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:
- Öffnen Sie Ihr Sandboxprojekt. Projekte sind der Ort, an dem Sie gemeinsam mit anderen mit Daten arbeiten.
- Fügen Sie dem Projekt ein Notebook hinzu. Sie können ein leeres Notebook erstellen oder ein Notebook aus einer Datei oder einem GitHub-Repository importieren.
- Fügen Sie Code hinzu und führen das Notebook aus.
- Prüfen Sie die Modellpipelines und speichern Sie die gewünschte Pipeline als Modell.
- 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
Video zum Erstellen eines Modells in einem Jupyter Notebook ansehen
In 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:
-
- Erstellen und trainieren Sie ein Modell.
- Speichern Sie eine Pipeline als Modell.
- Stellen Sie das Modell bereit.
- Das bereitgestellte Model testen.
Task 5: Bereitgestelltes Modell im Bereitstellungsbereich anzeigen und testen
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.
Tipps zum Durcharbeiten dieses Lernprogramms
Im Folgenden finden Sie einige Tipps für den erfolgreichen Abschluss dieses Lernprogramms.
Verwenden Sie das Videobild im Bild
Die folgende animierte Abbildung zeigt, wie die Funktionen für Videobilder und Inhaltsverzeichnisse verwendet werden:
Hilfe in der Community anfordern
Wenn Sie Hilfe zu diesem Lernprogramm benötigen, können Sie eine Frage stellen oder eine Antwort im Diskussionsforum derwatsonx -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.
Aufgabe 1: Projekt öffnen
Sie benötigen ein Projekt zum Speichern der Daten und des Experiments AutoAI . Sie können Ihr Sandboxprojekt verwenden oder ein Projekt erstellen.
Wählen Sie im Navigationsmenü
Projekte > Alle Projekte anzeigen aus.
Öffnen Sie Ihr Sandboxprojekt. Wenn Sie ein neues Projekt verwenden möchten:
Klicken Sie auf Neues Projekt.
Wählen Sie Leeres Projekt erstellen aus.
Geben Sie einen Namen und optional eine Beschreibung für das Projekt an.
Wählen Sie eine vorhandene Objektspeicherserviceinstanz aus oder erstellen Sie eine neue.
Klicken Sie auf Erstellen.
Wenn das Projekt geöffnet wird, klicken Sie auf die Registerkarte Verwalten und wählen Sie die Seite Services und Integrationen aus.
Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:07an.
Klicken Sie auf der Registerkarte IBM -Services auf Service zuordnen.
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:
Klicken Sie auf Neuer Service.
Wählen Sie Watson Machine Learningaus.
Klicken Sie auf Erstellen.
Wählen Sie die neue Serviceinstanz aus der Liste aus.
Klicken Sie auf Service zuordnen.
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.
Fortschritt überprüfen
Die folgende Abbildung zeigt das neue Projekt.
Aufgabe 2: Notebook zu Ihrem Projekt hinzufügen
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:
Greifen Sie auf das Notebook Use sckit-learn to recognize hand-written digits notebook im Ressourcenhubzu.
Klicken Sie auf Zum Projekt hinzufügen.
Wählen Sie das Projekt in der Liste aus und klicken Sie dann auf Hinzufügen.
Überprüfen Sie den Namen und die Beschreibung des Notebooks (optional).
Wählen Sie eine Laufzeitumgebung für dieses Notebook aus.
Klicken Sie auf Erstellen. Warten Sie, bis der Notebookeditor geladen wurde.
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.
Fortschritt überprüfen
Die folgende Abbildung zeigt das neue Notizbuch.
Aufgabe 3: Umgebung einrichten
Um eine Vorschau dieser Task anzuzeigen, sehen Sie sich das Video ab 00:44an.
Im ersten Abschnitt des Notebooks wird die Umgebung eingerichtet, indem die IBM Cloud -Berechtigungsnachweise und die Position der Watson Machine Learning -Serviceinstanz angegeben werden. Führen Sie die folgenden Schritte aus, um die Umgebung in Ihrem Notebook einzurichten:
Blättern Sie zum Abschnitt Umgebung einrichten.
Wählen Sie eine Methode zum Abrufen des API-Schlüssels und der Position aus.
Führen Sie die IBM Cloud-CLI-Befehle im Notebook über eine Eingabeaufforderung aus.
Verwenden Sie die IBM Cloud-Konsole.
Starten Sie den Abschnitt API-Schlüssel in der IBM Cloud -Konsoleund erstellen Sie einen API-Schlüssel.
Greifen Sie auf Ihre IBM Cloud -Ressourcenlistezu, zeigen Sie Ihre Watson Machine Learning -Serviceinstanz an und notieren Sie die Position.
Die korrekte Endpunkt-URL finden Sie in der Watson Machine Learning -API-Dokumentation . Dallas befindet sich beispielsweise in den USA (Süden).
Fügen Sie Ihren API-Schlüssel und die Position in Zelle 1 ein.
Klicken Sie auf das Symbol Ausführen
, um Ihren Code in den Zellen 1 und 2 auszuführen.
Führen Sie Zelle 3 aus, um das Paket
ibm-watson-machine-learning
zu installieren.Führen Sie Zelle 4 aus, um den API-Client zu importieren und die API-Clientinstanz mit Ihren Berechtigungsnachweisen zu erstellen.
Führen Sie die Zelle mit dem Code
client.spaces.list(limit=10)
aus, um eine Liste aller vorhandenen Bereitstellungsbereiche anzuzeigen. Wenn Sie keinen Bereitstellungsbereich haben, führen Sie die folgenden Schritte aus:Öffnen Sie eine weitere Registerkarte mit Ihrer watsonx -Bereitstellung.
Klicken Sie im Navigationsmenü
auf Bereitstellungen.
Klicken Sie auf Neuer Bereitstellungsbereich.
Fügen Sie einen Namen und optional eine Beschreibung für die Bereitstellung hinzu.
Klicken Sie auf Erstellen und anschließend auf Neuen Bereich anzeigen.
Klicken Sie auf die Registerkarte Verwalten .
Kopieren Sie die Bereichs-GUID und schließen Sie die Registerkarte. Dies ist Ihr Wert Ihr
space_id
.
Kopieren Sie die entsprechende Implementierungsbereichs-ID und fügen Sie sie in die Zelle mit dem Code
space_id = 'PASTE YOUR SPACE ID HERE'
ein. Führen Sie anschließend diese Zelle und die Zelle mit dem Codeclient.set.default_space(space_id)
aus, um den Standardbereich festzulegen.
Fortschritt überprüfen
Die folgende Abbildung zeigt das Notebook mit allen definierten Umgebungsvariablen.
Task 4: Notebook ausführen
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:
Führen Sie die Zellen im Abschnitt Daten untersuchen aus.
Führen Sie die Zellen im Abschnitt Scikit-learn-Modell erstellen aus.
Bereiten Sie die Daten vor, indem Sie sie in drei Datasets aufteilen (Training, Test und Bewertung).
Erstellen Sie die Pipeline.
Trainieren Sie das Modell.
Evaluieren Sie das Modell mithilfe der Testdaten.
Führen Sie die Zellen im Abschnitt Lokal erstelltes scikit-learn-Modell beibehalten aus, um das Modell zu veröffentlichen, Modelldetails abzurufen und alle Modelle abzurufen.
Hinweis:Wenn Sie Runtime 24.1 unter Python 3.11verwenden, müssen Sie
software_spec_uid
inruntime-24.1-py3.11
und scikit-learn inscikit-learn-1.3
ändern.Führen Sie die Zellen im Abschnitt Bereitstellung und Bewertung aus, um die Onlinebereitstellung zu erstellen, Bereitstellungsdetails abzurufen und eine Scoring-Anfrage an das bereitgestellte Modell zu senden, um die Vorhersage anzuzeigen.
Klicken Sie auf Datei > Speichern.
Fortschritt überprüfen
Die folgende Abbildung zeigt das Notebook mit der Vorhersage.
Task 5: Bereitgestelltes Modell im Bereitstellungsbereich anzeigen und testen
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.
Klicken Sie im Navigationsmenü
auf Bereitstellungen.
Klicken Sie auf die Registerkarte Bereiche .
Wählen Sie den entsprechenden Bereitstellungsbereich aus der Liste aus.
Klicken Sie auf Scikit-Modell.
Klicken Sie auf Implementierung des Scikit-Modells.
Überprüfen Sie den Endpunkt und die Code-Snippets.
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]]}]}
Klicken Sie auf Vorhersage. Die resultierende Vorhersage gibt an, dass die handgeschriebenen Ziffern 5 und 4 sind.
Fortschritt überprüfen
Die folgende Abbildung zeigt die Registerkarte Test mit der Vorhersage.
(Optional) Task 6: Bereinigen
Wenn Sie alle Assets entfernen möchten, die vom Notebook erstellt wurden, erstellen Sie ein neues Notebook auf der Basis des Managementnotizbuchs fürMachine Learning -Artefakte. 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.
Nächste Schritte
Sie können dieses Dataset nun für weitere Analysen verwenden. Beispielsweise können Sie oder andere Benutzer eine der folgenden Tasks ausführen:
Weitere Ressourcen
Verwenden Sie die folgenden anderen Methoden zum Erstellen von Modellen:
Weitere Informationen finden Sie unter Videos.
Suchen Sie Beispieldatasets, Projekte, Modelle, Eingabeaufforderungen und Notebooks im Ressourcenhub, um praktische Erfahrungen zu sammeln:
Notebooks , die Sie zu Ihrem Projekt hinzufügen können, um mit der Analyse von Daten und der Modellerstellung zu beginnen.
Projekte , die Sie importieren können, die Notebooks, Datasets, Eingabeaufforderungen und andere Assets enthalten.
Datasets , die Sie Ihrem Projekt hinzufügen können, um Modelle zu optimieren, zu analysieren und zu erstellen.
Eingabeaufforderungen , die Sie im Eingabeaufforderungslabor verwenden können, um ein Basismodell anzufordern.
Foundation-Modelle , die Sie im Prompt Lab verwenden können.
Weitere Beispiele für Python-Clients.
Übergeordnetes Thema: Lernprogramme für den Schnelleinstieg