Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Tutorial zum Erstellen von Modellen mit Notebook-Instances
<a name="gs-console"></a>

In diesem Tutorial „Erste Schritte“ erfahren Sie, wie Sie eine SageMaker Notebook-Instance erstellen, ein Jupyter-Notebook mit einem vorkonfigurierten Kernel mit der Conda-Umgebung für maschinelles Lernen öffnen und eine SageMaker KI-Sitzung starten, um einen umfassenden ML-Zyklus durchzuführen. Sie erfahren, wie Sie einen Datensatz in einem standardmäßigen Amazon S3-Bucket speichern, der automatisch mit der SageMaker AI-Sitzung gekoppelt wird, einen Trainingsjob für ein ML-Modell an Amazon EC2 senden und das trainierte Modell für Vorhersagen bereitstellen, indem Sie Amazon EC2 hosten oder Batch-Inferenzen bereitstellen. 

Dieses Tutorial zeigt explizit einen vollständigen ML-Trainingsablauf für das XGBoost-Modell aus dem SageMaker integrierten KI-Modellpool. Sie verwenden den Datensatz [ der ](https://archive.ics.uci.edu/ml/datasets/adult) US-Volkszählung für Erwachsene und bewerten die Leistung des trainierten SageMaker KI-XGBoost-Modells bei der Vorhersage des Einkommens von Einzelpersonen.
+ [SageMaker AI XGBoost ](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) — Das [https://xgboost.readthedocs.io/en/latest/](https://xgboost.readthedocs.io/en/latest/) XGBoost-Modell ist an die KI-Umgebung angepasst und als Docker-Container vorkonfiguriert. SageMaker SageMaker AI bietet eine Reihe [ integrierter Algorithmen, die für die Verwendung von KI-Funktionen ](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html) vorbereitet sind. SageMaker Weitere Informationen darüber, welche ML-Algorithmen an SageMaker KI angepasst sind, finden [ Sie unter Wählen Sie einen Algorithmus ](https://docs.aws.amazon.com/sagemaker/latest/dg/algorithms-choose.html) und [ verwenden Sie SageMaker Built-in Amazon-Algorithmen](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html). Informationen zu den API-Operationen mit integrierten SageMaker [ First-Party KI-Algorithmen finden Sie unter Algorithmen ](https://sagemaker.readthedocs.io/en/stable/algorithms/index.html) im [ Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable).
+ [Datensatz zur Volkszählung von Erwachsenen](https://archive.ics.uci.edu/ml/datasets/adult) – Der Datensatz aus der Datenbank des [Census Bureau von 1994](http://www.census.gov/en.html) von Ronny Kohavi und Barry Becker (Data Mining and Visualization, Silicon Graphics). Das SageMaker AI-XGBoost-Modell wird anhand dieses Datensatzes trainiert, um vorherzusagen, ob eine Person über 50.000 USD pro Jahr oder weniger verdient.

**Topics**
+ [Erstellen Sie eine Amazon SageMaker Notebook-Instance für das Tutorial](gs-setup-working-env.md)
+ [Erstellen Sie ein Jupyter-Notizbuch in der Notebook-Instance SageMaker](ex1-prepare.md)
+ [Vorbereiten eines Datensatzes](ex1-preprocess-data.md)
+ [Trainieren eines Modells](ex1-train-model.md)
+ [Bereitstellen des Modells auf Amazon EC2](ex1-model-deployment.md)
+ [Bewerten des Modells](ex1-test-model.md)
+ [Bereinigen Sie die Ressourcen der Amazon SageMaker Notebook-Instance](ex1-cleanup.md)