Exemples de blocs-notes : découvrez la modélisation avec Amazon SageMaker Autopilot

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

• Marketing direct avec Amazon SageMaker Autopilot : ce carnet explique comment utiliser l'ensemble de données marketing bancaires pour prédire si un client s'inscrira pour un dépôt à terme auprès d'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 le jeu 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 du taux de désabonnement avec Amazon SageMaker Autopilot : ce carnet décrit l'utilisation du machine learning pour l'identification automatique des clients mécontents, également connue sous le nom de prédiction du taux de désabonnement client. Cet exemple montre comment analyser un jeu de données accessible au public et mener une ingénierie des fonctionnalités dessus. 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.

• Prévision du taux de désabonnement des clients chez les meilleurs candidats avec Amazon SageMaker Autopilot et Batch Transform (SDK Python) : ce carnet décrit également l'utilisation du machine learning pour l'identification automatique des clients mécontents, également connue sous le nom de prédiction du taux de désabonnement client. 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 jeu de test retenu pour évaluation.

  Note

  Ce bloc-notes fonctionne avec le SDK SageMaker Python >= 1.65.1 publié le 19/06/2020.

• Intégrer votre propre code de traitement des données à Amazon SageMaker Autopilot : ce carnet explique comment intégrer 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.