기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # AI 및 기계 학습 **Topics** + [한의 AWS CodeCommit 리포지토리를 다른 계정의 AWS 계정 Amazon SageMaker AI Studio Classic과 연결](associate-an-aws-codecommit-repository-in-one-aws-account-with-sagemaker-studio-in-another-account.md) + [Amazon Textract를 사용하여 PDF 파일에서 콘텐츠 자동 추출하기](automatically-extract-content-from-pdf-files-using-amazon-textract.md) + [Amazon SageMaker AI Studio Lab의 시계열에 DeepAR을 사용하여 콜드 스타트 예측 모델 구축](build-a-cold-start-forecasting-model-by-using-deepar.md) + [Amazon SageMaker AI 및 Azure DevOps를 사용하여 MLOps 워크플로 구축](build-an-mlops-workflow-by-using-amazon-sagemaker-and-azure-devops.md) + [를 사용하여 Amazon Bedrock에서 모델 호출 로깅 구성 AWS CloudFormation](configure-bedrock-invocation-logging-cloudformation.md) + [SageMaker용 사용자 지정 Docker 컨테이너 이미지를 생성하고 이를 AWS Step Functions의 모델 교육에 사용합니다.](create-a-custom-docker-container-image-for-sagemaker-and-use-it-for-model-training-in-aws-step-functions.md) + [Amazon Bedrock 에이전트를 사용하여 텍스트 기반 프롬프트를 통해 Amazon EKS에서 액세스 항목 제어 생성 자동화](using-amazon-bedrock-agents-to-automate-creation-of-access-entry-controls-in-amazon-eks.md) + [Terraform 및 Amazon Bedrock을 AWS 사용하여에 RAG 사용 사례 배포](deploy-rag-use-case-on-aws.md) + [Amazon SageMaker의 추론 파이프라인을 사용하여 단일 엔드포인트의 ML 모델에 사전 처리 로직 배포](deploy-preprocessing-logic-into-an-ml-model-in-a-single-endpoint-using-an-inference-pipeline-in-amazon-sagemaker.md) + [Kiro 및 기타 코딩 어시스턴트와 함께 MCP 서버를 사용하여 실시간 코딩 보안 검증 배포](deploy-real-time-coding-security-validation-by-using-an-mcp-server-with-kiro-and-other-coding-assistants.md) + [RAG 및 ReAct 프롬프트를 사용하여 고급 생성형 AI 채팅 기반 어시스턴트 개발](develop-advanced-generative-ai-chat-based-assistants-by-using-rag-and-react-prompting.md) + [Amazon Bedrock 에이전트 및 지식 기반을 사용하여 완전 자동화된 채팅 기반 어시스턴트 개발](develop-a-fully-automated-chat-based-assistant-by-using-amazon-bedrock-agents-and-knowledge-bases.md) + [Amazon Bedrock 및 Amazon Transcribe를 사용하여 음성 입력의 제도적 지식 문서화](document-institutional-knowledge-from-voice-inputs-by-using-amazon-bedrock-and-amazon-transcribe.md) + [Amazon Personalize를 사용하여 개인화되고 순위가 다시 매겨진 추천 생성](generate-personalized-and-re-ranked-recommendations-using-amazon-personalize.md) + [SageMaker AI 및 Hydra를 사용하여 로컬 개발에서 확장 가능한 실험으로 기계 학습 워크플로 간소화](streamline-machine-learning-workflows-by-using-amazon-sagemaker.md) + [OpenSearch 및 Elasticsearch 쿼리를 위해 자연어를 쿼리 DSL로 변환](translate-natural-language-query-dsl-opensearch-elasticsearch.md) + [Amazon Q Developer를 코딩 어시스턴트로 사용하여 생산성 향상](use-q-developer-as-coding-assistant-to-increase-productivity.md) + [테라바이트 규모의 ML 데이터셋의 분산형 피처 엔지니어링에 SageMaker 프로세싱을 사용하기](use-sagemaker-processing-for-distributed-feature-engineering-of-terabyte-scale-ml-datasets.md) + [Flask 및를 사용하여 AI/ML 모델 결과 시각화 AWS Elastic Beanstalk](visualize-ai-ml-model-results-using-flask-and-aws-elastic-beanstalk.md) + [패턴 더 보기](machinelearning-more-patterns-pattern-list.md)