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 Amazon 準備數據 EMR
重要
Amazon SageMaker 工作室和 Amazon SageMaker 工作室經典版是您可以用來與之互動的兩個機器學習環境 SageMaker。
如果您的網域是在 2023 年 11 月 30 日之後建立,Studio 就是您的預設體驗。
如果您的網域是在 2023 年 11 月 30 日之前建立的,那麼 Amazon SageMaker 工作室經典版就是您的預設體驗。若要使用工作室,如果 Amazon SageMaker 工作室經典版是您的預設體驗,請參閱從 Amazon SageMaker 工作室經典遷移。
當您從 Amazon SageMaker 工作室經典版遷移到 Amazon SageMaker 工作室時,功能可用性不會損失。Studio 傳統版也會以應用程式的形式存在於 Amazon SageMaker Studio 中,以協助您執行舊版機器學習工作流程。
Amazon SageMaker Studio 和 Studio Classic 隨附 Amazon 的內建整合功能EMR,資料科學家和資料工程師可以直接從筆記型電腦執行 PB 規模的互動式資料準備和機器學習 (ML)。在 JupyterLab 和 Studio Classic 筆記本中,他們可以探索並連接到現有的 Amazon EMR 叢集,然後使用 Apache Spark、Apache
管理員可以建立定義 Amazon EMR 叢集的AWS CloudFormation 範本。然後,他們可以讓這些叢集範本可AWS Service Catalog供 Studio 和工作室傳統版使用者啟動。然後,資料科學家可以選擇預先定義的範本,直接從其 Studio 環境自行佈建 Amazon EMR 叢集。管理員可以進一步參數化範本,讓使用者在預先定義的值中選擇叢集的各個層面。例如,使用者可能想要指定核心節點的數目,或從下拉式功能表中選取節點的執行個體類型。
管理員可以使用 AWS CloudFormation此功能控制 Amazon EMR 叢集的組織、安全和聯網設定。然後,資料科學家和資料工程師可以為其工作負載自訂這些範本,以直接從 Studio 和 Studio Classic 建立隨需 Amazon EMR 叢集,而無需設定複雜的組態。使用者可以在使用後終止 Amazon EMR 叢集。
-
如果您是管理員:
確定您已啟用工作室或工作室傳統版和 Amazon EMR 叢集之間的通訊。如需指示,請參閱設定聯網區段。啟用此通訊後,您可以:
-
如果您是資料科學家或資料工程師,您可以: