実践 AWSデータサイエンス ―エンドツーエンドのMLOpsパイプライン実装

5章データセットを探索

　前章では、Amazon AthenaとAmazon Redshiftを使ってクラウドにデータを取り込む方法を紹介しました。Athenaは、クラスターのセットアップ、スケーリング、および管理を必要とせずに、S3内のデータに対するアドホックでサーバーレスなSQLクエリを提供します。Redshiftは、企業レポートやビジネスインテリジェンスワークロードのための、特にリレーショナルデータベースやフラットファイルを含む多くのデータソースにまたがる複数のジョインやサブクエリを含む複雑なSQLを行うワークロードに対して、最速のクエリパフォーマンスを発揮します。AWS Glue Catalogを使用して、S3ベースのデータレイクのデータカタログマッピングを作成しました。Athenaを使ってデータレイクでアドホックなクエリを実行しました。また、Redshiftデータウェアハウスのクエリを実行しました。

　また、データセットの中身を少し覗いてみました。Amazon Customer Reviews Datasetは、1995年から2015年までの間に得られた、Amazon.comウェブサイト上の43個の商品カテゴリーの商品に対する1億5千万件以上のカスタマーレビューから構成されています。このデータセットには、実際のカスタマーレビューのテキストと追加のメタデータが含まれています。データのフォーマットは2種類あります。行ベースのタブ区切り値（TSV）と列指向のApache Parquetです。

　本章では、SageMaker Studio統合開発環境（IDE）を、データ分析とモデル開発ライフサイクルのための主要なワークスペースとして使用します。SageMaker Studioは、フルマネージドのJupyter ...