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.
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
- Weitere Informationen zur Verwendung von Notebook-Editoren finden Sie unter Notebooks.
- Weitere Informationen zum Arbeiten mit Notebooks finden Sie unter Notebooks codieren und ausführen.
Übergeordnetes Thema: Vorhersagebereitstellungen verwalten