0 / 0
Zurück zur englischen Version der Dokumentation
Schnelleinstieg: Modell für maschinelles Lernen in einem Jupyter Notebook erstellen und bereitstellen

Schnelleinstieg: Modell für maschinelles Lernen in einem Jupyter Notebook erstellen und bereitstellen

Sie können Modelle für maschinelles Lernen mit Watson Machine Learning in einem Jupyter Notebook erstellen, trainieren und bereitstellen. Lesen Sie weitere Informationen zu Jupyter Notebooks, sehen Sie sich ein Video an und führen Sie ein Lernprogramm aus, das für fortgeschrittene Benutzer geeignet ist und für das Codierung erforderlich ist.

Erforderliche Services
Watson Studio
Watson Machine Learning

Ihr grundlegender Workflow umfasst die folgenden Tasks:

  1. Öffnen Sie Ihr Sandboxprojekt. Projekte sind der Ort, an dem Sie gemeinsam mit anderen mit Daten arbeiten.
  2. Fügen Sie dem Projekt ein Notebook hinzu. Sie können ein leeres Notebook erstellen oder ein Notebook aus einer Datei oder einem GitHub-Repository importieren.
  3. Fügen Sie Code hinzu und führen das Notebook aus.
  4. Prüfen Sie die Modellpipelines und speichern Sie die gewünschte Pipeline als Modell.
  5. Stellen Sie das Modell bereit und testen Sie es.

Weitere Informationen zu Jupyter Notebooks

Ein Jupyter-Notebook ist eine webbasierte Umgebung für den Dialogbetrieb. Wenn Sie sich entscheiden, ein Modell für maschinelles Lernen in einem Notebook zu erstellen, sollten Sie sich mit der Codierung in einem Jupyter-Notebook vertraut machen. Sie können kleine Codeteile ausführen, die Ihre Daten verarbeiten, und dann sofort die Ergebnisse Ihrer Berechnung anzeigen. Mit diesem Tool können Sie alle Bausteine assemblieren, testen und ausführen, die Sie für die Arbeit mit Daten, das Speichern der Daten in Watson Machine Learning und die Bereitstellung des Modells benötigen.

Weitere Informationen zum Trainieren von Modellen in Notebooks

Weitere Möglichkeiten zum Erstellen von Modellen

Sehen Sie sich ein Video über ...

Video ansehen Sehen Sie sich dieses Video an, um eine Vorschau der Schritte in diesem Lernprogramm anzuzeigen. Möglicherweise gibt es geringfügige Unterschiede in der Benutzerschnittstelle, die im Video angezeigt wird. Das Video ist als Begleiter zum schriftlichen Lernprogramm gedacht.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.

Video zum Erstellen eines Modells in einem Jupyter Notebook ansehen

Video ansehenIn diesem Video erfahren Sie, wie Sie ein Modell für maschinelles Lernen in einem Jupyter Notebook trainieren, bereitstellen und testen.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.

Lernprogramm zum Erstellen eines Modells in einem Jupyter Notebook ausprobieren

In diesem Lernprogramm werden Sie die folgenden Tasks ausführen:

Für dieses Lernprogramm benötigen Sie ungefähr 30 Minuten.

Beispieldaten

Die in diesem Lernprogramm verwendeten Beispieldaten stammen aus Daten, die Teil von scikit-learn sind, und werden zum Trainieren eines Modells verwendet, in dem Bilder von handgeschriebenen Ziffern (0-9) erkannt werden sollen.



  • Verwenden Sie das Videobild im Bild

    Tipp: Starten Sie das Video. Wenn Sie dann durch das Lernprogramm blättern, wechselt das Video in den Bildmodus. Schließen Sie das Video-Inhaltsverzeichnis für die beste Erfahrung mit Bild-in-Bild. Sie können den Modus "Bild im Bild" verwenden, damit Sie dem Video folgen können, während Sie die Tasks in diesem Lernprogramm ausführen. Klicken Sie auf die Zeitmarken für jede zu befolgende Task.

    Die folgende animierte Abbildung zeigt, wie die Funktionen für Videobilder und Inhaltsverzeichnisse verwendet werden:

    Verwendung von Bildern und Kapiteln

    Hilfe in der Community anfordern

    Wenn Sie Hilfe bei diesem Lernprogramm benötigen, können Sie eine Frage stellen oder eine Antwort im Diskussionsforum derCloud Pak for Data Communityfinden.

    Browserfenster einrichten

    Damit Sie dieses Lernprogramm optimal nutzen können, öffnen Sie Cloud Pak for Data in einem Browserfenster und lassen Sie diese Lernprogrammseite in einem anderen Browserfenster geöffnet, um einfach zwischen den beiden Anwendungen zu wechseln. Es empfiehlt sich, die beiden Browserfenster nebeneinander anzuordnen, um die weitere Arbeit zu erleichtern.

    Paralleles Lernprogramm und Benutzerschnittstelle

    Tipp: Wenn Sie beim Durcharbeiten dieses Lernprogramms in der Benutzerschnittstelle auf eine geführte Tour stoßen, klicken Sie auf Vielleicht später.

    Zurück zum Anfang


  • Sie benötigen ein Projekt zum Speichern der Daten und des Experiments AutoAI . Sie können Ihr Sandboxprojekt verwenden oder ein Projekt erstellen.

    1. Wählen Sie im Navigationsmenü Navigationsmenü Projekte > Alle Projekte anzeigen aus.

    2. Öffnen Sie Ihr Sandboxprojekt. Wenn Sie ein neues Projekt verwenden möchten:

      1. Klicken Sie auf Neues Projekt.

      2. Wählen Sie Leeres Projekt erstellen aus.

      3. Geben Sie einen Namen und optional eine Beschreibung für das Projekt an.

      4. Wählen Sie eine vorhandene Objektspeicherserviceinstanz aus oder erstellen Sie eine neue.

      5. Klicken Sie auf Erstellen.

    3. Wenn das Projekt geöffnet wird, klicken Sie auf die Registerkarte Verwalten und wählen Sie die Seite Services und Integrationen aus.

      Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:07an.

      1. Klicken Sie auf der Registerkarte IBM -Services auf Service zuordnen.

      2. Wählen Sie Ihre Watson Machine Learning -Instanz aus. Wenn Sie noch keine Serviceinstanz von Watson Machine Learning bereitgestellt haben, führen Sie die folgenden Schritte durch:

        1. Klicken Sie auf Neuer Service.

        2. Wählen Sie Watson Machine Learningaus.

        3. Klicken Sie auf Erstellen.

        4. Wählen Sie die neue Serviceinstanz aus der Liste aus.

      3. Klicken Sie auf Service zuordnen.

      4. Klicken Sie bei Bedarf auf Abbrechen , um zur Seite Services & Integrationen zurückzukehren.

    Weitere Informationen oder ein Video finden Sie unter Erstellen eines Projekts.
    Weitere Informationen zu zugeordneten Services finden Sie unter Zugeordnete Services hinzufügen.

    Symbol für Prüfpunkt Fortschritt überprüfen

    Die folgende Abbildung zeigt das neue Projekt.

    Die folgende Abbildung zeigt das neue Projekt.


    Zurück zum Anfang


  • Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:18an.

    In diesem Lernprogramm verwenden Sie ein Beispielnotebook. Führen Sie die folgenden Schritte aus, um das Beispielnotebook zu Ihrem Projekt hinzuzufügen:

    1. Greifen Sie auf das Notizbuch 'Sckit-learn zum Erkennen handschriftlicher Ziffern' in den Beispielenzu.

    2. Klicken Sie auf Zum Projekt hinzufügen.

    3. Wählen Sie das Projekt in der Liste aus und klicken Sie dann auf Hinzufügen.

    4. Überprüfen Sie den Namen und die Beschreibung des Notebooks (optional).

    5. Wählen Sie eine Laufzeitumgebung für dieses Notebook aus.

    6. Klicken Sie auf Erstellen. Warten Sie, bis der Notebookeditor geladen wurde.

    7. Klicken Sie im Menü auf Kernel > Restart & Clear Outputund klicken Sie anschließend auf Restart and Clear All Outputs , um die Ausgabe der zuletzt gespeicherten Ausführung zu löschen.

    Symbol für Prüfpunkt Fortschritt überprüfen

    Die folgende Abbildung zeigt das neue Notizbuch.

    Die folgende Abbildung zeigt das neue Notebook.


    Zurück zum Anfang


  • Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:44an.

    Im ersten Abschnitt des Notebooks wird die Umgebung durch Angabe Ihrer IBM Cloud -Berechtigungsnachweise und der Position der Watson Machine Learning -Serviceinstanz eingerichtet. Führen Sie die folgenden Schritte aus, um die Umgebung in Ihrem Notebook einzurichten:

    1. Blättern Sie zum Abschnitt Umgebung einrichten.

    2. Wählen Sie eine Methode zum Abrufen des API-Schlüssels und der Position aus.

    3. Fügen Sie Ihren API-Schlüssel und die Position in Zelle 1 ein.

    4. Führen Sie die Zellen 1 und 2 aus.

    5. Führen Sie Zelle 3 aus, um das Paket ibm-watson-machine-learning zu installieren.

    6. Führen Sie Zelle 4 aus, um den API-Client zu importieren und die API-Clientinstanz mit Ihren Berechtigungsnachweisen zu erstellen.

    7. Führen Sie Zelle 5 aus, um eine Liste aller vorhandenen Bereitstellungsbereiche anzuzeigen. Wenn Sie keinen Bereitstellungsbereich haben, führen Sie die folgenden Schritte aus:

      1. Öffnen Sie eine weitere Registerkarte mit Ihrer watsonx -Bereitstellung.

      2. Klicken Sie im Navigationsmenü Navigationsmenüauf Implementierungen.

      3. Klicken Sie auf Neuer Bereitstellungsbereich.

      4. Fügen Sie einen Namen und optional eine Beschreibung für die Bereitstellung hinzu.

      5. Klicken Sie auf Erstellen und anschließend auf Neuen Bereich anzeigen.

      6. Klicken Sie auf die Registerkarte Verwalten .

      7. Kopieren Sie die Bereichs-GUID und schließen Sie die Registerkarte. Dies ist Ihr Wert Ihr space_id.

    8. Kopieren Sie die entsprechende Bereitstellungsbereichs-ID und fügen Sie sie in Zelle 6 ein. Führen Sie dann Zelle 6 und Zelle 7 aus, um den Standardbereich festzulegen.

    Symbol für Prüfpunkt Fortschritt überprüfen

    Die folgende Abbildung zeigt das Notebook mit allen definierten Umgebungsvariablen.

    Die folgende Abbildung zeigt das Notebook mit allen definierten Umgebungsvariablen.


    Zurück zum Anfang


  • Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 02:14an.

    Nachdem nun alle Umgebungsvariablen eingerichtet sind, können Sie die übrigen Zellen im Notebook ausführen. Gehen Sie wie folgt vor, um die Kommentare zu lesen, die Zellen auszuführen und die Ausgabe zu überprüfen:

    1. Führen Sie die Zellen im Abschnitt Daten untersuchen aus.

    2. Führen Sie die Zellen im Abschnitt Scikit-learn-Modell erstellen aus.

      1. Bereiten Sie die Daten vor, indem Sie sie in drei Datasets aufteilen (Training, Test und Bewertung).

      2. Erstellen Sie die Pipeline.

      3. Trainieren Sie das Modell.

      4. Evaluieren Sie das Modell mithilfe der Testdaten.

    3. Führen Sie die Zellen im Abschnitt Modell publizieren aus, um das Modell zu publizieren, Modelldetails abzurufen und alle Modelle abzurufen.

    4. Führen Sie die Zellen im Abschnitt Modellbereitstellung erstellen aus.

    5. Führen Sie die Zellen im Abschnitt Bereitstellungsdetails abrufen aus.

    6. Führen Sie die Zellen im Abschnitt Score * aus, der eine Scoring-Anforderung an das bereitgestellte Modell sendet und die Vorhersage anzeigt.

    7. Klicken Sie auf Datei > Speichern , um das Notebook und seine Ausgabe zu speichern.

    Symbol für Prüfpunkt Fortschritt überprüfen

    Die folgende Abbildung zeigt das Notebook mit der Vorhersage.

    Die folgende Abbildung zeigt das Notebook mit der Vorhersage.


    Zurück zum Anfang


  • Vorschau-Lernprogrammvideo Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 04:07an.

    Sie können die Modellbereitstellung auch direkt im Bereitstellungsbereich anzeigen. Führen Sie die folgenden Schritte aus, um das bereitgestellte Modell im Bereich zu testen.

    1. Klicken Sie im Navigationsmenü Navigationsmenüauf Implementierungen.

    2. Klicken Sie auf die Registerkarte Bereiche .

    3. Wählen Sie den entsprechenden Bereitstellungsbereich aus der Liste aus.

    4. Klicken Sie auf Scikit-Modell.

    5. Klicken Sie auf Implementierung des Scikit-Modells.

    6. Überprüfen Sie den Endpunkt und die Code-Snippets.

    7. Klicken Sie auf die Registerkarte Test. Sie können das bereitgestellte Modell testen, indem Sie den folgenden JSON-Code einfügen:

         {"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. Klicken Sie auf Vorhersage. Die resultierende Vorhersage gibt an, dass die handgeschriebenen Ziffern 5 und 4 sind.

    Symbol für Prüfpunkt Fortschritt überprüfen

    Die folgende Abbildung zeigt die Registerkarte Test mit der Vorhersage.

    Die folgende Abbildung zeigt die Registerkarte "Test" mit der Vorhersage.


    Zurück zum Anfang


  • Wenn Sie alle Assets entfernen möchten, die vom Notebook erstellt wurden, erstellen Sie ein neues Notebook auf der Basis des Machine Learning -Artefaktmanagementnotebooks. Ein Link zu diesem Notebook ist auch im Abschnitt zum Bereinigen im Abschnitt Use scikit-learn to recognize hand-written digits notebook in diesem Lernprogramm verfügbar.


    Zurück zum Anfang

Weitere Schritte

Sie können dieses Dataset nun für weitere Analysen verwenden. Beispielsweise können Sie oder andere Benutzer eine der folgenden Tasks ausführen:

Weitere Ressourcen

Übergeordnetes Thema: Lernprogramme für den Schnelleinstieg

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen