Use Amazon SageMaker Canvas to make your first ML Model (Traditional Chinese)

實驗室概觀

此實驗室展示如何使用 Amazon SageMaker Canvas 製作機器學習 (ML) 模組，以判斷客戶是否根據新產品和服務的電子郵件廣告活動而被保留。

您是零售商店行銷團隊的商業分析師。根據針對新產品和現有產品及服務的各種電子郵件行銷廣告活動，該團隊擁有大量關於客戶在初次購買後是否保留的資料。該團隊正試圖預測這些行銷廣告活動是否會保留客戶對公司提供的產品和服務的興趣。

您的首席行銷長希望您使用這些資料進行概念驗證，以預測這些廣告活動的有效性。您已聯絡公司的 IT 團隊，他們建議您使用 SageMaker Canvas 來探索資料並進行預測，因為它不需要資料科學家的深度 ML 專業知識來進行預測。

涵蓋的主題

此實驗室結束後，您將能夠執行下列動作：

• 將資料從 Amazon Simple Storage Service (Amazon S3) 匯入 SageMaker Canvas。
• 使用 SageMaker Canvas 管理資料、完成特徵工程任務，以及選取特徵進行預測。
• 使用 SageMaker Canvas 建置和訓練模型以預測是否能保留客戶。
• 檢閱實驗室架構和安全性實作。
• 使用 SageMaker Canvas 評估模型。
• 使用範例資料進行預測。

此圖表顯示在本示範中您將完成的事項。圖表後的資料表詳細說明架構及其與您將在此實驗室中完成之任務的關係。

編號任務 詳細資訊 1 以非管理員角色的使用者身分登入 SageMaker 主控台。請注意，我們已使用管理員使用者建立 SageMaker 網域，並授與您使用 SageMaker Canvas 所需的 AWS Identity and Access Management (IAM) 許可。 2 存取 AWS Cloud9 並使用 Python 轉換資料集檔案 storedata_total.csv。 3 將資料集從 Amazon S3 匯入 Canvas。接著，在 Canvas 中預覽資料。 4 在資料集中選取目標欄以進行預測。接著，SageMaker Canvas 將根據資料集推薦您可以使用的模型類型。 5 準備並分析資料。此階段的步驟包括檢閱模型配方和特徵工程，您可以在其中變更決定模型訓練方式的資料集。 6 快速建構模型。快速建構比標準建構的時間短，但可能不那麼準確。 7 使用 Canvas 中的 Analyze (分析) 標籤評估模型。使用批次預測選項來測試模型的能力，以針對新資料進行預測並檢閱結果。 8 擷取模型成品並移除 SageMaker Canvas 資源。 9 清除與資料和模型相關聯的 AWS 資源。

先決條件

此實驗室需要下列項目：

• 存取執行 Microsoft Windows、macOS 或 Linux (Ubuntu、SuSE 或 Red Hat) 的電腦
• 現代化的網際網路瀏覽器，例如 Chrome 或 Firefox

圖示圖例

此實驗室使用各種不同的圖示，提醒您注意指南的特定層面。以下清單說明各圖示的用途：

• 鍵盤圖示表示您必須執行命令。
• 剪貼簿圖示代表您可比較所提供的範例，驗證命令或所編輯檔案的輸出。
• 注意圖示具體指明重要的提示、秘訣、指導或建議。
• 「i」圓圈圖示指出您可從何處找到更多資訊。
• 帶有勾號的人員圖示表示您可利用該機會檢核相關知識，並測試您所學到的內容。