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.

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

Puoi usare AutoGluon -Tabular come algoritmo integrato di Amazon SageMaker AI. La sezione seguente descrive come usare AutoGluon -Tabular con Python SageMaker SDK. Per informazioni su come usare AutoGluon -Tabular dall'interfaccia utente di Amazon SageMaker Studio Classic, consulta. [SageMaker JumpStart modelli preaddestrati](studio-jumpstart.md)
+ **Usa AutoGluon -Tabular come algoritmo integrato**

  Usa l'algoritmo integrato AutoGluon -Tabular per creare un contenitore di addestramento AutoGluon -Tabular come mostrato nel seguente esempio di codice. Puoi individuare automaticamente l'URI dell'immagine dell'algoritmo integrato AutoGluon -Tabular utilizzando l'`image_uris.retrieve`API SageMaker AI (o l'`get_image_uri`API se usi Amazon [ SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) versione 2). 

  Dopo aver specificato l'URI dell'immagine AutoGluon -Tabular, puoi utilizzare il contenitore AutoGluon -Tabular per creare uno stimatore utilizzando l'API AI Estimator e avviare un processo di formazione. SageMaker L'algoritmo integrato AutoGluon -Tabular viene eseguito in modalità script, ma lo script di addestramento viene fornito all'utente e non è necessario sostituirlo. Se hai una vasta esperienza nell'uso della modalità script per creare un lavoro di SageMaker formazione, puoi incorporare i tuoi script di formazione 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
  )
  ```

  Per ulteriori informazioni su come configurare AutoGluon -Tabular come algoritmo integrato, consulta i seguenti esempi di notebook. Tutti i bucket S3 utilizzati in questi esempi devono trovarsi nella stessa AWS regione dell'istanza del notebook utilizzata per eseguirli.
  + [Classificazione tabulare con l'algoritmo Amazon SageMaker AI AutoGluon -Tabular](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb)
  + [Regressione tabulare con algoritmo Amazon SageMaker AI -Tabular AutoGluon](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb)