Pijpleidingen met I/ML-functies
Data Distiller stelt wetenschappers en engineers in staat om hun machines leerpijpleidingen te verrijken met hoogwaardige gegevens over klantervaring die in Adobe Experience Platform zijn verzameld en gekromd. Vanuit een Python -laptop in elke omgeving kunt u op interactieve wijze klantgegevens in de Experience Platform verkennen, functies van de gegevens definiëren en berekenen en de computerfuncties in uw computerleeromgeving lezen voor modellering.
IMPORTANT
- Met Data Distiller krachtige querymogelijkheden kunt u zinvolle functies ophalen uit de uitgebreide gedragsgegevens die beschikbaar zijn in de Experience Platform. U kunt de gedistilleerde eigenschapgegevens dan brengen in uw machine het leren milieu zonder de behoefte om grote volumes van gebeurtenisgegevens buiten Experience Platform te kopiëren.
- Lees de voorbereide eigenschapdataset in uw aangewezen machine het leren hulpmiddelen en combineer met andere eigenschappen die uit ondernemingsgegevens worden afgeleid om aangepaste modellen te trainen, te experimenteren, te stemmen en op te stellen die aan uw zaken worden aangepast.
- Genereer scores, voorspellingen of aanbevelingen van uw modellen en retourneer de uitvoer naar de Experience Platform om de ervaringen van klanten te optimaliseren via Real-Time Customer Data Platform en Adobe Journey Optimizer.
Vereisten
Deze workflow vereist een goed begrip van de verschillende aspecten van Adobe Experience Platform. Lees vóór het starten van deze zelfstudie de documentatie voor de volgende concepten:
- Hoe te om Experience Platform APIsvoor authentiek te verklaren en toegang te hebben.
- Sandboxes: Op attributen-gebaseerde toegangsbeheertoestemmingenen hoe te om rollen tot stand te brengen en te beheren, evenals de gewenste middeltoestemmingen voor deze rollen toe te wijzen.
- Het Beleid van gegevens: Hoe te de etiketten van het gegevensgebruik op datasets en gebieden toepassen, die elkvolgens het verwante beleid van het gegevensbeheer en toegangsbeheerbeleid categoriseren.
Volgende stappen
Door dit document te lezen, bent u geïntroduceerd in de belangrijke concepten achter het gebruiken van uw aangewezen machine het leren hulpmiddelen om douanemodellen te bouwen die uw marketing gebruiksgevallen steunen.
In de documenten die in deze reeks handleidingen zijn opgenomen, worden de basisstappen beschreven voor het maken van functiepijpleidingen vanuit Experience Platform voor het voeden van aangepaste modellen in uw computerleeromgeving. U kunt nu een verbinding tot stand brengen tussen Data Distiller en uw Jupyter Notebook .
De onderstaande documentatie komt overeen met de stappen in de bovenstaande afbeelding.
Aanvullende bronnen
- epp: een Adobe-geleide open-bron Python bibliotheek voor het doen van verzoeken aan Gegevens Distiller en andere diensten van Experience Platform van Python code.