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.

# Ajuste de los hiperparámetros de un modelo de machine learning en SageMaker AI
<a name="sample-hyper-tuning"></a>

Este proyecto de muestra demuestra el uso de SageMaker AI para ajustar los hiperparámetros de un modelo de machine learning y para transformar por lotes un conjunto de datos de prueba.

En este proyecto, Step Functions utiliza una función de Lambda para propagar datos en un bucket de Amazon S3 con un conjunto de datos de prueba. A continuación, crea un trabajo de ajuste de hiperparámetros mediante la [integración del servicio de SageMaker AI](connect-sagemaker.md). Después, utiliza una función de Lambda para extraer la ruta de datos, guarda el modelo de ajuste, extrae el nombre del modelo y, seguidamente, ejecuta un trabajo de transformación por lotes para realizar la inferencia en SageMaker AI.

Para obtener más información acerca de las integraciones de servicios de SageMaker AI y Step Functions, consulte lo siguiente:
+ [Integración de servicios con Step Functions](integrate-services.md)
+ [Crea y gestiona trabajos de Amazon SageMaker AI con Step Functions](connect-sagemaker.md)

**nota**  
Este proyecto de muestra puede generar cargos.  
Los nuevos usuarios de AWS disponen de una capa de uso gratuita. En esta capa, los servicios son gratuitos por debajo de determinado nivel de uso. Para obtener más información sobre los costos de AWS y la capa gratuita, consulte [Precios de SageMaker AI](https://aws.amazon.com/sagemaker/pricing/).

## Paso 1: Crear la máquina de estado
<a name="sample-hyper-tuning-create"></a>

1. Abra la [consola de Step Functions](https://console.aws.amazon.com/states/home?region=us-east-1#/) y seleccione **Crear máquina de estado**.

1. Seleccione **Crear a partir de una plantilla** y busque la plantilla de inicio relacionada. Elija **Siguiente** para continuar.

1. Elija cómo usar la plantilla:

   1. **Realizar una demostración**: crea una máquina de estado de solo lectura. Tras la revisión, puede crear el flujo de trabajo y todos los recursos relacionados.

   1. **Crear a partir de ella**: proporciona una definición de flujo de trabajo editable que puede revisar, personalizar e implementar con sus propios recursos. (Los recursos relacionados, como las funciones o las colas, **no** se crearán automáticamente).

1. Elija **Utilizar plantilla** para continuar con la selección.
**nota**  
*Se aplican cargos estándar por los servicios implementados en su cuenta.*

## Paso 2: ejecución de la máquina de estado de demostración
<a name="sample-hyper-tuning-start-execution"></a>

Si elige la opción **Ejecutar una demostración**, todos los recursos relacionados se implementarán y estarán listos para ejecutarse. Si eligió la opción **Crear a partir de ella**, es posible que necesite establecer valores de marcador de posición y crear recursos adicionales antes de poder ejecutar su flujo de trabajo personalizado.

1. Elija **Implementar y ejecutar**.

1. Espera a que se implemente la pila de CloudFormation. Este proceso puede tardar hasta 10 minutos en completarse.

1. Cuando aparezca la opción **Iniciar ejecución**, revise la **entrada** y elija **Iniciar ejecución**.

**¡Enhorabuena\$1**  
Ahora debería tener una demostración en funcionamiento de su máquina de estado. Puede elegir estados en la **vista gráfica** para revisar la entrada, la salida, las variables, la definición y los eventos.