Qué pasó
Esta segunda entrega de la serie de machine learning sin código conecta Amazon SageMaker Canvas a Snowflake como base de datos.
Los datos de transacciones se preparan y se unen mediante las transformaciones visuales de Data Wrangler, sin necesidad de escribir código.
Se entrena un modelo de detección de fraude basado en XGBoost a través del mismo flujo de trabajo visual, sentando las bases para una fase posterior de dashboard.
Por qué importa
El flujo de trabajo demuestra que tareas de machine learning relevantes, como la detección de fraude, pueden completarse enteramente mediante interfaces visuales.
Al eliminar la necesidad de programar, este enfoque hace que la creación de modelos sea accesible a un abanico más amplio de profesionales.
Datos clave
Amazon SageMaker Canvas se conecta a Snowflake.
Las transformaciones visuales de Data Wrangler preparan y unen los datos de transacciones.
Se entrena un modelo de detección de fraude con XGBoost sin escribir código de machine learning.
Qué observar a continuación
La Parte 3 de la serie está planteada para construir dashboards interactivos sobre los datos preparados y modelados.
La serie destaca cómo se puede ensamblar un pipeline completo de ML sin código combinando distintos servicios de AWS.