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。

# 使用人機迴圈的資料標記
<a name="data-label"></a>

若要訓練機器學習模型，您需要一個大型、高品質、標籤化的資料集。您可以使用 Amazon SageMaker Ground Truth 來標籤您的資料。從 Ground Truth [內建任務類型](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-task-types.html)中選擇一種，或建立自己的[自訂標籤工作流程](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-custom-templates.html)。為了提高資料標籤的準確性並降低標籤資料的總成本，請使用 Ground Truth 強化資料標籤功能，例如[自動化資料標籤](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-automated-labeling.html)和[註釋合併](https://docs.aws.amazon.com/sagemaker/latest/dg/sms-annotation-consolidation.html)。



**Topics**
+ [搭配使用人工和 Amazon SageMaker Ground Truth 來訓練資料標籤](sms.md)
+ [使用 Amazon SageMaker Ground Truth Plus 標籤資料](gtp.md)
+ [人力資源](sms-workforce-management.md)
+ [Crowd HTML 元素參考](sms-ui-template-reference.md)
+ [使用 Amazon 增強版 AI 進行人工審核](a2i-use-augmented-ai-a2i-human-review-loops.md)