esempi di client Python runtime di watsonx.ai
Esaminare e utilizzare i Quaderni Jupyter di esempio che utilizzano la libreria Runtime Python watsonx.ai per dimostrare le caratteristiche e le tecniche di apprendimento automatico. Ogni notebook elenca gli obiettivi di apprendimento in modo da poter trovare quello che meglio soddisfa i tuoi obiettivi.
Addestramento e distribuzione di modelli da notebook
Se scegli di creare un modello di machine learning in un notebook, devi essere a tuo agio con la codifica in un Jupyter Notebook. Un notebook Jupyter è un ambiente basato sul web per il calcolo interattivo. È possibile eseguire piccole parti di codice che elaborano i dati, quindi visualizzare immediatamente i risultati del calcolo. Con questo strumento è possibile assemblare, testare ed eseguire tutti i blocchi necessari per lavorare con i dati, salvare i dati in watsonx.ai Runtime e distribuire il modello.
Informazioni sui notebook di esempio
Esistono molti modi per creare e addestrare i modelli e quindi distribuirli. Pertanto, il modo migliore per imparare è quello di esaminare gli esempi annotati che ti fanno passare attraverso il processo utilizzando diversi framework. Esaminare gli esempi rappresentativi che dimostrano le funzioni principali.
Gli esempi sono realizzati utilizzando la versione V4 della libreria clientPython watsonx.ai
Guarda questo video per scoprire come addestrare, distribuire e testare un modello di machine learning in Jupyter Notebook. Questo video rispecchia Utilizza scikit - imparare a riconoscere le cifre scritte a mano che si trovano nella tabella Esempi di distribuzione .
Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.
Guardate questo video per imparare a testare un modello creato con AutoAI utilizzando le API watsonx.ai Runtime in Jupyter Notebook.
Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.
Variabili utili
Utilizza la variabile di ambiente PROJECT_ID predefinita per richiamare le API client watsonx.ai Python . PROJECT_ID è la guida del progetto in cui è in esecuzione il tuo ambiente.
Esempi di distribuzione
Visualizzate o eseguite questi Quaderni Jupyter per vedere come vengono implementate le tecniche utilizzando vari framework. Alcuni degli esempi si basano su modelli addestrati, che sono disponibili anche per il download dal repository pubblico.
Le chiamate API per la creazione e la gestione delle distribuzioni attualmente restituiscono campi duplicati nei campi oggetto entity e metadata . Questo comportamento è ora deprecato. A partire dal 5 agosto 2025, questi campi non saranno inclusi nel campo dell'oggetto entità restituito per le chiamate GET, GET ALL, CREATE e PATCH API :
namespace_idproject_idtagsdescription
Per evitare interruzioni, è necessario aggiornare il codice che attualmente gestisce le risposte API relative alla distribuzione. Ad esempio, se il codice è questo:
data = response.json()
name = data["entity"]["name"]
è necessario aggiornarlo a questo:
data = response.json()
name = data["metadata"]["name"]
È possibile accedere all'hub risorse selezionando hub risorse dal menu di navigazione principale.
| Nome di esempio | Framework | Tecniche dimostrate |
|---|---|---|
| Utilizzare scikit-learn e una libreria personalizzata per prevedere la temperatura | Scikit-learn | Addestrare un modello con un trasformatore personalizzato definito Persistere il trasformatore personalizzato e il modello nel repository watsonx.ai Runtime Distribuire il modello utilizzando il servizio watsonx.ai Runtime Eseguire previsioni che utilizzano il modello distribuito |
| Utilizzare il PMML per prevedere le specie di iris | PMML | Distribuisci e calcola il punteggio di un modello PMML |
| Utilizzare la funzione Python per riconoscere le cifre scritte a mano | Python | Utilizzare una funzione per memorizzare un modello di esempio, quindi distribuire il modello di esempio. |
| Utilizzare scikit-learn per riconoscere le cifre scritte a mano | Scikit-learn | Addestrare il modello sklearn Persistere il modello addestrato nel repository di watsonx.ai Runtime Distribuire il modello per lo scoring online utilizzando la libreria client Assegnare il punteggio ai record del campione utilizzando la libreria client |
| Usare Spark e l'implementazione batch per prevedere il churn dei clienti | Spark | Caricare un file CSV in un Apache Spark DataFrame Esplorare i dati Preparare i dati per l'addestramento e la valutazione Creare una pipeline di apprendimento automatico Apache Spark Addestrare e valutare un modello Persistere una pipeline e un modello nel repository watsonx.ai Runtime Esplorare e visualizzare i risultati della predizione utilizzando il pacchetto plotly Distribuire un modello per lo scoring in batch utilizzando watsonx.ai Runtime API |
| Utilizzare Spark e Python per prevedere il rischio di credito | Spark | Caricare un file CSV in un Apache® Spark DataFrame Esplorare i dati Preparare i dati per l'addestramento e la valutazione Persistere una pipeline e un modello nel repository watsonx.ai Runtime da file tar.gz Distribuire un modello per lo scoring online utilizzando l'API watsonx.ai Runtime Valutare i dati di esempio utilizzando l'API watsonx.ai Runtime Esplorare e visualizzare i risultati delle previsioni utilizzando il pacchetto plotly |
| Utilizzate SPSS per prevedere la rinuncia dei clienti | SPSS | Lavorare con l'istanza Eseguire una distribuzione in linea dei dati di punteggio del modello SPSS utilizzando il modello distribuito |
| Utilizzare XGBoost per classificare i tumori | XGBoost | Caricare un file CSV in un array numpy Esplorare i dati Preparare i dati per l'addestramento e la valutazione Creare un modello di apprendimento automatico XGBoost Addestrare e valutare un modello Usare la convalida incrociata per ottimizzare gli iperparametri del modello Persistere un modello nel repository watsonx.ai Runtime Distribuire un modello per lo scoring online Assegnare un punteggio ai dati campione |
| Prevedere il business delle auto | Spark | Scaricare un modello Keras addestrato esternamente con un dataset. Persistere un modello esterno nel repository watsonx.ai Runtime. Distribuire un modello per lo scoring online utilizzando la libreria client. Eseguire il punteggio di record campione utilizzando la libreria client. |
| Distribuire la funzione Python per le specifiche del software | Principale | Creare una funzione Python Creare un servizio web Segnare il modello |
| Machine Learning gestione degli artefatti | Principale | Esporta e importa risorse Carica, distribuisci e calcola il punteggio dei modelli creati esternamente |
| Utilizzate Decision Optimization per pianificare la vostra dieta | Principale | Creare un modello di pianificazione della dieta utilizzando l'Decision Optimization |
| Utilizzate SPSS e l'implementazione batch con Db2 per prevedere l'abbandono della clientela | SPSS | Caricare un file CSV in un Apache Spark DataFrame Esplorare i dati Preparare i dati per l'addestramento e la valutazione Persistere una pipeline e un modello nel repository watsonx.ai Runtime da file tar.gz Distribuire un modello per lo scoring online utilizzando l'API watsonx.ai Runtime Valutare i dati di esempio utilizzando l'API watsonx.ai Runtime Esplorare e visualizzare i risultati delle previsioni utilizzando il pacchetto plotly |
| Utilizzate le funzionalità di scikit-learn e del ciclo di vita dell'AI per prevedere i prezzi delle case in California con ibm- watsonx -ai | Scikit-learn | Scaricare un modello scikit-learn addestrato esternamente con il set di dati Persistere un modello esterno nel repository watsonx.ai Runtime Distribuire il modello per lo scoring online usando la libreria client Attribuire un punteggio ai record del campione usando la libreria client Aggiornare il modello precedentemente persistito Distribuire nuovamente il modello al suo posto Scalare il deployment |
| Previsione del rischio di credito in Germania con Scikit-learn per il monitoraggio del modello | Scikit-learn | Addestrare, creare e distribuire un modello di previsione del rischio di credito con monitoraggio |
| Monitoraggio del modello tedesco di rischio di credito | Scikit-learn | Addestrare, creare e distribuire un modello di previsione del rischio di credito con le funzionalità di IBM Watson OpenScale |
| Convertire la rete neurale ONNX da assi fissi ad assi dinamici e utilizzarla con ibm- watsonx -ai | ONNX | Impostazione dell'ambiente ' Creazione ed esportazione del modello ONNX di base ' Conversione del modello da assi fissi ad assi dinamici ' Persistenza del modello ONNX convertito ' Distribuzione e valutazione del modello ONNX ' Pulizia ' Riepilogo e passi successivi |
| Utilizzare il modello ONNX convertito da PyTorch con ibm- watsonx -ai | ONNX | Creare il modello PyTorch con il set di dati. Convertire il modello PyTorch in formato ONNX ' Persistere il modello convertito nel repository Watson Machine Learning. Distribuire il modello per il punteggio online usando la libreria client. Punteggio dei record di esempio utilizzando la libreria client. |
| Utilizzare il modello ONNX convertito da TensorFlow per riconoscere le cifre scritte a mano con ibm- watsonx -ai | ONNX | Scaricare un modello TensorFlow addestrato esternamente con un set di dati. Convertire il modello TensorFlow in formato ONNX ' Persistere il modello convertito nel repository Watson Machine Learning. Distribuire il modello per il punteggio online usando la libreria client. Punteggio dei record di esempio utilizzando la libreria client. |
Esempi di AutoAI
Visualizzate o eseguite questi Jupyter Notebook per vedere come vengono implementate le tecniche del modello AutoAI.
È possibile accedere all'hub risorse selezionando hub risorse dal menu di navigazione principale.
| Nome di esempio | Framework | Tecniche dimostrate |
|---|---|---|
| Utilizzare AutoAI e Lale per prevedere il rischio di credito | Ibrido (AutoAI) con Lale | Lavorare con watsonx.ai Esperimenti runtime per addestrare modelli AutoAI ' Confrontare la qualità dei modelli addestrati e selezionare il migliore per un ulteriore affinamento ' Affinare il modello migliore e testare nuove varianti ' Distribuire e valutare il modello addestrato |
| Utilizzare AutoAI per prevedere il rischio di credito | Ibrido (AutoAI) | Lavorare con watsonx.ai Esperimenti runtime per addestrare modelli AutoAI ' Confrontare la qualità dei modelli addestrati e selezionare il migliore per un ulteriore affinamento ' Affinare il modello migliore e testare nuove varianti ' Distribuire e valutare il modello addestrato |
Altri esempi
Per sapere come testare un modello usando il client API di watsonx.ai Runtime, vedere Test del modello usando il client API.
Ulteriori risorse
Dall'hub delle risorse, è possibile esaminare o eseguire una serie di acceleratori di settore end-to-end che dimostrano una gamma di servizi e soluzioni. Per ulteriori informazioni, consultare Acceleratori di settore.
Passi successivi
- Per ulteriori informazioni sull'utilizzo degli editor di notebook, consultare Blocco note.
- Per ulteriori informazioni sull'utilizzo dei notebook, vedi Coding and running notebooks.
Argomento principale: Gestione delle distribuzioni predittive