기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 예제: 하이퍼파라미터 튜닝 작업
<a name="automatic-model-tuning-ex"></a>

이 예제에서는 하이퍼파라미터 튜닝 작업을 구성 및 시작하기 위해 새로운 노트북을 생성하는 방법을 보여줍니다. 튜닝 작업은 [Amazon SageMaker AI를 사용한 XGBoost 알고리즘](xgboost.md)을 사용하여 고객이 전화 연락을 받은 후 은행 정기 예금에 가입할지를 예측하는 모델을 훈련합니다.

Python용 하위 수준 SDK(Boto3)를 사용하여 하이퍼파라미터 튜닝 작업을 구성 및 시작하고 AWS Management Console 를 사용하여 하이퍼파라미터 튜닝 작업의 상태를 모니터링합니다. 또한 개괄적으로 Amazon SageMaker AI의 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)를 사용하여 하이퍼파라미터 튜닝 작업을 구성, 실행, 모니터링 및 분석할 수 있습니다. 자세한 정보는 [https://github.com/aws/sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk)를 참조하세요.

## 사전 조건
<a name="automatic-model-tuning-ex-prereq"></a>

이 예제의 코드를 실행하려면 다음이 필요합니다.
+ [AWS 계정 및 관리자 사용자](gs-set-up.md)
+ 훈련 데이터세트 및 훈련 중 생성된 모델 결과물을 저장할 Amazon S3 버킷
+ [실행 중인 SageMaker AI 노트북 인스턴스](gs-setup-working-env.md)

**Topics**
+ [사전 조건](#automatic-model-tuning-ex-prereq)
+ [노트북 인스턴스 생성](automatic-model-tuning-ex-notebook.md)
+ [Amazon SageMaker AI Boto 3 클라이언트 가져오기](automatic-model-tuning-ex-client.md)
+ [SageMaker AI 실행 역할 가져오기](automatic-model-tuning-ex-role.md)
+ [입력 및 출력 시 Amazon S3 버킷 사용하기](automatic-model-tuning-ex-bucket.md)
+ [훈련 데이터 다운로드, 준비 및 업로드](automatic-model-tuning-ex-data.md)
+ [하이퍼파라미터 튜닝 작업 구성 및 시작](automatic-model-tuning-ex-tuning-job.md)
+ [정리](automatic-model-tuning-ex-cleanup.md)