Translation not up to date
Makine öğrenimi özelliklerini ve tekniklerini göstermek için Watson Machine Learning Python kitaplığını kullanan örnek Jupyter dizüstü bilgisayarlarını inceleyin ve kullanın. Her not defteri, hedeflerinize en uygun olanı bulabilmek için öğrenim hedeflerini listeler.
Örnekler, Watson Machine Learning Python istemci kitaplığının V4 sürümü kullanılarak oluşturulur.
Jupyter not defterinde bir makine öğrenimi modelinin nasıl eğitileceğini, devreye alınacağını ve test edeceğini öğrenmek için bu videoyu izleyin. Bu video, Konuşlandırma örnekleri tablosunda bulunan scikit kullan-el ile yazılan rakamları tanımayı öğren seçeneğini ikizler.
Bu video, bu belgedeki kavramları ve görevleri öğrenmek için görsel bir yöntem sağlar.
Jüpiter dizüstü bilgisayarında Watson Machine Learning API ' lerini kullanarak AutoAI ile oluşturulan bir modelin nasıl test edileceğini öğrenmek için bu videoyu izleyin.
Bu video, bu belgedeki kavramları ve görevleri öğrenmek için görsel bir yöntem sağlar.
Yararlı değişkenler
Önceden tanımlanmış PROJECT_ID ortam değişkeni, Watson Machine Learning Python istemci API ' lerinin çağrılmasını kolaylaştırır. PROJECT_ID , ortamınızın çalıştığı projenin guid 'dir.
Konuşlandırma örnekleri
Tekniklerin çeşitli çerçeveler kullanılarak nasıl uygulandığını görmek için bu Jupyter dizüstü bilgisayarlarını görüntüleyin veya çalıştırın. Bazı örnekler, genel havuzdan yükleyebileceğiniz eğitimli modellere dayanır.
| Örnek ad | Çerçeve | Gösterilen teknikler |
|---|---|---|
| Sıcaklığı tahmin etmek için scikit-learn ve custom library kullanın | Scikit-öğrenme | Özel tanımlı dönüştürücü Özel tanımlı dönüştürücü ve modeli Watson Machine Learning havuzunda kalıcı olarak kullanın Modeli Watson Machine Learning Service Devreye alınan modeli kullanarak tahminler gerçekleştirin |
| Iris türlerini tahmin etmek için PMML kullanın | PMML | Bir PMML modelini devreye al ve puanlama |
| El ile yazılan basamakları tanımak için Python işlevini kullanın | Python | Örnek bir modeli depolamak ve konuşlandırmak için bir işlev kullanın |
| Scikit kullanın-el ile yazılmış rakamları tanımayı öğrenin | Scikit-öğrenme | Watson Machine Learning havuzunda kalıcı olarak eğitim modeli Müşteri kitaplığını kullanarak çevrimiçi puanlama için modeli devreye alın Müşteri kitaplığını kullanarak örnek kayıtları puanlayın |
| Müşteri kaybını tahmin etmek için Spark ve toplu devreye alma olanağını kullanın | Spark | Bir CSV dosyasını Apache Spark DataFrame Verileri keşfedin Verileri eğitim ve değerlendirme için hazırlayın Apache Spark makine öğrenimi ardışık düzeni oluşturun Bir modeli eğitin ve değerlendirin Watson Machine Learning içinde bir ardışık düzeni ve modeli sürdürün repository plotly package kullanılarak öngörü sonucunu keşfedin ve görselleştirin Watson Machine Learning API 'sini kullanarak toplu puanlama için bir modeli devreye alın |
| Kredi Riskini tahmin etmek için Spark ve Python kullanın | Spark | Bir CSV dosyasını Apache® Spark DataFrame Verileri keşfedin Verileri eğitim ve değerlendirme için hazırlayın tar.gz dosyalarından Watson Machine Learning havuzunda bir ardışık düzeni ve modeli sürdürün Watson Machine Learning API Score örnek puanlama verilerini kullanarak çevrimiçi puanlama için bir modeli devreye alın Watson Machine Learning API Öngörü sonucunu, plotly paketini kullanarak keşfedin ve görselleştirin |
| Müşteri kaybını tahmin etmek için SPSS kullanın | SPSS | Devreye alınan modeli kullanarak SPSS modeli Puan verilerini çevrimiçi devreye alma işlemi gerçekleştirme örneğiyle çalışın |
| Tümörleri sınıflandırmak için XGBoost kullanın | XGBoost | Bir CSV dosyasını numpy dizisine yükleyin Verileri keşfedin Verileri eğitim ve değerlendirme için hazırlayın Bir XGBoost makine öğrenimi modeli oluşturun Bir modeli eğitin ve değerlendirin Modelin hiperparametrelerini optimize etmek için çapraz doğrulama kullanın Watson Machine Learning havuzunda bir modeli sürdürün Çevrimiçi puanlama için bir model devreye alın Puan örnek verileri |
| Otomobiller için işi tahmin edin | Spark | Harici olarak eğitilmiş bir Keras modelini veri kümesiyle karşıdan yükleyin. Watson Machine Learning havuzunda bir dış modeli devam ettir. Müşteri kitaplığını kullanarak çevrimiçi puanlama için modeli devreye alın. Müşteri kitaplığını kullanarak örnek kayıtları puanlayın. |
| Yazılım belirtimi için Python işlevini devreye alma | Temel | Python işlevi yarat Web hizmeti yarat Modeli puanlama |
| Machine Learning yapay nesne yönetimi | Temel | Yapay nesneleri dışa aktar ve içe aktar Harici olarak oluşturulan modelleri yükle, devreye al ve puanlama |
| diyetinizi planlamak için Decision Optimization ' nı kullanın | Temel | Decision Optimization olanağını kullanarak bir diyet planlama modeli oluşturun |
| Müşteri kaybını tahmin etmek için DB2 ile SPSS ve toplu devreye alma olanağını kullanın | SPSS | Bir CSV dosyasını Apache Spark DataFrame Verileri keşfedin Verileri eğitim ve değerlendirme için hazırlayın tar.gz dosyalarından Watson Machine Learning havuzunda bir ardışık düzeni ve modeli sürdürün Watson Machine Learning API Puanlama verilerini kullanarak çevrimiçi puanlama için bir modeli devreye alın Watson Machine Learning API Öngörü sonucunu, plotly paketini kullanarak keşfedin ve görselleştirin |
| Boston 'daki ev fiyatlarını tahmin etmek için scikit-learn and AI yaşam çevrimi yeteneklerini kullanın | Scikit-öğrenme | Scikit 'ten örnek bir veri kümesi yükleyin- Verileri keşfedin Eğitim ve değerlendirme için veri hazırlayın scikit-bilgi zinciri oluşturun Modeli eğitip değerlendirin Watson Machine Learning havuzunda bir model depolayın AutoAI yaşam çevrimi yetenekleriyle bir modeli devreye alın |
| Scikit ile Alman kredi riski öngörüsü-model izleme için bilgi edinin | Scikit-öğrenme | İzlemeyle bir kredi riski tahmin modeli oluşturun, oluşturun ve devreye alın |
| Alman kredi riski modelini izle | Scikit-öğrenme | IBM Watson OpenScale yetenekleriyle bir kredi riski tahmin modeli oluşturun, oluşturun ve devreye alın |
AutoAI örnekleri
AutoAI model tekniklerinin nasıl uygulandığını görmek için bu Jupyter not defterlerini görüntüleyin ya da çalıştırın.
| Örnek ad | Çerçeve | Gösterilen teknikler |
|---|---|---|
| Kredi riskini tahmin etmek için AutoAI ve Lale kullanın | Lale ile hibrit (AutoAI) | AutoAI modellerini eğitmek için Watson Machine Learning deneyleriyle çalışın Eğitilmiş model kalitesini karşılaştırın ve daha fazla iyileştirme için en iyi modeli seçin En iyi modeli iyileştirin ve yeni varyasyonları test edin Eğitilmiş modeli devreye alın ve puanlayın |
| Kredi riskini tahmin etmek için AutoAI kullanın | Karma (AutoAI) | AutoAI modellerini eğitmek için Watson Machine Learning deneyleriyle çalışın Eğitilmiş model kalitesini karşılaştırın ve daha fazla iyileştirme için en iyi modeli seçin En iyi modeli iyileştirin ve yeni varyasyonları test edin Eğitilmiş modeli devreye alın ve puanlayın |
Ana konu: Not defterlerinde makine öğrenimi modellerinin eğitimi ve devreye alınması