È necessario un progetto per memorizzare i dati e l'esperimento AutoAI . È possibile utilizzare un progetto esistente o creare un progetto.

1. Dal menu di navigazione ', scegliere Progetti > Visualizza tutti i progetti

2. Aprire un progetto esistente. Se si desidera utilizzare un nuovo progetto:

   1. Fare clic su Nuovo progetto.

   2. Selezionare Crea un progetto vuoto.

   3. Immettere un nome e una descrizione facoltativa per il progetto.

   4. Scegliere un'istanza del servizio di archiviazione oggetti esistente o crearne una nuova.

   5. Fare clic su Crea.

3. Quando il progetto si apre, fai clic sulla scheda Manage e seleziona la pagina Services and integrations .

   Per vedere un'anteprima di questo compito, guardate il video a partire da 00:07.

   1. Sulla scheda IBM , fare clic su Associa servizio.

   2. Selezionare l'istanza del runtime watsonx.ai. Se non si dispone ancora di un'istanza del servizio watsonx.ai Runtime, seguire questi passaggi:

      1. Fare clic su Nuovo servizio.

      2. Selezionare watsonx.ai Runtime.

      3. Fare clic su Crea.

      4. Selezionare la nuova istanza del servizio dall'elenco.

   3. Fare clic su Associa servizio.

   4. Se necessario, fare clic su Annulla per tornare alla pagina Servizi & Integrazioni .

Per ulteriori informazioni o per vedere un video, vedere Creazione di un progetto.
ulteriori informazioni sui servizi associati, vedere Aggiunta di servizi associati.

Per avere un'anteprima di questo compito, guardate il video a partire da 00:18.

In questa esercitazione verrà utilizzato un notebook di esempio. Attenersi alla seguente procedura per aggiungere il notebook di esempio al progetto:

1. Accedere al quaderno Use sckit-learn to recognize hand-written digits nell'hub Risorse.

2. Fare clic su Aggiungi al progetto.

3. Selezionare il progetto dall'elenco e fare clic su Aggiungi.

4. Verificare il nome e la descrizione del notebook (facoltativo).

5. Selezionare un ambiente di runtime per questo notebook.

6. Fare clic su Crea. Attendere il caricamento dell'editor del notebook.

7. Dal menu, fare clic su Kernel> Riavvia & Cancella output, quindi confermare facendo clic su Riavvia e Cancella tutti gli output per cancellare l'output dall'ultima esecuzione salvata.

Per vedere un'anteprima di questo compito, guardate il video a partire da 00:44.

La prima sezione del blocco note configura l'ambiente specificando le credenziali di IBM Cloud e la posizione dell'istanza del servizio watsonx.ai Runtime. Attenersi alla seguente procedura per impostare l'ambiente nel notebook:

1. Scorrere fino alla sezione Imposta l'ambiente .

2. Scegliere un metodo per ottenere la chiave API e l'ubicazione.

   • Esegui i comandi CLI IBM Cloud nel notebook da un prompt dei comandi.

   • Utilizza la console IBM Cloud .

     1. Avviare la sezione chiavi API nella IBM Cloud Console e creare una chiave API.

     2. Accedere all'elenco delle risorseIBM Cloud, visualizzare l'istanza del servizio watsonx.ai Runtime e notare la posizione.

     3. Vedere il runtime 'watsonx.ai 'Documenti API per l'URL dell'endpoint corretto. Ad esempio, Dallas è in noi - sud.

3. Incolla la tua chiave API e la posizione nella cella 1.

4. Fare clic sull'icona Esegui ' per eseguire il codice nelle celle 1 e 2.

5. Eseguire la cella 3 per installare il package ibm-watson-machine-learning .

6. Eseguire la cella 4 per importare il client API e creare l'istanza client API utilizzando le proprie credenziali.

7. Eseguire la cella con il codice client.spaces.list(limit=10) per visualizzare un elenco di tutti gli spazi di distribuzione esistenti. Se non si dispone di uno spazio di distribuzione, attenersi alla seguente procedura:

   1. Apri un'altra scheda con la distribuzione Cloud Pak for Data .

   2. Dal menu di navigazione ', fare clic su Deployments.

   3. Fare clic su Nuovo spazio di distribuzione.

   4. Aggiungere un nome e una descrizione facoltativa per la distribuzione.

   5. Fai clic su Crea, quindi su Visualizza nuovo spazio.

   6. Fare clic sulla scheda Gestisci .

   7. Copia il GUID spazio e chiudi la scheda, questo valore sarà il tuo space_id.

8. Copiare e incollare l'ID spazio di distribuzione appropriato nella cella con il codice space_id = 'PASTE YOUR SPACE ID HERE', quindi eseguire quella cella e la cella con il codice client.set.default_space(space_id) per impostare lo spazio predefinito.

Per vedere un'anteprima di questo compito, guardate il video a partire da 02:14.

Ora che tutte le variabili di ambiente sono impostate, è possibile eseguire il resto delle celle nel notebook. Effettuare le operazioni riportate di seguito per leggere i commenti, eseguire le celle ed esaminare l'output:

1. Eseguire le celle nella sezione Esplora dati .

2. Eseguire le celle nella sezione Crea un modello scikit - learn .

   1. Preparare i dati suddividendo i dati in tre serie di dati (addestramento, test e punteggio).

   2. Crea la pipeline.

   3. Addestrare il modello.

   4. Valutare il modello utilizzando i dati di test.

3. Eseguire le celle nella sezione Mantieni modello scikit-learn creato localmente per pubblicare il modello, ottenere i dettagli del modello e ottenere tutti i modelli.

   Nota:

   Se stai utilizzando Runtime 24.1 su Python 3.11, dovrai modificare software_spec_uid in runtime-24.1-py3.11 e la versione scikit - learn in scikit-learn-1.3.

4. Eseguire le celle nella sezione Distribuisci e calcola il punteggio per creare la distribuzione online, ottenere i dettagli della distribuzione e inviare una richiesta di calcolo del punteggio al modello distribuito per visualizzare la previsione.

5. Fare clic su File> Salva.

Per vedere un'anteprima di questo compito, guardate il video a partire da 04:07.

È anche possibile visualizzare la distribuzione del modello direttamente dallo spazio di distribuzione. Attieniti a questa procedura per verificare il modello distribuito nello spazio.

1. Dal menu di navigazione ', fare clic su Deployments.

2. Fare clic sulla scheda Spazi .

3. Selezionare lo spazio di distribuzione appropriato dall'elenco.

4. Fare clic su Modello Scikit.

5. Fare clic su Distribuzione del modello scikit.

6. Esamina i Endpoint e i frammenti di codice.

7. Fare clic sulla scheda Test . Puoi testare il modello distribuito incollando il seguente codice 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. Fare clic su Previsione. La previsione risultante indica che le cifre scritte a mano sono 5 e 4.

Se si desidera rimuovere tutte le risorse create dal blocco note, creare un nuovo blocco note basato sul blocco note di gestione degli artefatti diMachine Learning. Un link a questo notebook è disponibile anche nella sezione Pulizia del Blocco note scikit-learn per riconoscere le cifre scritte a mano utilizzato in questa esercitazione.