查看并使用使用watsonx.aiRuntimePython库的Jupyter笔记本示例，演示机器学习功能和技术。 每个 Notebook 都列出了学习目标，以便您可以找到最符合您目标的学习目标。
从 Notebook 中训练和部署模型
如果选择在 Notebook 中构建机器学习模型，那么您必须熟悉 Jupyter Notebook中的编码。 Jupyter Notebook 是基于 Web 的交互式计算环境。 您可以运行处理数据的小部分代码，然后立即查看计算结果。 使用该工具，您可以组装、测试和运行处理数据所需的所有构建模块，将数据保存到watsonx.aiRuntime，并部署模型。
从样本 Notebook 中学习
存在许多方法来构建和训练模型，然后对其进行部署。 因此，学习的最佳方法是查看带注释的样本，这些样本通过使用不同的框架来指导您完成此过程。 查看演示关键功能的代表性样本。
样本是通过使用V4版本的watsonx.ai Python客户端库构建的。
观看此视频以了解如何在 Jupyter Notebook中训练，部署和测试机器学习模型。 此视频反映了在 部署样本 表中找到的 使用 scikit-learn 识别手写数字 。
此视频提供了一种可视方法来学习本文档中的概念和任务。
观看本视频，了解如何在Jupyter Notebook 中使用watsonx.aiRuntime API 测试使用AutoAI创建的模型。
此视频提供了一种可视方法来学习本文档中的概念和任务。
有用变量
使用预定义的 PROJECT_ID 环境变量来调用 watsonx.ai Python 客户机 API。 PROJECT_ID 是运行环境的项目的指南。
部署样本
查看或运行这些Jupyter笔记本，了解如何使用各种框架实现技术。 一些样本依赖于经过训练的模型，这些模型也可供从公共存储库下载。
| 样本名称 | 框架 | 演示的方法 |
|---|---|---|
| 使用 scikit-learn 和定制库预测温度 | Scikit-learn | 使用自定义转换器训练模型 在watsonx.aiRuntime 资源库中保存自定义转换器和模型 使用watsonx.aiRuntime 服务部署模型 使用部署的模型执行预测 |
| 使用 PMML 预测鸢尾花物种 | PMML | 部署 PMML 模型并进行评分 |
| 使用 Python 函数识别手写数字 | Python | 使用函数来存储样本模型，然后部署样本模型。 |
| 使用 scikit-learn 识别手写数字 | Scikit-learn | 训练 sklearn 模型 将训练好的模型保存在watsonx.ai运行时存储库中 使用客户端库部署模型进行在线评分 使用客户端库对样本记录进行评分 |
| 使用 Spark 和批量部署预测客户流失率 | Spark | 将 CSV 文件载入Apache SparkDataFrame 探索数据 准备用于训练和评估的数据 创建Apache Spark机器学习管道 训练和评估模型 在watsonx.aiRuntime 存储库中保存管道和模型 使用 plotly 软件包探索预测结果并将其可视化 使用watsonx.aiRuntime API 部署模型进行批量评分 |
| 使用 Spark 和 Python 预测信用风险 | Spark | Load a CSV file into an Apache® Spark DataFrame Explore data Prepare data for training and evaluation Persist a pipeline and model in watsonx.ai Runtime repository from tar.gz files Deploy a model for online scoring by using watsonx.ai Runtime API Score sample data by using the watsonx.ai Runtime API Explore and visualize prediction results by using the plotly package |
| 使用 SPSS 预测客户流失率 | SPSS | 使用实例 使用已部署的模型执行 SPSS 模型的联机部署 评分数据 |
| 使用 XGBoost 对肿瘤进行分类 | XGBoost | 将 CSV 文件载入 numpy 数组 探索数据 准备用于训练和评估的数据 创建 XGBoost 机器学习模型 训练和评估模型 使用交叉验证来优化模型的超参数 将模型保存在watsonx.ai运行时存储库中 部署模型进行在线评分 对样本数据进行评分 |
| 预测汽车业务 | Spark | 下载外部训练的Keras模型和数据集。 将外部模型保存在watsonx.aiRuntime 资源库中。 使用客户端库部署在线评分模型。 使用客户端库对样本记录进行评分。 |
| 针对软件规范部署 Python 函数 | 核心 | 创建Python函数 创建网络服务 对模型进行评分 |
| 机器学习工件管理 | 核心 | 导出和导入工件 装入，部署和对外部创建的模型进行评分 |
| 使用Decision Optimization来计划饮食 | 核心 | 利用Decision Optimization创建饮食计划模型 |
| 使用SPSS和Db2的批量部署来预测客户流失率 | SPSS | Load a CSV file into an Apache Spark DataFrame Explore data Prepare data for training and evaluation Persist a pipeline and model in watsonx.ai Runtime repository from tar.gz files Deploy a model for online scoring by using watsonx.ai Runtime API Score sample data by using the watsonx.ai Runtime API Explore and visualize prediction results by using the plotly package |
| 利用 scikit-learn 和人工智能生命周期功能预测波士顿房价 | Scikit-learn | 从 scikit-learn 加载样本数据集 探索数据 准备用于训练和评估的数据 创建 scikit-learn 管道 训练和评估模型 在watsonx.aiRuntime 资源库中存储模型 利用AutoAI生命周期功能部署模型 |
| 利用 Scikit-learn 进行德国信贷风险预测，实现模型监控 | Scikit-learn | 培训、创建和部署具有监控功能的信用风险预测模型 |
| 监测德国信贷风险模型 | Scikit-learn | 利用IBM Watson OpenScale功能训练、创建和部署信用风险预测模型 |
| 将 ONNX 神经网络从固定轴转换为动态轴，并与watsonx 一起使用 | ONNX | 设置环境 ' 创建并导出基本 ONNX 模型 ' 将模型从固定轴转换为动态轴 ' 保存转换后的 ONNX 模型 ' 部署 ONNX 模型并进行评分 ' 清理 ' 总结和下一步操作 |
| 用watsonx 使用从PyTorch转换而来的 ONNX 模型 | ONNX | 使用数据集创建PyTorch模型。 将PyTorch模型转换为 ONNX 格式 ' 将转换后的模型保存在Watson Machine Learning资源库中。 使用客户端库部署在线评分模型。 使用客户机库对样本记录进行评分。 |
| 使用从TensorFlow转换而来的 ONNX 模型，用watsonx 识别手写数字 | ONNX | 下载外部训练的TensorFlow模型和数据集。 将TensorFlow模型转换为 ONNX 格式 ' 将转换后的模型保存在Watson Machine Learning资源库中。 使用客户端库部署在线评分模型。 使用客户机库对样本记录进行评分。 |
AutoAI 样本
查看或运行这些 Jupyter Notebook 以了解如何实现 AutoAI 模型方法。
| 样本名称 | 框架 | 演示的方法 |
|---|---|---|
| 使用 AutoAI 和 Lale 预测信用风险 | 使用 Lale 的混合 (AutoAI) | 使用watsonx.ai运行时实验训练AutoAI模型 ' 比较训练模型的质量，选择最佳模型进行进一步完善 ' 完善最佳模型并测试新的变体 ' 部署训练模型并为其评分 |
| 使用 AutoAI 来预测信用风险 | 混合 (AutoAI) | 使用watsonx.ai运行时实验训练AutoAI模型 ' 比较训练模型的质量，选择最佳模型进行进一步完善 ' 完善最佳模型并测试新的变体 ' 部署训练模型并为其评分 |
更多样本
要了解如何使用watsonx.aiRuntime API 客户端测试模型，请参阅使用 API 客户端测试模型。
<
通过 Resource Hub ，您可以查看或运行一系列端到端的行业加速器，以演示一系列服务和解决方案。 有关更多信息，请参阅 行业加速器。
后续步骤
- 要了解有关使用 Notebook 编辑器的更多信息，请参阅 Notebook。
- 要了解有关使用 Notebook 的更多信息，请参阅 编码和运行 Notebook。
父主题: 管理预测性部署