Translation not up to date
Zapoznaj się z przykładowymi podręcznikami Jupyter, które używają biblioteki Watson Machine Learning Python w celu zademonstrowania funkcji i technik uczenia maszynowego. Każdy notatnik wymienia cele edukacyjne, dzięki czemu można znaleźć ten, który najlepiej spełnia Twoje cele.
The samples are built by using the V4 version of the Watson Machine Learning Biblioteka klienta Python.
Obejrzyj ten film wideo, aby dowiedzieć się, w jaki sposób można trenować, wdrażać i testować model uczenia maszynowego w notatniku Jupyter. W tym filmie wideo znajduje się element Use scikit-learn to rozpoznawania hand-written cyfr , który znajduje się w tabeli Deployment samples (Przykłady wdrażania).
Ten film wideo udostępnia metodę wizualną, która umożliwia poznanie pojęć i zadań w tej dokumentacji.
Obejrzyj ten film wideo, aby dowiedzieć się, jak przetestować model utworzony za pomocą funkcji AutoAI , korzystając z interfejsów API Watson Machine Learning w notatniku Jupyter.
Ten film wideo udostępnia metodę wizualną, która umożliwia poznanie pojęć i zadań w tej dokumentacji.
Przydatne zmienne
Predefiniowana zmienna środowiskowa PROJECT_ID ułatwia wywo³anie funkcji API klienta Watson Machine Learning Python . PROJECT_ID to guid projektu, w którym działa środowisko.
Przykłady wdrażania
Zobacz lub uruchom te zeszyty Jupyter, aby zobaczyć, jak techniki są implementowane przy użyciu różnych środowisk. Niektóre z przykładów opierają się na wyszkolonych modelach, które są również dostępne do pobrania z repozytorium publicznego.
| Przykładowa nazwa | Środowisko | Zaprezentowane techniki |
|---|---|---|
| Use scikit-learn and custom library to predict temperature | Scikit-nauka | Wytłaczaj model z niestandardowym zdefiniowanym transformatorem utrwalaj niestandardowy zdefiniowany transformator i model w repozytorium Watson Machine Learning Wdróż model przy użyciu Watson Machine Learning Service Wykonaj predykcje przy użyciu wdrożonego modelu |
| Użyj PMML, aby przewidzieć gatunki tęczowe | PMML | Wdrażaj i oceniaj model PMML |
| Użyj funkcji Python , aby rozpoznać ręcznie zapisane cyfry | Python | Użyj funkcji do przechowywania przykładowego modelu, a następnie wdróż go |
| Use scikit-naucz się rozpoznawać ręcznie pisane cyfry | Scikit-nauka | Model uczenia maszynowego model utrwala wyszkolony model w repozytorium Watson Machine Learning repozytorium Wdrażaj model dla oceniania online za pomocą biblioteki klienta Ocena przykładowych rekordów przy użyciu biblioteki klienta |
| Korzystanie ze środowiska Spark i wdrożenie wsadowe w celu przewidywania odejmowania klienta | Spark | Load a CSV file into an Apache Spark DataFrame Explore data Prepare data for training and evaluation Create an Apache Spark machine learning pipeline Train and evaluate a model Persist a pipeline and model in Watson Machine Learning repository Explore and visualize prediction result using the plotly package Deploy a model for batch scoring using Watson Machine Learning API |
| Użyj Spark i Python do przewidywania ryzyka kredytowego | Spark | Ładowanie pliku CSV do Apache® Spark DataFrame Eksploracja danych Przygotowanie danych do szkolenia i ewaluacji utrwalanie potoku i modelu w repozytorium Watson Machine Learning z plików tar.gz Wdrożenie modelu do oceny online przy użyciu interfejsu API Watson Machine Learning API Ocena przykładowych danych oceniania przy użyciu Watson Machine Learning Interfejs API Eksploruj i wizualizuj wynik predykcji przy użyciu pakietowego pakietu |
| Użyj programu SPSS , aby przewidzieć odejmowanie klienta | SPSS | Praca z instancją Wykonanie wdrożenia elektronicznego danych wyniku modelu SPSS przy użyciu wdrożonego modelu |
| Używanie XGBoost do klasyfikowania nowotworów | XGBoost | Ładowanie pliku CSV do macierzy numpy Eksploracja danych Przygotowanie danych do szkolenia i ewaluacji Tworzenie modelu uczenia maszynowego XGBoost Pociąg i ocena modelu Użyj walidacji krzyżowej w celu zoptymalizowania nadparametrów modelu utrwalanie modelu w repozytorium Watson Machine Learning Wdrożenie modelu do oceniania online Dane przykładowe oceny |
| Prognozowanie działalności gospodarczej dla samochodów | Spark | Pobierz zewnętrznie wyszkolony model Keras ze zbiorem danych. utrwala model zewnętrzny w repozytorium Watson Machine Learning . Wdróż model oceniania w trybie online przy użyciu biblioteki klienta. Przeprowadź ocenę przykładowych rekordów przy użyciu biblioteki klienta. |
| Wdróż funkcję Python dla specyfikacji oprogramowania | Kanał podstawowy | Tworzenie funkcji Python Tworzenie usługi Web Service Ocena modelu |
| Zarządzanie artefakami Machine Learning | Kanał podstawowy | Eksportowanie i importowanie artefaktów Ładuj, wdrażaj i oceniaj zewnętrznie utworzone modele |
| Użyj opcji Decision Optimization , aby zaplanować sposób odżywiania | Kanał podstawowy | Tworzenie modelu planowania diety za pomocą opcji Decision Optimization |
| Użyj programu SPSS i wdrożenia wsadowego z bazą danych DB2 , aby przewidzieć odejmowanie klienta | SPSS | Załaduj plik CSV do Apache Spark DataFrame Eksploruj dane Przygotuj dane do szkolenia i ewaluacji utrwalaj potok i model w repozytorium Watson Machine Learning z plików tar.gz Wdróż model oceniania online za pomocą funkcji API Watson Machine Learning API Zdobyj przykładowe dane oceniania przy użyciu Watson Machine Learning Interfejs API Eksploruj i wizualizuj wynik predykcji przy użyciu pakietowego pakietu |
| Użyj funkcji scikit-learn i AI cyklu życia w celu przewidywania cen domów w Bostonie | Scikit-nauka | Load a sample data set from scikit-learn Explore data Prepare data for training and evaluation Create a scikit-learn pipeline Train and evaluate a model Store a model in the Watson Machine Learning repository Deploy a model with AutoAI lifecycle capabilities |
| predykcja niemieckiego ryzyka kredytowego z programem Scikit-poznaj model monitorowania modelu | Scikit-nauka | Szkolenie, tworzenie i wdrażanie modelu predykcji ryzyka kredytowego z monitorowaniem |
| Monitorowanie niemieckiego modelu ryzyka kredytowego | Scikit-nauka | Szkolenie, tworzenie i wdrażanie modelu predykcji ryzyka kredytowego przy użyciu funkcji IBM Watson OpenScale . |
Przykłady AutoAI
Wyświetl lub uruchom te notatniki Jupyter, aby zobaczyć, w jaki sposób zaimplementowane są techniki modelowania AutoAI .
| Przykładowa nazwa | Środowisko | Zaprezentowane techniki |
|---|---|---|
| Użyj funkcji AutoAI i Lale, aby przewidzieć ryzyko kredytowe | Hybryda (AutoAI) z Lale | Praca z eksperymentami Watson Machine Learning w celu uczenia modeli AutoAI Porównaj jakość wyszkolonych modeli i wybierz najlepszą dla dalszego udoskonalenia Refine najlepszy model i przetestuj nowe warianty Deploy and score the przeszkolony model |
| Korzystanie z funkcji AutoAI do przewidywania ryzyka kredytowego | Hybryda (AutoAI) | Praca z eksperymentami Watson Machine Learning w celu uczenia modeli AutoAI Porównaj jakość wyszkolonych modeli i wybierz najlepszą dla dalszego udoskonalenia Refine najlepszy model i przetestuj nowe warianty Deploy and score the przeszkolony model |
Temat nadrzędny: Szkolenia i wdrażanie modeli uczenia maszynowego w notebookach