Exemples : exploration de la modélisation avec Amazon SageMaker Autopilot - Amazon SageMaker

Exemples : exploration de la modélisation avec Amazon SageMaker Autopilot

Amazon SageMaker Autopilot fournit les exemples de blocs-notes suivants.

  • Marketing direct avec Amazon SageMaker Autopilot : ce bloc-notes montre comment utiliser le jeu de données de marketing bancaire pour prédire si un client va réaliser un dépôt à terme dans une banque. Vous pouvez utiliser Autopilot sur ce jeu de données pour obtenir le pipeline ML le plus précis en explorant les options contenues dans divers pipelines candidats. Autopilot génère chaque candidat selon une procédure en deux étapes. La première étape effectue une ingénierie de fonctionnalité automatisée sur l'ensemble de données. La deuxième étape entraîne et règle un algorithme pour produire un modèle. Le bloc-notes contient des instructions sur la façon d'entraîner le modèle et de le déployer pour effectuer une inférence par lots à l'aide du meilleur candidat.

  • Prédiction de perte de clients avec Amazon SageMaker Autopilot : ce bloc-notes décrit l'utilisation du machine learning pour l'identification automatisée des clients mécontents, également appelée Prédiction de perte de clients. Cet exemple montre comment analyser un ensemble de données accessible au public et y effectuer une ingénierie de fonctionnalité. Il montre ensuite comment régler un modèle en sélectionnant le pipeline le plus performant ainsi que les hyperparamètres optimaux pour l'algorithme d'entraînement. Il montre enfin comment déployer le modèle sur un point de terminaison hébergé et comment évaluer ses prédictions par rapport à la vérité du terrain. Cependant, les modèles ML fournissent rarement des prédictions parfaites. C'est pourquoi ce cahier montre également comment intégrer les coûts relatifs des erreurs de prédiction lors de la détermination du résultat financier de l'utilisation de ML.

  • Prédiction de perte de clients candidats majeurs avec Amazon SageMaker Autopilot et Transformation par lots (kit SDK Python) : ce bloc-notes décrit l'utilisation du machine learning pour l'identification automatisée des clients mécontents, également appelée Prédiction de perte de clients. Ce bloc-notes montre comment configurer le modèle pour obtenir la probabilité d'inférence, sélectionner les N modèles principaux, et réaliser une transformation par lots sur un ensemble de tests retenus pour évaluation.

    Note

    Ce bloc-notes fonctionne avec le kit SDK SageMaker Python >= 1.65.1 publié le 19/6/2020.

  • Apporter votre propre code de traitement de données à Amazon SageMaker Autopilot : ce bloc-notes explique comment incorporer et déployer un code de traitement de données personnalisé lors de l'utilisation d'Amazon SageMaker Autopilot. Il ajoute une étape de sélection de fonctions personnalisée pour supprimer des variables non pertinentes d'une tâche Autopilot. Il montre ensuite comment déployer à la fois le code de traitement personnalisé et les modèles générés par Autopilot sur un point de terminaison en temps réel ou pour un traitement par lots.