Ejemplos de cuadernos: explore el modelado con Amazon Autopilot SageMaker

Amazon SageMaker Autopilot proporciona los siguientes ejemplos de cuadernos.

• Marketing directo con Amazon SageMaker Autopilot: este cuaderno muestra cómo se utiliza el conjunto de datos de marketing bancario para predecir si un cliente solicitará un depósito a plazo en un banco. Puede utilizar Piloto automático en este conjunto de datos para obtener la canalización ML más precisa explorando las opciones contenidas en varias canalizaciones candidatas. Piloto automático genera cada candidato en un procedimiento de dos pasos. El primer paso diseña características automatizadas en el conjunto de datos. El segundo paso entrena y ajusta un algoritmo para producir un modelo. El cuaderno contiene instrucciones sobre cómo entrenar el modelo y sobre cómo implementarlo para realizar inferencias por lotes utilizando el mejor candidato.

• Predicción de la pérdida de clientes con Amazon SageMaker Autopilot: en este cuaderno se describe el uso del aprendizaje automático para la identificación automática de los clientes insatisfechos, lo que también se conoce como predicción de la pérdida de clientes. El ejemplo muestra cómo analizar un conjunto de datos disponible públicamente y cómo aplicarle ingeniería de características. A continuación se muestra cómo ajustar un modelo seleccionando la canalización de mejor rendimiento junto con los hiperparámetros óptimos para el algoritmo de entrenamiento. Por último, muestra cómo implementar el modelo en un punto de conexión alojado y cómo evaluar sus predicciones en comparación con la realidad. Sin embargo, los modelos de ML rara vez ofrecen predicciones perfectas. Es por eso que este cuaderno también muestra cómo incorporar los costes relativos de los errores de predicción al determinar el resultado financiero del uso de ML.

• Predicción de la pérdida de clientes de los principales candidatos con Amazon SageMaker Autopilot y Batch Transform (SDK de Python): este cuaderno también describe el uso del aprendizaje automático para la identificación automática de clientes insatisfechos, también conocida como predicción de la pérdida de clientes. Este cuaderno muestra cómo configurar el modelo para obtener la probabilidad de inferencia, seleccionar los N modelos principales y realizar la transformación por lotes en un conjunto de pruebas de espera para su evaluación.

  nota

  Este cuaderno funciona con el SDK de SageMaker Python >= 1.65.1 publicado el 19 de junio de 2020.

• Cómo incorporar su propio código de procesamiento de datos a Amazon SageMaker Autopilot: este cuaderno muestra cómo incorporar e implementar un código de procesamiento de datos personalizado al usar Amazon SageMaker Autopilot. Añade un paso de selección de características personalizado para eliminar las variables irrelevantes de un trabajo de Piloto automático. A continuación, se muestra cómo implementar tanto el código de procesamiento personalizado como los modelos generados por Piloto automático en un punto de conexión en tiempo real o para el procesamiento por lotes.