Traducción no actualizada
Ejemplos y muestras de cliente de Watson Machine Learning Python
Revise y utilice los cuadernos de Jupyter de ejemplo que utilizan la biblioteca Python de Watson Machine Learning para demostrar las características y técnicas de aprendizaje de máquina. Cada cuaderno enumera los objetivos de aprendizaje para que pueda encontrar el que mejor se ajuste a sus objetivos.
Entrenamiento y despliegue de modelos desde cuadernos
Si elige crear un modelo de aprendizaje automático en un cuaderno, debe estar cómodo con la codificación en un Jupyter Notebook. Un cuaderno de Jupyter es un entorno basado en web para los cálculos interactivos. Puede ejecutar pequeños fragmentos de código que procesan los datos y, a continuación, ver inmediatamente los resultados de su cálculo. Utilizando esta herramienta, puede ensamblar, probar y ejecutar todos los bloques básicos que necesita para trabajar con datos, guardar los datos en Watson Machine Learning y desplegar el modelo.
Aprenda con los cuadernos de ejemplo
Existen muchas formas de crear y entrenar modelos y, a continuación, desplegarlos. Por lo tanto, la mejor manera de aprender es examinar los ejemplos anotados que le guían a través del proceso utilizando distintas infraestructuras. Revise ejemplos representativos que demuestren características clave.
Los ejemplos se crean utilizando la versión V4 de la biblioteca de cliente watsonx.ai Python.
Vea este vídeo para aprender a entrenar, desplegar y probar un modelo de aprendizaje automático en un cuaderno Jupyter. Este vídeo refleja Utilizar scikit-learn para reconocer los dígitos escritos a mano que se encuentran en la tabla Ejemplos de despliegue .
Este vídeo proporciona un método visual para aprender los conceptos y tareas de esta documentación.
Vea este vídeo para aprender a probar un modelo que se ha creado con AutoAI utilizando las API de Watson Machine Learning en Jupyter Notebook.
Este vídeo proporciona un método visual para aprender los conceptos y tareas de esta documentación.
Variables útiles
Utilice la variable de entorno PROJECT_ID predefinida para llamar a las API de cliente watsonx.ai Python . PROJECT_ID es la guía del proyecto donde se ejecuta el entorno.
Ejemplos de despliegue
Vea o ejecute estos cuadernos de Jupyter para ver cómo se implementan las técnicas utilizando diversas infraestructuras. Algunos de los ejemplos se basan en modelos entrenados, que también están disponibles para descargar desde el repositorio público.
| Nombre de ejemplo | Infraestructura | Técnicas demostradas |
|---|---|---|
| Utilizar scikit-learn y la biblioteca personalizada para pronosticar la temperatura | Scikit-learn | Entrenar un modelo con un transformador definido personalizado Persistir el transformador definido personalizado y el modelo en el repositorio de Watson Machine Learning Desplegar el modelo utilizando Watson Machine Learning Service Realizar predicciones que utilizan el modelo desplegado |
| Utilizar PMML para pronosticar las especies de iris | PMML | Despliegue y puntúe un modelo PMML |
| Utilizar la función Python para reconocer dígitos escritos a mano | Python | Utilice una función para almacenar un modelo de ejemplo y, a continuación, despliegue el modelo de ejemplo. |
| Utilizar scikit-learn para reconocer dígitos escritos a mano | Scikit-learn | Entrene el modelo de sklearn Persiste el modelo entrenado en el repositorio de Watson Machine Learning Despliegue el modelo para la puntuación en línea utilizando la biblioteca de cliente Puntuar registros de ejemplo utilizando la biblioteca de cliente |
| Utilizar Spark y el despliegue por lotes para pronosticar el abandono de clientes | Spark | Cargue un archivo CSV en un Apache Spark Marco de datos Explorar datos Preparar datos para capacitación y evaluación. Crear un Apache Spark canalización de aprendizaje automático Entrenar y evaluar un modelo Conservar una canalización y un modelo en Watson Machine Learning repositorio Explore y visualice el resultado de la predicción utilizando el paquete plotly Implementar un modelo para la puntuación por lotes mediante el uso Watson Machine Learning API |
| Utilizar Spark y Python para pronosticar el riesgo crediticio | Spark | Cargue un archivo CSV en un Apache® Spark Marco de datos Explorar datos Preparar datos para capacitación y evaluación. Conservar una canalización y un modelo en Watson Machine Learning repositorio de tar.gz archivos Implementar un modelo para la puntuación en línea mediante el uso Watson Machine Learning API Califique los datos de muestra usando el Watson Machine Learning API Explore y visualice los resultados de la predicción utilizando el paquete plotly |
| Utilizar SPSS para pronosticar el abandono de clientes | SPSS | Trabajar con la instancia Realizar un despliegue en línea del modelo SPSS Puntuación de datos utilizando el modelo desplegado |
| Utilizar XGBoost para clasificar tumores | XGBoost | Cargar un archivo CSV en una matriz numpy Explorar datos Preparar datos para el entrenamiento y la evaluación Crear un modelo de aprendizaje automático XGBoost Entrenar y evaluar un modelo Utilizar la validación cruzada para optimizar los hiperparámetros del modelo Persistir un modelo en el repositorio Watson Machine Learning Desplegar un modelo para la puntuación en línea Puntuación de datos de ejemplo |
| Realizar pronósticos en el negocio de automóviles | Spark | Descargue un modelo Keras entrenado externamente con el conjunto de datos. Persiste un modelo externo en el repositorio Watson Machine Learning . Despliegue un modelo para la puntuación en línea utilizando la biblioteca de cliente. Puntuar registros de ejemplo utilizando la biblioteca de cliente. |
| Gestión de artefactos de aprendizaje automático | Núcleo | Exportar e importar artefactos Cargar, desplegar y puntuar modelos creados externamente |
| Usar Decision Optimization para planificar tu dieta |Core|Crear un modelo de planificación de dieta utilizando Decision Optimization | | Usar SPSS y despliegue por lotes con Db2 para predecir la pérdida de clientes | SPSS |Cargue un archivo CSV en un Apache Spark Marco de datos
Explorar datos
Preparar datos para capacitación y evaluación.
Conservar una canalización y un modelo en Watson Machine Learning repositorio de tar.gz archivos
Implementar un modelo para la puntuación en línea mediante el uso Watson Machine Learning API
Califique los datos de muestra usando el Watson Machine Learning API
Explore y visualice los resultados de la predicción utilizando el paquete plotly| | Utilice las capacidades de ciclo de vida de IA y scikit-learn para predecir los precios de la vivienda en Boston |Scikit-learn|Cargar un conjunto de datos de muestra desde scikit-learn
Explorar datos
Preparar datos para capacitación y evaluación.
Crear un canal de aprendizaje de scikit
Entrenar y evaluar un modelo
Almacenar un modelo en el Watson Machine Learning repositorio
Implementar un modelo con AutoAI capacidades del ciclo de vida| | Predicción del riesgo crediticio alemán con Scikit-learn para el seguimiento de modelos |Scikit-learn|Entrenar, crear e implementar un modelo de predicción de riesgo crediticio con monitoreo| | Monitorear el modelo de riesgo crediticio alemán |Scikit-learn|Entrene, cree e implemente un modelo de predicción de riesgo crediticio con IBM Watson OpenScale capacidades|
|
Ejemplos de autoAI
Ver o ejecutar estos cuadernos de Jupyter para ver cómo se implementan las técnicas de modelo de AutoAI.
| Nombre de ejemplo | Infraestructura | Técnicas demostradas |
|---|---|---|
| Utilizar AutoAI y Lale para predecir el riesgo de crédito | Hybrid (AutoAI) con Lale | Trabajar con experimentos de Watson Machine Learning para entrenar modelos de AutoAI Comparar la calidad de los modelos entrenados y seleccionar el mejor para un mayor refinamiento Refinar el mejor modelo y probar nuevas variaciones Desplegar y puntuar el modelo entrenado |
| Utilizar AutoAI para predecir el riesgo de crédito | Híbrido (AutoAI) | Trabajar con experimentos de Watson Machine Learning para entrenar modelos de AutoAI Comparar la calidad de los modelos entrenados y seleccionar el mejor para un mayor refinamiento Refinar el mejor modelo y probar nuevas variaciones Desplegar y puntuar el modelo entrenado |
Más ejemplos
Para aprender a probar un modelo utilizando el cliente de API de Watson Machine Learning , consulte Probar el modelo utilizando el cliente de API WML.
Próximos pasos
- Para obtener más información sobre cómo utilizar los editores de cuadernos, consulte Cuadernos.
- Para obtener más información sobre cómo trabajar con cuadernos, consulte Codificación y ejecución de cuadernos.
Tema padre: Gestión de despliegues predictivos