本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 资源
<a name="resources"></a>

**参考**
+ David Nigenda、Zohar Karnin、Muhammad Bilal Zafar、Raghu Ramesha、Alan Tan、Michele Donini 和 Krishnaram Kenthapadi。2022。“Amazon SageMaker Model Monitor：用于实时洞察已部署的机器学习模型的系统”：[arxiv: 2111.13657](https://arxiv.org/abs/2111.13657)。
+ Richard Meyes、Melanie Lu、Constantin Waubert de Puiseau 和 Tobias Meisen。2019。“人工神经网络中的消融研究”：[arXiv:1901.08644](https://arxiv.org/abs/1901.08644)。
+ Brian Babcock、Mayur Datar 和 Rajeev Motwani。“基于滑动窗口的流式数据采样”：[普林斯顿大学](https://www.cs.princeton.edu/courses/archive/spr04/cos598B/bib/BabcockDM.pdf)。
+ Chip Huyen。[https://www.amazon.com/Designing-Machine-Learning-Systems-Production-Ready/dp/1098107969](https://www.amazon.com/Designing-Machine-Learning-Systems-Production-Ready/dp/1098107969)。加利福尼亚州塞巴斯托波尔：O'Reilly Media，2022年。
+ Cathy Chen、Niall Murphy、Kranti Parisa、D. Sculley 和 Todd Underwood。[https://www.amazon.com/Reliable-Machine-Learning-Principles-Production/dp/1098106229](https://www.amazon.com/Reliable-Machine-Learning-Principles-Production/dp/1098106229)。加利福尼亚州塞巴斯托波尔：O'Reilly Media，2022年。

**Additional reading**
+ [AWS Well-Architected 框架：Machine Learning 镜头](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/machine-learning-lens.html)
+ [使用自定义 Amazon SageMaker 模型监视器检测 NLP 数据偏差](https://aws.amazon.com/blogs/machine-learning/detect-nlp-data-drift-using-custom-amazon-sagemaker-model-monitor/)（博客文章）
+ 使用 [Amazon SageMaker MLOps 项目对机器学习模型进行动态 A/B 测试](https://aws.amazon.com/blogs/machine-learning/dynamic-a-b-testing-for-machine-learning-models-with-amazon-sagemaker-mlops-projects/)（博客文章）

**工具**
+ [Amazon SageMaker](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html)
+ [数据版本控制（DVC）](https://github.com/treeverse/dvc)

**咨询**
+ [AWS 专业服务](https://aws.amazon.com/professional-services/)