crear un contenedor de entrenamiento AutoGluon -Tabular, como se muestra en el siguiente ejemplo de código. Puede detectar automáticamente el URI de la imagen del algoritmo integrado AutoGluon -Tabular mediante la `image_uris.retrieve` API de SageMaker IA (o la `get_image_uri` API si utiliza Amazon [ SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) versión 2). 

  Tras especificar el URI de la imagen AutoGluon -Tabular, puede utilizar el contenedor AutoGluon -Tabular para crear un estimador mediante la API SageMaker AI Estimator e iniciar un trabajo de formación. El algoritmo integrado AutoGluon -Tabular se ejecuta en modo script, pero el script de entrenamiento se proporciona automáticamente y no es necesario reemplazarlo. Si tiene una amplia experiencia en el uso del modo guion para crear un trabajo de SageMaker formación, puede incorporar sus propios guiones de formación en AutoGluon -Tabular.

  ```
  from sagemaker import image_uris, model_uris, script_uris
  
  train_model_id, train_model_version, train_scope = "autogluon-classification-ensemble", "*", "training"
  training_instance_type = "ml.p3.2xlarge"
  
  # Retrieve the docker image
  train_image_uri = image_uris.retrieve(
      region=None,
      framework=None,
      model_id=train_model_id,
      model_version=train_model_version,
      image_scope=train_scope,
      instance_type=training_instance_type
  )
  
  # Retrieve the training script
  train_source_uri = script_uris.retrieve(
      model_id=train_model_id, model_version=train_model_version, script_scope=train_scope
  )
  
  train_model_uri = model_uris.retrieve(
      model_id=train_model_id, model_version=train_model_version, model_scope=train_scope
  )
  
  # Sample training data is available in this bucket
  training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
  training_data_prefix = "training-datasets/tabular_binary/"
  
  training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/train"
  validation_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}/validation"
  
  output_bucket = sess.default_bucket()
  output_prefix = "jumpstart-example-tabular-training"
  
  s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"
  
  from sagemaker import hyperparameters
  
  # Retrieve the default hyperparameters for training the model
  hyperparameters = hyperparameters.retrieve_default(
      model_id=train_model_id, model_version=train_model_version
  )
  
  # [Optional] Override default hyperparameters with custom values
  hyperparameters[
      "auto_stack"
  ] = "True"
  print(hyperparameters)
  
  from sagemaker.estimator import Estimator
  from sagemaker.utils import name_from_base
  
  training_job_name = name_from_base(f"built-in-algo-{train_model_id}-training")
  
  # Create SageMaker Estimator instance
  tabular_estimator = Estimator(
      role=aws_role,
      image_uri=train_image_uri,
      source_dir=train_source_uri,
      model_uri=train_model_uri,
      entry_point="transfer_learning.py",
      instance_count=1,
      instance_type=training_instance_type,
      max_run=360000,
      hyperparameters=hyperparameters,
      output_path=s3_output_location
  )
  
  # Launch a SageMaker Training job by passing the S3 path of the training data
  tabular_estimator.fit(
      {
          "training": training_dataset_s3_path,
          "validation": validation_dataset_s3_path,
      }, logs=True, job_name=training_job_name
  )
  ```

  Para obtener más información sobre cómo configurar el AutoGluon -Tabular como algoritmo integrado, consulta los siguientes ejemplos de cuadernos. Todos los cubos de S3 utilizados en estos ejemplos deben estar en la misma AWS región que la instancia de bloc de notas utilizada para ejecutarlos.
  + [Clasificación tabular con Amazon SageMaker AI AutoGluon: algoritmo tabular](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb)
  + [Regresión tabular con Amazon SageMaker AI AutoGluon: algoritmo tabular](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb)