Cómo utilizar Amazon SageMaker Canvas para crear el primer modelo de ML (Español LATAM) | Use Amazon SageMaker Canvas to make your first ML Model (LATAM Spanish)

Información general sobre el laboratorio

En este laboratorio, se enseña cómo utilizar Amazon SageMaker Canvas para crear un modelo de machine learning (ML) con el objeto de determinar si es posible retener a un cliente con base en una campaña de correo electrónico acerca de nuevos productos y servicios.

Usted es un analista empresarial en un equipo de marketing de una cadena de tiendas minoristas. El equipo dispone de muchos datos acerca de si es posible retener a los clientes tras una compra inicial con base en varias campañas de marketing por correo electrónico de ofertas de productos y servicios nuevos y existentes. El equipo intenta predecir si estas campañas de marketing retendrán el interés de los clientes por los productos y servicios que ofrece la empresa.

El director de marketing quiere que utilice los datos para realizar una prueba de concepto que le permita hacer predicciones sobre la eficacia de estas campañas. Usted contacta al equipo de TI de la empresa y ellos le recomiendan utilizar SageMaker Canvas para explorar los datos y hacer predicciones, ya que hacer predicciones no requiere de un científico de datos con una gran experiencia en ML.

Temas tratados

Al final de este laboratorio, podrá hacer lo siguiente:

• importar datos desde Amazon Simple Storage Service (Amazon S3) a SageMaker Canvas
• utilizar SageMaker Canvas para administrar datos, completar tareas de ingeniería de funciones y seleccionar una función de predicción
• utilizar SageMaker Canvas para crear y entrenar un modelo con el fin de predecir si es posible retener a un cliente
• revisar la arquitectura del laboratorio y la implementación de la seguridad
• utilizar SageMaker Canvas para evaluar el modelo
• realizar predicciones con datos de ejemplo

En este diagrama, se muestra lo que conseguirá en esta demostración. La tabla a continuación del diagrama proporciona una explicación detallada de la arquitectura y su relación con las tareas que realizará en este laboratorio.

Tarea numerada Detalle 1 Regístrese en la consola de SageMaker como un usuario que no tiene un rol de administrador. Tenga en cuenta que ya utilizó un usuario administrador para crear un dominio de SageMaker y conceder los permisos de AWS Identity and Access Management (IAM) que necesita para utilizar SageMaker Canvas. 2 Acceda a AWS Cloud9 y utilice Python para transformar el archivo del conjunto de datos storedata_total.csv. 3 Importe el conjunto de datos a Canvas desde Amazon S3. A continuación, previsualice los datos en Canvas. 4 Seleccione una columna de destino en el conjunto de datos para la predicción. Luego, SageMaker Canvas le recomendará los tipos de modelos que puede utilizar en función del conjunto de datos. 5 Prepare y analice los datos. Los pasos de esta fase incluyen la revisión de la receta del modelo y la ingeniería de funciones, en la que se realizan cambios al conjunto de datos que determinan cómo se entrena el modelo. 6 Realice una compilación rápida del modelo. Una compilación rápida es más breve que una compilación estándar, por lo que puede no ser tan precisa. 7 Evalúe el modelo utilizando la pestaña Analyze (Analizar) de Canvas. Utilice la opción de predicción por lotes para evaluar la capacidad del modelo de realizar predicciones sobre nuevos datos y revisar los resultados. 8 Recupere los artefactos del modelo y elimine los recursos de SageMaker Canvas. 9 Limpie los recursos de AWS asociados a los datos y al modelo.

Requisitos previos

Este laboratorio requiere lo siguiente:

• acceso a un equipo con Microsoft Windows, macOS o Linux (Ubuntu, SuSE o Red Hat)
• un navegador de Internet moderno, como Chrome o Firefox

Significados de los íconos

Se utilizan varios íconos en este laboratorio para llamar la atención sobre ciertos aspectos de la guía. En la siguiente lista, se explican los objetivos para cada uno:

• El ícono del teclado especifica que debe ejecutar un comando.
• El ícono del portapapeles indica que puede verificar el resultado de un comando o de un archivo editado si lo compara con el ejemplo proporcionando.
• El ícono de notas especifica que hay pistas, sugerencias, guías o recomendaciones importantes.
• El ícono del círculo con la “i” especifica dónde encontrar más información.
• El ícono con la persona y la marca de verificación indica la oportunidad de verificar su conocimiento y evaluar lo que ha aprendido.