watsonx.aiRuntimePythonライブラリを使用したサンプルJupyterNotebook をレビューし、使用して、機械学習の機能とテクニックをデモンストレーションします。 各ノートブックには学習目標がリストされているため、目標に最も適したものを見つけることができます。
ノートブックからのモデルのトレーニングおよびデプロイ
ノートブックで機械学習モデルを作成する場合は、 Jupyter Notebookでのコーディングに慣れている必要があります。 Jupyter ノートブックは、対話式計算処理のための Web ベースの環境です。 データを処理する小さなコード断片を実行して、計算結果を即時に表示することができます。 このツールを使えば、データを扱うために必要なすべてのビルディングブロックを組み立て、テストし、実行し、データをwatsonx.aiRuntimeに保存し、モデルをデプロイすることができます。
サンプル・ノートブックでの学習
モデルを作成してトレーニングしてからデプロイするには、さまざまな方法があります。 したがって、最良の学習方法は、さまざまなフレームワークを使用してプロセスをステップスルーするアノテーション付きサンプルを調べることです。 主要な機能を示す代表的なサンプルを確認します。
サンプルは、watsonx.ai Pythonクライアント・ライブラリの V4バージョンを使用して構築されています。
Jupyter ノートブックで機械学習モデルをトレーニング、デプロイ、およびテストする方法については、このビデオをご覧ください。 このビデオは、 「デプロイメント・サンプル」 表にある 「scikit-learn を使用して手書きの数字を認識する」 をミラーリングします。
このビデオは、本書の概念とタスクを学習するためのビジュアル・メソッドを提供します。
このビデオでは、Jupyter Notebookで watsonx.aiRuntime APIを使ってAutoAIで作成したモデルをテストする方法をご紹介します。
このビデオは、本書の概念とタスクを学習するためのビジュアル・メソッドを提供します。
役立つ変数
事前定義された PROJECT_ID 環境変数を使用して、 watsonx.ai Python クライアント API を呼び出します。 PROJECT_ID は、環境が実行されているプロジェクトのガイドです。
デプロイメントのサンプル
これらのJupyterNotebookを見たり実行したりして、様々なフレームワークを使ってテクニックがどのように実装されているかを見てみましょう。 一部のサンプルはトレーニング済みモデルを使用しています。これらのモデルもパブリック・リポジトリーからダウンロードできます。
| サンプル名 | フレームワーク | 例示される手法 |
|---|---|---|
| scikit-learn とカスタム・ライブラリーを使用して温度を予測する | Scikit-learn | カスタム定義トランスフォーマを使ってモデルをトレーニングする カスタム定義トランスフォーマとモデルをwatsonx.aiRuntime リポジトリに永続化 watsonx.aiRuntime Service を使ってモデルをデプロイする デプロイされたモデルを使った予測を実行する |
| PMML を使用してアイリスの種を予測する | PMML | PMML モデルをデプロイして評価する |
| Python 関数は、手書きの数字を認識するために使用します | Python | 関数を使用してサンプル・モデルを保管してから、そのサンプル・モデルをデプロイします。 |
| scikit-learn を使用して手書きの数字を認識する | Scikit-learn | sklearn モデルの学習 学習済みモデルをwatsonx.aiランタイムリポジトリに永続化 クライアントライブラリを使用してモデルをオンラインスコアリング用にデプロイ クライアントライブラリを使用してサンプルレコードをスコアリング |
| Spark とバッチ・デプロイメントを使用して顧客チャーンを予測 | Spark | CSV ファイルをApache SparkDataFrame にロードする データを探索する トレーニングと評価のためにデータを準備する Apache Spark機械学習パイプラインを作成する モデルをトレーニングして評価する watsonx.aiRuntime リポジトリにパイプラインとモデルを永続化する plotly パッケージを使用して予測結果を探索し可視化する watsonx.aiRuntime API を使用してバッチスコアリングのためにモデルをデプロイする |
| Spark と Python を使用してクレジット・リスクを予測する | Spark | CSV ファイルをApache® SparkDataFrame にロードする データを探索する トレーニングと評価のためにデータを準備する tar.gzファイルからwatsonx.aiRuntime リポジトリにパイプラインとモデルを永続化する watsonx.aiRuntime API を使ってオンラインスコアリングのためにモデルをデプロイする watsonx.aiRuntime API を使ってサンプルデータをスコアリングする plotly パッケージを使って予測結果を探索し、可視化する |
| SPSS を使用して顧客の解約を予測する | SPSS | インスタンスを操作します。 SPSS モデルのオンライン・デプロイメントを実行します。 デプロイされたモデルを使用してデータをスコアリングします。 |
| XGBoost を使用した腫瘍を分類する | XGBoost | CSV ファイルを numpy 配列にロードする データを探索する トレーニングと評価のためにデータを準備する XGBoost 機械学習モデルを作成する モデルをトレーニングして評価する モデルのハイパーパラメータを最適化するために交差検証を使用する モデルをwatsonx.aiランタイムリポジトリに永続化する オンラインスコアリングのためにモデルをデプロイする サンプルデータをスコアリングする |
| 自動車のビジネスを予測する | Spark | 外部で学習されたKerasモデルとデータセットをダウンロードします。 外部モデルをwatsonx.aiRuntime リポジトリに永続化する。' クライアントライブラリを使用して、オンラインスコアリング用にモデルをデプロイする。' クライアントライブラリを使用してサンプルレコードをスコアリングする。 |
| ソフトウェア仕様の Python 機能をデプロイする | コア | Python 関数を作成する Web サービスを作成する モデルをスコアする |
| 機械学習成果物の管理 | コア | 成果物のエクスポートおよびインポート 外部で作成されたモデルのロード、デプロイ、およびスコアリング |
| Decision Optimization を使用してダイエットを計画する | コア | Decision Optimization を使用して栄養計画モデルを作成する |
| DB2 で SPSS とバッチ・デプロイメントを使用して、顧客の解約を予測します。 | SPSS | CSV ファイルをApache SparkDataFrame にロードする データを探索する トレーニングと評価のためにデータを準備する tar.gzファイルからwatsonx.aiRuntime リポジトリにパイプラインとモデルを永続化する watsonx.aiRuntime API を使ってオンラインスコアリングのためにモデルをデプロイする watsonx.aiRuntime API を使ってサンプルデータをスコアリングする plotly パッケージを使って予測結果を探索し可視化する |
| scikit-learn 機能と AI ライフサイクル機能を使用してボストンの住宅価格を予測する | Scikit-learn | scikit-learn からサンプルデータセットをロードする データを探索する トレーニングと評価のためにデータを準備する scikit-learn パイプラインを作成する モデルをトレーニングして評価する モデルをwatsonx.aiRuntime リポジトリに保存する AutoAIライフサイクル機能を使ってモデルをデプロイする |
| Scikit-learn を用いたドイツの信用リスク予測によるモデルモニタリング | Scikit-learn | モニタリングによる信用リスク予測モデルをトレーニング、作成、およびデプロイする |
| German 信用リスク・モデルをモニターする | Scikit-learn | IBM Watson OpenScale 機能を使用した信用リスク予測モデルをトレーニング、作成、およびデプロイする |
| ONNXニューラルネットワークを固定軸から動的軸に変換し、watsonx-watsonx-aiで使用する。 | ONNX | 環境のセットアップ ' 基本ONNXモデルの作成とエクスポート ' モデルを固定軸から動的軸に変換 ' 変換したONNXモデルの永続化 ' ONNXモデルのデプロイと採点 ' クリーンアップ ' まとめと次のステップ |
| watsonx-watsonx-aiPyTorchで | ONNX | データセットでPyTorchモデルを作成する。 PyTorchモデルを ONNX 形式に変換する ' 変換したモデルをWatson Machine Learningリポジトリに永続化する。 クライアントライブラリを使ってオンライン採点用のモデルをデプロイする。 クライアント・ライブラリーを使用して、サンプル・レコードを評価する。 |
| TensorFlowから変換したONNXモデルを使って、watsonx-watsonx-aiで手書きの数字を認識する。 | ONNX | 外部で訓練されたTensorFlowモデルとデータセットをダウンロードする。 TensorFlowモデルをONNX形式に変換する ' 変換したモデルをWatson Machine Learningのリポジトリに永続化する。 クライアントライブラリを使ってオンライン採点用のモデルをデプロイする。 クライアント・ライブラリーを使用して、サンプル・レコードを評価する。 |
AutoAI のサンプル
以下の Jupyter ノートブックを表示または実行し、AutoAI モデルの手法がどのように実装されるかを確認します。
| サンプル名 | フレームワーク | 例示される手法 |
|---|---|---|
| AutoAI と Lale を使用して信用リスクを予測する | Lale を使用したハイブリッド (AutoAI) | watsonx.aiランタイム実験と連携し、AutoAIモデルをトレーニングする ' トレーニングされたモデルの品質を比較し、さらなる改良のために最適なモデルを選択する ' 最適なモデルを改良し、新しいバリエーションをテストする ' トレーニングされたモデルをデプロイし、スコアリングする |
| AutoAI を使用した信用リスクを予測する | ハイブリッド (AutoAI) | watsonx.aiランタイム実験と連携し、AutoAIモデルをトレーニングする ' トレーニングされたモデルの品質を比較し、さらなる改良のために最適なモデルを選択する ' 最適なモデルを改良し、新しいバリエーションをテストする ' トレーニングされたモデルをデプロイし、スコアリングする |
その他のサンプル
watsonx.aiRuntime API クライアントを使用してモデルをテストする方法については、API クライアントを使用したモデルのテストを参照してください。
参考情報
リソース・ハブから、幅広いサービスとソリューションを実証する一連のエンドツーエンドの業界アクセラレーターを確認または実行できます。 詳しくは、 業界アクセラレーターを参照してください。
次のステップ
- ノートブック・エディターの使用について詳しくは、 ノートブックを参照してください。
- ノートブックでの作業について詳しくは、 ノートブックのコーディングと実行を参照してください。
親トピック: 予測デプロイメントの管理