watsonx.ai Runtime Python client muestras y ejemplos
Revise y utilice cuadernos Jupyter de muestra que utilizan la biblioteca watsonx.ai Runtime Python para demostrar las características y técnicas del aprendizaje automático. Cada cuaderno enumera los objetivos de aprendizaje para que pueda encontrar el que mejor se ajuste a sus objetivos.
Entrenamiento y despliegue de modelos desde cuadernos
Si elige crear un modelo de aprendizaje automático en un cuaderno, debe estar cómodo con la codificación en un Jupyter Notebook. Un cuaderno de Jupyter es un entorno basado en web para los cálculos interactivos. Puede ejecutar pequeños fragmentos de código que procesan los datos y, a continuación, ver inmediatamente los resultados de su cálculo. Con esta herramienta, puede ensamblar, probar y ejecutar todos los componentes necesarios para trabajar con datos, guardar los datos en watsonx.ai Runtime y desplegar el modelo.
Aprenda con los cuadernos de ejemplo
Existen muchas formas de crear y entrenar modelos y, a continuación, desplegarlos. Por lo tanto, la mejor manera de aprender es examinar los ejemplos anotados que le guían a través del proceso utilizando distintas infraestructuras. Revise ejemplos representativos que demuestren características clave.
Las muestras se construyen utilizando la versión ' V4 ' de ' watsonx.ai ' ' biblioteca cliente Python .
Vea este vídeo para aprender a entrenar, desplegar y probar un modelo de aprendizaje automático en un cuaderno Jupyter. Este vídeo refleja Utilizar scikit-learn para reconocer los dígitos escritos a mano que se encuentran en la tabla Ejemplos de despliegue .
Este vídeo proporciona un método visual para aprender los conceptos y tareas de esta documentación.
Vea este vídeo para aprender a probar un modelo creado con AutoAI utilizando las API de ejecución de watsonx.ai en Jupyter Notebook.
Este vídeo proporciona un método visual para aprender los conceptos y tareas de esta documentación.
Variables útiles
Utilice la variable de entorno PROJECT_ID predefinida para llamar a las API de cliente watsonx.ai Python . PROJECT_ID es la guía del proyecto donde se ejecuta el entorno.
Ejemplos de despliegue
Vea o ejecute estos cuadernos Jupyter para ver cómo se implementan las técnicas utilizando varios marcos. Algunos de los ejemplos se basan en modelos entrenados, que también están disponibles para descargar desde el repositorio público.
Actualmente, las llamadas a la API para crear y gestionar implantaciones devuelven campos duplicados en los campos de objeto entity y metadata . Este comportamiento ha quedado obsoleto. A partir del 5 de agosto de 2025, estos campos no se incluirán en el campo objeto entidad que se devuelve para las llamadas a GET, GET ALL, CREATE y PATCH API :
namespace_idproject_idtagsdescription
Para evitar interrupciones, debe actualizar el código que gestiona actualmente las respuestas de la API relacionadas con el despliegue. Por ejemplo, si este es tu código
data = response.json()
name = data["entity"]["name"]
debes actualizarlo a esto:
data = response.json()
name = data["metadata"]["name"]
Puede acceder al Centro de recursos seleccionando Centro de recursos en el menú principal de navegación.
| Nombre de ejemplo | Infraestructura | Técnicas demostradas |
|---|---|---|
| Utilizar scikit-learn y una biblioteca personalizada para predecir la temperatura | Scikit-learn | Entrenar un modelo con un transformador definido por el usuario Persistir el transformador definido por el usuario y el modelo en ' watsonx.ai Repositorio de tiempo de ejecución Desplegar el modelo utilizando ' watsonx.ai Servicio de tiempo de ejecución ' Realizar predicciones que utilicen el modelo desplegado |
| Utilizar PMML para predecir las especies de iris | PMML | Despliegue y puntúe un modelo PMML |
| Utiliza la función Python para reconocer dígitos escritos a mano | Python | Utilice una función para almacenar un modelo de ejemplo y, a continuación, despliegue el modelo de ejemplo. |
| Utilizar scikit-learn para reconocer dígitos escritos a mano | Scikit-learn | Entrenar modelo sklearn Persistir modelo entrenado en repositorio watsonx.ai Runtime Desplegar modelo para puntuación online usando librería cliente Puntuar registros de muestra usando librería cliente |
| Utilizar Spark y el despliegue por lotes para predecir la pérdida de clientes | Spark | Cargar un archivo CSV en un ' Apache Spark DataFrame Explorar datos Preparar datos para entrenamiento y evaluación Crear un ' Apache Spark pipeline de aprendizaje automático Entrenar y evaluar un modelo Persistir un pipeline y un modelo en ' watsonx.ai Repositorio en tiempo de ejecución Explorar y visualizar el resultado de la predicción utilizando el paquete plotly Desplegar un modelo para puntuación por lotes utilizando ' watsonx.ai API en tiempo de ejecución |
| Utilice Spark y Python para predecir el riesgo de crédito | Spark | Cargar un archivo CSV en un DataFrame ' Apache® Spark Explorar datos Preparar datos para entrenamiento y evaluación Persistir un pipeline y un modelo en un repositorio Runtime ' watsonx.ai a partir de archivos ' tar.gz Desplegar un modelo para puntuación online mediante la API Runtime ' watsonx.ai Puntuar datos de muestra mediante la API Runtime ' watsonx.ai Explorar y visualizar resultados de predicción mediante el paquete plotly |
| Utilice SPSS para predecir la pérdida de clientes | SPSS | Trabajar con la instancia Realizar un despliegue en línea del modelo SPSS Puntuación de datos utilizando el modelo desplegado |
| Usar XGBoost para clasificar tumores | XGBoost | Cargar un archivo CSV en un array numpy Explorar datos Preparar datos para entrenamiento y evaluación Crear un modelo de aprendizaje automático XGBoost Entrenar y evaluar un modelo Usar validación cruzada para optimizar los hiperparámetros del modelo Persistir un modelo en el repositorio watsonx.ai Runtime Desplegar un modelo para puntuación online Puntuar datos de muestra |
| Predecir el negocio de los coches | Spark | Descargar un modelo Keras entrenado externamente con un conjunto de datos. ' Persiste un modelo externo en el repositorio watsonx.ai Runtime. code2 Despliega un modelo para puntuación online usando la librería cliente. code3 Puntuación de registros de muestra utilizando la biblioteca de cliente. |
| Despliegue de la función Python para la especificación de software | Core | Crear una función Python Crear un servicio web Puntuar el modelo |
| Machine Learning gestión de artefactos | Core | Exportar e importar artefactos Cargar, desplegar y puntuar modelos creados externamente |
| Utilice Decision Optimization para planificar su dieta | Core | Crear un modelo de planificación de dieta utilizando Decision Optimization |
| Utilice SPSS y el despliegue por lotes con Db2 para predecir la pérdida de clientes | SPSS | Cargar un archivo CSV en un DataFrame ' Apache Spark Explorar datos Preparar datos para entrenamiento y evaluación Persistir un pipeline y un modelo en un repositorio Runtime ' watsonx.ai a partir de archivos ' tar.gz Desplegar un modelo para puntuación online mediante la API Runtime ' watsonx.ai Puntuar datos de muestra mediante la API Runtime ' watsonx.ai Explorar y visualizar resultados de predicción mediante el paquete plotly |
| Utilice scikit-learn y las capacidades del ciclo de vida de la IA para predecir los precios de la vivienda en California con ibm- watsonx -ai | Scikit-learn | Descarga de un modelo scikit-learn entrenado externamente con un conjunto de datos Persistencia de un modelo externo en watsonx.ai Repositorio de tiempo de ejecución Despliegue del modelo para puntuación en línea utilizando la biblioteca cliente Puntuación de registros de muestra utilizando la biblioteca cliente Actualización del modelo previamente persistido Re-despliegue del modelo en su lugar Escalado del despliegue |
| Predicción del riesgo de crédito alemán con Scikit-learn para la supervisión de modelos | Scikit-learn | Entrenar, crear y desplegar un modelo de predicción de riesgo de crédito con supervisión |
| Supervisar el modelo alemán de riesgo de crédito | Scikit-learn | Entrenar, crear y desplegar un modelo de predicción de riesgo de crédito con prestaciones de IBM Watson OpenScale |
| Convierta la red neuronal ONNX de ejes fijos a ejes dinámicos y utilícela con ibm- watsonx -ai | ONNX | Configurar el entorno ' Crear y exportar el modelo ONNX básico ' Convertir el modelo de ejes fijos a ejes dinámicos ' Persistir el modelo ONNX convertido ' Desplegar y puntuar el modelo ONNX ' Limpiar ' ' Resumen y próximos pasos |
| Utilice el modelo ONNX convertido de PyTorch con ibm- watsonx -ai | ONNX | Crear modelo PyTorch con conjunto de datos. Convertir el modelo PyTorch al formato ONNX Persistir el modelo convertido en el repositorio Watson Machine Learning. ' Despliega el modelo para puntuación online usando la librería de clientes. Puntúe los registros de ejemplo utilizando la biblioteca de cliente. |
| Utilice el modelo ONNX convertido de TensorFlow para reconocer dígitos escritos a mano con ibm- watsonx -ai | ONNX | Descargue un modelo TensorFlow entrenado externamente con un conjunto de datos. Convertir el modelo TensorFlow al formato ONNX Persistir el modelo convertido en el repositorio Watson Machine Learning. ' Despliega el modelo para puntuación online usando la librería de clientes. Puntúe los registros de ejemplo utilizando la biblioteca de cliente. |
Ejemplos de autoAI
Ver o ejecutar estos cuadernos de Jupyter para ver cómo se implementan las técnicas de modelo de AutoAI.
Puede acceder al Centro de recursos seleccionando Centro de recursos en el menú principal de navegación.
| Nombre de ejemplo | Infraestructura | Técnicas demostradas |
|---|---|---|
| Utilice AutoAI y Lale para predecir el riesgo de crédito | Hybrid (AutoAI) con Lale | Trabajar con watsonx.ai Experimentos en tiempo de ejecución para entrenar modelos AutoAI ' Comparar la calidad de los modelos entrenados y seleccionar el mejor para perfeccionarlo ' Perfeccionar el mejor modelo y probar nuevas variaciones ' ' Desplegar y puntuar el modelo entrenado |
| Utilice AutoAI para predecir el riesgo de crédito | Híbrido (AutoAI) | Trabajar con watsonx.ai Experimentos en tiempo de ejecución para entrenar modelos AutoAI ' Comparar la calidad de los modelos entrenados y seleccionar el mejor para perfeccionarlo ' Perfeccionar el mejor modelo y probar nuevas variaciones ' ' Desplegar y puntuar el modelo entrenado |
Más ejemplos
Para saber cómo probar un modelo mediante el cliente API en tiempo de ejecución watsonx.ai, consulte Probar el modelo mediante el cliente API.
Más recursos
Desde el centro de recursos, puede revisar o ejecutar una serie de aceleradores integrales del sector que demuestren una gama de servicios y soluciones. Para obtener más información, consulte Aceleradores del sector.
Próximos pasos
- Para obtener más información sobre cómo utilizar los editores de cuadernos, consulte Cuadernos.
- Para obtener más información sobre cómo trabajar con cuadernos, consulte Codificación y ejecución de cuadernos.
Tema padre: Gestión de despliegues predictivos