Inicio rápido: Crear y desplegar un modelo de aprendizaje automático en un cuaderno de Jupyter

Necesita un proyecto para almacenar los datos y el experimento AutoAI . Puede utilizar un proyecto existente o crear un proyecto.

1. En el Menú de navegación , elija Proyectos > Ver todos los proyectos

2. Abre un proyecto existente. Si desea utilizar un proyecto nuevo:

   1. Pulse Nuevo proyecto.

   2. Seleccione Crear un proyecto vacío.

   3. Especifique un nombre y una descripción opcional para el proyecto.

   4. Elija una instancia de servicio de almacenamiento de objetos existente o cree una nueva.

   5. Pulse Crear.

3. Cuando se abra el proyecto, pulse la pestaña Gestionar y seleccione la página Servicios e integraciones.

   Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 00:07.

   1. En la pestaña Servicios deIBM , pulse Asociar servicio.

   2. Seleccione la instancia de Watson Machine Learning . Si todavía no ha suministrado una instancia de servicio de Watson Machine Learning , siga estos pasos:

      1. Pulse Nuevo servicio.

      2. Seleccione Watson Machine Learning.

      3. Pulse Crear.

      4. Seleccione la nueva instancia de servicio en la lista.

   3. Pulse Asociar servicio.

   4. Si es necesario, pulse Cancelar para volver a la página Servicios e integraciones .

Para obtener más información o para ver un vídeo, consulte Creación de un proyecto.
Para obtener más información sobre los servicios asociados, consulte Adición de servicios asociados.

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 00:18.

Utilizará un cuaderno de ejemplo en esta guía de aprendizaje. Siga estos pasos para añadir el cuaderno de ejemplo al proyecto:

1. Acceda a Utilizar sckit-learn para reconocer el cuaderno de dígitos escritos a mano en el Centro de recursos.

2. Pulse Añadir al proyecto.

3. Seleccione el proyecto en la lista y pulse Añadir.

4. Verifique el nombre y la descripción del cuaderno (opcional).

5. Seleccione un entorno de ejecución para este cuaderno.

6. Pulse Crear. Espere a que se cargue el editor de cuadernos.

7. En el menú, pulse Kernel > Reiniciar y Borrar saliday, a continuación, confirme pulsando Reiniciar y borrar todas las salidas para borrar la salida de la última ejecución guardada.

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 00:44.

La primera sección del cuaderno configura el entorno especificando las credenciales de IBM Cloud y la ubicación de la instancia de servicio de Watson Machine Learning . Siga estos pasos para configurar el entorno en el cuaderno:

1. Desplácese a la sección Configurar el entorno.

2. Elija un método para obtener la clave y la ubicación de la API.

   • Ejecute los mandatos de la CLI de IBM Cloud en el cuaderno desde un indicador de mandatos.

   • Utilice la consola de IBM Cloud.

     1. Inicie la sección de claves de API de en la IBM Cloudy cree una clave de API.

     2. Acceda a la lista de recursos deIBM Cloud, vea la instancia de servicio de Watson Machine Learning y anote la Ubicación.

     3. Consulte Watson Machine Learning Documentos de API para ver el URL de punto final correcto. Por ejemplo, Dallas está en nosotros-sur.

3. Pegue la clave y la ubicación de la API en la celda 1.

4. Pulse el icono Ejecutar para ejecutar el código en las celdas 1 y 2.

5. Ejecute la célula 3 para instalar el paquete ibm-watson-machine-learning .

6. Ejecute la célula 4 para importar el cliente de API y crear la instancia de cliente de API utilizando sus credenciales.

7. Ejecute la celda con el código client.spaces.list(limit=10) para ver una lista de todos los espacios de despliegue existentes. Si no tiene un espacio de despliegue, siga estos pasos:

   1. Abra otra pestaña con el despliegue de Cloud Pak for Data.

   2. En el Menú de navegación , pulse Despliegues.

   3. Pulse Nuevo espacio de despliegue.

   4. Añada un nombre y una descripción opcional para el despliegue.

   5. Pulse Crear y luego Ver nuevo espacio.

   6. Pulse la pestaña Gestionar .

   7. Copie el GUID de espacio y cierre la pestaña, este valor será su space_id.

8. Copie y pegue el ID de espacio de despliegue adecuado en la celda con el código space_id = 'PASTE YOUR SPACE ID HERE'y, a continuación, ejecute dicha celda y la celda con el código client.set.default_space(space_id) para establecer el espacio predeterminado.

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 02:14.

Ahora que todas las variables de entorno están configuradas, puede ejecutar el resto de las celdas del cuaderno. Siga estos pasos para leer los comentarios, ejecutar las celdas y revisar la salida:

1. Ejecute las celdas en la sección Explorar datos .

2. Ejecute las celdas en la sección Crear un modelo scikit-learn .

   1. Preparar los datos dividiéndolo en tres conjuntos de datos (entrenamiento, prueba y puntuación).

   2. Cree la interconexión.

   3. Entrenar el modelo.

   4. Evaluar el modelo utilizando los datos de prueba.

3. Ejecute las celdas en la sección Persist local created scikit-learn model para publicar el modelo, obtener detalles del modelo y obtener todos los modelos.

   Nota:

   Si utiliza Runtime 24.1 en Python 3.11, tendrá que cambiar software_spec_uid a runtime-24.1-py3.11 y la versión scikit-learn a scikit-learn-1.3.

4. Ejecute las celdas en la sección Desplegar y puntuar para crear el despliegue en línea, obtener detalles de despliegue y enviar una solicitud de puntuación al modelo desplegado para ver la predicción.

5. Pulse Archivo > Guardar.

Para obtener una vista previa de esta tarea, vea el vídeo que empieza en 04:07.

También puede ver el despliegue del modelo directamente desde el espacio de despliegue. Siga estos pasos para probar el modelo desplegado en el espacio.

1. En el Menú de navegación , pulse Despliegues.

2. Pulse la pestaña Espacios .

3. Seleccione el espacio de despliegue adecuado de la lista.

4. Pulse Modelo Scikit.

5. Pulse Despliegue del modelo scikit.

6. Revise el Punto final y los Fragmentos de código.

7. Pulse el separador Probar. Puede probar el modelo desplegado pegando el siguiente código JSON:

      {"input_data": [{"values": [[0.0, 0.0, 5.0, 16.0, 16.0, 3.0, 0.0, 0.0, 0.0, 0.0, 9.0, 16.0, 7.0, 0.0, 0.0, 0.0, 0.0, 0.0, 12.0, 15.0, 2.0, 0.0, 0.0, 0.0, 0.0, 1.0, 15.0, 16.0, 15.0, 4.0, 0.0, 0.0, 0.0, 0.0, 9.0, 13.0, 16.0, 9.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 14.0, 12.0, 0.0, 0.0, 0.0, 0.0, 5.0, 12.0, 16.0, 8.0, 0.0, 0.0, 0.0, 0.0, 3.0, 15.0, 15.0, 1.0, 0.0, 0.0], [0.0, 0.0, 6.0, 16.0, 12.0, 1.0, 0.0, 0.0, 0.0, 0.0, 5.0, 16.0, 13.0, 10.0, 0.0, 0.0, 0.0, 0.0, 0.0, 5.0, 5.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 8.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 13.0, 13.0, 0.0, 0.0, 0.0, 0.0, 0.0, 6.0, 16.0, 9.0, 4.0, 1.0, 0.0, 0.0, 3.0, 16.0, 16.0, 16.0, 16.0, 10.0, 0.0, 0.0, 5.0, 16.0, 11.0, 9.0, 6.0, 2.0]]}]}
   

8. Pulse Pronosticar. La predicción resultante indica que los dígitos escritos a mano son 5 y 4.

Si desea eliminar todos los activos creados por el cuaderno, cree un nuevo cuaderno basado en el cuaderno de gestión de artefactos deMachine Learning. También dispone de un enlace con este cuaderno en la sección Limpieza del cuaderno Utilizar scikit-learn para reconocer dígitos escritos a mano utilizado en esta guía de aprendizaje.