本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 範例：超參數調校任務
<a name="automatic-model-tuning-ex"></a>

此範例說明如何建立新的筆記本，以設定和啟動超參數調校任務。調校任務會使用 [XGBoost 演算法搭配 Amazon SageMaker AI](xgboost.md) 來訓練模型預測客戶在收到銀行的電話聯絡之後是否會辦理定存。

您可以使用適用於 Python (Boto3) 的低階 SDK 來設定和啟動超參數調校任務，並使用 AWS 管理主控台 來監控超參數調校任務的狀態。您也可以使用 Amazon SageMaker AI 高階的 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)，來設定、執行、監控和分析超參數調校任務。如需更多資訊，請參閱 [https://github.com/aws/sagemaker-python-sdk](https://github.com/aws/sagemaker-python-sdk)。

## 先決條件
<a name="automatic-model-tuning-ex-prereq"></a>

若要執行此範例的程式碼，您需要以下項目：
+ [AWS 帳戶和管理員使用者](gs-set-up.md)
+ Amazon S3 儲存貯體，用來儲存您的訓練資料集和訓練期間建立的模型成品
+ [執行中的 SageMaker AI 筆記本執行個體](gs-setup-working-env.md)

**Topics**
+ [先決條件](#automatic-model-tuning-ex-prereq)
+ [建立筆記本執行個體](automatic-model-tuning-ex-notebook.md)
+ [取得 Amazon SageMaker AI Boto 3 用戶端](automatic-model-tuning-ex-client.md)
+ [取得 SageMaker AI 執行角色](automatic-model-tuning-ex-role.md)
+ [使用 Amazon S3 儲存貯體進行輸入和輸出](automatic-model-tuning-ex-bucket.md)
+ [下載、準備和上傳訓練資料](automatic-model-tuning-ex-data.md)
+ [設定並啟動超參數調校任務](automatic-model-tuning-ex-tuning-job.md)
+ [清除](automatic-model-tuning-ex-cleanup.md)