Amazon 机器学习示例

每个子目录都包含用于使用 Amazon 机器学习的示例代码。有关每个示例的使用详情，请参阅相应子目录中的 README.md 文件。

目标营销示例

这些示例展示了如何在目标营销应用中使用 Amazon 机器学习 API。它们基于开发人员指南中描述的“银行”数据集示例。共有三个版本可供选择：

• 使用 Java 的机器学习目标营销
• 使用 Python 的机器学习目标营销
• 使用 Scala 的机器学习目标营销

社交媒体与 Amazon Mechanical Turk

此示例应用程序展示了如何使用 Amazon Mechanical Turk 从原始推文创建标注数据集，然后利用 Amazon 机器学习 API 构建一个机器学习模型，以预测新的推文是否需要客户服务部门采取行动。该示例还演示了如何使用 AWS Lambda 设置自动化过滤器，监控 Amazon Kinesis 流上的推文，并在机器学习模型预测新推文可操作时发送通知。通知将发送至 Amazon SNS，从而支持通过电子邮件、短信或其他软件服务进行分发。

• 基于机器学习的社交媒体过滤（Python 和 JavaScript）

移动预测示例

这些示例展示了如何使用 Amazon 机器学习 API 从移动设备进行实时预测。共有两个版本可供选择：

• 来自 iOS 的实时机器学习预测
• 来自 Android 的实时机器学习预测

K 折交叉验证示例

此示例展示了如何使用 Amazon 机器学习 API，通过 K 折交叉验证来评估机器学习模型。

• K 折交叉验证示例（Python）

其他工具

一组用于帮助完成常见任务的简单脚本。

• 机器学习工具（Python）

支持

如需有关使用 Amazon 机器学习服务或这些示例的帮助，请访问 AWS 论坛。

Amazon Machine Learning Samples 快速上手指南

本仓库提供了使用 Amazon Machine Learning (Amazon ML) API 的示例代码集合，涵盖定向营销、社交媒体过滤、移动端预测及模型评估等场景。以下指南将帮助您快速搭建环境并运行示例。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows。
• AWS 账户：拥有有效的 AWS 账户，并已开通 Amazon Machine Learning、Amazon S3 及相关服务（如 Lambda, Kinesis, SNS，视具体示例而定）。
• 凭证配置：已配置 AWS 访问密钥（Access Key）和秘密密钥（Secret Key）。
• 编程语言运行时（根据您选择的示例安装）：
  • Java: JDK 8 或更高版本，Maven。
  • Python: Python 2.7 或 3.x，pip。
  • Scala: Scala 2.10+，SBT 或 Maven。
  • Node.js: 用于部分社交媒体示例的 JavaScript 组件。
• 依赖库：主要依赖 AWS SDK（各语言对应版本）。

注意：由于 Amazon ML 是较早期的 AWS 服务，部分新区域可能不支持，请在支持该服务的区域（如 us-east-1）进行操作。

安装步骤

1. 克隆仓库 将项目代码克隆到本地：

   git clone https://github.com/awslabs/machine-learning-samples.git
   cd machine-learning-samples
   

2. 配置 AWS 凭证 确保在终端中导出环境变量，或在 ~/.aws/credentials 文件中配置：

   export AWS_ACCESS_KEY_ID=your_access_key
   export AWS_SECRET_ACCESS_KEY=your_secret_key
   export AWS_DEFAULT_REGION=us-east-1
   

3. 安装特定示例依赖 进入您想要运行的示例目录，并安装相应依赖。

   • Python 示例 (以定向营销为例):

     cd targeted-marketing-python
     pip install -r requirements.txt
     # 如果国内下载缓慢，可使用清华源加速：
     # pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
     

   • Java 示例:

     cd targeted-marketing-java
     mvn clean install
     

   • 移动端示例 (iOS/Android): 请使用对应的 IDE (Xcode 或 Android Studio) 打开 mobile-ios 或 mobile-android 目录，并通过 CocoaPods 或 Gradle 同步依赖。

基本使用

每个子目录都包含独立的 README.md，详细说明了该场景的具体逻辑。以下是运行 Python 定向营销示例 的最简流程：

1. 准备数据 确保您已在 Amazon S3 上上传了训练数据（参考 AWS Developer Guide 中的 "banking" 数据集格式），并记录下 S3 路径。

2. 修改配置 在示例代码目录中，找到配置文件（通常为 config.py 或在主脚本头部），填入您的 S3 数据路径和角色 ARN。

3. 运行脚本 执行主程序以创建数据源、生成模型并进行预测：

   python targeted_marketing.py
   

   程序将依次执行以下步骤：

   • 创建 Amazon ML 数据源。
   • 训练二元分类模型。
   • 设置评估阈值。
   • 对测试数据进行实时预测并输出结果。

其他场景简述：

• 社交媒体过滤：需先通过 Amazon Mechanical Turk 标注推文数据，然后运行 social-media 目录下的脚本部署 Lambda 函数以监听 Kinesis 流。
• K 折交叉验证：运行 k-fold-cross-validation 目录下的 Python 脚本，输入数据集即可评估模型稳定性。
• 移动端预测：编译并部署 iOS/Android 应用，应用将通过 API 调用云端训练好的模型获取实时预测结果。

提示：运行完毕后，建议前往 AWS 控制台清理创建的模型、数据源及端点，以避免产生额外费用。