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.
# Crie um experimento de Regressão ou de Classificação do Autopilot com os dados tabulares usando a interface do usuário do Studio Classic
**Importante**
Em 30 de novembro de 2023, a interface do usuário do Autopilot está migrando para o [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) como parte da experiência atualizada do [Amazon SageMaker Studio](studio-updated.md). SageMaker O Canvas fornece aos analistas e cientistas de dados cidadãos recursos sem código para tarefas como preparação de dados, engenharia de recursos, seleção de algoritmos, treinamento e ajuste, inferência e muito mais. Os usuários podem aproveitar visualizações integradas e análises hipotéticas para explorar seus dados e diferentes cenários, com predições automatizadas que permitem que eles produzam facilmente seus modelos. O Canvas é compatível com uma variedade de casos de uso, incluindo visão computacional, previsão de demanda, pesquisa inteligente e IA generativa.
Os usuários do [Amazon SageMaker Studio Classic](studio.md), a experiência anterior do [Studio](studio-updated.md), podem continuar usando a interface do usuário do Autopilot no Studio Classic. Usuários com experiência em programação podem continuar usando todas as [referências de API](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html) em qualquer SDK compatível para implementação técnica.
Se você usa o Autopilot no Studio Classic até agora e deseja migrar para o SageMaker Canvas, talvez seja necessário conceder permissões adicionais ao seu perfil de usuário ou função do IAM para poder criar e usar o aplicativo SageMaker Canvas. Para obter mais informações, consulte [(Opcional) Migrar do piloto automático no Studio Classic para o Canvas SageMaker](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot).
[Todas as instruções relacionadas à interface do usuário neste guia se referem aos recursos autônomos do Autopilot antes da migração para o Amazon Canvas. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) Os usuários que seguem essas instruções devem usar o [Studio Classic](studio.md).
Você pode usar a interface do usuário do Amazon SageMaker Studio Classic para criar experimentos de piloto automático para problemas de classificação ou regressão em dados tabulares. A interface do usuário ajuda a especificar o nome do seu experimento, fornecer locais para os dados de entrada e saída e especificar quais dados de destino deve prever. Opcionalmente, você também pode especificar o tipo de problema que deseja resolver (regressão, classificação, classificação multiclasse), escolha a estratégia de modelagem (*conjuntos empilhados* ou *otimização de hiperparâmetros*), selecione a lista de algoritmos usados pelo trabalho do Autopilot para treinar os dados e muito mais.
A interface do usuário tem descrições, opções de alternância, menus suspensos, botões de opção e muito mais para ajudá-lo a navegar na criação de seus candidatos a modelo. Depois de executado o experimento, você pode comparar os testes e se aprofundar nos detalhes das etapas de pré-processamento, dos algoritmos e dos intervalos de hiperparâmetros de cada modelo. Opcionalmente, você tem a opção de baixar seus relatórios de [explicabilidade](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-explainability.html) e [desempenho](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-insights.html). Use os [cadernos](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development-notebook-output.html ) fornecidos para ver os resultados da exploração automatizada de dados ou as definições do modelo candidato.
Alternativamente, é possível usar a API de Autopilot AutoML em [Crie trabalhos de regressão ou classificação para dados tabulares com a API do AutoML](autopilot-automate-model-development-create-experiment.md).
# Configurar os parâmetros padrão de um experimento do Autopilot (para administradores)
O Autopilot suporta a definição de valores padrão para simplificar a configuração do Amazon SageMaker Autopilot quando você cria um experimento do Autopilot usando a interface do Studio Classic. Os administradores podem usar [as configurações de ciclo de vida](studio-lcc.md) (LCC) do Studio Classic para definir valores de infraestrutura, rede e segurança nos arquivos de configuração e preencher previamente as [configurações avançadas](autopilot-automate-model-development-create-experiment-ui.md#advanced-settings) dos trabalhos `AutoML`.
Ao fazer isso, eles podem controlar totalmente a conectividade de rede e as permissões de acesso aos recursos associados ao Amazon SageMaker Studio Classic, incluindo instâncias de SageMaker IA, fontes de dados, dados de saída e outros serviços relacionados. Especificamente, os administradores podem configurar a arquitetura de rede desejada, como Amazon VPC, sub-redes e grupos de segurança, para um domínio do Studio Classic ou perfis de usuário individuais. Os cientistas de dados podem se concentrar nos parâmetros específicos da ciência de dados ao criar seus experimentos do Autopilot usando a interface do usuário do Studio Classic. Além disso, os administradores podem gerenciar a criptografia de dados na instância em que os experimentos do Autopilot são executados definindo chaves de criptografia padrão.
**nota**
Este atributo está disponível nas regiões Ásia-Pacífico (Hong Kong) e Oriente Médio (Bahrein).
Nas seções a seguir, você pode encontrar a lista completa de parâmetros que dão compatibilidade com a configuração de padrões na criação de um experimento do Autopilot com a interface do usuário do Studio Classic e aprender a definir esses valores padrão.
**Topics**
+ [Lista de parâmetros padrão compatíveis](#autopilot-list-default-parameters-create-experiment)
+ [Defina os parâmetros padrão do experimento do Autopilot](#autopilot-set-default-parameters-create-experiment-howto)
## Lista de parâmetros padrão compatíveis
Os parâmetros a seguir oferecem apoio à definição de valores padrão com um arquivo de configuração para a criação de um experimento do Autopilot usando a interface do usuário do Studio Classic. Após definidos, os valores preenchem automaticamente o campo correspondente na guia **Criar Experimento** do Autopilot na interface do usuário do Studio Classic. Consulte [Configurações avançadas (opcional)](autopilot-automate-model-development-create-experiment-ui.md#advanced-settings) para obter uma descrição completa de cada campo.
+ **Segurança:** Amazon VPC, sub-redes e grupos de segurança.
+ **Acesso:** função AWS do IAM ARNs.
+ **Criptografia:** AWS KMS chave IDs.
+ **Tags:** pares de valores-chave usados para rotular e organizar recursos de SageMaker IA.
## Defina os parâmetros padrão do experimento do Autopilot
Os administradores podem definir valores padrão em um arquivo de configuração e, em seguida, colocá-lo manualmente em um local recomendado no ambiente Studio Classic de usuários específicos, ou podem passar o arquivo para um script de configuração do ciclo de vida (LCC) para automatizar a personalização do ambiente Studio Classic para um determinado domínio ou perfil de usuário.
+ Para configurar o arquivo de configuração, comece preenchendo seus parâmetros padrão.
Para configurar qualquer um ou todos os valores padrão listados em [Lista de parâmetros padrão compatíveis](#autopilot-list-default-parameters-create-experiment), os administradores podem criar um arquivo de configuração chamado `config.yaml`, cuja estrutura deve seguir esse [exemplo de arquivo de configuração](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure). O trecho a seguir mostra um exemplo de arquivo de configuração com todos os parâmetros `AutoML` compatíveis. Para obter mais informações sobre o formato desse arquivo, consulte o [esquema completo](https://github.com/aws/sagemaker-python-sdk/blob/master/src/sagemaker/config/config_schema.py).
```
SchemaVersion: '1.0'
SageMaker:
AutoMLJob:
# https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html
AutoMLJobConfig:
SecurityConfig:
EnableInterContainerTrafficEncryption: true
VolumeKmsKeyId: 'kms-key-id'
VpcConfig:
SecurityGroupIds:
- 'security-group-id-1'
- 'security-group-id-2'
Subnets:
- 'subnet-1'
- 'subnet-2'
OutputDataConfig:
KmsKeyId: 'kms-key-id'
RoleArn: 'arn:aws:iam::111222333444:role/Admin'
Tags:
- Key: 'tag_key'
Value: 'tag_value'
```
+ Em seguida, coloque o arquivo de configuração no local recomendado [copiando manualmente o arquivo](#autopilot-intelligent-defaults-manual-setup) para os caminhos recomendados ou usando uma [configuração de ciclo de vida](#autopilot-intelligent-defaults-lcc-setup) (LCC).
O arquivo de configuração precisa estar presente em pelo menos um dos seguintes locais no ambiente Studio Classic do usuário: Por padrão, a SageMaker IA procura um arquivo de configuração em dois locais:
+ Primeiro, em `/etc/xdg/sagemaker/config.yaml`. Nós nos referimos a esse arquivo como o arquivo de *configuração do administrador*.
+ Então, em `/root/.config/sagemaker/config.yaml`. Nós nos referimos a esse arquivo como o *arquivo de configuração do usuário*.
Usando o arquivo de configuração do *administrador*, os administradores podem definir um conjunto de valores padrão. Opcionalmente, eles podem usar o arquivo de configuração do *usuário* para substituir os valores definidos no arquivo de configuração do *administrador* ou definir valores adicionais de parâmetros padrão.
O trecho a seguir mostra um exemplo de script que grava o arquivo de configuração de parâmetros padrão no local do *administrador* no ambiente Studio Classic do usuário. É possível substituir `/etc/xdg/sagemaker` por `/root/.config/sagemaker` para gravar o arquivo no local do *usuário*.
```
## Sample script with AutoML intelligent defaults
#!/bin/bash
sudo mkdir -p /etc/xdg/sagemaker
echo "SchemaVersion: '1.0'
CustomParameters:
AnyStringKey: 'AnyStringValue'
SageMaker:
AutoMLJob:
# https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html
AutoMLJobConfig:
SecurityConfig:
EnableInterContainerTrafficEncryption: true
VolumeKmsKeyId: 'kms-key-id'
VpcConfig:
SecurityGroupIds:
- 'security-group-id-1'
- 'security-group-id-2'
Subnets:
- 'subnet-1'
- 'subnet-2'
OutputDataConfig:
KmsKeyId: 'kms-key-id'
RoleArn: 'arn:aws:iam::111222333444:role/Admin'
Tags:
- Key: 'tag_key'
Value: 'tag_value'
" | sudo tee /etc/xdg/sagemaker/config.yaml
```
+ **Copiar os arquivos manualmente**: Para copiar os arquivos de configuração manualmente, execute o [script](#autopilot-intelligent-defaults-manual-setup) criado na etapa anterior em um terminal do Studio Classic. Nesse caso, o perfil de usuário que executou o script pode criar experimentos de Autopilot com os valores padrão aplicáveis somente a eles.
+ **Crie uma configuração de ciclo de vida de SageMaker IA** — Como alternativa, você pode usar uma [configuração de ciclo](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) de vida (LCC) para automatizar a personalização do seu ambiente Studio Classic. LCC são scripts de shell acionados por eventos do ciclo de vida do Amazon SageMaker Studio Classic, como iniciar um aplicativo Studio Classic. Essa personalização inclui a instalação de pacotes personalizados, a configuração de extensões do caderno, o pré-carregamento de conjuntos de dados, a configuração de repositórios de código-fonte ou, no nosso caso, o preenchimento prévio dos parâmetros padrão. Os administradores podem anexar a LCC a um domínio do Studio Classic para automatizar a configuração dos valores padrão para cada perfil de usuário dentro desse domínio.
As seções a seguir detalham como criar uma configuração de ciclo de vida para que os usuários possam carregar automaticamente os parâmetros padrão do Autopilot ao iniciar o Studio Classic. Você pode escolher criar uma LCC usando o SageMaker AI Console ou o. AWS CLI
------
#### [ Create a LCC from the SageMaker AI Console ]
Use as etapas a seguir para criar uma LCC contendo seus parâmetros padrão, anexar a LCC a um domínio ou perfil de usuário e, em seguida, iniciar um aplicativo Studio Classic pré-preenchido com os parâmetros padrão definidos pela LCC usando o AI Console. SageMaker
+ **Para criar uma configuração de ciclo de vida que execute o [script](#autopilot-intelligent-defaults-script) contendo seus valores padrão usando o SageMaker AI Console**
+ Abra o console de SageMaker IA em[https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
+ No lado esquerdo, navegue até **Configurações do administrador** e, em seguida, **Configurações de ciclo de vida**.
+ Na página de **Configurações de ciclo de vida**, navegue até a guia Studio Classic e escolha **Criar configuração**.
+ Em **Nome**, digite um nome usando caracteres alfanuméricos e “-”, mas sem espaços. Um rótulo pode ter no máximo 63 caracteres.
+ Cole seu [script](#autopilot-intelligent-defaults-script) na seção **Scripts**.
+ Escolha **Criar configuração** para criar a configuração do ciclo de vida. Isso cria uma LCC do tipo `Kernel gateway app`.
+ **Para anexar a configuração do ciclo de vida a um domínio do Studio Classic, a um espaço ou a um perfil de usuário**
Siga as etapas em [Anexar a configuração do ciclo de vida ao domínio do Studio ou ao perfil do usuário](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-console.html#studio-lcc-create-console-step2) para anexar a LCC a um domínio do Studio ou a um perfil de usuário específico.
+ **Para iniciar a aplicação Studio Classic com a configuração do ciclo de vida**
Depois que a LCC é anexado a um domínio ou perfil de usuário, os usuários afetados podem iniciar a aplicação Studio Classic a partir da página inicial do Studio Classic para obter os padrões definidos pela LCC automaticamente. Isso preenche automaticamente a interface do usuário do Studio Classic ao criar um experimento do Autopilot.
------
#### [ Create a LCC from the AWS CLI ]
Use os trechos a seguir para iniciar uma aplicação do Studio Classic que executa o [script](#autopilot-intelligent-defaults-manual-setup) usando a AWS CLI. Observe que esse `lifecycle_config.sh` é o nome dado ao seu script neste exemplo.
Antes de começar:
+ Verifique se você atualizou e configurou AWS CLI preenchendo os pré-requisitos descritos em [Criar uma configuração de ciclo](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-cli.html) de vida a partir do. AWS CLI
+ Instale a [documentação do OpenSSL](https://www.openssl.org/source/). O AWS CLI comando usa a biblioteca de código aberto *OpenSSL* para codificar seu script no formato Base64. Esse requisito evita erros que ocorram devido à codificação de espaçamento e quebra de linha.
Agora você pode seguir estas três etapas:
+ **Criar uma nova configuração de ciclo de vida referenciando o script de configuração `lifecycle_config.sh`**
```
LCC_CONTENT=`openssl base64 -A -in lifecycle_config.sh`
## Create a new lifecycle config
aws sagemaker create-studio-lifecycle-config --region region \
--studio-lifecycle-config-name lcc-name \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type default
```
Anote o ARN da configuração de ciclo de vida recém-criada que é retornada. Esse ARN é necessário para anexar a configuração do ciclo de vida ao seu aplicativo.
+ **Anexe a configuração do ciclo de vida ao seu `JupyterServerApp`**
O exemplo a seguir mostra como criar um novo perfil de usuário com uma configuração de ciclo de vida anexada. Para atualizar um perfil de usuário existente, use o AWS CLI [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)comando. Para criar ou atualizar um domínio, consulte [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) e [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). Adicione o ARN da configuração do ciclo de vida da etapa anterior às configurações do tipo de aplicação `JupyterServerAppSettings`. É possível adicionar várias configurações de ciclo de vida ao mesmo tempo usando uma lista de configurações de ciclo de vida.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
["lifecycle-configuration-arn"]
}
}'
```
Depois que a LCC é anexada a um domínio ou perfil de usuário, os usuários afetados podem desligar e atualizar seu aplicativo Studio Classic existente seguindo as etapas em [Desligar e atualizar o Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-tasks-update-studio.html), ou iniciar um novo aplicativo Studio Classic a partir do AWS console para obter automaticamente os padrões definidos pela LCC. Isso preenche automaticamente a interface do usuário do Studio Classic ao criar um experimento do Autopilot. Como alternativa, eles podem iniciar um novo aplicativo Studio Classic usando o AWS CLI seguinte.
+ **Inicie seu aplicativo Studio Classic com a configuração do ciclo de vida usando o AWS CLI**
```
# Create a Jupyter Server application
aws sagemaker create-app --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--app-type JupyterServer \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn \
--app-name default
```
Para obter mais informações sobre como criar uma configuração de ciclo de vida usando o AWS CLI, consulte [Criar uma configuração de ciclo de vida a partir do AWS CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc-create-cli.html).
------
**Para criar um experimento do Autopilot usando a interface do usuário do Studio Classic**
1. Faça login em [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/), escolha **Studio** no painel de navegação esquerdo, selecione seu domínio e perfil de usuário e, em seguida, **abra o Studio**.
1. No Studio, escolha o ícone do Studio Classic no painel de navegação superior esquerdo. Isso abre uma aplicação Studio Classic.
1. Execute ou abra a aplicação Studio Classic no espaço que você quiser ou **Crie um espaço do Studio Classic**. Na guia **Início**, escolha o cartão **AutoML**. Isso abre uma nova guia **AutoML**.
1. Escolha **Criar um experimento AutoML**. Isso abre uma nova guia **Criar experimento**.
1. Na seção **Detalhes do experimento e dos dados**, insira as seguintes informações:
1. **Nome do experimento** — deve ser exclusivo da sua conta atual Região da AWS e conter no máximo 63 caracteres alfanuméricos. Pode incluir hifens (-), mas não espaços.
1. **Dados de entrada**: Forneça a localização do bucket do Amazon Simple Storage Service (Amazon S3) dos seus dados de entrada. Esse bucket do S3 deve estar na sua Região da AWS. O URL deve estar em um `s3://` formato em que a Amazon SageMaker AI tenha permissões de gravação. O arquivo deve estar no formato CSV ou Parquet e conter pelo menos 500 linhas. Selecione **Procurar** para percorrer os caminhos disponíveis e **Visualizar** para ver uma amostra dos dados de entrada.
1. **Sua entrada do S3 é um arquivo de manifesto?** : Um arquivo de manifesto inclui metadados com seus dados de entrada. Os metadados especificam a localização dos seus dados no Amazon S3. Ele também especifica como os dados são formatados e quais atributos do conjunto de dados devem ser usados ao treinar seu modelo. É possível usar um arquivo de manifesto como alternativa ao pré-processamento quando seus dados rotulados estão sendo transmitidos no modo `Pipe`.
1. **Divisão automática de dados?** : O Autopilot pode dividir seus dados em uma divisão de 80- 20% para dados de treinamento e validação. Se preferir uma divisão personalizada, você pode escolher a opção **Especificar proporção de divisão**. Para usar um conjunto de dados personalizado para validação, escolha **Fornecer um conjunto de validação**.
1. **Local dos dados de saída (bucket do S3)**: O nome do local do bucket do S3 em que você deseja armazenar os dados de saída. O URL desse bucket deve estar no formato Amazon S3 em que o Amazon SageMaker AI tenha permissões de gravação. O bucket do S3 deve estar na atual Região da AWS. O Autopilot também pode criar isso para você no mesmo local dos dados de entrada.
1. Escolha **Avançar: Alvo e atributos**. A guia **Alvo e atributos** é aberta.
1. Na seção **Alvo e atributos**:
+ Selecione uma coluna para definir como meta para as predições de modelo.
+ Opcionalmente, você pode passar o nome de uma coluna de pesos amostrais na seção **Peso amostral** para solicitar que as linhas do conjunto de dados sejam ponderadas durante o treinamento e a avaliação. Para obter mais informações sobre as métricas objetivas disponíveis, consulte [Métricas ponderadas do Autopilot](autopilot-metrics-validation.md#autopilot-weighted-metrics).
**nota**
O compatibilidade com pesos de amostra está disponível somente no [modo de agrupamento.](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html#autopilot-training-mode)
+ Você também pode selecionar atributos para treinamento e alterar o tipo de dados. Os seguintes tipos de dados estão disponíveis: `Text`, `Numerical`, `Categorical`, `Datetime`, `Sequence` e `Auto`. Todos os atributos são selecionados por padrão.
1. Escolha **Avançar: Método de treinamento**. A guia **Método de treinamento** é aberta.
1. Na seção **Método de treinamento**, selecione sua opção de treinamento: **Agrupamento**, **Otimização de hiperparâmetros (HPO)** ou **Auto** para permitir que o Autopilot escolha o método de treinamento automaticamente com base no tamanho do conjunto de dados. Cada modo de treinamento executa um conjunto predefinido de algoritmos em seu conjunto de dados para treinar candidatos a modelos. Por padrão, o Autopilot pré-seleciona todos os algoritmos disponíveis para o modo de treinamento específico. É possível realizar um experimento de treinamento do Autopilot com todos os algoritmos ou escolher seu próprio subconjunto.
Para obter mais informações sobre os modos de treinamento e os algoritmos disponíveis, consulte a seção **Modos de treinamento do Autopilot** na página [Modos de treinamento e algoritmos](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html).
1. Escolha **Avançar: Implantação e configurações avançadas** para abrir a guia **Implantação e configurações avançadas**. As configurações incluem o nome do endpoint de exibição automática, o tipo de problema de machine learning e opções adicionais para executar seu experimento.
1. **Configurações de implantação**: O Autopilot pode criar automaticamente um endpoint e implantar seu modelo para você.
Para implantar automaticamente em um endpoint gerado automaticamente ou para fornecer um nome de endpoint para implantação personalizada, defina a opção como **Sim** em **Implantação automática?** Se você estiver importando dados do Amazon Data Wrangler, você tem opções adicionais para implantar automaticamente o melhor modelo com ou sem as transformações do SageMaker Data Wrangler.
**nota**
Se o fluxo do Data Wrangler contiver operações de várias linhas como, ou `groupby`, `join` ou `concatenate`, você não poderá implantar automaticamente essas transformações. Para obter mais informações, consulte [Treinar modelos automaticamente em seu fluxo de dados](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-autopilot.html).
1. **Configurações avançadas (opcional)**: O Autopilot fornece controles adicionais para definir manualmente parâmetros experimentais, como definir o tipo de problema, restrições de tempo no trabalho e nos testes do Autopilot, configurações de segurança e criptografia.
**nota**
O Autopilot é compatível com a configuração de valores padrão para simplificar a configuração dos experimentos do Autopilot usando a interface do usuário do Studio Classic. Os administradores podem usar [as configurações de ciclo de vida](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) (LCC) do Studio Classic para definir valores de infraestrutura, rede e segurança nos arquivos de configuração e preencher previamente as *configurações avançadas* dos trabalhos `AutoML`.
Para saber mais sobre como os administradores podem automatizar a personalização de um experimento do Autopilot, consulte [Configurar os parâmetros padrão de um experimento do Autopilot (para administradores)](autopilot-set-default-parameters-create-experiment.md).
1. **Tipo de problema de machine learning**: O Autopilot pode inferir automaticamente o tipo de problema de aprendizado supervisionado a partir do seu conjunto de dados. Se preferir escolhê-lo manualmente, você pode usar o menu suspenso **Selecionar o tipo de problema de machine learning**. **Observe que o padrão é Auto.** Em alguns casos, a SageMaker IA não consegue inferir com precisão. Quando isso acontece, você deve fornecer o valor para que o trabalho seja bem-sucedido. Em particular, é possível escolher entre os seguintes tipos:
+ **Classificação binária**: A classificação binária atribui dados de entrada a uma das duas classes predefinidas e mutuamente exclusivas, com base em seus atributos, como diagnóstico médico baseado em resultados de testes diagnósticos que determinam se alguém tem uma doença.
+ **Regressão**: A regressão estabelece uma relação entre as variáveis de entrada (também conhecidas como variáveis independentes ou atributos) e a variável alvo (também conhecida como variável dependente). Essa relação é capturada por meio de uma função ou modelo matemático que mapeia as variáveis de entrada para uma saída contínua. É comumente usado para tarefas como prever preços de casas com base em atributos como metragem quadrada e número de banheiros, tendências do mercado de ações ou estimativa de números de vendas.
+ **Classificação multiclasse**: A classificação multiclasse atribui dados de entrada a uma das várias classes com base em seus atributos, como a predição do tópico mais relevante para um documento de texto, como política, finanças ou filosofia.
1. **Runtime**: É possível definir um limite máximo de tempo. Ao atingir o limite de tempo, os testes e trabalhos que excedem a restrição de tempo são interrompidos automaticamente.
1. **Acesso** — Você pode escolher a função que o Amazon SageMaker Studio Classic assume para obter acesso temporário Serviços da AWS (em particular, SageMaker AI e Amazon S3) em seu nome. Se nenhuma função for definida explicitamente, o Studio Classic usará automaticamente a função de execução de SageMaker IA padrão anexada ao seu perfil de usuário.
1. **Criptografia**: Para aumentar a segurança de seus dados em repouso e protegê-los contra acesso não autorizado, você pode especificar chaves de criptografia para criptografar dados em seus buckets do Amazon S3 e no volume do Amazon Elastic Block Store (Amazon EBS) anexado ao seu domínio do Studio Classic.
1. **Segurança** — Você pode escolher a nuvem privada virtual (Amazon VPC) na qual seu trabalho de SageMaker IA é executado. Certifique-se de que o Amazon VPC tenha acesso aos seus buckets de entrada e saída do Amazon S3.
1. **Projeto** — especifique o nome do projeto de SageMaker IA a ser associado a esse experimento do piloto automático e às saídas do modelo. Quando você especifica um projeto, o Autopilot marca o projeto como um experimento. Isso permite que você saiba quais saídas do modelo estão associadas a este projeto.
1. **Etiquetas**: As etiquetas são um array de pares de chave-valor. Use tags para categorizar seus recursos Serviços da AWS, como finalidade, proprietário ou ambiente.
1. Escolha **Avançar: Revise e crie** para obter um resumo do seu experimento do Autopilot antes de criá-lo.
1. Selecione **Criar experimento**. A criação do experimento inicia um trabalho de piloto automático na SageMaker IA. O Autopilot fornece o status do experimento, informações sobre o processo de exploração de dados e candidatos a modelos em cadernos, uma lista dos modelos gerados e seus relatórios e o perfil de trabalho usado para criá-los.
Para obter informações sobre os cadernos gerados por uma tarefa do Autopilot, consulte [Cadernos do Autopilot gerados para gerenciar tarefas de AutoML](autopilot-automate-model-development-notebook-output.md). Para ter informações sobre os detalhes de cada opção de modelo e os respectivos relatórios, consulte [visualizar detalhes do modelo](autopilot-models-details.md) e [Visualizar um relatório de desempenho do modelo do Autopilot](autopilot-model-insights.md).
**nota**
Para evitar cobranças desnecessárias: se você implantar um modelo que não é mais necessário, exclua os endpoints e os recursos que foram criados durante a implantação. Informações sobre instâncias de preços por região estão disponíveis na [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).