Exemplos de notebooks: explore a modelagem com o Amazon Autopilot SageMaker

O Amazon SageMaker Autopilot fornece os seguintes exemplos de notebooks.

• Marketing direto com o Amazon SageMaker Autopilot: este notebook demonstra como usa o conjunto de dados de marketing bancário para prever se um cliente se inscreverá para receber um depósito a prazo em um banco. Você pode usar o Autopilot nesse conjunto de dados para obter o pipeline de ML mais preciso, explorando as opções contidas em vários pipelines candidatos. O Autopilot gera cada candidato em um procedimento de duas etapas. A primeira etapa executa a engenharia automatizada de recursos no conjunto de dados. A segunda etapa treina e ajusta um algoritmo para produzir um modelo. O caderno contém instruções sobre como treinar o modelo e como implantar o modelo para realizar inferência em lote usando o melhor candidato.

• Previsão de rotatividade de clientes com o Amazon SageMaker Autopilot: este notebook descreve o uso do aprendizado de máquina para a identificação automática de clientes insatisfeitos, também conhecida como previsão de rotatividade de clientes. O exemplo mostra como analisar um conjunto de dados disponível publicamente e executar nele a engenharia de atributos. Depois, ele mostra como ajustar um modelo selecionando o pipeline de melhor desempenho juntamente com os hiperparâmetros ideais para o algoritmo de treinamento. Finalmente, ele mostra como implantar o modelo em um endpoint hospedado e como avaliar suas previsões com o Ground Truth. No entanto, os modelos de ML raramente fornecem previsões perfeitas. É por isso que este caderno também mostra como incorporar os custos relativos de erros de previsão ao determinar o resultado financeiro do uso de ML.

• Previsão de rotatividade de clientes dos principais candidatos com o Amazon SageMaker Autopilot e o Batch Transform (Python SDK): este caderno também descreve o uso do aprendizado de máquina para a identificação automática de clientes insatisfeitos, também conhecida como previsão de rotatividade de clientes. Este caderno demonstra como configurar o modelo para obter a probabilidade de inferência, selecionar os principais modelos N e fazer a Transformação do Processamento em Lote em um conjunto de testes para avaliação.

  nota

  Esse notebook funciona com o SageMaker Python SDK >= 1.65.1 lançado em 19/06/2020.

• Trazendo seu próprio código de processamento de dados para o Amazon SageMaker Autopilot: este notebook demonstra como incorporar e implantar código de processamento de dados personalizado ao usar o Amazon SageMaker Autopilot. Ele adiciona uma etapa personalizada de seleção de recursos para remover variáveis irrelevantes de um trabalho do Autopilot. Em seguida, mostra como implantar o código de processo personalizado e os modelos gerados pelo Autopilot em um endpoint em tempo real e, alternativamente, para processamento em lote.