【无门槛】机器学习 —— Amazon SageMaker Canvas 【实验配置篇】

Amazon SageMaker Canvas 通过为业务分析师提供可视化的点击式界面来扩展对机器学习 (ML) 的访问，使他们能够自行生成准确的 ML 预测，而无需任何机器学习经验或编写任何代码。

断水流大撕兄

654人浏览 · 2022-07-15 11:25:53

断水流大撕兄 · 2022-07-15 11:25:53 发布

今天了解到一款AWS的产品，无门槛、无代码编写、全程图形化交互，提供数据集就能通过

Amazon SageMaker Canvas 通过为业务分析师提供可视化的点击式界面来扩展对机器学习 (ML) 的访问，使他们能够自行生成准确的 ML 预测，而无需任何机器学习经验或编写任何代码。
在这里插入图片描述

并且这部分的动手实验都包含在了免费套餐里
在这里插入图片描述

一、创建Amazon SageMaker Canvas环境

1.1、进入SageMaker控制台，设置 SageMaker 域
在这里插入图片描述

1.2、在执行角色下选择 Create a new role（创建新角色）。
在这里插入图片描述

1.3、选择“Any S3 bucket”, 然后点击Create Role （创建角色）。
在这里插入图片描述
选择任意S3桶，然后选择创建

创建完成后，在控制面板就能看到创建好的资源了
在这里插入图片描述
1.4、几分钟后，SageMaker Studio 域将完成配置。点击屏幕右侧 Launch app（启动app）下的画布。

之后应该会等几分钟加载配置，然后就进入了 Amazon SageMaker Canvas页面

这里是加载页面
在这里插入图片描述
加载完成后的页面应该是这样的

在这里插入图片描述
由于Amazon SageMaker Canvas会从S3中远程读取文件，所以我们需要设置用户的IAM 角色权限以及S3桶的跨域资源访问。

二、添加IAM信任策略

在这里插入图片描述
2.1、复制这里执行角色的ARN

2.2、搜索 IAM，进入IAM角色管理控制台

2.3、接下来添加权限 > 点击附加策略

在这里插入图片描述

2.4、搜索并选择 AmazonForecastFullAccess 和 AmazonRedshiftFullAccess，然后点击附加策略。操作完成后，您的权限政策应如下所示

在这里插入图片描述
2.5、点击角色，然后选择信任关系选项；在该选项中，点击编辑信任策略按钮。

将以下json覆盖原有内容

{

  "Version": "2012-10-17",

  "Statement": [

    {

      "Effect": "Allow",

      "Principal": {

        "Service": [

            "sagemaker.amazonaws.com",

            "forecast.amazonaws.com"

        ]

       },

        "Action": "sts:AssumeRole"

      }

    ]

}

选择更新策略，这样IAM信任策略就设置完成了。

三、设置S3存储桶CORS跨域策略

3.1、搜索S3，点击进入S3存储桶控制面板

在这里插入图片描述
3.2、我们选择sagemaker-studio-xxxxxxxx这个桶（这个桶在我们创建Amazon SageMaker Canvas User时会自动创建）

3.3、点击该桶名，选择权限

3.4、往下拉到跨源资源共享(CORS) 选择编辑

3.5、将以下json粘贴到CORS策略里去

[
    {
        "AllowedHeaders": [
            "*"
        ],
        "AllowedMethods": [
            "POST"
        ],
        "AllowedOrigins": [
             "*"
         ],
         "ExposeHeaders": []
     }
 ]

选择保存更改，这样我们的配置就结束了，接下来我们可以根据不同场景的数据集进行机器学习的数据分析了，关注博主，后续更新
【供应链准时交付（运输和物流）】场景的动手实验。
在这里插入图片描述
如需转载，请注明来处