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

Vous avez besoin d'un projet pour stocker les données et l'expérimentation AutoAI . Vous pouvez utiliser votre projet de bac à sable ou créer un projet.

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

2. Ouvrez votre projet de bac à sable. 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.

   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.

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.

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 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 watsonx .

   2. Dans le 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.

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.

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 , 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.

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.