Notebook di esempio: esplora la modellazione con Amazon Autopilot SageMaker

Amazon SageMaker Autopilot fornisce i seguenti esempi di notebook.

• Marketing diretto con Amazon SageMaker Autopilot: questo taccuino dimostra come utilizza il Bank Marketing Data Set per prevedere se un cliente si iscriverà per un deposito a termine presso una banca. È possibile utilizzare Autopilot in questo set di dati per ottenere la pipeline ML più accurata esplorando le opzioni contenute in varie pipeline candidate. Autopilot genera ogni candidato in una procedura in due fasi. Il primo passaggio esegue l'ingegneria automatizzata delle funzionalità sul set di dati. Il secondo passaggio allena e sintonizza un algoritmo per produrre un modello. Il notebook contiene istruzioni su come addestrare il modello e su come distribuire il modello per eseguire l'inferenza batch utilizzando i migliori candidati.

• Previsione del tasso di abbandono dei clienti con Amazon SageMaker Autopilot: questo notebook descrive l'utilizzo dell'apprendimento automatico per l'identificazione automatica dei clienti insoddisfatti, nota anche come previsione del tasso di abbandono dei clienti. Nell'esempio viene illustrato come analizzare un set di dati disponibile pubblicamente ed eseguire su di esso l'engineering delle funzionalità. Successivamente viene illustrato come ottimizzare un modello selezionando la pipeline con le prestazioni migliori insieme agli iperparametri ottimali per l'algoritmo di allenamento. Infine, mostra come distribuire il modello su un endpoint ospitato e valutarne le previsioni rispetto alla verità di base. Tuttavia, i modelli ML raramente forniscono previsioni perfette. Ecco perché questo notebook si riferisce anche a come incorporare i costi relativi degli errori di previsione quando si determina il risultato finanziario dell'uso del ML.

• Previsione del tasso di abbandono dei clienti dei migliori candidati con Amazon SageMaker Autopilot e Batch Transform (Python SDK): questo taccuino descrive anche l'utilizzo dell'apprendimento automatico per l'identificazione automatica dei clienti insoddisfatti, nota anche come previsione del tasso di abbandono dei clienti. Questo notebook dimostra come configurare il modello per ottenere la probabilità di inferenza, selezionare i migliori N modelli ed eseguire Batch Transform su un set di test hold-out per la valutazione.

  Nota

  Questo notebook funziona con SageMaker Python SDK >= 1.65.1 rilasciato il 19/06/2020.

• Portare il proprio codice di elaborazione dati in Amazon SageMaker Autopilot: questo notebook dimostra come incorporare e distribuire codice di elaborazione dati personalizzato quando si utilizza Amazon Autopilot. SageMaker Aggiunge una fase di selezione delle funzionalità personalizzata per rimuovere le variabili irrilevanti da un lavoro Autopilot. Quindi mostra come implementare sia il codice di elaborazione personalizzato che i modelli generati da Autopilot su un endpoint in tempo reale e, in alternativa, per l'elaborazione in batch.