머신 러닝 기능 및 기술을 시연하기 위해 watsonx.ai 런타임 Python 라이브러리를 사용하는 샘플 Jupyter 노트북을 검토하고 사용해 보세요. 각 노트북은 학습 목표를 나열하므로 목표에 가장 적합한 목표를 찾을 수 있습니다.
노트북에서 모델 훈련 및 배치
노트북에서 기계 학습 모델을 빌드하도록 선택하는 경우 Jupyter Notebook에서 코딩하는 데 익숙해야 합니다. Jupyter 노트북은 대화식 컴퓨팅을 위한 웹 기반 환경입니다. 데이터를 처리하는 작은 코드 조각을 실행한 후 계산 결과를 즉시 볼 수 있습니다. 이 도구를 사용하면 데이터 작업에 필요한 모든 빌딩 블록을 조립, 테스트 및 실행하고, 데이터를 watsonx.ai 런타임에 저장하고, 모델을 배포할 수 있습니다.
샘플 노트북에서 배우기
모델을 빌드 및 훈련한 후 배치하는 데에는 여러 가지 방법이 있습니다. 따라서 학습하는 가장 좋은 방법은 다른 프레임워크를 사용하여 프로세스를 안내하는 어노테이션이 있는 샘플을 보는 것입니다. 주요 기능을 설명하는 대표 샘플을 검토하십시오.
샘플은 V4 버전의 watsonx.ai Python 클라이언트 라이브러리를 사용하여 빌드되었습니다.
이 비디오를 시청하면 Jupyter 노트북에서 머신 러닝 모델을 훈련하고, 배치하고, 테스트하는 방법을 배울 수 있습니다. 이 비디오는 배치 샘플 테이블에 있는 scikit-learn을 사용하여 수기로 작성된 숫자 인식 을 미러링합니다.
이 비디오는 이 문서의 개념 및 태스크를 학습하기 위한 시각적 방법을 제공합니다.
이 동영상을 통해 Jupyter Notebook watsonx.ai 런타임 API를 사용하여 AutoAI 생성한 모델을 테스트하는 방법을 알아보세요.
이 비디오는 이 문서의 개념 및 태스크를 학습하기 위한 시각적 방법을 제공합니다.
유용한 변수
사전 정의된 PROJECT_ID 환경 변수를 사용하여 watsonx.ai Python 클라이언트 API를 호출하십시오. PROJECT_ID 는 환경이 실행 중인 프로젝트의 안내서입니다.
배치 샘플
다양한 프레임워크를 사용하여 기술이 어떻게 구현되는지 보려면 이 Jupyter 노트북을 보거나 실행하세요. 일부 샘플은 훈련된 모델에 의존하는데, 공용 저장소에서 다운로드할 수 있습니다.
| 샘플 이름 | 프레임워크 | 시연되는 기술 |
|---|---|---|
| 기술 scikit-learn 및 사용자 정의 라이브러리를 사용하여 온도 예측 | 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 |
| PMML을 사용하여 홍채를 예측 | PMML | PMML 모델 배치 및 스코어링 |
| Python 함수를 사용하여 손으로 쓴 숫자 인식 | Python | 함수를 사용하여 샘플 모델을 저장한 후 샘플 모델을 배치하십시오. |
| scikit-learn을 사용하여 손으로 쓴 숫자 인식 | Scikit-learn | 스클런 모델 훈련 훈련된 모델을 watsonx.ai 런타임 저장소에 유지 클라이언트 라이브러리를 사용하여 온라인 채점을 위한 모델 배포 클라이언트 라이브러리를 사용하여 샘플 레코드 채점하기 |
| Spark 및 일괄처리 배치를 사용하여 고객 이탈 예측 | Spark | Apache Spark DataFrame에 CSV 파일 로드 데이터 탐색 학습 및 평가를 위한 데이터 준비 Apache Spark 머신러닝 파이프라인 생성 모델 학습 및 평가 watsonx.ai Runtime 저장소에 파이프라인과 모델 유지 plotly 패키지를 사용하여 예측 결과 탐색 및 시각화 watsonx.ai Runtime API로 배치 점수화를 위한 모델 배포하기 |
| Spark 및 Python을 사용하여 신용 위험 예측 | Spark | Load a CSV file into an Apache® Spark DataFrame Explore data Prepare data for training and evaluation Persist a pipeline and model in watsonx.ai Runtime repository from tar.gz files Deploy a model for online scoring by using watsonx.ai Runtime API Score sample data by using the watsonx.ai Runtime API Explore and visualize prediction results by using the plotly package |
| SPSS를 사용하여 고객 이탈 예측 | SPSS | 배치된 모델을 사용하여 SPSS 모델의 온라인 배치 수행 스코어 데이터 인스턴스에 대한 작업을 수행하십시오. |
| 종양을 분류하기 위해 XGBoost 사용 | XGBoost | CSV 파일을 널 배열에 로드 데이터 탐색 학습 및 평가를 위한 데이터 준비 XGBoost 머신러닝 모델 생성 모델 학습 및 평가 ' 교차 검증을 사용하여 모델의 하이퍼파라미터 최적화 watsonx.ai 런타임 저장소에 모델 지속 온라인 채점을 위한 모델 배포 샘플 데이터 점수 매기기 |
| 자동차를 위한 예측 비즈니스 | Spark | 데이터 세트와 함께 외부에서 학습된 Keras 모델을 다운로드합니다. watsonx.ai 런타임 리포지토리에 외부 모델을 유지합니다. 클라이언트 라이브러리를 사용하여 온라인 채점을 위한 모델을 배포합니다. 클라이언트 라이브러리를 사용하여 샘플 레코드를 채점합니다. |
| 소프트웨어 스펙에 대한 Python 기능 배치 | 코어 | Python 함수 작성 웹 서비스 작성 모델 점수 |
| 머신 러닝 아티팩트 관리 | 코어 | 아티팩트 내보내기 및 가져오기 외부에서 작성된 모델 로드, 배치 및 스코어링 |
| Decision Optimization을 사용하여 식단 계획 | 코어 | Decision Optimization을 사용하여 식단 계획 모델 작성 |
| DB2와 함께 SPSS 및 일괄처리 배치를 사용하여 고객 이탈 예측 | SPSS | Load a CSV file into an Apache Spark DataFrame Explore data Prepare data for training and evaluation Persist a pipeline and model in watsonx.ai Runtime repository from tar.gz files Deploy a model for online scoring by using watsonx.ai Runtime API Score sample data by using the watsonx.ai Runtime API Explore and visualize prediction results by using the plotly package |
| scikit-learn 및 AI 라이프사이클 기능을 사용하여 보스턴 하우스 가격 예측 | Scikit-learn | Scikit-learn에서 샘플 데이터 세트 로드 데이터 탐색 학습 및 평가를 위한 데이터 준비 scikit-learn 파이프라인 생성 모델 학습 및 평가 watsonx.ai 런타임 리포지토리에 모델 저장 AutoAI 수명 주기 기능으로 모델 배포 |
| 모델 모니터링을 위한 Scikit-learn을 사용한 독일 신용 위험 예측 | Scikit-learn | 모니터링을 사용하여 신용 위험 예측 모델의 훈련, 작성 및 배치 |
| 모니터 german 신용 위험 모델 | Scikit-learn | IBM Watson OpenScale 기능을 사용하여 신용 위험 예측 모델의 훈련, 작성 및 배치 |
| ONNX 신경망을 고정 축에서 동적 축으로 변환하여 watsonx 함께 사용하세요 | ONNX | Set up the environment Create and export basic ONNX model Convert model from fixed axes to dynamic axes Persist converted ONNX model Deploy and score ONNX model Clean up Summary and next steps |
| PyTorch 변환된 ONNX 모델을 watsonx 함께 사용하세요 | ONNX | 데이터 세트로 PyTorch 모델을 생성합니다. PyTorch 모델을 ONNX 형식으로 변환 ' ' 변환된 모델을 Watson Machine Learning 저장소에 유지합니다. 클라이언트 라이브러리를 사용하여 온라인 채점용 모델을 배포합니다. 클라이언트 라이브러리를 사용하여 샘플 레코드를 채점합니다. |
| TensorFlow 변환된 ONNX 모델을 사용하여 손으로 쓴 숫자를 인식하기 위해 watsonx 사용 | ONNX | 데이터 세트와 함께 외부에서 학습된 TensorFlow 모델을 다운로드하세요. TensorFlow 모델을 ONNX 형식으로 변환 ' ' Watson Machine Learning 리포지토리에 변환된 모델을 유지합니다. 클라이언트 라이브러리를 사용하여 온라인 채점용 모델을 배포합니다. 클라이언트 라이브러리를 사용하여 샘플 레코드를 채점합니다. |
AutoAI 샘플
AutoAI 모델 기술이 구현되는 방법을 보려면 이들 Jupyter 노트북을 보거나 실행하십시오.
| 샘플 이름 | 프레임워크 | 시연되는 기술 |
|---|---|---|
| AutoAI 및 Lale을 사용하여 신용 위험 예측 | Lale와의 하이브리드(AutoAI) | watsonx.ai 런타임 실험을 통해 AutoAI 모델 학습 ' 학습된 모델 품질 비교 및 추가 개선을 위한 최상의 모델 선택 ' 최상의 모델 개선 및 새로운 변형 테스트 ' 학습된 모델 배포 및 점수 매기기 |
| AutoAI를 사용하여 신용 위험 예측 | 하이브리드(AutoAI) | watsonx.ai 런타임 실험을 통해 AutoAI 모델 학습 ' 학습된 모델 품질 비교 및 추가 개선을 위한 최상의 모델 선택 ' 최상의 모델 개선 및 새로운 변형 테스트 ' 학습된 모델 배포 및 점수 매기기 |
추가 샘플
watsonx.ai 런타임 API 클라이언트를 사용하여 모델을 테스트하는 방법을 알아보려면 API 클라이언트를 사용하여 모델 테스트를 참조하세요.
추가 리소스
자원 허브에서 다양한 서비스 및 솔루션을 보여주는 일련의 엔드-투-엔드 산업 가속기를 검토하거나 실행할 수 있습니다. 자세한 정보는 산업 가속기를 참조하십시오.
다음 단계
- 노트북 편집기 사용에 대해 자세히 학습하려면 노트북을 참조하십시오.
- 노트북 관련 작업에 대해 자세히 알아보려면 노트북 코딩 및 실행을 참조하십시오.
상위 주제: 예측 배치 관리