Seleccione sus preferencias de cookies

Usamos cookies esenciales y herramientas similares que son necesarias para proporcionar nuestro sitio y nuestros servicios. Usamos cookies de rendimiento para recopilar estadísticas anónimas para que podamos entender cómo los clientes usan nuestro sitio y hacer mejoras. Las cookies esenciales no se pueden desactivar, pero puede hacer clic en “Personalizar” o “Rechazar” para rechazar las cookies de rendimiento.

Si está de acuerdo, AWS y los terceros aprobados también utilizarán cookies para proporcionar características útiles del sitio, recordar sus preferencias y mostrar contenido relevante, incluida publicidad relevante. Para aceptar o rechazar todas las cookies no esenciales, haga clic en “Aceptar” o “Rechazar”. Para elegir opciones más detalladas, haga clic en “Personalizar”.

Recomendaciones para elegir la herramienta de preparación de datos adecuada en SageMaker IA

Modo de enfoque

En esta página

Recomendaciones para elegir la herramienta de preparación de datos adecuada en SageMaker IA - Amazon SageMaker AI

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

La preparación de datos en machine learning se refiere al proceso de recopilación, preprocesamiento y organización de datos sin procesar para que hacer que sean adecuados para el análisis y el modelado. Este paso garantiza que los datos estén en un formato que los algoritmos de machine learning puedan aprender de forma eficaz. Las tareas de preparación de datos pueden incluir la gestión de los valores que faltan, la eliminación de valores atípicos, el escalado de características, la codificación de variables categóricas, la evaluación de posibles sesgos y la adopción de medidas para mitigarlos, la división de los datos en conjuntos de entrenamiento y pruebas, el etiquetado y otras transformaciones necesarias para optimizar la calidad y la usabilidad de los datos para las tareas posteriores de machine learning.

Elección de una característica

Existen tres casos de uso principales para la preparación de datos con Amazon SageMaker AI. Elija el caso de uso que se ajuste a sus requisitos y, a continuación, consulte la característica recomendada correspondiente.

Casos de uso

Estos son los principales casos de uso al realizar la preparación de datos para machine learning.

  • Caso de uso 1: Para aquellos que prefieren una interfaz visual, la SageMaker IA ofrece formas de explorar, preparar y diseñar funciones para el entrenamiento de modelos a través de un point-and-click entorno.

  • Caso de uso 2: Para los usuarios familiarizados con la programación y que desean más flexibilidad y control sobre la preparación de los datos, la SageMaker IA integra herramientas en sus entornos de codificación para la exploración, las transformaciones y la ingeniería de características.

  • Caso de uso 3: Para los usuarios que se centran en la preparación de datos escalable, la SageMaker IA ofrece funciones sin servidor que aprovechan el ecosistema Hadoop/Spark para el procesamiento distribuido de macrodatos.

En la siguiente tabla se describen las principales consideraciones y desventajas de las funciones de SageMaker IA relacionadas con cada caso de uso de la preparación de datos para el aprendizaje automático. Para empezar, identifique el caso de uso que se ajuste a sus requisitos y navegue hasta la función de IA recomendada SageMaker .

Descriptor Caso de uso 1 Caso de uso 2 Caso de uso 3
SageMaker Función de IA Data Wrangler en Amazon Canvas SageMaker Preparación de datos con SQL en Studio Aplicaciones Preparación de los datos con EMR sin servidor de Studio
Descripción SageMaker Canvas es un entorno visual de bajo código para crear, entrenar e implementar modelos de aprendizaje automático en IA. SageMaker Su herramienta Data Wrangler integrada permite a los usuarios combinar, transformar y limpiar conjuntos de datos mediante interacciones. point-and-click La extensión SQL de Studio permite a los usuarios conectarse a Amazon Redshift, Snowflake, Athena y Amazon S3 para crear consultas SQL ad hoc y previsualizar los resultados en libretas. JupyterLab El resultado de estas consultas se puede manipular mediante Python y Pandas para un procesamiento, visualización y transformación adicionales en formatos utilizables para el desarrollo de modelos de aprendizaje automático. La integración entre EMR Serverless y Amazon SageMaker Studio proporciona un entorno escalable sin servidor para la preparación de datos a gran escala para el aprendizaje automático mediante marcos de código abierto como Apache Spark y Apache Hive. Los usuarios pueden acceder directamente a las aplicaciones y los datos de EMR sin servidor desde sus cuadernos de Studio para realizar sus tareas de preparación de datos a gran escala.
Optimizado para Uso de una interfaz visual en la que puede:

Optimizado para tareas de datos tabulares, como el tratamiento de valores que faltan, la codificación de variables categóricas y la aplicación de transformaciones de datos.

Para los usuarios cuyos datos residen en Amazon Redshift, Snowflake, Athena o Amazon S3 y desean combinar SQL exploratorio y Python para el análisis y la preparación de datos sin necesidad de aprender Spark. Para los usuarios que prefieren una experiencia sin servidores con aprovisionamiento y finalización automáticos de los recursos para escalar cargas de trabajo interactivas intermitentes o de corta duración basadas en Apache Spark y, al mismo tiempo, aprovechar las capacidades de aprendizaje automático de la SageMaker IA.
Consideraciones
  • Puede que no sea la mejor opción si su equipo ya tiene experiencia en Python, Spark u otros lenguajes.

  • Puede que no sea la opción más adecuada si necesita una flexibilidad total para personalizar las transformaciones para añadir una lógica empresarial compleja o si necesita un control total sobre su entorno de procesamiento de datos.

  • Esta característica está diseñada únicamente para datos estructurados que residen en Amazon Redshift, Snowflake, Athena o Amazon S3.

  • Si el tamaño de los resultados de la consulta supera la memoria de la instancia de SageMaker IA, el siguiente cuaderno puede guiarlo sobre cómo empezar a utilizar Athena para preparar los datos para que los ingiera un SageMaker algoritmo de IA.

  • La curva de aprendizaje para los usuarios que no están familiarizados con las aplicaciones de EMR sin servidor y las herramientas basadas en Spark puede ser complicada.

  • Esta característica es más adecuada para las tareas de preparación de datos interactivas y puede que no sea tan eficaz como los clústeres de Amazon EMR para requisitos de procesamiento de datos complejos, de larga duración o a gran escala que implican cantidades masivas de datos, una amplia integración con otros servicios, aplicaciones personalizadas o diversos marcos de procesamiento de datos distribuidos más allá de Apache Spark.

  • Si bien la computación sin servidor puede ser rentable para tareas de corta duración, es esencial supervisar y administrar los costos cuidadosamente, especialmente en el caso de cargas de trabajo prolongadas o que consumen muchos recursos.

Entorno recomendado Cómo empezar a usar Canvas SageMaker Iniciar Studio Iniciar Studio

Opciones adicionales

SageMaker La IA ofrece las siguientes opciones adicionales para preparar sus datos para su uso en modelos de aprendizaje automático.

PrivacidadTérminos del sitioPreferencias de cookies
© 2025, Amazon Web Services, Inc o sus afiliados. Todos los derechos reservados.