Elaborazione dei dati e loro importazione in Amazon Personalize

Quando hai finito di analizzare e trasformare i tuoi dati, sei pronto per elaborarli e importarli in Amazon Personalize.

• Elaborazione dei dati: l'elaborazione dei dati applica la trasformazione all'intero set di dati e la invia a una destinazione specificata. In questo caso si specifica un bucket Amazon S3.

• Importazione di dati in Amazon Personalize: per importare dati elaborati in Amazon Personalize, esegui un Jupyter Notebook fornito in Studio Classic. SageMaker Questo notebook crea i tuoi set di dati Amazon Personalize e importa i tuoi dati in essi.

Elaborazione di dati

Prima di importare i dati in Amazon Personalize, devi applicare la trasformazione all'intero set di dati e inviarla in un bucket Amazon S3. A tale scopo, crei un nodo di destinazione con la destinazione impostata su un bucket Amazon S3, quindi avvii un processo di elaborazione per la trasformazione.

Per step-by-step istruzioni su come specificare una destinazione e avviare un processo, consulta Avvio di processi di elaborazione con pochi clic utilizzando Amazon SageMaker Data Wrangler. Quando aggiungi una destinazione, scegli Amazon S3. Utilizzerai questa posizione per importare i dati elaborati in Amazon Personalize.

Al termine dell'elaborazione dei dati, sei pronto per importarli dal bucket Amazon S3 in Amazon Personalize.

Importazione di dati in Amazon Personalize

Dopo aver elaborato i dati, sei pronto per importarli in Amazon Personalize. Per importare i dati elaborati in Amazon Personalize, esegui un Jupyter Notebook fornito in Studio Classic. SageMaker Questo notebook crea i tuoi set di dati Amazon Personalize e importa i tuoi dati in essi.

Per importare dati elaborati in Amazon Personalize

1. Per la trasformazione che desideri esportare, scegli Esporta in e scegli Amazon Personalize (tramite Jupyter Notebook).

2. Modifica il notebook per specificare il bucket Amazon S3 che hai usato come destinazione dei dati per il processo di elaborazione. Facoltativamente, specifica il dominio per il tuo gruppo di set di dati. Per impostazione predefinita, il notebook crea un gruppo di set di dati personalizzato.

3. Controlla le celle del notebook che creano lo schema. Verifica che i campi dello schema abbiano i tipi e gli attributi previsti prima di eseguire la cella.

   • Verifica che i campi che supportano dati nulli siano null elencati nell'elenco dei tipi. L'esempio seguente mostra come aggiungere null un campo.

     {
       "name": "GENDER",
       "type": [
         "null",
         "string"
       ],
       "categorical": true
     }

   • Verifica che l'attributo categorico dei campi categorici sia impostato su true. L'esempio seguente mostra come contrassegnare un campo come categorico.

     {
               "name": "SUBSCRIPTION_MODEL",
               "type": "string",
               "categorical": true
     }

   • Verificate che l'attributo testuale dei campi testuali sia impostato su true. L'esempio seguente mostra come contrassegnare un campo come testuale.

     {
           "name": "DESCRIPTION",
           "type": [
             "null",
             "string"
           ],
           "textual": true
     }

4. Esegui il notebook per creare uno schema, creare un set di dati e importare i dati nel set di dati Amazon Personalize. Gestisci il notebook proprio come faresti con un notebook esterno a Studio Classic. SageMaker Per informazioni sull'esecuzione dei notebook Jupyter, consulta Running Code. Per informazioni sui notebook in SageMaker Studio Classic, consulta Use Amazon SageMaker Notebooks nella Amazon Developer Guide. SageMaker

   Dopo aver completato il taccuino, se hai importato i dati sulle interazioni, sei pronto per creare suggerimenti o risorse personalizzate. Oppure puoi ripetere il processo con un set di dati di elementi o un set di dati degli utenti.

   • Per informazioni sulla creazione di un sistema di raccomandazione di dominio, consulta. Consigliatori di domini in Amazon Personalize

   • Per informazioni sulla creazione e la distribuzione di risorse personalizzate, vedere. Risorse personalizzate per la formazione e l'implementazione di modelli Amazon Personalize