データおよび AutoAI エクスペリメントを保管するためのプロジェクトが必要です。 既存のプロジェクトを使用することも、プロジェクトを作成することもできます。

1. ナビゲーションメニュー「」から、「プロジェクト」 > 「すべてのプロジェクトを表示」を選択する

2. 既存のプロジェクトを開きます。 新規プロジェクトを使用する場合は、以下のようにします。

   1. 新規プロジェクトをクリックしてください。

   2. 「空のプロジェクトの作成」を選択します。

   3. プロジェクトの名前と説明 (オプション) を入力します。

   4. 既存の オブジェクト・ストレージ・サービス・インスタンス を選択するか、または新規作成します。

   5. 「作成」 をクリックします。

3. プロジェクトが開始したら、 管理 タブをクリックし、 サービスと統合 ページを選択してください。

   このタスクをプレビューするには、00:07から始まるビデオを見てください。

   1. IBM サービス」 タブで、 「サービスの関連付け」をクリックします。

   2. watsonx.aiランタイムインスタンスを選択します。 watsonx.aiRuntime サービスインスタンスがまだプロビジョニングされていない場合は、以下の手順に従ってください：

      1. 「新規サービス」をクリックします。

      2. watsonx.aiランタイムを選択します。

      3. 「作成」 をクリックします。

      4. リストから新規サービス・インスタンスを選択します。

   3. 「サービスの関連付け」をクリックします。

   4. 必要に応じて、 「キャンセル」 をクリックして 「サービス」&「統合」 ページに戻ります。

詳細またはビデオについては、プロジェクトの作成を参照してください。
関連サービスの詳細については、関連サービスの追加を参照してください。

このタスクをプレビューするには、00:18から始まるビデオをご覧ください。

このチュートリアルでは、サンプル・ノートブックを使用します。 以下のステップに従って、サンプル・ノートブックをプロジェクトに追加します。

1. リソースハブの「Use sckit-learn to recognize hand-written digits」ノートブックにアクセスしてください。

2. プロジェクトに追加をクリックしてください。

3. リストからプロジェクトを選択し、 追加をクリックしてください。

4. ノートブックの名前と説明を確認します (オプション)。

5. このノートブックのランタイム環境を選択してください。

6. 「作成」 をクリックします。 ノートブック・エディターがロードされるまで待ちます。

7. メニューから、 「カーネル」>「再始動」&「出力のクリア」をクリックしてから、 「再始動してすべての出力をクリア」 をクリックして確認し、最後に保存した実行の出力をクリアします。

このタスクをプレビューするには、00:44から始まるビデオをご覧ください。

ノートブックの最初のセクションでは、IBM Cloudの認証情報とwatsonx.aiRuntime サービスインスタンスの場所を指定して環境をセットアップします。 ノートブックで環境をセットアップするには、以下の手順に従います。

1. 環境のセットアップ セクションまでスクロールします。

2. API キーとロケーションを取得する方法を選択してください。

   • コマンド・プロンプトからノートブックの IBM Cloud CLI コマンドを実行します。

   • IBM Cloud コンソールを使用してください。

     1. IBM CloudConsole の API keys セクションを起動し、API キーを作成します。

     2. IBM Cloudリソース・リストにアクセスし、watsonx.aiRuntime サービス・インスタンスを表示し、Location に注意してください。

     3. 正しいエンドポイント URL については、watsonx.aiRuntimeAPI Docs を参照してください。 例えば、ダラスは us-south にあります。

3. API キーと場所をセル 1 に貼り付けます。

4. 実行アイコン「クリックして、セル1と2にコードを実行する。

5. セル 3 を実行して、 ibm-watson-machine-learning パッケージをインストールします。

6. セル 4 を実行して API クライアントをインポートし、資格情報を使用して API クライアント・インスタンスを作成します。

7. 既存のすべてのデプロイメント・スペースのリストを表示するには、コード client.spaces.list(limit=10) を使用してセルを実行します。 デプロイメント・スペースがない場合は、以下の手順を実行します。

   1. Cloud Pak for Data デプロイメントで別のタブを開きます。

   2. ナビゲーションメニュー「」から「Deployments」をクリックします。

   3. 新規デプロイメント・スペースをクリックしてください。

   4. デプロイメントの名前と説明 (オプション) を追加します。

   5. 作成をクリックしてから、 新規スペースの表示をクリックしてください。

   6. 「管理」 タブをクリックします。

   7. Space GUID をコピーしてタブを閉じると、この値が space_id になります。

8. コード space_id = 'PASTE YOUR SPACE ID HERE'を使用して適切なデプロイメント・スペース ID をセルにコピー・アンド・ペーストしてから、そのセルとコード client.set.default_space(space_id) を使用してセルを実行し、デフォルト・スペースを設定します。

このタスクをプレビューするには、02:14から始まるビデオをご覧ください。

これですべての環境変数がセットアップされたので、ノートブックの残りのセルを実行できます。 以下のステップに従って、コメントを読み、セルを実行し、出力を確認します。

1. 「データの探索」 セクションのセルを実行します。

2. 「scikit-learn モデルの作成 (Create a scikit-learn model)」 セクションのセルを実行します。

   1. データを 3 つのデータ・セット (トレーニング、テスト、およびスコア) に分割して準備します。

   2. パイプラインを作成します。

   3. モデルをトレーニングします。

   4. テスト・データを使用してモデルを評価します。

3. 「ローカルに作成された scikit-learn モデルの永続化」 セクションのセルを実行して、モデルを公開し、モデルの詳細を取得し、すべてのモデルを取得します。

   注:

   Python 3.11でランタイム 24.1 を使用している場合は、 software_spec_uid を runtime-24.1-py3.11 に変更し、scikit-learn バージョンを scikit-learn-1.3に変更する必要があります。

4. 「デプロイとスコア (Deploy and score)」 セクションのセルを実行して、オンライン・デプロイメントを作成し、デプロイメントの詳細を取得し、デプロイされたモデルに評価要求を送信して予測を確認します。

5. 「ファイル」>「保存」をクリックします。

このタスクをプレビューするには、04:07から始まるビデオをご覧ください。

デプロイメント・スペースからモデル・デプロイメントを直接表示することもできます。 スペースにデプロイされたモデルをテストするには、以下の手順を実行します。

1. ナビゲーションメニュー「」から「Deployments」をクリックします。

2. 「スペース」 タブをクリックします。

3. リストから適切なデプロイメント・スペースを選択してください。

4. 「Scikit モデル」をクリックします。

5. 「scikit モデルのデプロイメント」をクリックします。

6. エンドポイント および コード・スニペットを確認してください。

7. 「テスト」 タブをクリックします。 以下の JSON コードを貼り付けることで、デプロイされたモデルをテストできます：

      {"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. 予測をクリックしてください。 結果の予測は、手書きの数字が 5 と 4 であることを示しています。

ノートブックによって作成されたアセットをすべて削除したい場合は、Machine Learning成果物管理ノートブックをベースに新しいノートブックを作成する。 このノートブックへのリンクは、このチュートリアルで使用する 「scikit-learn を使用して手書きの数字ノートブックを認識する (Use scikit-learn to recognize hand-written digits notebook)」 の 「クリーンアップ」 セクションにもあります。