详细内容或原文请订阅后点击阅览
使用 Amazon SageMaker Canvas 通过更轻松、更简单、更快速的机器学习增强您的 Amazon Redshift 云数据仓库
在本文中，我们深入探讨了银行机构的业务用例。我们将向您展示银行的财务或业务分析师如何使用最适合当前业务问题的机器学习模型轻松预测客户的贷款是否会全额支付、注销或当前。
来源:亚马逊云科技 _机器学习机器学习（ML）通过优化诸如供应和需求预测，客户流失预测，信用风险评分，定价，预测较晚货物等的核心业务功能，帮助组织增加收入，推动业务增长并降低成本。
传统的ML开发周期需要数周到数月，需要稀疏的数据科学理解和ML开发技能。由于数据工程和数据科学团队的带宽和数据准备活动，业务分析师使用ML模型的想法通常会长时间积压。
在这篇文章中，我们探讨了银行机构的业务用例。我们将向您展示银行的金融或业务分析师如何使用最适合手头业务问题的机器学习模型来预测客户的贷款是否会得到充分支付，收取费用或当前。分析师可以轻松获取所需的数据，使用自然语言清理和填充任何缺少的数据，最后构建和部署机器学习模型，该模型可以准确地预测贷款状态为输出，而无需成为机器学习专家来这样做。分析师还将能够在收到预测后的几分钟内使用ML模型的结果快速创建商业智能（BI）仪表板。让我们了解将要实现这一目标的服务。
Amazon Sagemaker Canvas是一个基于Web的视觉接口，用于构建，测试和部署机器学习工作流程。它允许数据科学家和机器学习工程师与他们的数据和模型进行互动，并只需单击几下即可与他人分享和分享他们的工作。
Amazon Sagemaker Canvas 数据牧马人 聊天数据准备Amazon Redshift是一种快速，完全管理的，PB的数据仓库服务，它使使用现有的商业智能工具有效地分析所有数据具有成本效益。
Amazon Redshift Amazon Quicksight