0 / 0
Zurück zur englischen Version der Dokumentation
watsonx.ai Runtime Python Client Beispiele und Beispiele
Letzte Aktualisierung: 03. Dez. 2024
watsonx.ai Runtime Python Client Beispiele und Beispiele

Prüfen und verwenden Sie Jupyter-Beispiel-Notebooks, die die watsonx.ai Runtime Python verwenden, um Funktionen und Techniken des maschinellen Lernens zu demonstrieren. Jedes Notebook listet Lernziele auf, sodass Sie das finden, das Ihren Zielen am besten entspricht.

Modelle aus Notebooks trainieren und bereitstellen

Wenn Sie ein Modell für maschinelles Lernen in einem Notebook erstellen möchten, müssen Sie mit der Codierung in einem Jupyter Notebookvertraut sein. Ein Jupyter-Notebook ist eine webbasierte Umgebung für den Dialogbetrieb. Sie können kleine Codeteile ausführen, die Ihre Daten verarbeiten, und dann sofort die Ergebnisse Ihrer Berechnung anzeigen. Mit diesem Tool können Sie alle Bausteine, die Sie für die Arbeit mit Daten benötigen, zusammenstellen, testen und ausführen, die Daten in watsonx.ai Runtime speichern und das Modell bereitstellen.

Aus Beispielnotebooks lernen

Es gibt viele Möglichkeiten, Modelle zu erstellen und zu trainieren und anschließend bereitzustellen. Daher ist es am besten, sich annotierte Beispiele anzusehen, die Sie durch den Prozess führen, indem Sie verschiedene Frameworks verwenden. Sehen Sie sich repräsentative Beispiele an, die Schlüsselfunktionen veranschaulichen.

Die Beispiele wurden unter Verwendung der V4 der watsonx.ai Python erstellt.

Video-Haftungsausschluss: Einige kleinere Schritte und Grafikelemente in den Videos können von Ihrer Implementierung abweichen.

In diesem Video erfahren Sie, wie Sie ein Modell für maschinelles Lernen in einem Jupyter-Notebook trainieren, bereitstellen und testen. Dieses Video spiegelt die Verwendung von scikit-learn zum Erkennen handschriftlicher Ziffern in der Tabelle Bereitstellungsbeispiele .

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.

In diesem Video erfahren Sie, wie Sie ein mit AutoAI erstelltes Modell mit Hilfe der watsonx.ai Runtime APIs in Jupyter Notebook testen können.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.

Hilfreiche Variablen

Verwenden Sie die vordefinierte Umgebungsvariable PROJECT_ID , um die Python -Client-APIs von watsonx.ai aufzurufen. PROJECT_ID ist der Leitfaden für das Projekt, in dem Ihre Umgebung ausgeführt wird.

Bereitstellungsbeispiele

Sie können diese Jupyter-Notebooks anzeigen oder ausführen, um zu sehen, wie Verfahren unter Verwendung verschiedener Frameworks implementiert werden. Einige der Beispiele basieren auf trainierten Modellen, die Sie ebenfalls aus dem öffentlichen Repository herunterladen können.

Beispielname Framework Veranschaulichte Verfahren
Scikit-learn und angepasste Bibliothek zur Vorhersage der Temperatur verwenden Scikit-learn Trainieren eines Modells mit einem benutzerdefinierten Transformer
Persistieren des benutzerdefinierten Transformers und des Modells im watsonx.ai Runtime Repository
Bereitstellen des Modells mit dem watsonx.ai Runtime Service
Durchführen von Vorhersagen mit dem bereitgestellten Modell
PMML zur Vorhersage von Irisarten verwenden PMML-Modell PMML-Modell bereitstellen und ein Scoring durchführen
Python-Funktion zum Erkennen handschriftlicher Ziffern verwenden Python Verwenden Sie eine Funktion zum Speichern eines Beispielmodells und stellen Sie dann das Beispielmodell bereit.
Scikit-learn zum Erkennen handschriftlicher Ziffern verwenden Scikit-learn Trainieren des Sklearn-Modells
Persistieren des trainierten Modells im watsonx.ai Runtime Repository
Bereitstellen des Modells für Online-Scoring mit Hilfe der Client-Bibliothek
Bewerten von Beispieldaten mit Hilfe der Client-Bibliothek
Spark- und Batchbereitstellung zur Vorhersage der Kundenabwanderung verwenden Spark Laden einer CSV-Datei in einen Apache Spark DataFrame
Untersuchen von Daten
Vorbereiten von Daten für Training und Auswertung
Erstellen einer Apache Spark für maschinelles Lernen
Trainieren und Auswerten eines Modells
Persistieren einer Pipeline und eines Modells im watsonx.ai Runtime-Repository
Untersuchen und Visualisieren von Vorhersageergebnissen mithilfe des Plotly-Pakets
Bereitstellen eines Modells für Batch-Scoring mithilfe der watsonx.ai Runtime-API
Spark und Python zur Vorhersage des Kreditrisikos verwenden Spark Laden einer CSV-Datei in einen Apache® Spark DataFrame
Erkunden von Daten
Vorbereiten von Daten für das Training und die Auswertung
Persistieren einer Pipeline und eines Modells im watsonx.ai Runtime Repository aus tar.gz
Bereitstellen eines Modells für die Online-Auswertung mit Hilfe der watsonx.ai Runtime API
Auswerten von Beispieldaten mit Hilfe der watsonx.ai Runtime API
Erkunden und Visualisieren von Vorhersageergebnissen mit Hilfe des Plotly-Pakets
SPSS zur Vorhersage zur Kundenabwanderung verwenden SPSS Arbeiten Sie mit der Instanz
Führen Sie eine Online-Bereitstellung des SPSS -Modells aus
. Scoren Sie Daten mithilfe des bereitgestellten Modells.
XGBoost zum Klassifizieren von Tumoren verwenden XGBoost Laden einer CSV-Datei in ein Numpy-Array
Erkunden von Daten
Vorbereiten von Daten für Training und Auswertung
Erstellen eines XGBoost-Modells für maschinelles Lernen
Trainieren und Auswerten eines Modells
Verwenden von Kreuzvalidierung zur Optimierung der Hyperparameter des Modells
Persistieren eines Modells im watsonx.ai Runtime Repository
Bereitstellen eines Modells für Online-Scoring
Auswerten von Beispieldaten
Geschäftsvorhersage für Autos Spark Laden Sie ein extern trainiertes Keras mit Datensatz herunter.
Persistieren eines externen Modells im watsonx.ai Runtime Repository.
Bereitstellen eines Modells für Online-Scoring unter Verwendung der Client-Bibliothek.
Bewerten Sie Beispieldatensätze mit Hilfe der Client-Bibliothek.
Python-Funktion für Softwarespezifikation bereitstellen Kern Python-Funktion erstellen
Web-Service erstellen
Modell bewerten
Artefaktmanagement für maschinelles Lernen Kern Artefakte exportieren und importieren
extern erstellte Modelle laden, bereitstellen und bewerten
Decision Optimization zum Planen Ihrer Diät verwenden Kern Mithilfe von Decision Optimization ein Diätplanungsmodell erstellen
SPSS- und Batchbereitstellung mit DB2 zur Vorhersage der Kundenabwanderung verwenden SPSS Laden einer CSV-Datei in einen Apache Spark DataFrame
Untersuchen von Daten
Vorbereiten von Daten für Training und Auswertung
Persistieren einer Pipeline und eines Modells im watsonx.ai Runtime Repository aus tar.gz
Bereitstellen eines Modells für Online-Scoring unter Verwendung der watsonx.ai Runtime API
Bewerten von Beispieldaten unter Verwendung der watsonx.ai Runtime API
Untersuchen und Visualisieren von Vorhersageergebnissen unter Verwendung des Plotly-Pakets
scikit-learn und Funktionen des KI-Lebenszyklus zur Vorhersage von Häuserpreisen für Boston verwenden Scikit-learn Laden eines Beispieldatensatzes aus scikit-learn
Erkunden von Daten
Vorbereiten von Daten für Training und Auswertung
Erstellen einer scikit-learn-Pipeline
Trainieren und Auswerten eines Modells
Speichern eines Modells im watsonx.ai Runtime Repository
Bereitstellen eines Modells mit AutoAI
Vorhersage des deutschen Kreditrisikos mit scikit-learn zur Modellüberwachung Scikit-learn Vorhersagemodell zu Kreditrisiken mit Überwachung trainieren, erstellen und bereitstellen
Modell zur deutschem Kreditrisiko überwachen Scikit-learn Vorhersagemodell zu Kreditrisiken mit Funktionen von IBM Watson OpenScale trainieren, erstellen und bereitstellen
Konvertierung des neuronalen Netzes ONNX von festen Achsen in dynamische Achsen und Verwendung mit watsonx ONNX Einrichten der Umgebung '
Erstellen und Exportieren des ONNX-Basismodells '
Konvertieren des Modells von festen Achsen in dynamische Achsen '
Persistieren des konvertierten ONNX-Modells '
Einsetzen und Bewerten des ONNX-Modells '
Aufräumen '
Zusammenfassung und nächste Schritte
Verwendung des aus PyTorch konvertierten ONNX-Modells mit watsonx ONNX PyTorch mit Datensatz erstellen.
Konvertierung des PyTorch in das ONNX-Format '
Persistieren des konvertierten Modells im Watson Machine Learning Repository.
Einsatz des Modells für die Online-Bewertung unter Verwendung der Client-Bibliothek.
Beispieldatensätze mithilfe der Clientbibiliothek bewerten.
Verwenden Sie das aus TensorFlow konvertierte ONNX-Modell zur Erkennung handgeschriebener Ziffern mit watsonx ONNX Laden Sie ein extern trainiertes TensorFlow mit Datensatz herunter.
Konvertiert das TensorFlow in das ONNX-Format '
Persistiert das konvertierte Modell im Watson Machine Learning Repository.
Einsatz des Modells für die Online-Bewertung unter Verwendung der Client-Bibliothek.
Beispieldatensätze mithilfe der Clientbibiliothek bewerten.

AutoAI-Beispiele

Zeigen Sie diese Jupyter-Notebooks an oder führen Sie sie aus, um zu erfahren, wie AutoAI-Modellverfahren implementiert werden.

Beispielname Framework Veranschaulichte Verfahren
AutoAI und Lale zur Vorhersage von Kreditrisiken verwenden Hybrid (AutoAI) mit Lale Arbeiten mit watsonx.ai Laufzeitexperimenten, um AutoAI zu trainieren '
Vergleichen Sie die Qualität der trainierten Modelle und wählen Sie das beste Modell zur weiteren Verfeinerung aus '
Verfeinern Sie das beste Modell und testen Sie neue Varianten '
Setzen Sie das trainierte Modell ein und bewerten Sie es
AutoAI zur Vorhersage von Kreditrisiken verwenden Hybrid (AutoAI) Arbeiten mit watsonx.ai Laufzeitexperimenten, um AutoAI zu trainieren '
Vergleichen Sie die Qualität der trainierten Modelle und wählen Sie das beste Modell zur weiteren Verfeinerung aus '
Verfeinern Sie das beste Modell und testen Sie neue Varianten '
Setzen Sie das trainierte Modell ein und bewerten Sie es

Weitere Beispiele

Wie Sie ein Modell mit dem watsonx.ai Runtime API Client testen können, erfahren Sie unter Testen des Modells mit dem API Client.

Nächste Schritte

Übergeordnetes Thema: Vorhersagebereitstellungen verwalten

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen