Esaminare e utilizzare i Quaderni Jupyter di esempio che utilizzano la libreria Runtime Python watsonx.ai per dimostrare le caratteristiche e le tecniche di apprendimento automatico. Ogni notebook elenca gli obiettivi di apprendimento in modo da poter trovare quello che meglio soddisfa i tuoi obiettivi.
Addestramento e distribuzione di modelli da notebook
Copy link to section
Se scegli di creare un modello di machine learning in un notebook, devi essere a tuo agio con la codifica in un Jupyter Notebook. Un notebook Jupyter è un ambiente basato sul web per il calcolo interattivo. È possibile eseguire piccole parti di codice che elaborano i dati, quindi visualizzare immediatamente i risultati del calcolo. Con questo strumento è possibile assemblare, testare ed eseguire tutti i blocchi necessari per lavorare con i dati, salvare i dati in watsonx.ai Runtime e distribuire il modello.
Informazioni sui notebook di esempio
Copy link to section
Esistono molti modi per creare e addestrare i modelli e quindi distribuirli. Pertanto, il modo migliore per imparare è quello di esaminare gli esempi annotati che ti fanno passare attraverso il processo utilizzando diversi framework. Esaminare gli esempi rappresentativi che dimostrano le funzioni principali.
Gli esempi sono realizzati utilizzando la versione V4 della libreria clientPython watsonx.ai
Esclusione di responsabilità video: alcuni passi secondari ed elementi grafici nei video potrebbero essere diversi dalla propria distribuzione.
Guarda questo video per scoprire come addestrare, distribuire e testare un modello di machine learning in Jupyter Notebook. Questo video rispecchia Utilizza scikit - imparare a riconoscere le cifre scritte a mano che si trovano nella tabella Esempi di distribuzione .
Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.
Guardate questo video per imparare a testare un modello creato con AutoAI utilizzando le API watsonx.ai Runtime in Jupyter Notebook.
Questo video fornisce un metodo visivo per apprendere i concetti e le attività in questa documentazione.
Variabili utili
Copy link to section
Utilizza la variabile di ambiente PROJECT_ID predefinita per richiamare le API client watsonx.ai Python . PROJECT_ID è la guida del progetto in cui è in esecuzione il tuo ambiente.
Esempi di distribuzione
Copy link to section
Visualizza o esegui questi Jupyter Notebooks per vedere come vengono implementate le tecniche utilizzando vari framework. Alcuni degli esempi si basano su modelli addestrati, che sono disponibili anche per il download dal repository pubblico.
Addestrare un modello con un trasformatore personalizzato definito Persistere il trasformatore personalizzato e il modello nel repository watsonx.ai Runtime Distribuire il modello utilizzando il servizio watsonx.ai Runtime Eseguire previsioni che utilizzano il modello distribuito
Addestrare il modello sklearn Persistere il modello addestrato nel repository di watsonx.ai Runtime Distribuire il modello per lo scoring online utilizzando la libreria client Assegnare il punteggio ai record del campione utilizzando la libreria client
Caricare un file CSV in un Apache Spark DataFrame Esplorare i dati Preparare i dati per l'addestramento e la valutazione Creare una pipeline di apprendimento automatico Apache Spark Addestrare e valutare un modello Persistere una pipeline e un modello nel repository watsonx.ai Runtime Esplorare e visualizzare i risultati della predizione utilizzando il pacchetto plotly Distribuire un modello per lo scoring in batch utilizzando watsonx.ai Runtime API
Caricare un file CSV in un Apache® Spark DataFrame Esplorare i dati Preparare i dati per l'addestramento e la valutazione Persistere una pipeline e un modello nel repository watsonx.ai Runtime da file tar.gz Distribuire un modello per lo scoring online utilizzando l'API watsonx.ai Runtime Valutare i dati di esempio utilizzando l'API watsonx.ai Runtime Esplorare e visualizzare i risultati delle previsioni utilizzando il pacchetto plotly
Caricare un file CSV in un array numpy Esplorare i dati Preparare i dati per l'addestramento e la valutazione Creare un modello di apprendimento automatico XGBoost Addestrare e valutare un modello Usare la convalida incrociata per ottimizzare gli iperparametri del modello Persistere un modello nel repository watsonx.ai Runtime Distribuire un modello per lo scoring online Assegnare un punteggio ai dati campione
Scaricare un modello Keras addestrato esternamente con un dataset. Persistere un modello esterno nel repository watsonx.ai Runtime. Distribuire un modello per lo scoring online utilizzando la libreria client. Eseguire il punteggio di record campione utilizzando la libreria client.
Caricare un file CSV in un Apache Spark DataFrame Esplorare i dati Preparare i dati per l'addestramento e la valutazione Persistere una pipeline e un modello nel repository watsonx.ai Runtime da file tar.gz Distribuire un modello per lo scoring online utilizzando l'API watsonx.ai Runtime Valutare i dati di esempio utilizzando l'API watsonx.ai Runtime Esplorare e visualizzare i risultati delle previsioni utilizzando il pacchetto plotly
Scaricare un modello scikit-learn addestrato esternamente con il set di dati Persistere un modello esterno nel repository watsonx.ai Runtime Distribuire il modello per lo scoring online usando la libreria client Attribuire un punteggio ai record del campione usando la libreria client Aggiornare il modello precedentemente persistito Distribuire nuovamente il modello al suo posto Scalare il deployment
Impostazione dell'ambiente ' Creazione ed esportazione del modello ONNX di base ' Conversione del modello da assi fissi ad assi dinamici ' Persistenza del modello ONNX convertito ' Distribuzione e valutazione del modello ONNX ' Pulizia ' Riepilogo e passi successivi
Creare il modello PyTorch con il set di dati. Convertire il modello PyTorch in formato ONNX ' Persistere il modello convertito nel repository Watson Machine Learning. Distribuire il modello per il punteggio online usando la libreria client. Punteggio dei record di esempio utilizzando la libreria client.
Scaricare un modello TensorFlow addestrato esternamente con un set di dati. Convertire il modello TensorFlow in formato ONNX ' Persistere il modello convertito nel repository Watson Machine Learning. Distribuire il modello per il punteggio online usando la libreria client. Punteggio dei record di esempio utilizzando la libreria client.
Esempi di AutoAI
Copy link to section
Visualizzare o eseguire questi Jupyter Notebooks per vedere come vengono implementate le tecniche del modello AutoAI .
Lavorare con watsonx.ai Esperimenti runtime per addestrare modelli AutoAI ' Confrontare la qualità dei modelli addestrati e selezionare il migliore per un ulteriore affinamento ' Affinare il modello migliore e testare nuove varianti ' Distribuire e valutare il modello addestrato
Lavorare con watsonx.ai Esperimenti runtime per addestrare modelli AutoAI ' Confrontare la qualità dei modelli addestrati e selezionare il migliore per un ulteriore affinamento ' Affinare il modello migliore e testare nuove varianti ' Distribuire e valutare il modello addestrato
Informazioni sui cookie del presente sitoPer il corretto funzionamento, i nostri siti Web richiedono alcuni cookie (richiesto). Inoltre, con il suo consenso, potrebbero essere utilizzati altri cookie per l'analisi dell'utilizzo del sito, per migliorare l'esperienza utente e per scopi pubblicitari.Per ulteriori informazioni, consultare le Preferenze cookie. Visitando il nostro sito web, accettate il trattamento delle informazioni da parte nostra come descritto nelladichiarazione sulla privacy di IBM.Per consentire una corretta navigazione, le preferenze per i cookie dell'utente verranno condivise sui domini Web IBM qui elencati.