Translation not up to date
Chcete-li sestavit modely Decision Optimization , můžete vytvořit Python notebooky s DOcplex, nativní Python API pro Decision Optimization, nebo použít Decision Optimization experiment UI , které má více výhod a funkcí.
Různé způsoby použití Decision Optimization
V závislosti na vašich dovednostech a odborných znalostech můžete použít Decision Optimizationnásledujícími různými způsoby.
- Python notebooky
- Můžete vytvořit Python notebooky s Dokplex, nativním Python API pro Decision Optimization. Viz DOcplex. Potřebujete Operational Research (OR) modeling expertise k vytvoření proměnných, cílů a omezení, které představují váš problém.
Další informace o podporovaných prostředích Python naleznete v příručce Decision Optimization notebooky.
- Decision Optimization experimentovat UI
- Experiment UI usnadňuje sled prací a poskytuje mnoho dalších funkcí. Viz výhody Decision Optimization Experiment UI -výhody.
- Modely Java
- K implementaci a spouštění modelů Java můžete použít rozhraní Watson Machine Learning REST API. Další informace naleznete v tématu Decision Optimization Modely Java.
- Implementace dávky
- Další informace o implementaci pomocí produktu Watson Machine Learningviz téma Decision Optimization.
Chcete-li sestavit, vyřešit a implementovat model produktu Decision Optimization pomocí uživatelského rozhraní pomocí uživatelského rozhraní, projděte si téma Výukový program Stručný úvod s videem.
Decision Optimization experimentovat uživatelské rozhraní výhody
Následující tabulka ukazuje, jak můžete provádět různé funkce jak s Decision Optimization experiment UI, tak bez něj. Jupyter notebooky v této tabulce jsou notebooky bez Decision Optimization experimentování UI. Jak vidíte, máte více výhod při použití Decision Optimization experimentování UI. Viz Funkce tvůrce modelů.
| Úloha | Jupytter notebook (bez Decision Optimization experiment UI) | Decision Optimization experiment uživatelského rozhraní (4 typy modelů) | |||
|---|---|---|---|---|---|
| Python | Modely OPL | Modely CPLEX a CPO | Modeling Assistant | ||
| Spravovat data | Importovat data z projektů. |
Importujte data z projektů Projekty a upravte data v pohledu Připravit data. Viz téma Příprava datového zobrazení. |
Importujte data z projektů Projekty a upravte data v pohledu Připravit data. Viz téma Příprava datového zobrazení. |
Vztahy ve vašich datech jsou inteligentně vyvozeny. |
|
| Formulování a spuštění optimalizačních modelů | Vytvořte vzorovou formulaci od začátku v Python notebook. pomocí rozhraní DOcplex API. Pomocí notebooků lze jednotlivé buňky spustit interaktivně, což usnadňuje ladění. |
Vytvořte modelovou formulaci od začátku v Python. Importujte a zobrazte formulování modelu z notebooku nebo souboru. Upravte naimportovaný model Python přímo. Exportujte váš model jako notebook. Pomocí notebooků lze jednotlivé buňky spustit interaktivně, což usnadňuje ladění. |
Vytvořte vzorovou formulaci od začátku v OPL. Importujte a zobrazte formulování modelu ze souboru OPL. Upravte importovaný OPL model přímo. |
Vytvořte vzorovou formulaci od začátku v CPLEX nebo CPO. Importujte soubor modelu CPLEX nebo CPO (soubory.lp, .mpsa .cpo ). Upravte soubory .lp, .mpsa .cpo . Spustit model a stáhnout soubor řešení. |
Vytvořte vzorovou formulaci od začátku výběrem z navrhovaných možností vyjádřených v přirozeném jazyce. Importujte a zobrazte vzorovou formulaci modelu Modeling Assistant ze scénáře. Upravte importovaný model přímo. |
| Vytvořit a porovnat více scénářů | Zapište kód Python , který bude zpracovávat správu scénářů. |
Vytvářejte a spravujte scénáře pro porovnání různých instancí modelu, dat a řešení. Viz Podokno Scénář a Přehled. |
|||
| Vytvoření a sdílení sestav | Vytvářejte sestavy ve vašich noteboocích pomocí nástrojů pro vizualizaci dat Python . |
Rychlé vytváření sestav v pohledu Vizualizace se používá k použití modulů widget, stránek a editoru JSON. Stáhněte sestavu jako soubor JSON, který chcete sdílet se svým týmem. |
|||
| Implementace modelu | Implementujte notebooky pomocí rozhraní Watson Machine Learning REST API nebo klienta Python . |
Vyberte scénář, který chcete uložit pro povýšení do prostoru implementace. Viz téma Implementace modelu Decision Optimization pomocí uživatelského rozhraní. Implementujte svůj předběžný model Decision Optimization a přidružená společná data pouze jednou, a pak odešlete požadavky na úlohy k této implementaci pouze s souvisejícími transakčními daty. Modely můžete implementovat pomocí rozhraní Watson Machine Learning REST API , nebo pomocí klienta Watson Machine Learning Python. Viz Watson Machine Learning REST API a Watson Machine Learning Python client. |
|||