에벤트 엔진, 세이지 메이커 노트북 설치, 소스 다운로드를 위해서 아래를 클릭해서 진행 해주세요.
- 사전 준비 사항: 여기
- 노트북 1.0, 2.0, 3,0, 4.0 을 실행하시면 워크샵 완료 입니다.
- 참고 및 옵션으로서 노트북 9.0 은 2.0, 4.0 을 결합한 버전으로 log-prpreprocessing.py을 사용하여 추론시 로그를 남기어서 Inferenece pipeline이 어떻게 작동하는지를 확인하게 합니다. 노트북 9.1이 prpreprocessing.py를 설명하면서 Inferenece pipeline를 설명 합니다.
- 실제 미국 이동 통신 회사의 고객 데이타를 가지고 모델 학습 및 평가 함.
- This content is mostly in Korean. Please let me know if you need in english
고객을 잃는 다는 것은 어느 기업이나 손실이 큽니다. 불만이 있는 고객을 미리 인지한다는 것은, 미리 이탈 방지 할 수 있는 여러 프로모션을 줄 수 있는 기회를 제공 합니다. 머신 러닝은 데이타를 통해서 이런 이탈 고객을 예상할 수 있는 방법을 제공 합니다. 물론 머신 러닝이 100% 정확한 예상을 할 수는 없지만, 이탈에 영향을 주는 의미 있는 데이타를 확보할 경우에는 예측 정확도는 상당히 올라 갑니다. 이런 모델을 통해서 고객 이탈 방지할 수 있는 가치를 제공 할 수 있습니다.
본 노트북들은 아래와 같은 기술적인 요소를 포함 합니다.
-
피쳐 생성 (Feature Transformer): SageMaker Processing
- 원본 데이타에 전처리 로직을 적용하여 전처리 데이타를 만드는 기술
-
모델 학습: SageMaker Built-in XGBoost Algorithm 사용
-
Inference Pipeline: '전처리 --> 모델 추론 -> 후처리' 로 파이프라인 생성
-
배치 추론: SageMaker Batch Transform 사용하여 추론
- 모델 평가: Confusion Matrix를 생성하여 F1, Precision, Recall, Accuracy 확인
-
실시간 추론: SageMaker Realtime Endpoint 사용하여 추론
-
이 워크샵은 아래 블로그들을 참조하여 작성을 함.
* Blog: Visualizing Amazon SageMaker machine learning predictions with Amazon QuickSight
* https://aws.amazon.com/blogs/machine-learning/making-machine-learning-predictions-in-amazon-quicksight-and-amazon-sagemaker/
* Git
* https://github.com/aws-samples/quicksight-sagemaker-integration-blog
* Blog: Preprocess input data before making predictions using Amazon SageMaker inference pipelines and Scikit-learn
* https://aws.amazon.com/blogs/machine-learning/preprocess-input-data-before-making-predictions-using-amazon-sagemaker-inference-pipelines-and-scikit-learn/
* Git: Inference Pipeline with Scikit-learn and Linear Learner
* https://github.com/awslabs/amazon-sagemaker-examples/blob/master/sagemaker-python-sdk/scikit_learn_inference_pipeline/Inference%20Pipeline%20with%20Scikit-learn%20and%20Linear%20Learner.ipynb