데이터 준비

참고

이전에는 Amazon SageMaker 데이터 랭글러가 SageMaker 스튜디오 클래식 경험의 일부였습니다. 이제 새 스튜디오 환경을 사용하도록 업데이트하는 경우 SageMaker Canvas를 사용하여 데이터 랭글러에 액세스하고 최신 기능 업데이트를 받아야 합니다. 지금까지 Studio Classic에서 데이터 랭글러를 사용하다가 캔버스의 데이터 랭글러로 마이그레이션하려는 경우 Canvas 애플리케이션을 만들고 사용할 수 있도록 추가 권한을 부여해야 할 수 있습니다. 자세한 정보는 스튜디오 클래식의 데이터 랭글러에서 Canvas로 마이그레이션하세요. SageMaker 을 참조하세요.

Amazon SageMaker Canvas의 Amazon SageMaker 데이터 랭글러를 사용하여 데이터를 준비하고, 특징화하고, 분석할 수 있습니다. 사용자는 Data Wrangler 데이터 준비 플로우를 기계 학습(ML) 워크플로에 통합하여 코딩을 거의 또는 전혀 사용하지 않고도 데이터 사전 처리 및 특성 추출을 단순화하고 간소화할 수 있습니다. 나만의 Python 스크립트와 변환을 추가하여 워크플로를 사용자 지정할 수도 있습니다.

• 데이터 플로우 - 데이터 플로우를 생성하여 일련의 ML 데이터 준비 단계를 정의합니다. 사용자는 플로우를 사용하여 다양한 데이터 소스의 데이터 세트를 결합하고, 데이터 세트에 적용할 변환의 수와 유형을 식별하고, ML 파이프라인에 통합할 수 있는 데이터 준비 워크플로를 정의할 수 있습니다.

• 변환 - 문자열, 벡터, 숫자 데이터 형식 지정 도구와 같은 표준 변환을 사용하여 데이터 세트를 정리하고 변환합니다. 텍스트, 날짜/시간 임베딩, 범주형 인코딩과 같은 변환을 사용하여 데이터를 특징화할 수 있습니다.

• 데이터 인사이트 생성 — 데이터 랭글러 데이터 품질 및 인사이트 보고서를 사용하여 데이터 품질을 자동으로 확인하고 데이터의 이상을 감지합니다.

• 분석 - 플로우의 어느 시점에서든 데이터 세트의 특징을 분석할 수 있습니다. Data Wrangler에는 산점 및 히스토그램과 같은 기본 제공 데이터 시각화 도구뿐만 아니라 대상 누 분석 및 특징 상관 관계를 파악하기 위한 빠른 모델링과 같은 데이터 분석 도구가 포함되어 있습니다.

• 내보내기 - 데이터 준비 워크플로를 다른 위치로 내보냅니다. 다음은 예제 위치입니다.

  • Amazon Simple Storage Service(S3) 버킷

  • Amazon SageMaker Feature Store — 기능과 해당 데이터를 중앙 집중식 스토어에 저장합니다.

• 데이터 준비 자동화 — 데이터 흐름에서 기계 학습 워크플로를 생성합니다.

  • Amazon SageMaker 모델 구축 파이프라인 — SageMaker 데이터 준비, 모델 교육, 모델 배포 작업을 관리하는 워크플로를 구축합니다.

  • 직렬 추론 파이프라인 — 데이터 흐름에서 직렬 추론 파이프라인을 생성합니다. 이를 사용하여 새 데이터를 예측하세요.

  • Python 스크립트 - 사용자 지정 워크플로를 위해 데이터와 해당 변환을 Python 스크립트에 저장합니다.