Informazioni sui cookie del presente sito Per il corretto funzionamento, i nostri siti Web richiedono alcuni cookie (richiesto). Inoltre, con il suo consenso, potrebbero essere utilizzati altri cookie per l'analisi dell'utilizzo del sito, per migliorare l'esperienza utente e per scopi pubblicitari. Per ulteriori informazioni, consultare le. Visitando il nostro sito web, accettate il trattamento delle informazioni da parte nostra come descritto nelladichiarazione sulla privacy di IBM. Per consentire una corretta navigazione, le preferenze per i cookie dell'utente verranno condivise sui domini Web IBM qui elencati.
esempi di client Python runtime di watsonx.ai
Ultimo aggiornamento: 21 mar 2025
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_IDPROJECT_ID
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.
| Nome di esempio | Framework | Tecniche dimostrate |
|---|---|---|
| Utilizza scikit - learn e 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 PMML per prevedere le specie di iride | PMML | Distribuisci e calcola il punteggio di un modello PMML |
| Utilizza 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 - imparare a 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 |
| Utilizzare Spark e la distribuzione batch per prevedere il tasso di abbandono 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 |
| Utilizza 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 |
| Utilizzare SPSS per prevedere il tasso di abbandono dei clienti | SPSS | Lavorare con l'istanza Eseguire una distribuzione in linea dei dati di punteggio del modello SPSS utilizzando il modello distribuito |
| Utilizza 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 |
| Prevedi il business per le 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 una funzione Python per le specifiche del software | Principale | Creare una funzione Python Creare un servizio web Segnare il modello |
| Gestione delle risorse utente Machine Learning | Principale | Esporta e importa risorse Carica, distribuisci e calcola il punteggio dei modelli creati esternamente |
| Utilizzare l'Decision Optimization per pianificare la dieta | Principale | Creare un modello di pianificazione della dieta utilizzando l'Decision Optimization |
| Utilizzate SPSS e l'implementazione in batch con Db2 per prevedere l'abbandono dei clienti | 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 watsonx | 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 watsonx | 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. |
| Usare il modello ONNX convertito da TensorFlow per riconoscere le cifre scritte a mano con watsonx | 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.
| 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 utilizzando il client API di watsonx.ai Runtime, vedere Test del modello utilizzando 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
L'argomento è stato utile?
0/1000