Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Jalankan Pekerjaan Pemrosesan dengan scikit-learn
<a name="use-scikit-learn-processing-container"></a>

Anda dapat menggunakan Amazon Proc SageMaker essing untuk memproses data dan mengevaluasi model dengan skrip scikit-learn dalam gambar Docker yang disediakan oleh Amazon AI. SageMaker Berikut ini memberikan contoh tentang cara menjalankan pekerjaan Pemro SageMaker sesan Amazon menggunakan scikit-learn.

Untuk contoh buku catatan yang menunjukkan cara menjalankan skrip scikit-learn menggunakan gambar Docker yang disediakan dan dikelola oleh SageMaker AI untuk memproses data dan mengevaluasi model, lihat Pemrosesan scikit-learn. [https://github.com/awslabs/amazon-sagemaker-examples/tree/master/sagemaker_processing/scikit_learn_data_processing_and_model_evaluation](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/sagemaker_processing/scikit_learn_data_processing_and_model_evaluation) Untuk menggunakan notebook ini, Anda perlu menginstal SageMaker AI Python SDK untuk Pemrosesan. 

Notebook ini menjalankan tugas pemrosesan menggunakan SageMaker Python SDK untuk menjalankan skrip scikit-learn yang Anda sediakan. Skrip memproses data, melatih model menggunakan pekerjaan SageMaker pelatihan, dan kemudian menjalankan pekerjaan pemrosesan untuk mengevaluasi model terlatih. Pekerjaan pemrosesan memperkirakan bagaimana model diharapkan berkinerja dalam produksi.

Untuk mempelajari lebih lanjut tentang menggunakan SageMaker Python SDK dengan wadah Pemrosesan, lihat [ SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/). Untuk daftar lengkap gambar Docker pra-build yang tersedia untuk pekerjaan pemrosesan, lihat [ Docker Registry Paths dan Contoh Kode. ](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths)

Contoh kode berikut menunjukkan cara menjalankan pekerjaan pemrosesan menggunakan gambar Docker scikit-learn yang disediakan dan dikelola oleh AI. SageMaker 

```
from sagemaker.core.resources import ProcessingJob

processing_job = ProcessingJob.create(
    processing_job_name="sklearn-processing",
    role_arn=role,
    app_specification={
        "image_uri": "sklearn-processing-image-uri",
        "container_entrypoint": ["python3", "/opt/ml/processing/input/code/preprocessing.py"]
    },
    processing_resources={
        "cluster_config": {
            "instance_count": 1,
            "instance_type": "ml.m5.xlarge",
            "volume_size_in_gb": 30
        }
    },
    processing_inputs=[
        {
            "input_name": "code",
            "s3_input": {
                "s3_uri": "s3://path/to/preprocessing.py",
                "local_path": "/opt/ml/processing/input/code",
                "s3_data_type": "S3Prefix",
                "s3_input_mode": "File"
            }
        },
        {
            "input_name": "input-data",
            "s3_input": {
                "s3_uri": "s3://path/to/my/input-data.csv",
                "local_path": "/opt/ml/processing/input",
                "s3_data_type": "S3Prefix",
                "s3_input_mode": "File"
            }
        }
    ],
    processing_output_config={
        "outputs": [
            {"output_name": "train", "s3_output": {"s3_uri": "s3://output/train", "local_path": "/opt/ml/processing/output/train", "s3_upload_mode": "EndOfJob"}},
            {"output_name": "validation", "s3_output": {"s3_uri": "s3://output/validation", "local_path": "/opt/ml/processing/output/validation", "s3_upload_mode": "EndOfJob"}},
            {"output_name": "test", "s3_output": {"s3_uri": "s3://output/test", "local_path": "/opt/ml/processing/output/test", "s3_upload_mode": "EndOfJob"}}
        ]
    }
)
```

Untuk memproses data secara paralel menggunakan Scikit-Learn Amazon Proc SageMaker essing, Anda dapat membagi objek input dengan kunci S3 dengan menyet `s3_data_distribution_type='ShardedByS3Key'` el di dalam a `ProcessingInput` sehingga setiap instance menerima jumlah objek input yang hampir sama.