As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Recursos para usar R com Amazon SageMaker AI
Este documento lista recursos que podem ajudar você a aprender como usar os recursos de SageMaker IA da Amazon com o ambiente de software R. As seções a seguir apresentam o kernel R integrado da SageMaker IA, explicam como começar a usar o R na SageMaker IA e fornecem vários exemplos de notebooks.
Os exemplos estão organizados em três níveis: iniciante, intermediário e avançado. Eles começam com [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), continuam com o aprendizado de end-to-end máquina com R on SageMaker AI e terminam com tópicos mais avançados, como SageMaker Processamento com script R e algoritmo bring-your-own R para SageMaker IA.
Para obter informações sobre como trazer sua própria imagem R personalizada para o Studio, consulte [Imagens personalizadas no Amazon SageMaker Studio Classic](studio-byoi.md). Para um artigo de blog semelhante, consulte [Trazendo seu próprio ambiente de R para o Amazon SageMaker Studio](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/).
**Topics**
+ [RStudio suporte em SageMaker IA](#rstudio-for-r)
+ [Kernel R em IA SageMaker](#r-sagemaker-kernel-ni)
+ [Cadernos de exemplo](#r-sagemaker-example-notebooks)
+ [Comece a usar R na SageMaker IA](r-sagemaker-get-started.md)
## RStudio suporte em SageMaker IA
O Amazon SageMaker AI oferece suporte RStudio como um ambiente de desenvolvimento integrado (IDE) totalmente gerenciado e integrado ao domínio do Amazon SageMaker AI. Com a RStudio integração, você pode iniciar um RStudio ambiente no domínio para executar seus RStudio fluxos de trabalho em recursos de SageMaker IA. Para obter mais informações, consulte [RStudio na Amazon SageMaker AI](rstudio.md).
## Kernel R em IA SageMaker
SageMaker instâncias de notebook oferecem suporte ao R usando um kernel R pré-instalado. Além disso, o kernel R tem a biblioteca reticulada, uma interface de R para Python, para que você possa usar os recursos do AI SageMaker Python SDK de dentro de um script R.
+ [reticulatelibrary:](https://rstudio.github.io/reticulate/) [fornece uma interface R para o SDK do Amazon Python. SageMaker ](https://sagemaker.readthedocs.io/en/stable) O pacote reticulado é convertido entre objetos de R e de Python.
## Cadernos de exemplo
**Pré-requisitos**
+ [Introdução ao R na SageMaker IA](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_sagemaker_hello_world/r_sagemaker_hello_world.html) — Este exemplo de caderno descreve como você pode desenvolver scripts R usando o kernel R da Amazon SageMaker AI. Neste caderno, você configura seu ambiente e permissões de SageMaker IA, baixa o [conjunto de dados abalone](https://archive.ics.uci.edu/ml/datasets/abalone) do [UCI Machine Learning Repository](https://archive.ics.uci.edu/datasets), faz alguns processamentos e visualizações básicos dos dados e salva os dados no formato.csv no S3.
**Nível Iniciante**
+ [SageMaker AI Batch Transform usando R Kernel](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_batch_transform/r_xgboost_batch_transform.html) [— Este exemplo de notebook descreve como realizar um trabalho de transformação em lote usando a API Transformer da SageMaker AI e o XGBoost algoritmo.](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) O notebook também usa o conjunto de dados Abalone.
**Nível Intermediário**
+ [Otimização de hiperparâmetros para XGBoost em R](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_xgboost_hpo_batch_transform/r_xgboost_hpo_batch_transform.html) — Este exemplo de caderno estende os cadernos anteriores para iniciantes que usam o conjunto de dados abalone e. XGBoost Ele descreve como ajustar o modelo com a [otimização de hiperparâmetros](https://sagemaker.readthedocs.io/en/stable/tuner.html). Você também aprenderá como usar a transformação em lote para predições em lote, além de como criar um endpoint de modelo para fazer predições em tempo real.
+ [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/) permite que você pré-processe, pós-processe e execute cargas de trabalho de avaliação de modelos. Esse exemplo mostra como criar um script R para orquestrar um trabalho do Processing.
**Nível avançado**
+ [Treine e implante seu próprio algoritmo R em SageMaker IA](https://sagemaker-examples.readthedocs.io/en/latest/r_examples/r_byo_r_algo_hpo/tune_r_bring_your_own.html) — Você já tem um algoritmo R e quer trazê-lo para a SageMaker IA para ajustá-lo, treiná-lo ou implantá-lo? Este exemplo mostra como personalizar contêineres de SageMaker IA com pacotes R personalizados, até o uso de um endpoint hospedado para inferência em seu modelo de origem R.