Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Tutorial: utilizza un notebook SageMaker AI con il tuo endpoint di sviluppo
<a name="dev-endpoint-tutorial-sage"></a>

 NelAWS Glue, puoi creare un endpoint di sviluppo e quindi creare un notebook SageMaker AI per aiutarti a sviluppare i tuoi script ETL e di machine learning. Un notebook SageMaker AI è un'istanza di calcolo di machine learning completamente gestita che esegue l'applicazione Jupyter Notebook.

1. Nella console AWS Glue seleziona **Dev endpoints (Endpoint di sviluppo)** per passare all'elenco degli endpoint di sviluppo. 

1. **Seleziona la casella di controllo accanto al nome di un endpoint di sviluppo che desideri utilizzare e, nel menu **Azione**, scegli Crea notebook. SageMaker**

1. Compilare la pagina **Create and configure a notebook (Crea e configura un notebook)** come segue:

   1. Immettere il nome di un notebook.

   1. In **Attach to development endpoint (Collega a endpoint di sviluppo)**, verificare l'endpoint di sviluppo.

   1. Crea o scegli un ruolo AWS Identity and Access Management (IAM).

      Si consiglia di creare un ruolo. Se si utilizza un ruolo esistente, assicurarsi di avere le autorizzazioni necessarie. Per ulteriori informazioni, consulta [Fase 6: Creare una policy IAM per i notebook SageMaker AI](create-sagemaker-notebook-policy.md).

   1. (Facoltativo) Scegliere un VPC, una sottorete e uno o più gruppi di sicurezza.

   1. (Facoltativo) Scegli una chiave di AWS Key Management Service crittografia.

   1. (Facoltativo) Aggiungere i tag per l'istanza del notebook.

1. Seleziona **Crea notebook**. Sulla pagina **Notebooks (Notebook)**, scegli l'icona di aggiornamento in alto a destra e continua fino a quando la finestra **Status (Stato)** non mostra `Ready`.

1. Selezionare la casella di controllo accanto al nuovo nome del notebook, quindi scegliere **Open notebook (Apri notebook)**.

1. Crea un nuovo taccuino: nella pagina di **jupyter**, scegli **Nuovo**, quindi scegli **Sparkmagic** (). PySpark

   La schermata dovrebbe essere simile alla seguente:  
![\[La pagina jupyter ha una barra dei menu, una barra degli strumenti e un ampio campo di testo in cui è possibile inserire le istruzioni.\]](http://docs.aws.amazon.com/it_it/glue/latest/dg/images/sagemaker-notebook.png)

1. (Facoltativo) Nella parte superiore della pagina, scegliere **Untitled (Senza titolo)** e assegnare un nome al notebook.

1. Per avviare un'applicazione Spark, immettere il seguente comando nel notebook e quindi nella barra degli strumenti scegliere **Run (Esegui)**.

   ```
   spark
   ```

   Dopo una breve attesa, viene visualizzata la seguente risposta:  
![\[La risposta del sistema mostra lo stato dell'applicazione Spark e restituisce il seguente messaggio: disponibile come 'spark'. SparkSession\]](http://docs.aws.amazon.com/it_it/glue/latest/dg/images/spark-command-response.png)

1. Creare un frame dinamico ed eseguirvi una query: copiare, incollare ed eseguire il codice seguente, che restituisce il conteggio e lo schema della tabella `persons_json`.

   ```
   import sys
   from pyspark.context import SparkContext
   from awsglue.context import GlueContext
   from awsglue.transforms import *
   glueContext = GlueContext(SparkContext.getOrCreate())
   persons_DyF = glueContext.create_dynamic_frame.from_catalog(database="legislators", table_name="persons_json")
   print ("Count:  ", persons_DyF.count())
   persons_DyF.printSchema()
   ```