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。

# 使用 Amazon SageMaker AI 预处理数据并训练机器学习模型
<a name="sample-preprocess-feature-transform"></a>

此示例项目演示如何使用 SageMaker AI 和 AWS Step Functions 预处理数据并训练机器学习模型。

在此项目中，Step Functions 使用 Lambda 函数通过测试数据集为 Amazon S3 存储桶添加种子，并通过 Python 脚本进行数据处理。然后，它使用 [SageMaker AI 服务集成](connect-sagemaker.md)训练机器学习模型并执行批量转换。

有关 SageMaker AI 和 Step Functions 服务集成的更多信息，请参阅以下内容：
+ [将服务与 Step Functions 集成](integrate-services.md)
+ [使用 Step Functions 创建和管理亚马逊 SageMaker AI 任务](connect-sagemaker.md)

**注意**  
此示例项目可能会产生费用。  
为新 AWS 用户提供了免费使用套餐。在此套餐中，低于某种使用水平的服务是免费的。有关 AWS 成本和免费套餐的更多信息，请参阅 [SageMaker AI 定价](https://aws.amazon.com/sagemaker/pricing/)。

## 第 1 步：创建状态机
<a name="sample-preprocess-feature-transform-create"></a>

1. 打开 [Step Functions 控制台](https://console.aws.amazon.com/states/home?region=us-east-1#/)，然后选择**创建状态机**。

1. 选择**从模板创建**，然后找到相关的入门模板。选择**下一步**以继续。

1. 选择模板使用方式：

   1. **运行演示** — 创建只读状态机。审核后，您可以创建工作流和所有相关资源。

   1. **构建依据** — 提供可编辑的工作流定义，您可借助自有资源对其进行审核、定制并部署。（**不会**自动创建函数或队列等相关资源。）

1. 选择**使用模板**继续进行选择。
**注意**  
*部署到您的账户的服务将会收取标准费用。*

## 第 2 步：运行演示状态机
<a name="sample-preprocess-feature-transform-start-execution"></a>

如果您选择了**运行演示**选项，则所有相关资源都将部署并准备好运行。如果您选择了**构建依据**选项，则可能需要先设置占位符值并创建其他资源，然后才能运行自定义工作流。

1. 选择**部署并运行**。

1. 等待 CloudFormation 堆栈部署。这一过程耗时最多 10 分钟。

1. 出现**开始执行**选项后，查看**输入**并选择**开始执行**。

**恭喜您！**  
现在，您应该有了一个正在运行的状态机演示。您可以在**图表视图**中选择状态来查看输入、输出、变量、定义和事件。