O conjunto de dados de treinamento inclui recursos categóricos e numéricos. Para maximizar a precisão do modelo com a menor sobrecarga operacional, como o engenheiro de ML deve preparar esses recursos?

A opção correta é usar o Amazon SageMaker Data Wrangler para converter recursos categóricos em formato numérico. O Data Wrangler é uma ferramenta visual no SageMaker que simplifica a preparação de dados, incluindo a codificação de variáveis categóricas (por exemplo, One-Hot Encoding ou Label Encoding), o que é essencial para a maioria dos algoritmos de Machine Learning. Ele oferece uma interface de baixo código e integra-se perfeitamente ao SageMaker, minimizando a sobrecarga operacional. Converter recursos numéricos em bins categóricos (binning) pode ser útil em alguns casos, mas não é a etapa principal para preparar recursos categóricos e pode levar à perda de informações se não for feito cuidadosamente. O AWS Glue é uma ferramenta de ETL robusta, mas o Data Wrangler é mais focado e otimizado para a preparação de dados especificamente para Machine Learning dentro do ecossistema SageMaker, oferecendo uma experiência mais direta e com menor sobrecarga para esta tarefa.