0 / 0
Retourner à la version anglaise de la documentation
Démarrage rapide : Génération et déploiement d'un modèle d'apprentissage automatique dans un bloc-notes Jupyter

Démarrage rapide : Génération et déploiement d'un modèle d'apprentissage automatique dans un bloc-notes Jupyter

Vous pouvez créer, former et déployer des modèles d'apprentissage machine avec Watson Machine Learning dans un bloc-notes Jupyter. Lisez sur les portables Jupyter, puis regardez une vidéo et prenez un tutoriel qui convient aux utilisateurs intermédiaires et qui nécessite un codage.

Services requis
Watson Studio
Watson Machine Learning

Votre flux de travaux de base inclut les tâches suivantes :

  1. Créez un projet. Les projets sont l'endroit où vous collaborez avec d'autres personnes sur les données.
  2. Ajoutez un bloc-notes au projet. Vous pouvez créer un bloc-notes vide ou importer un bloc-notes à partir d'un fichier ou d'un référentiel GitHub.
  3. Ajoutez du code et exécutez le bloc-notes.
  4. Passez en revue les pipelines modèles et enregistrez le pipeline souhaité en tant que modèle.
  5. Déployez et testez votre modèle.

Lire sur les carnets de notes Jupyter

Un bloc-notes Jupyter est un environnement basé sur le Web pour un calcul interactif. Si vous choisissez de générer un modèle d'apprentissage automatique dans un bloc-notes, vous devez maîtriser le codage dans un bloc-notes Jupyter. Vous pouvez exécuter de petits morceaux de code qui traitent vos données, puis afficher immédiatement les résultats de votre calcul. A l'aide de cet outil, vous pouvez assembler, tester et exécuter tous les blocs de génération dont vous avez besoin pour travailler avec des données, enregistrer les données dans Watson Machine Learning et déployer le modèle.

En savoir plus sur l'entraînement des modèles dans les blocs-notes

En savoir plus sur les autres méthodes de génération de modèles

Visionnez une vidéo sur la création d'un modèle dans un bloc-notes Jupyter

Regarder une vidéo Regardez cette vidéo pour savoir comment former, déployer et tester un modèle d'apprentissage automatique dans un bloc-notes Jupyter.

Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.


Essayez un tutoriel pour créer un modèle dans un bloc-notes Jupyter

Dans ce tutoriel, vous exécutez les tâches suivantes :

Ce tutoriel dure environ 30 minutes.

Données exemple

Les données exemple utilisées dans ce tutoriel proviennent de données qui font partie de Scikit-apprendre et qui seront utilisées pour former un modèle pour reconnaître les images de chiffres écrits à la main, à partir de 0 à 9.





Conseils pour l'exécution de ce tutoriel
Voici quelques conseils pour réussir ce tutoriel.

Utiliser la vidéo image-in-picture

Astuce: Démarrez la vidéo, puis au fur et à mesure que vous faites défiler le tutoriel, la vidéo passe en mode image-en-image. Fermez la table des matières vidéo pour la meilleure expérience avec l'image en image. Vous pouvez utiliser le mode image-dans-image pour pouvoir suivre la vidéo à mesure que vous effectuez les tâches de ce tutoriel. Cliquez sur les horodatages de chaque tâche à suivre.

L'image animée suivante montre comment utiliser les fonctions d'image vidéo et de table des matières:

Comment utiliser l'image en image et les chapitres

Obtenir de l'aide dans la communauté

Si vous avez besoin d'aide pour ce tutoriel, vous pouvez poser une question ou trouver une réponse dans le forum de discussion de la communautéCloud Pak for Data.

Configurez les fenêtres de votre navigateur

Pour une expérience optimale lors de l'exécution de ce tutoriel, ouvrez Cloud Pak for Data dans une fenêtre de navigateur et laissez cette page de tutoriel ouverte dans une autre fenêtre de navigateur pour basculer facilement entre les deux applications. Envisagez d'organiser les deux fenêtres du navigateur côte à côte pour faciliter le suivi.

Tutoriel et interface utilisateur côte à côte

Astuce: Si vous rencontrez une visite guidée lors de l'exécution de ce tutoriel dans l'interface utilisateur, cliquez sur Peut-être plus tard.



Tâche 1: Ouvrir un projet

Vous avez besoin d'un projet pour stocker les données et l'expérimentation AutoAI . Vous pouvez utiliser un projet existant ou créer un projet.

  1. Dans le menu de navigation Menu de navigation, sélectionnez Projets > Afficher tous les projets .

  2. Ouvrir un projet existant. Si vous souhaitez utiliser un nouveau projet:

    1. Cliquez sur Nouveau projet.

    2. Sélectionnez Créer un projet vide.

    3. Entrez un nom et une description facultative pour le projet.

    4. Choisissez une instance de service object storage existante ou crée en une nouvelle.

    5. Cliquez sur Créer.

  3. Lorsque le projet s'ouvre, cliquez sur l'onglet Gérer et sélectionnez la page Services et intégrations.

    vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:07.

    1. Dans l'onglet ServicesIBM , cliquez sur Associer un service.

    2. Sélectionnez votre instance Watson Machine Learning . Si vous ne disposez pas encore d'une instance de service Watson Machine Learning mise à disposition, procédez comme suit:

      1. Cliquez sur Nouveau service.

      2. Sélectionnez Watson Machine Learning.

      3. Cliquez sur Créer.

      4. Sélectionnez la nouvelle instance de service dans la liste.

    3. Cliquez sur Associer un service.

    4. Si nécessaire, cliquez sur Annuler pour revenir à la page Services & Intégrations .

Pour plus d'informations ou pour regarder une vidéo, voir Création d'un projet.
Pour plus d'informations sur les services associés, voir Ajout de services associés.

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre le nouveau projet.

L'image suivante montre le nouveau projet.




Tâche 2: Ajouter un bloc-notes à votre projet

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:18.

Vous allez utiliser un exemple de bloc-notes dans ce tutoriel. Pour ajouter l'exemple de bloc-notes à votre projet, procédez comme suit:

  1. Accédez au bloc-notes Utiliser sckit-learn pour reconnaître les chiffres écrits à la main dans le concentrateur de ressources.

  2. Cliquez sur Ajouter au projet.

  3. Sélectionnez le projet dans la liste et cliquez sur Ajouter.

  4. Vérifiez le nom et la description du bloc-notes (facultatif).

  5. Sélectionnez un environnement d'exécution pour ce bloc-notes.

  6. Cliquez sur Créer. Attendez que l'éditeur de bloc-notes se charge.

  7. Dans le menu, cliquez sur Noyau > Redémarrer & Effacer la sortie, puis confirmez en cliquant sur Redémarrer et effacer toutes les sorties pour effacer la sortie de la dernière exécution sauvegardée.

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre le nouveau bloc-notes.

L'image suivante montre le nouveau bloc-notes.




Tâche 3: Configurer l'environnement

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo à partir de 00:44.

La première section du bloc-notes configure l'environnement en spécifiant vos données d'identification IBM Cloud et l'emplacement de l'instance de service Watson Machine Learning . Pour configurer l'environnement dans votre bloc-notes, procédez comme suit:

  1. Accédez à la section Configuration de l'environnement.

  2. Choisissez une méthode pour obtenir la clé et l'emplacement de l'API.

    • Exécutez les commandes CLI IBM Cloud dans le bloc-notes à partir d'une invite de commande.

    • Utilisez la console IBM Cloud.

      1. Lancez la section des clés d'API dans la IBM Cloudet créez une clé d'API.

      2. Accédez à votre liste de ressourcesIBM Cloud, affichez votre instance de service Watson Machine Learning et notez l' emplacement.

      3. Voir Watson Machine Learning API Docs pour l'URL de noeud final correcte. Par exemple, Dallas se trouve dans le sud des États-Unis.

  3. Collez la clé et l'emplacement de l'API dans la cellule 1.

  4. Cliquez sur l'icône Exécuter Exécuter pour exécuter votre code dans les cellules 1 et 2.

  5. Exécutez la cellule 3 pour installer le package ibm-watson-machine-learning .

  6. Exécutez la cellule 4 pour importer le client API et créer l'instance de client API à l'aide de vos données d'identification.

  7. Exécutez la cellule avec le code client.spaces.list(limit=10) pour afficher la liste de tous les espaces de déploiement existants. Si vous ne disposez pas d'un espace de déploiement, procédez comme suit:

    1. Ouvrez un autre onglet avec votre déploiement Cloud Pak for Data.

    2. Dans le menu de navigation Menu de navigation, cliquez sur Déploiements.

    3. Cliquez sur Nouvel espace de déploiement.

    4. Ajoutez un nom et une description facultative pour le déploiement.

    5. Cliquez sur Créer, puis sur Afficher un nouvel espace.

    6. Cliquez sur l'onglet Gérer .

    7. Copiez le fichier Identificateur global unique de l'espace et fermez l'onglet, cette valeur sera votre space_id.

  8. Copiez et collez l'ID d'espace de déploiement approprié dans la cellule avec le code space_id = 'PASTE YOUR SPACE ID HERE', puis exécutez cette cellule et la cellule avec le code client.set.default_space(space_id) pour définir l'espace par défaut.

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre le bloc-notes avec toutes les variables d'environnement configurées.

L'image suivante montre le bloc-notes avec toutes les variables d'environnement configurées.




Tâche 4: Exécuter le bloc-notes

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 02:14.

Maintenant que toutes les variables d'environnement sont configurées, vous pouvez exécuter le reste des cellules du bloc-notes. Procédez comme suit pour lire les commentaires, exécuter les cellules et passer en revue la sortie:

  1. Exécutez les cellules de la section Explorer les données .

  2. Exécutez les cellules de la section Créer un modèle scikit-learn .

    1. Préparez les données en le divisant en trois ensembles de données (train, test et score).

    2. Créez le pipeline.

    3. Entraînez le modèle.

    4. Evaluez le modèle à l'aide des données de test.

  3. Exécutez les cellules de la section Persist local created scikit-learn model pour publier le modèle, obtenir les détails du modèle et obtenir tous les modèles.

    Remarque :

    Si vous utilisez Runtime 24.1 sur Python 3.11, vous devez remplacer software_spec_uid par runtime-24.1-py3.11 et la version scikit-learn par scikit-learn-1.3.

  4. Exécutez les cellules de la section Déployer et évaluer pour créer le déploiement en ligne, obtenir les détails du déploiement et envoyer une demande d'évaluation au modèle déployé pour voir la prévision.

  5. Cliquez sur Fichier > Sauvegarder.

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre le bloc-notes avec la prévision.

L'image suivante montre le bloc-notes avec la prévision.




Tâche 5: Afficher et tester le modèle déployé dans l'espace de déploiement

vidéo du tutoriel d'aperçu Pour prévisualiser cette tâche, regardez la vidéo qui commence à 04:07.

Vous pouvez également afficher le déploiement de modèle directement à partir de l'espace de déploiement. Procédez comme suit pour tester le modèle déployé dans l'espace.

  1. Dans le menu de navigation Menu de navigation, cliquez sur Déploiements.

  2. Cliquez sur l'onglet Espaces .

  3. Sélectionnez l'espace de déploiement approprié dans la liste.

  4. Cliquez sur Modèle Scikit.

  5. Cliquez sur Déploiement du modèle scikit.

  6. Consultez les fichiers Noeud final et Fragments de code.

  7. Cliquez sur l'onglet Tester. Vous pouvez tester le modèle déployé en collant le code JSON suivant :

       {"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. Cliquez sur Prévoir. La prédiction qui en résulte indique que les chiffres écrits à la main sont 5 et 4.

Icône de point de contrôle Vérifiez votre progression

L'image suivante montre l'onglet Test avec la prévision.

L'image suivante montre l'onglet Test avec la prévision.




(Facultatif) Tâche 6: Nettoyer

Si vous souhaitez supprimer tous les actifs créés par le bloc-notes, créez un nouveau bloc-notes basé sur le bloc-notes de gestion des artefactsMachine Learning. Un lien vers ce bloc-notes est également disponible dans la section Nettoyer du Utiliser la scikit-learn pour reconnaître le bloc-notes des chiffres écrits à la main utilisé dans ce tutoriel.



Etapes suivantes

A présent, vous pouvez utiliser ce fichier pour une analyse plus approfondie. Par exemple, vous ou d'autres utilisateurs pouvez effectuer l'une des tâches suivantes :

Autres ressources

Rubrique parent: Tutoriels de démarrage rapide

Recherche et réponse à l'IA générative
Ces réponses sont générées par un modèle de langue de grande taille dans watsonx.ai en fonction du contenu de la documentation du produit. En savoir plus