As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Execute análises avançadas usando o Amazon Redshift ML
<a name="perform-advanced-analytics-using-amazon-redshift-ml"></a>

*Po Hong e Chyanna Antonio, Amazon Web Services*

## Resumo
<a name="perform-advanced-analytics-using-amazon-redshift-ml-summary"></a>

Na nuvem da Amazon Web Services (AWS), você pode usar o machine learning do Amazon Redshift (Amazon Redshift ML) para realizar análises de ML em dados armazenados em um cluster do Amazon Redshift ou no Amazon Simple Storage Service (Amazon S3). O Amazon Redshift ML oferece suporte ao aprendizado supervisionado, que normalmente é usado para análises avançadas. Os casos de uso do Amazon Redshift ML incluem previsão de receita, detecção de fraudes em cartões de crédito e valor da vida útil do cliente (CLV, Customer Lifetime Value) ou previsões de rotatividade de clientes.

O Amazon Redshift ML facilita a criação, o treinamento e a implantação de modelos de Machine Learning usando comandos SQL padrões. O Amazon Redshift ML usa o Amazon SageMaker Autopilot para treinar e ajustar automaticamente os melhores modelos de ML para classificação ou regressão com base em seus dados, enquanto você mantém o controle e a visibilidade.

Todas as interações entre o Amazon Redshift, o Amazon S3 e a SageMaker Amazon são abstraídas e automatizadas. Depois que o modelo de ML é treinado e implantado, ele fica disponível como uma [função definida pelo usuário](https://docs.aws.amazon.com/redshift/latest/dg/user-defined-functions.html) (UDF) no Amazon Redshift e pode ser usado em consultas SQL.  

[Esse padrão complementa o tutorial [Criar, treinar e implantar modelos de ML no Amazon Redshift usando SQL com Amazon Redshift ML](https://aws.amazon.com/blogs/big-data/create-train-and-deploy-machine-learning-models-in-amazon-redshift-using-sql-with-amazon-redshift-ml/) do blog da AWS e o tutorial [Criar, treinar e implantar um modelo de ML com a SageMaker Amazon](https://aws.amazon.com/getting-started/hands-on/build-train-deploy-machine-learning-model-sagemaker/) do Getting Started Resource Center.](https://aws.amazon.com/getting-started/)

## Pré-requisitos e limitações
<a name="perform-advanced-analytics-using-amazon-redshift-ml-prereqs"></a>

**Pré-requisitos **
+ Uma conta AWS ativa
+ Dados existentes em uma tabela do Amazon Redshift

**Habilidades**
+ *Familiaridade com termos e conceitos usados pelo Amazon Redshift ML, *incluindo machine learning *, *treinamento*, e previsão*. Para obter mais informações sobre isso, consulte [Modelos de treinamento de ML](https://docs.aws.amazon.com/machine-learning/latest/dg/training-ml-models.html) na documentação do Amazon Machine Learning (Amazon ML).
+ Experiência com configuração de usuários, gerenciamento de acesso e sintaxe SQL padrão do Amazon Redshift. Para obter mais informações sobre isso, consulte [Conceitos básicos do Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/gsg/getting-started.html) na documentação do Amazon Redshift.
+ Conhecimento e experiência com o Amazon S3 e o AWS Identity and Access Management (IAM). 
+ A experiência na execução de comandos na AWS Command Line Interface (AWS CLI) também é vantajosa, mas não obrigatória. 

**Limitações**
+ O cluster do Amazon Redshift e o bucket do Amazon S3 devem estar na mesma região da Região da AWS.
+ A abordagem desse padrão oferece suporte apenas a modelos de aprendizado supervisionado, como regressão, classificação binária e classificação multiclasse. 

## Arquitetura
<a name="perform-advanced-analytics-using-amazon-redshift-ml-architecture"></a>

![\[O fluxo de trabalho mostra como o Amazon Redshift ML funciona SageMaker para criar, treinar e implantar um modelo de ML.\]](http://docs.aws.amazon.com/pt_br/prescriptive-guidance/latest/patterns/images/pattern-img/3b6a5f49-c647-45f4-940e-b623f989326a/images/36cc39fe-c1f3-4d68-b89e-e636156001a6.png)


As etapas a seguir explicam como o Amazon Redshift ML funciona SageMaker para criar, treinar e implantar um modelo de ML: 

1. O Amazon Redshift exporta dados de treinamento para um bucket do S3.

1. SageMaker O piloto automático pré-processa automaticamente os dados de treinamento.

1. Depois que a `CREATE MODEL` declaração é invocada, o Amazon Redshift ML SageMaker usa para treinamento.

1. SageMaker O Autopilot pesquisa e recomenda o algoritmo de ML e os hiperparâmetros ideais que otimizam as métricas de avaliação.

1. O Amazon Redshift ML registra a função de previsão como uma função SQL no cluster do Amazon Redshift.

1. A função do modelo de ML pode ser usada em uma instrução do SQL. 

**Pilha de tecnologia**
+ banco de dados de origem
+ SageMaker
+ Amazon S3

## Ferramentas
<a name="perform-advanced-analytics-using-amazon-redshift-ml-tools"></a>
+ [Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/dg/welcome.html): o Amazon Redshift é um serviço de data warehousing em escala de petabytes e em nível empresarial totalmente gerenciado.
+ [Amazon Redshift ML](https://docs.aws.amazon.com/redshift/latest/dg/machine_learning.html): o Amazon Redshift Machine Learning (Amazon Redshift ML) é um serviço robusto baseado em nuvem que ajuda analistas e cientistas de dados de todos os níveis de qualificação a usarem a tecnologia de Machine Learning.
+ [Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html): o Amazon Simple Storage Service (Amazon S3) serve como armazenamento para a internet. 
+ [Amazon SageMaker](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html) — SageMaker é um serviço de ML totalmente gerenciado. 
+ [Amazon SageMaker Autopilot](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html) — O SageMaker Autopilot é um conjunto de recursos que automatiza as principais tarefas de um processo automático de aprendizado de máquina (AutoML).

 

**Código **

Você pode criar um modelo de ML supervisionado no Amazon Redshift usando o seguinte código:

```
"CREATE MODEL customer_churn_auto_model
FROM (SELECT state,
             account_length,
             area_code,
             total_charge/account_length AS average_daily_spend, 
             cust_serv_calls/account_length AS average_daily_cases,
             churn 
      FROM customer_activity
      WHERE  record_date < '2020-01-01' 
     )
TARGET churn
FUNCTION ml_fn_customer_churn_auto
IAM_ROLE 'arn:aws:iam::XXXXXXXXXXXX:role/Redshift-ML'
SETTINGS (
  S3_BUCKET 'your-bucket'
);")
```

**nota**  
O estado `SELECT` pode se referir às tabelas regulares do Amazon Redshift, às tabelas externas do Amazon Redshift Spectrum ou a ambas.

## Épicos
<a name="perform-advanced-analytics-using-amazon-redshift-ml-epics"></a>

### Prepare um conjunto de dados de treinamento e teste
<a name="prepare-a-training-and-test-dataset"></a>


| Tarefa | Description | Habilidades necessárias | 
| --- | --- | --- | 
| Prepare um conjunto de dados de treinamento e teste. | Faça login no AWS Management Console e abra o SageMaker console da Amazon. Siga as instruções do tutorial [Criar, treinar e implantar um modelo de machine learning](https://aws.amazon.com/getting-started/hands-on/build-train-deploy-machine-learning-model-sagemaker/) para criar um arquivo.csv ou Apache Parquet que tenha uma coluna de rótulo*(treinamento supervisionado*) e nenhum cabeçalho. Recomendamos que você misture e divida o conjunto de dados bruto em um conjunto de treinamento para o treinamento de modelo (70%) e um conjunto de teste para a avaliação de performance do modelo (30%). | Cientista de dados | 

### Prepare e configure a pilha de tecnologia
<a name="prepare-and-configure-the-technology-stack"></a>


| Tarefa | Description | Habilidades necessárias | 
| --- | --- | --- | 
| Crie e configure um cluster do Amazon Redshift. | No console do Amazon Redshift, crie um cluster de acordo com os requisitos. Para obter mais informações sobre isso, consulte [Criar um cluster](https://docs.aws.amazon.com/redshift/latest/dg/tutorial-loading-data-launch-cluster.html) na documentação do Amazon Redshift.  Os clusters do Amazon Redshift devem ser criados com a trilha de manutenção `SQL_PREVIEW`. Para obter mais informações, consulte [Escolher trilhas de manutenção do cluster](https://docs.aws.amazon.com/redshift/latest/mgmt/working-with-clusters.html#rs-mgmt-maintenance-tracks) na documentação do Amazon Redshift. | DBA, Arquiteto de nuvem | 
| Crie um bucket do S3 para armazenar dados de treinamento e artefatos do modelo. | No console do Amazon S3, crie um bucket do S3 para os dados de treinamento e teste. Para obter mais informações sobre como criar um bucket do S3, consulte [Criar um bucket do Amazon S3](https://docs.aws.amazon.com/quickstarts/latest/s3backup/step-1-create-bucket.html) do Início rápido do AWS. Certifique-se de que o cluster do Amazon Redshift e o bucket do S3 estejam na mesma região.  | DBA, Arquiteto de nuvem | 
| Crie e anexe uma política do IAM ao cluster do Amazon Redshift. | Crie uma política do IAM para permitir que o cluster do Amazon Redshift acesse SageMaker o Amazon S3. Para obter instruções e etapas, consulte [Configuração de cluster para usar o Amazon Redshift ML](https://docs.aws.amazon.com/redshift/latest/dg/cluster-setup.html) na documentação do Amazon Redshift. | DBA, Arquiteto de nuvem | 
| Permita que usuários e grupos do Amazon Redshift acessem esquemas e tabelas. | Conceda permissões para permitir que usuários e grupos no Amazon Redshift acessem esquemas e tabelas internos e externos. Para ver as etapas e instruções, consulte [Gerenciamento de permissões e propriedade](https://docs.aws.amazon.com/redshift/latest/dg/permissions-ownership.html) na documentação do Amazon Redshift. | DBA | 

### Crie e treine o modelo de ML no Amazon Redshift
<a name="create-and-train-the-ml-model-in-amazon-redshift"></a>


| Tarefa | Description | Habilidades necessárias | 
| --- | --- | --- | 
| Crie e treine o modelo de ML no Amazon Redshift. | Crie e treine seu modelo de ML no Amazon Redshift ML. Para obter mais informações, consulte a declaração `CREATE MODEL` na documentação do Amazon Redshift. | Desenvolvedor, Cientista de dados | 

### Execute inferência e previsão em lote no Amazon Redshift
<a name="perform-batch-inference-and-prediction-in-amazon-redshift"></a>


| Tarefa | Description | Habilidades necessárias | 
| --- | --- | --- | 
| Faça inferência usando a função de modelo de ML gerada. | Para obter mais informações sobre como realizar inferências usando a função de modelo de ML gerada, consulte [Previsões](https://docs.aws.amazon.com/redshift/latest/dg/prediction.html) na documentação do Amazon Redshift. | Cientista de dados, usuário de inteligência de negócios | 

## Recursos relacionados
<a name="perform-advanced-analytics-using-amazon-redshift-ml-resources"></a>

**Prepare um conjunto de dados de treinamento e teste**
+ [Construindo, treinando e implantando um modelo de aprendizado de máquina com a Amazon SageMaker](https://aws.amazon.com/getting-started/hands-on/build-train-deploy-machine-learning-model-sagemaker/)

 

**Prepare e configure a pilha de tecnologia**
+ [Criar um cluster do Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/dg/tutorial-loading-data-launch-cluster.html)
+ [Escolhendo faixas de manutenção de clusters do Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/mgmt/working-with-clusters.html#rs-mgmt-maintenance-tracks)
+ [Criar um bucket do S3](https://docs.aws.amazon.com/quickstarts/latest/s3backup/step-1-create-bucket.html)
+ [Configurar um cluster do Amazon Redshift para o Amazon Redshift ML](https://docs.aws.amazon.com/redshift/latest/dg/cluster-setup.html)
+ [Gerenciamento de permissões e propriedade no Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/dg/permissions-ownership.html)

 

**Crie e treine o modelo de ML no Amazon Redshift**
+ [Declaração CRIAR MODELO no Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/dg/r_CREATE_MODEL.html#r_simple_create_model) 

 

**Execute inferência e previsão em lote no Amazon Redshift**
+ [Previsão no Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/dg/prediction.html) 

 

**Outros recursos**
+ [Conceitos básicos do Amazon Redshift ML](https://docs.aws.amazon.com/redshift/latest/dg/geting-started-machine-learning.html)
+ [Criação, treinamento e implantação de modelos de ML no Amazon Redshift usando SQL com o Amazon Redshift ML](https://aws.amazon.com/blogs/big-data/create-train-and-deploy-machine-learning-models-in-amazon-redshift-using-sql-with-amazon-redshift-ml/)
+ [Parâmetros do Amazon Redshift](https://aws.amazon.com/redshift/partners/?partner-solutions-cards.sort-by=item.additionalFields.partnerNameLower&partner-solutions-cards.sort-order=aschttps://aws.amazon.com/redshift/partners/?partner-solutions-cards.sort-by=item.additionalFields.partnerNameLower&partner-solutions-cards.sort-order=asc)
+ [Parceiros de competência em machine learning da AWS](https://aws.amazon.com/machine-learning/partner-solutions/?partner-solutions-cards.sort-by=item.additionalFields.partnerNameLower&partner-solutions-cards.sort-order=asc)