翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# Amazon SageMaker AI を使用して機械学習モデルをトレーニングする
<a name="sample-train-model"></a>

このサンプルプロジェクトでは、SageMaker AI と AWS Step Functions を使用して機械学習モデルをトレーニングする方法とテストデータセットをバッチ変換する方法を示します。

このプロジェクトでは、Step Functions は Lambda 関数を使用して Amazon S3 バケットにテストデータセットをシードします。次に、機械学習モデルをトレーニングし、[SageMaker AI サービス統合](connect-sagemaker.md)を使用してバッチ変換を実行します。

SageMaker AI と Step Functions のサービス統合の詳細については、以下を参照してください。
+ [サービスと Step Functions の統合](integrate-services.md)
+ [Step Functions を使用して Amazon SageMaker AI ジョブを作成および管理する](connect-sagemaker.md)

**注記**  
このサンプルプロジェクトでは、料金が発生する場合があります。  
AWS の新規ユーザーには、無料利用枠があります。この枠では、サービスを利用しても一定のレベル以下であれば無料です。AWS のコストと無料利用枠の詳細については、「[SageMaker AI の料金](https://aws.amazon.com/sagemaker/pricing/)」を参照してください。

## ステップ 1: ステートマシンを作成する
<a name="sample-train-model-create"></a>

1. [Step Functions コンソール](https://console.aws.amazon.com/states/home?region=us-east-1#/)を開き、**[ステートマシンの作成]** を選択します。

1. **[テンプレートから作成]** を選択し、関連するスターターテンプレートを見つけます。[**次へ**] を選択して続行します。

1. テンプレートの使用方法を選択します。

   1. **デモの実行** – 読み取り専用のステートマシンを作成します。確認後、ワークフローとすべての関連リソースを作成できます。

   1. **その上に構築する** – 編集可能なワークフロー定義が提供され、内容を確認・カスタマイズし、独自のリソースでデプロイできます (関数やキューなどの関連リソースは自動的には作成**されません**)。

1. **[テンプレートの使用]** を選択して選択を続行します。
**注記**  
*アカウントにデプロイされたサービスには、Standard 料金が適用されます。*

## ステップ 2: デモステートマシンを実行する
<a name="sample-train-model-start-execution"></a>

**[デモの実行]** オプションを選択した場合、すべての関連リソースがデプロイされ、実行準備が整います。**[その上に構築する]** オプションを選択した場合は、プレースホルダー値の設定や、カスタムワークフローの実行に必要な追加リソースの作成が必要になることがあります。

1. **[Deploy and run]** (デプロイと実行) を選択します。

1. CloudFormation スタックがデプロイされるのを待ちます。これには最大 10 分かかることがあります。

1. **[実行を開始]** オプションが表示されたら、**[入力]** を確認し、**[実行を開始]** を選択します。

**お疲れ様でした。**  
これで、ステートマシンのデモが実行されます。**グラフビュー**でステートを選択すると、入力、出力、変数、定義、イベントを確認できます。