详细内容或原文请订阅后点击阅览
使用 Snowflake、Amazon SageMaker Canvas 和 Amazon Quick 构建无代码 ML 工作流程 – 第 2 部分：使用 Amazon SageMaker Canvas 进行数据准备和模型构建
在这个无代码 ML 系列的第 2 部分中，您将 Amazon SageMaker Canvas 连接到 Snowflake，准备交易数据并将其与 Data Wrangler 可视化转换结合起来，并训练 XGBoost 欺诈检测模型。所有这些都无需编写机器学习代码，为第 3 部分中的交互式仪表板奠定了基础。
来源:亚马逊云科技 _机器学习第 1 部分介绍了 Snowflake 数据库设置，并为此无代码机器学习 (ML) 工作流程建立了基础架构。
本博客系列的第 2 部分介绍了使用 Amazon SageMaker Canvas 的完整数据准备和模型构建工作流程，演示了如何直接连接到 Snowflake 数据源、使用 Data Wrangler 的可视化转换转换和准备数据，以及使用 XGBoost 算法构建欺诈检测模型。
Amazon SageMaker Canvas 是一种可视化、无代码机器学习服务，使业务分析师和领域专家能够构建准确的 ML 模型并生成预测。 Amazon SageMaker Canvas 为数据准备、模型训练和预测生成提供了直观的界面，使跨组织的机器学习访问民主化，同时维护企业安全和治理。
解决方案概述
该解决方案将指导您完成使用 Amazon SageMaker Canvas 准备数据和构建机器学习模型的完整工作流程，并直接集成到您的 Snowflake 数据仓库。
先决条件
在开始本文之前，请完成第 1 部分设置 Snowflake 环境。您需要第 1 部分中的 Snowflake 帐户凭据和连接详细信息才能完成本文中的步骤。
Amazon SageMaker Canvas 设置
打开 AWS 管理控制台并搜索 Amazon SageMaker Canvas。从列表中选择它，或按 Enter 键。
创建您的 Amazon SageMaker 域
域为您的 Amazon SageMaker 环境提供基础组织单位。它充当专用工作区，包含用户配置文件、存储配置和安全设置。每个域都提供独立的资源和访问控制，用于管理团队协作和数据治理。