Translation not up to date
Aby zbudować modele Decision Optimization , można utworzyć Python notebooki z DOcplex, rodzimą funkcję API Python dla Decision Optimizationlub użyć Decision Optimization interfejs użytkownika doświadczenia , które mają więcej korzyści i funkcji.
Różne sposoby korzystania z opcji Decision Optimization
W zależności od posiadanych umiejętności i wiedzy specjalistycznej, można skorzystać z opcji Decision Optimization, na następujące różne sposoby.
- Python notebooki
- You can create Python notebooki with DOcplex, a native Python API for Decision Optimization. Patrz DOcplex. Aby utworzyć zmienne, cele i ograniczenia, aby przedstawić problem, należy uzyskać wiedzę specjalistyczną w zakresie modelowania operacyjnego (OR).
Więcej informacji na temat obsługiwanych środowisk Python zawiera sekcja Decision Optimization notebooki.
- Decision Optimization interfejs użytkownika eksperymentu
- Interfejs użytkownika eksperymentu ułatwia przepływ pracy i udostępnia wiele innych funkcji. Patrz Zalety produktu Decision Optimization interfejs użytkownika doświadczenia.
- Modele Java
- Za pomocą interfejsu REST API Watson Machine Learning można wdrażać i uruchamiać modele Java. Więcej informacji na ten temat zawiera sekcja Decision Optimization.
- Wdrażanie wsadowe
- Więcej informacji na temat wdrażania przy użyciu opcji Watson Machine Learningzawiera sekcja Decision Optimization.
Aby uzyskać przewodnik krok po kroku w celu zbudowania, rozwiązania i wdrożenia modelu Decision Optimization przy użyciu interfejsu użytkownika, należy zapoznać się z informacjami w sekcji Szybki start z filmem wideo.
Zalety produktu Decision Optimization interfejs użytkownika doświadczenia
W poniższej tabeli opisano, w jaki sposób można wykonywać różne funkcje, zarówno z Decision Optimization interfejs użytkownika doświadczenia, jak i bez. notebooki Jupyter w tej tabeli to notebooki bez interfejsu użytkownika eksperymentu Decision Optimization . Jak widać, masz więcej zalet, jeśli korzystasz z Decision Optimization interfejs użytkownika doświadczenia. Patrz sekcja Funkcje programu budującego modele.
| Zadanie | Notatnik Jupyter (bez interfejsu użytkownika eksperymentu Decision Optimization ) | Decision Optimization interfejs użytkownika eksperymentu (4 typy modeli) | |||
|---|---|---|---|---|---|
| Python | Modele OPL | Modele CPLEX i CPO | Modeling Assistant | ||
| Zarządzaj danymi | Importuj dane z projektów. |
Zaimportuj dane z projektów i edytuj dane w widoku Przygotowanie danych. Patrz sekcja Przygotowanie widoku danych. |
Zaimportuj dane z projektów i edytuj dane w widoku Przygotowanie danych. Patrz sekcja Przygotowanie widoku danych. |
Relacje w Twoich danych są inteligentnie wydedukowane. |
|
| Formułowanie i uruchamianie modeli optymalizacji | Utwórz formułę modelu od podstaw w języku Python notebook. korzystanie z API DOcplex. W przypadku notebooków poszczególne komórki mogą być uruchamiane interaktywnie, co ułatwia debugowanie. |
Utwórz formułę modelu od podstaw w języku Python. Zaimportuj i wyświetl formułę modelu z poziomu notatnika lub pliku. Bezpośrednie edytowanie zaimportowanego modelu Python . Wyeksportuj model jako notebook. W przypadku notebooków poszczególne komórki mogą być uruchamiane interaktywnie, co ułatwia debugowanie. |
Tworzenie modelu formułowania od podstaw w OPL. Zaimportuj i wyświetl formułę modelu z pliku OPL. Edycja zaimportowanego modelu OPL bezpośrednio. |
Tworzenie modelu formułowania od podstaw w CPLEX lub CPO. Zaimportuj plik modelu CPLEX lub CPO (pliki.lp, .mpsi .cpo ). Edytuj pliki .lp, .mpsi .cpo . Uruchom model i pobierz plik rozwiązania. |
Tworzenie formuł modelowych od podstaw, wybierając spośród proponowanych opcji wyrażonych w języku naturalnym. Zaimportuj i wyświetl formułę modelu Modeling Assistant ze scenariusza. Edytuj zaimportowany model bezpośrednio. |
| Tworzenie i porównywanie wielu scenariuszy | Napisz kod Python , aby obsłużyć zarządzanie scenariuszem. |
Tworzenie scenariuszy i zarządzanie nimi w celu porównania różnych instancji modelu, danych i rozwiązań. Patrz Panel scenariuszy i Przegląd. |
|||
| Tworzenie i współużytkowanie raportów | Utwórz raporty w notebookach za pomocą narzędzi do wizualizacji danych Python . |
Szybkie tworzenie raportów w widoku Wizualizacja przy użyciu widgetów, stron i edytora JSON. Pobierz raport jako plik JSON w celu udostępnienia go do współużytkowania dla zespołu. |
|||
| Wdrażanie modelu | Wdrażaj notebooki za pomocą interfejsu API REST Watson Machine Learning lub klienta Python . |
Wybierz scenariusz, który ma zostać zapisany w celu awansowania do obszaru wdrażania. Więcej informacji na ten temat zawiera sekcja Wdrażanie modelu Decision Optimization przy użyciu interfejsu użytkownika. Wdróż model przepisowy produktu Decision Optimization i powiązane wspólne dane raz, a następnie wyślij do tego wdrożenia żądania zadań tylko z powiązanymi danymi transakcyjnymi. Modele można wdrażać za pomocą interfejsu API usług REST Watson Machine Learning lub za pomocą klienta Watson Machine Learning Python. Patrz Interfejs REST API produktu Watson Machine Learning i Klient Watson Machine Learning Python. |
|||