Usar o Amazon SageMaker Canvas para criar seu primeiro modelo de ML (Português) | Use Amazon SageMaker Canvas to make your first ML Model (Portuguese)

Visão geral do laboratório

Este laboratório demonstra como usar o Amazon SageMaker Canvas para criar um modelo de Machine Learning (ML) para determinar se um cliente é retido com base em uma campanha de e-mail para novos produtos e serviços.

Você é um analista de negócios em uma equipe de marketing de uma cadeia de lojas de varejo. A equipe tem muitos dados sobre a retenção de clientes após uma compra inicial com base em várias campanhas de marketing por e-mail para ofertas de produtos e serviços novos e existentes. A equipe está tentando prever se essas campanhas de marketing manterão o interesse dos clientes nos produtos e serviços que a empresa oferece.

Seu diretor de marketing quer que você use os dados para realizar uma prova de conceito a fim de prever a eficácia dessas campanhas. Você entrou em contato com a equipe de TI da empresa e eles recomendaram o uso do SageMaker Canvas para explorar os dados e fazer previsões, porque ele não requer que você tenha um cientista de dados com conhecimento profundo de ML para fazer previsões.

Tópicos abordados

Ao final deste laboratório, você será capaz de fazer o seguinte:

• Importar dados do Amazon Simple Storage Service (Amazon S3) para o SageMaker Canvas.
• Usar o SageMaker Canvas para gerenciar os dados, realizar tarefas de engenharia de recursos e selecionar um recurso para prevê-lo.
• Usar o SageMaker Canvas para criar e treinar um modelo para prever a retenção de um cliente.
• Revisar a arquitetura do laboratório e a implementação de segurança.
• Usar o SageMaker Canvas para avaliar o modelo.
• Fazer previsões usando dados de amostra.

Este diagrama mostra o que você fará nesta demonstração. A tabela após o diagrama fornece uma explicação detalhada da arquitetura e como ela se relaciona com as tarefas que você concluirá neste laboratório.

Tarefa numerada Detalhes 1 Faça login no console do SageMaker como um usuário que não tem função de administrador. Observe que já usamos um usuário administrador para criar um SageMaker Domain e conceder as permissões do AWS Identity and Access Management (IAM) necessárias para usar o SageMaker Canvas. 2 Acesse o AWS Cloud9 e use o Python para transformar o arquivo do conjunto de dados storedata_total.csv. 3 Importe o conjunto de dados para o Canvas do Amazon S3. Em seguida, visualize os dados no Canvas. 4 Selecione uma coluna de destino no conjunto de dados para a previsão. O SageMaker Canvas recomendará os tipos de modelos que você pode usar com base no conjunto de dados. 5 Prepare e analise os dados. As etapas durante esta fase incluem a revisão da receita do modelo e a engenharia de recursos, em que você faz alterações no conjunto de dados que determinam como o modelo será treinado. 6 Faça uma compilação rápida do modelo. Uma compilação rápida é mais curta do que uma padrão, mas pode não ser tão precisa. 7 Avalie o modelo usando a guia Analyze (Analisar) no Canvas. Use a opção de previsão em batch para testar a capacidade do modelo de fazer previsões sobre novos dados e revisar os resultados. 8 Recupere os artefatos do modelo e remova os recursos do SageMaker Canvas. 9 Limpe os recursos da AWS associados aos dados e ao modelo.

Pré-requisitos

Este laboratório requer o seguinte:

• Acesso a um computador com Microsoft Windows, macOS ou Linux (Ubuntu, SuSE ou Red Hat)
• Um navegador de internet moderno, como Chrome ou Firefox

Lista de ícones

Vários ícones são usados neste laboratório para chamar a atenção para determinados aspectos do guia. A lista a seguir explica a finalidade de cada ícone:

• O ícone do teclado especifica que você deve executar um comando.
• O ícone da área de transferência indica que você pode verificar o resultado de um comando ou arquivo editado comparando-o com o exemplo fornecido.
• O ícone da nota especifica sugestões, dicas, orientações ou recomendações importantes.
• O ícone do “i” circulado especifica o local para encontrar mais informações.
• A pessoa com um ícone de marca de seleção indica uma oportunidade de verificar seu conhecimento e testar o que você aprendeu.