Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Risorse per usare R con Amazon SageMaker AI
<a name="r-guide"></a>

Questo documento elenca le risorse che possono aiutarti a imparare a utilizzare le funzionalità di Amazon SageMaker AI con l'ambiente software R. Le sezioni seguenti introducono il kernel R integrato di SageMaker AI, spiegano come iniziare a usare R su SageMaker AI e forniscono diversi taccuini di esempio.

Gli esempi sono suddivisi in tre livelli: Principiante, Intermedio e Avanzato. Iniziano con [Getting Started with R on SageMaker AI](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_sagemaker_hello_world/r_sagemaker_hello_world.html), continuano con l'apprendimento end-to-end automatico con R on SageMaker AI e poi finiscono con argomenti più avanzati come SageMaker Elaborazione con script R e algoritmo bring-your-own R per SageMaker AI.

Per informazioni su come portare la tua immagine R personalizzata in Studio, consulta [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md). Per un articolo di blog simile, consulta [Porting your own R environment to Amazon SageMaker Studio](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/).

**Topics**
+ [RStudio supporto nell' SageMaker intelligenza artificiale](#rstudio-for-r)
+ [Kernel R nell'IA SageMaker](#r-sagemaker-kernel-ni)
+ [Notebook di esempio](#r-sagemaker-example-notebooks)
+ [Inizia con R nell' SageMaker IA](r-sagemaker-get-started.md)

## RStudio supporto nell' SageMaker intelligenza artificiale
<a name="rstudio-for-r"></a>

Amazon SageMaker AI è supportato RStudio come ambiente di sviluppo integrato (IDE) completamente gestito e integrato con il dominio Amazon SageMaker AI. Con RStudio l'integrazione, puoi avviare un RStudio ambiente nel dominio per eseguire i RStudio flussi di lavoro su SageMaker risorse di intelligenza artificiale. Per ulteriori informazioni, consulta [RStudio su Amazon SageMaker AI](rstudio.md).

## Kernel R nell'IA SageMaker
<a name="r-sagemaker-kernel-ni"></a>

SageMaker le istanze di notebook supportano R utilizzando un kernel R preinstallato. Inoltre, il kernel R ha la libreria reticulate, un'interfaccia da R a Python, in modo da poter utilizzare le funzionalità di AI SageMaker Python SDK dall'interno di uno script R. 
+ [reticulatelibrary](https://rstudio.github.io/reticulate/)[: fornisce un'interfaccia R all'SDK Amazon Python. SageMaker ](https://sagemaker.readthedocs.io/en/stable) Il pacchetto reticolare viene convertito tra gli oggetti R e Python.

## Notebook di esempio
<a name="r-sagemaker-example-notebooks"></a>

**Prerequisiti**
+ [Guida introduttiva a R on SageMaker AI](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_sagemaker_hello_world/r_sagemaker_hello_world.html): questo taccuino di esempio descrive come sviluppare script R utilizzando il kernel R di Amazon SageMaker AI. In questo notebook configuri l'ambiente di SageMaker intelligenza artificiale e le autorizzazioni, scarichi il [set di dati abalone](https://archive.ics.uci.edu/ml/datasets/abalone) dall'UCI [Machine Learning](https://archive.ics.uci.edu/datasets) Repository, esegui alcune elaborazioni e visualizzazioni di base sui dati, quindi salvi i dati in formato.csv su S3.

**Livello principiante**
+ [SageMaker AI Batch Transform utilizzando R Kernel](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_batch_transform/r_xgboost_batch_transform.html)[: questo notebook di esempio descrive come eseguire un processo di trasformazione in batch utilizzando l'API Transformer di SageMaker AI e l'XGBoostalgoritmo.](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) Il notebook utilizza anche il set di dati Abalone.

**Livello intermedio**
+ [Ottimizzazione degli iperparametri per XGBoost in R](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_xgboost_hpo_batch_transform/r_xgboost_hpo_batch_transform.html): questo notebook di esempio estende i precedenti notebook per principianti che utilizzano il set di dati abalone e. XGBoost Descrive come eseguire l'ottimizzazione del modello con l'[ottimizzazione dell'iperparametro](https://sagemaker.readthedocs.io/en/stable/tuner.html). Verrà inoltre illustrato come utilizzare la trasformazione batch per le previsioni in batch e come creare un endpoint del modello per effettuare previsioni in tempo reale.
+ [Amazon SageMaker Processing with R](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_in_sagemaker_processing/r_in_sagemaker_processing.html) — [SageMaker Processing](https://aws.amazon.com/blogs/aws/amazon-sagemaker-processing-fully-managed-data-processing-and-model-evaluation/) consente di preelaborare, post-elaborare ed eseguire carichi di lavoro di valutazione dei modelli. In questo esempio viene illustrato come creare uno script R per orchestrare un processo di elaborazione.

**Livello avanzato**
+ [Addestra e implementa il tuo algoritmo R nell' SageMaker intelligenza artificiale](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_byo_r_algo_hpo/tune_r_bring_your_own.html): disponi già di un algoritmo R e vuoi portarlo nell' SageMaker IA per ottimizzarlo, addestrarlo o implementarlo? Questo esempio illustra come personalizzare i contenitori SageMaker AI con pacchetti R personalizzati, fino all'utilizzo di un endpoint ospitato per l'inferenza sul modello R-origin.