Examiner et utiliser des exemples de carnets Jupyter qui utilisent la bibliothèque Python watsonx.ai Runtime pour démontrer les caractéristiques et les techniques d'apprentissage automatique. Chaque bloc-notes répertorie les objectifs d'apprentissage afin que vous puissiez trouver celui qui répond le mieux à vos objectifs.
Entraînement et déploiement de modèles à partir de blocs-notes
Si vous choisissez de générer un modèle d'apprentissage automatique dans un bloc-notes, vous devez être à l'aise avec le codage dans un Jupyter Notebook. Un bloc-notes Jupyter est un environnement basé sur le Web pour un calcul interactif. Vous pouvez exécuter de petits morceaux de code qui traitent vos données, puis afficher immédiatement les résultats de votre calcul. Cet outil vous permet d'assembler, de tester et d'exécuter tous les composants dont vous avez besoin pour travailler avec des données, enregistrer les données dans watsonx.ai Runtime et déployer le modèle.
Apprentissage à partir des exemples de bloc-notes
Il existe de nombreuses façons de générer et d'entraîner des modèles, puis de les déployer. Par conséquent, la meilleure façon d'apprendre est d'examiner les exemples annotés qui vous font parcourir le processus à l'aide de différentes infrastructures. Passez en revue les exemples représentatifs qui illustrent les principales caractéristiques.
Les échantillons sont construits en utilisant la version V4 de la bibliothèque clientPython watsonx.ai
Regardez cette vidéo pour apprendre à former, déployer et tester un modèle d'apprentissage automatique dans un bloc-notes Jupyter. Cette vidéo met en miroir Use scikit-learn to recognize hand-written digits qui se trouve dans le tableau Deployment samples .
Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.
Regardez cette vidéo pour apprendre à tester un modèle créé avec AutoAI en utilisant les API d'exécution watsonx.ai dans Jupyter Notebook.
Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.
Variables utiles
Utilisez la variable d'environnement PROJECT_ID prédéfinie pour appeler les API client Python watsonx.ai . PROJECT_ID est le guide du projet dans lequel votre environnement s'exécute.
Echantillons de déploiement
Consultez ou exécutez ces carnets Jupyter pour voir comment les techniques sont mises en œuvre à l'aide de différents cadres. Certains des échantillons reposent sur des modèles entraînés, également disponibles pour téléchargement à partir du référentiel public.
| Nom d'échantillon | Infrastructure | Techniques mises en évidence |
|---|---|---|
| Utilisez de scikit-apprentissage et bibliothèque personnalisée pour prévoir la température | Scikit-learn | Train a model with custom defined transformer Persist the custom-defined transformer and the model in watsonx.ai Runtime repository Deploy the model by using watsonx.ai Runtime Service Perform predictions that use the deployed model |
| Utiliser le PMML pour prédire l'espèce rétinienne | PMML | Déployer et évaluer un modèle PMML |
| Utilisez la fonction Python pour reconnaître les chiffres écrits à la main | Python | Utilisez une fonction pour stocker un exemple de modèle, puis déployez l'exemple de modèle. |
| Utilisez la scikit - apprentissage à reconnaître des chiffres écrits à la main | Scikit-learn | Train sklearn model Persist trained model in watsonx.ai Runtime repository Deploy model for online scoring by using client library Score sample records by using client library |
| Utilisez Spark et le déploiement par lots pour prévoir l'attrition du client | Spark | Charger un fichier CSV dans un DataFrame Apache Spark Explorer les données Préparer les données pour l'entraînement et l'évaluation Créer un pipeline Apache Spark d'apprentissage automatique Entraîner et évaluer un modèle Persister un pipeline et un modèle dans le référentiel watsonx.ai Runtime Explorer et visualiser les résultats de la prédiction en utilisant le package plotly Déployer un modèle pour l'évaluation par lots en utilisant l'API watsonx.ai Runtime |
| Utilisez Spark et Python pour prévoir le risque de crédit | Spark | Charger un fichier CSV dans un DataFrame Apache® Spark Explorer les données Préparer les données pour l'entraînement et l'évaluation Persister un pipeline et un modèle dans le référentiel watsonx.ai Runtime à partir de fichiers tar.gz Déployer un modèle pour l'évaluation en ligne en utilisant l'API watsonx.ai Runtime Évaluer les données de l'échantillon en utilisant l'API watsonx.ai Runtime Explorer et visualiser les résultats de la prédiction en utilisant le package plotly |
| Utilisez SPSS pour prédire l'attrition du client | SPSS | Utiliser l'instance Effectuer un déploiement en ligne du modèle SPSS Evaluer les données à l'aide du modèle déployé |
| Utilisez XGBoost pour classer les tumeurs | XGBoost | Load a CSV file into numpy array Explore data Prepare data for training and evaluation Create an XGBoost machine learning model Train and evaluate a model Use cross-validation to optimize the model's hyperparameters Persist a model in watsonx.ai Runtime repository Deploy a model for online scoring Score sample data |
| Prédire le commerce pour les voitures | Spark | Télécharger un modèle Keras entraîné en externe avec un jeu de données. Persiste un modèle externe dans le référentiel watsonx.ai Runtime. Déploiement d'un modèle pour l'évaluation en ligne en utilisant la bibliothèque client. Score sample records by using client library. |
| Déployez la fonction Python pour la spécification logicielle | Cœur | Créez une fonction Python Créez un service Web Évaluez le modèle |
| Gestion des artefacts d'apprentissage machine | Cœur | Exporter et importer des artefacts Charger, déployer et évaluer des modèles créés en externe |
| Utilisez Decision Optimization pour planifier votre alimentation | Cœur | Créez un modèle de planification du régime alimentaire à l'aide de Decision Optimization |
| Utiliser SPSS et le déploiement par lots avec DB2 pour prévoir l'attrition du client | SPSS | Charger un fichier CSV dans un DataFrame Apache Spark Explorer les données Préparer les données pour l'entraînement et l'évaluation Persister un pipeline et un modèle dans le référentiel watsonx.ai Runtime à partir de fichiers tar.gz Déployer un modèle pour l'évaluation en ligne en utilisant l'API watsonx.ai Runtime ' Évaluer les données de l'échantillon en utilisant l'API watsonx.ai Runtime Explorer et visualiser les résultats de la prédiction en utilisant le paquetage plotly |
| Utilisez les capacités de cycle de vie de scikit - apprentissage et l'IA pour prédire les prix des maisons sur Boston | Scikit-learn | Charger un échantillon de données à partir de scikit-learn Explorer les données Préparer les données pour l'entraînement et l'évaluation Créer un pipeline scikit-learn Entraîner et évaluer un modèle Stocker un modèle dans le référentiel watsonx.ai Runtime Déployer un modèle avec les capacités du cycle de vie de l'AutoAI |
| Prévision du risque de crédit allemand avec Scikit - apprentissage pour la surveillance des modèles | Scikit-learn | Former, créer et déployer un modèle de prévision du risque de crédit avec surveillance |
| Surveiller le modèle de risque de crédit allemand | Scikit-learn | Former, créer et déployer un modèle de prévision des risques de crédit avec les fonctions IBM Watson OpenScale |
| Convertir un réseau de neurones ONNX d'axes fixes en axes dynamiques et l'utiliser avec watsonx | ONNX | Mise en place de l'environnement ' Création et exportation du modèle ONNX de base ' Conversion du modèle d'axes fixes en axes dynamiques ' Persistance du modèle ONNX converti ' Déploiement et notation du modèle ONNX ' Nettoyage ' Résumé et prochaines étapes |
| Utiliser le modèle ONNX converti de PyTorch avec watsonx | ONNX | Créer un modèle PyTorch avec un ensemble de données. Convertit le modèle PyTorch au format ONNX Persiste le modèle converti dans le référentiel Watson Machine Learning. Déploiement du modèle pour l'évaluation en ligne à l'aide de la bibliothèque client. Evaluer des enregistrements d'échantillon à l'aide d'une bibliothèque client |
| Utiliser un modèle ONNX converti à partir de TensorFlow pour reconnaître des chiffres écrits à la main avec watsonx | ONNX | Téléchargez un modèle TensorFlow formé en externe avec un ensemble de données. Convertit le modèle TensorFlow au format ONNX Persiste le modèle converti dans le référentiel Watson Machine Learning. Déploiement du modèle pour l'évaluation en ligne à l'aide de la bibliothèque client. Evaluer des enregistrements d'échantillon à l'aide d'une bibliothèque client |
Echantillons AutoAI
Affichez ou exécutez ces blocs-notes Jupyter pour savoir comment les techniques de modèle AutoAI sont implémentées.
| Nom d'échantillon | Infrastructure | Techniques mises en évidence |
|---|---|---|
| Utilisez AutoAI et Lale pour prédire le risque de crédit | Environnement hybride (AutoAI) avec Lale | Travailler avec watsonx.ai Expériences d'exécution pour entraîner les modèles AutoAI ' Comparer la qualité des modèles entraînés et sélectionner le meilleur pour l'affiner ' Affiner le meilleur modèle et tester de nouvelles variations ' Déployer et évaluer le modèle entraîné |
| Utilisez AutoAI pour prévoir le risque de crédit | Environnement hybride (AutoAI) | Travailler avec watsonx.ai Expériences d'exécution pour entraîner les modèles AutoAI ' Comparer la qualité des modèles entraînés et sélectionner le meilleur pour l'affiner ' Affiner le meilleur modèle et tester de nouvelles variations ' Déployer et évaluer le modèle entraîné |
Autres exemples
Pour savoir comment tester un modèle en utilisant le client API Runtime de watsonx.ai, voir Tester le modèle à l'aide du client API.
Autres ressources
A partir du concentrateur de ressources, vous pouvez passer en revue ou exécuter une série d'accélérateurs métier de bout en bout qui présentent une gamme de services et de solutions. Pour plus d'informations, voir Accélérateurs métier.
Etapes suivantes
- Pour en savoir plus sur l'utilisation des éditeurs de bloc-notes, voir Blocs-notes.
- Pour en savoir plus sur l'utilisation de blocs-notes, voir Codage et exécution de blocs-notes.
Rubrique parent: Gestion des déploiements prédictifs