Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Modèles personnalisés
Dans Amazon SageMaker Canvas, vous pouvez former des modèles d'apprentissage automatique personnalisés adaptés à vos données et à votre cas d'utilisation spécifiques. En entraînant un modèle personnalisé sur vos données, vous êtes en mesure de saisir les caractéristiques et les tendances spécifiques à vos données et les plus représentatives de celles-ci. Par exemple, vous souhaiterez peut-être créer un modèle de prévision de séries chronologiques personnalisé que vous entraînerez sur les données d'inventaire de votre entrepôt pour gérer vos opérations logistiques.
Canvas prend en charge la formation de différents types de modèles. Après avoir entraîné un modèle personnalisé, vous pouvez évaluer ses performances et sa précision. Une fois satisfait d'un modèle, vous pouvez faire des prédictions sur de nouvelles données. Vous avez également la possibilité de partager le modèle personnalisé avec des data scientists pour une analyse plus approfondie ou de le déployer sur un point de terminaison SageMaker hébergé pour une inférence en temps réel, le tout depuis l'application Canvas.
Vous pouvez entraîner un modèle personnalisé Canvas sur les types de jeux de données suivants :
-
Tabulaire (y compris les données numériques, catégoriques, chronologiques et textuelles)
-
Image
Le tableau suivant indique les types de modèles personnalisés que vous pouvez créer dans Canvas, ainsi que les types de données et les sources de données pris en charge.
| Type de modèle | Exemple de cas d'utilisation | Types de données pris en charge | Sources de données prises en charge |
|---|---|---|---|
Prédiction numérique |
Prédire les prix de l'immobilier sur la base de fonctionnalités telles que la superficie |
Numérique |
Chargement local, Amazon S3, connecteurs SaaS |
Prédiction à 2 catégories |
Prédire si un client est susceptible de se désister ou non |
Binaire ou catégorique |
Chargement local, Amazon S3, connecteurs SaaS |
Prédiction de 3 catégories et plus |
Prédire les résultats des patients après leur sortie de l'hôpital |
Categorical (catégorie) |
Chargement local, Amazon S3, connecteurs SaaS |
Prédiction de séries temporelles |
Prédire votre inventaire pour le prochain trimestre |
Chronologique |
Chargement local, Amazon S3, connecteurs SaaS |
Prédiction d'image à étiquette unique |
Prédire les types de défauts de fabrication dans les images |
Une image (JPG,PNG) |
Chargement local, Amazon S3 |
Prédiction de texte multi-catégories |
Prédire les catégories de produits, tels que les vêtements, les appareils électroniques ou les articles ménagers, sur la base des descriptions des produits |
Colonne source : texte Colonne cible : binaire ou catégorique |
Chargement local, Amazon S3 |
Mise en route
Pour commencer à créer et à générer des prédictions à partir d'un modèle personnalisé, procédez comme suit :
-
Déterminez votre cas d'utilisation et le type de modèle que vous souhaitez créer. Pour plus d'informations sur les types de modèles personnalisés, consultez Comment fonctionnent les modèles personnalisés. Pour plus d'informations sur les types de données et les sources de données pris en charge pour les modèles personnalisés, consultez Importation de données.
-
Importez vos données dans Canvas. Vous pouvez créer un modèle personnalisé avec n'importe quel jeu de données tabulaire ou image répondant aux exigences d'entrée. Pour plus d'informations sur les exigences d'entrée, consultez Création d'un jeu de données.
Pour en savoir plus sur les exemples de jeux de données fournis SageMaker par lesquels vous pouvez expérimenter, consultezExemples de jeux de données dans Canvas.
-
Créez votre modèle personnalisé. Vous pouvez effectuer une Création rapide pour obtenir votre modèle et commencer à effectuer des prédictions plus rapidement, ou vous pouvez effectuer une Création standard pour une plus grande précision.
Pour les modèles de prévision numériques, catégoriques et chronologiques, vous pouvez nettoyer et préparer vos données à l'aide de la fonction Data Wrangler. Dans Data Wrangler, vous pouvez créer un flux de données et utiliser différentes techniques de préparation des données, telles que l'application de transformations avancées ou la jonction de jeux de données. Pour les modèles de prédiction d'image, vous pouvez Modification d'un jeu de données d'image pour mettre à jour vos étiquettes ou ajouter et supprimer des images. Notez que vous ne pouvez pas utiliser ces fonctionnalités pour les modèles de prédiction de texte multi-catégories.
-
Évaluez les performances de votre modèle et déterminez dans quelle mesure il est susceptible de fonctionner sur des données réelles.
-
(Facultatif) Pour certains types de modèles, vous pouvez collaborer avec des data scientists dans Amazon SageMaker Studio Classic qui peuvent vous aider à revoir et à améliorer votre modèle.
-
Effectuez des prédictions uniques ou par lots avec votre modèle.
Note
Si vous avez déjà un modèle entraîné dans Amazon SageMaker Studio Classic que vous souhaitez partager avec Canvas, vous pouvez apporter votre propre modèle dans SageMaker Canvas. Passez en revue BYOMles conditions requises pour déterminer si votre modèle est éligible au partage.
