Não estamos mais atualizando o serviço Amazon Machine Learning nem aceitando novos usuários para ele. Essa documentação está disponível para usuários existentes, mas não estamos mais atualizando-a. Para obter mais informações, consulte [O que é o Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Etapa 2: Criar uma fonte de dados de treinamento
<a name="step-2-create-a-datasource"></a>

Após fazer upload do conjunto de dados `banking.csv` para o local do Amazon Simple Storage Service (Amazon S3), você o usará para criar uma fonte de dados de treinamento. Uma fonte de dados é um objeto do Amazon Machine Learning (Amazon ML) que contém o local dos dados de entrada e metadados importantes sobre os dados de entrada. O Amazon ML usa a fonte de dados para operações como o treinamento e a avaliação do modelo de ML.

Para criar uma fonte de dados, forneça os seguintes dados: 
+  O local dos dados no Amazon S3 e a permissão para acessar esses dados 
+  O esquema, que inclui os nomes dos atributos nos dados e o tipo de cada atributo (numérico, texto, categórico ou binário) 
+  O nome do atributo que contém a resposta que o Amazon ML deve reconhecer para fazer a previsão: o atributo de destino 

**nota**  
Na verdade, a fonte de dados não armazena os dados, ele apenas faz referência a eles. Evite mover ou alterar os arquivos armazenados no Amazon S3. Se você movê-los ou alterá-los, o Amazon ML não poderá acessá-los para criar um modelo de ML, gerar avaliações ou gerar previsões.

**Para criar a fonte de dados de treinamento**

1. Abra o console do Amazon Machine Learning em [https://console.aws.amazon.com/machinelearning/](https://console.aws.amazon.com/machinelearning/).

1.  Escolha **Começar**. 
**nota**  
Este tutorial assume que esta é a primeira vez que você está usando Amazon ML. Se você tiver usado o Amazon ML anteriormente, use a lista suspensa **Criar novo** no painel do Amazon ML para criar uma nova fonte de dados.

1. Na página **Conceitos básicos do Amazon Machine Learning**, escolha **Iniciar**.   
![\[Amazon Machine Learning interface with "Launch" button highlighted for standard setup.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/get-started-launch.png)

1. Na página **Input Data (Dados de entrada)**, em **Where is your data located (Onde os dados estão localizados)**?, verifique se **S3** está selecionado.   
![\[Radio button selection between S3 and Redshift options, with S3 selected.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image5.png)

1. Em **S3 Location (Local do S3)**, digite o local completo do arquivo `banking.csv `da Etapa 1: Preparar os dados. Por exemplo: *your-bucket***/banking.csv**. O Amazon ML insere s3:// no início do nome do bucket.

1. Em **Datasource Name (Nome da fonte de dados)**, digite **Banking Data 1**.  
![\[S3 location input field and Datasource name field for entering banking data information.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image6.png)

1. Escolha **Verificar**. 

1. Na caixa de diálogo **S3 permissions (Permissões do S3)**, escolha **Yes (Sim)**.   
![\[Dialog box asking to grant Amazon Machine Learning read permission for S3 location.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image7.png)

1.  Se o Amazon ML puder acessar e ler o arquivo de dados no local do S3, você verá uma página semelhante à seguinte. Analise as propriedades e escolha **Continue (Continuar)**.   
![\[Validation success message with datasource details including name, location, and file information.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image8.png)

Em seguida, estabeleça um esquema. Um *esquema* são as informações de que o Amazon ML precisa para interpretar os dados de entrada de um modelo de ML, incluindo nomes de atributos, os tipos de dados atribuídos e os nomes dos atributos especiais. Há duas maneiras de fornecer o Amazon ML com um esquema: 
+  Forneça um arquivo de esquema separado ao fazer upload dos dados do Amazon S3. 
+  Permita que o Amazon ML faça a inferência dos tipos de atributo e crie um esquema para você. 

Neste tutorial, solicitaremos que o Amazon ML faça a inferência do esquema. 

Para obter mais informações sobre como criar um arquivo de esquema separado, consulte [Criar um esquema de dados para o Amazon ML](creating-a-data-schema-for-amazon-ml.md). 

**Para permitir que o Amazon ML faça a inferência do esquema**

1. Na página **Esquema**, o Amazon ML mostra o esquema que inferiu. Analise os tipos de dados que o Amazon ML inferiu para os atributos. É importante que os atributos recebam o tipo de dados correto para que o Amazon ML possa inserir os dados corretamente e habilitar o processamento de recurso correto nos atributos.
   + Os atributos que têm apenas dois estados possíveis, como yes (sim) ou no (não), devem ser marcados como **Binary (Binários)**. 
   + Os atributos que são números ou strings usados para denotar uma categoria devem ser marcados como **Categorical (Categóricos)**.
   + Os atributos que são quantidades numéricas para as quais o pedido é significativo devem ser marcados como **Numeric (Numéricos)**.
   + Os atributos que são strings que você deseja tratar como palavras delimitadas por espaços devem ser marcados como **Text (Texto)**.  
![\[Data table showing fields like age, campaign, and contact with their data types and sample values.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image10.png)

1. Neste tutorial, o Amazon ML identificou corretamente os tipos de dados de todos os atributos, portanto, escolha **Continuar**. 

Em seguida, selecione um atributo de destino. 

Lembre-se de que o destino é o atributo que o modelo de ML precisa reconhecer para fazer a previsão. O atributo **y** indica se um indivíduo se inscreveu em uma campanha no passado: 1 (sim) ou 0 (não). 

**nota**  
Escolha um atributo de destino somente se você pretende usar a fonte de dados para o treinamento e a avaliação dos modelos de ML.

**Para selecionar y como atributo de destino**

1. No canto inferior direito da tabela, escolha a seta única para avançar para a última página da tabela, local em que o atributo `y` será exibido.   
![\[Navigation buttons for a paginated table, with the last page arrow highlighted.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image11.png)

1. Na coluna **Target (Destino)**, selecione `y`.   
![\[Checkbox in Target column next to variable 'y' with Binary data type.\]](http://docs.aws.amazon.com/pt_br/machine-learning/latest/dg/images/image12.png)

   O Amazon ML confirma que **y** foi selecionado como destino. 

1. Escolha **Continuar**. 

1. Na página **Row ID (ID da linha)**, em **Does your data contain an identifier? (Os dados contêm um identificador?)**, verifique se **No (Não)**, o padrão, está selecionado. 

1. Escolha **Review (Rever)** e, em seguida, escolha **Continue (Continuar)**. 

Agora que tem uma fonte de dados de treinamento, você está pronto para [criar o modelo](step-3-create-an-ml-model.md).