Jupyter 노트북에서 watsonx.ai Runtime을 사용하여 머신 러닝 모델을 생성, 학습 및 배포할 수 있습니다. Jupyter 노트북에 대해 읽고, 비디오를 시청하고, 중급자에게 적합하며 코딩을 필요로 하는 학습서를 봅니다.
- 필수 서비스
- watsonx.ai 스튜디오
- watsonx.ai 런타임
기본 워크플로우에는 다음 태스크가 포함됩니다.
- 샌드박스 프로젝트를 여십시오. 프로젝트는 데이터 작업을 위해 다른 사용자와 협업하는 위치입니다.
- 프로젝트에 노트북을 추가합니다. 공백 노트북을 작성하거나 파일 또는 GitHub 저장소에서 노트북을 가져올 수 있습니다.
- 코드를 추가하고 노트북을 실행합니다.
- 모델 파이프라인을 검토하고 원하는 파이프라인을 모델로 저장하십시오.
- 모델을 배치하고 테스트하십시오.
Jupyter 노트북에 대해 읽기
Jupyter 노트북은 대화식 컴퓨팅을 위한 웹 기반 환경입니다. 노트북에 머신 러닝 모델을 빌드하려면 Jupyter 노트북에서 코딩에 익숙해야 합니다. 데이터를 처리하는 작은 코드 조각을 실행한 후 계산 결과를 즉시 볼 수 있습니다. 이 도구를 사용하면 데이터 작업에 필요한 모든 빌딩 블록을 조립, 테스트 및 실행하고, 데이터를 watsonx.ai 런타임에 저장하고, 모델을 배포할 수 있습니다.
Jupyter 노트북에서 모델을 작성하는 것에 대한 비디오 시청
Jupyter 노트북에서 머신 러닝 모델을 훈련, 배치 및 테스트하는 방법을 보려면 이 비디오를 시청하십시오.
이 비디오는 이 문서의 개념 및 태스크를 학습하기 위한 시각적 방법을 제공합니다.
학습서를 사용하여 Jupyter 노트북에서 모델 작성
이 학습서에서는 다음 태스크를 완료합니다.
-
- 모델을 빌드하고 훈련합니다.
- 파이프라인을 모델로 저장합니다.
- 모델을 배치하십시오.
- 배치된 모델을 테스트하십시오.
이 튜토리얼을 완료하는 데 대략 30분 정도 소요됩니다.
샘플 데이터
이 학습서에서 사용되는 샘플 데이터는 Scikit-Learn의 일부이며 모델을 훈련하여 0-9의 손으로 쓴 숫자의 이미지를 인식하는 데 사용됩니다.
이 학습을 완료하기 위한 팁
다음은 이 학습서를 성공적으로 완료하기 위한 몇 가지 팁입니다.
비디오 사진 사용
다음 애니메이션 이미지는 비디오 픽처 인 픽처 및 목차 기능을 사용하는 방법을 보여줍니다.
커뮤니티에서 도움 받기
이 튜토리얼에 도움이 필요하면 watsonx 커뮤니티 토론 포럼에서 질문하거나 답변을 찾을 수 있습니다.
브라우저 창 설정
이 튜토리얼을 완료하는 최적의 경험을 위해 한 브라우저 창에서 Cloud Pak for Data 를 열고 두 애플리케이션 간에 쉽게 전환할 수 있도록 다른 브라우저 창에서 이 튜토리얼 페이지를 열어 두십시오. 따라하기 쉽도록 두 개의 브라우저 창을 나란히 배열하는 것을 고려하십시오.
태스크 1: 프로젝트 열기
데이터 및 AutoAI 실험을 저장할 프로젝트가 필요합니다. 샌드박스 프로젝트를 사용하거나 프로젝트를 작성할 수 있습니다.
탐색 메뉴 '
에서 프로젝트 > 모든 프로젝트 보기를 선택합니다샌드박스 프로젝트를 여십시오. 새 프로젝트를 사용하려면 다음을 수행하십시오.
새 프로젝트를 클릭하십시오.
빈 프로젝트 작성을 선택하십시오.
프로젝트의 이름 및 선택적 설명을 입력하십시오.
기존 오브젝트 스토리지 서비스 인스턴스를 선택하거나 새로 작성하십시오.
작성을 클릭하십시오.
프로젝트가 열리면 관리 탭을 클릭하고 서비스 및 통합 페이지를 선택하십시오.
이 작업을 미리 보려면 00:07부터 시작하는 동영상을 시청하세요.IBM 서비스 탭에서 서비스 연관을 클릭하십시오.
watsonx.ai 런타임 인스턴스를 선택합니다. 아직 프로비저닝된 watsonx.ai 런타임 서비스 인스턴스가 없는 경우 다음 단계를 따르세요:
새 서비스를 클릭하십시오.
watsonx.ai 런타임을 선택합니다.
작성을 클릭하십시오.
목록에서 새 서비스 인스턴스를 선택하십시오.
서비스 연관을 클릭하십시오.
필요한 경우 취소 를 클릭하여 서비스 및 통합 페이지로 돌아가십시오.
자세한 내용을 보거나 동영상을 보려면 프로젝트 만들기를 참조하세요.
관련 서비스에 대한 자세한 내용은 관련 서비스 추가하기를 참조하세요.
진행 상황 확인
다음 이미지는 새 프로젝트를 표시합니다.
태스크 2: 프로젝트에 노트북 추가
이 작업을 미리 보려면 00:18부터 시작하는 동영상을 시청하세요.
이 학습서에서는 샘플 노트북을 사용합니다. 프로젝트에 샘플 노트북을 추가하려면 다음 단계를 수행하십시오.
리소스 허브에서 손으로 쓴 숫자를 인식하기 위해 sckit-learn 사용 노트북에 액세스합니다.
프로젝트에 추가를 클릭하십시오.
목록에서 프로젝트를 선택하고 추가를 클릭하십시오.
노트북 이름 및 설명을 확인하십시오(선택사항).
이 노트북에 대해 런타임 환경을 선택하십시오.
작성을 클릭하십시오. 노트북 편집기가 로드되기를 기다리십시오.
메뉴에서 커널 > 다시 시작 및 출력 지우기를 클릭한 후 다시 시작 및 모든 출력 지우기 를 클릭하여 확인하고 마지막으로 저장된 실행에서 출력을 지우십시오.
진행 상황 확인
다음 이미지는 새 노트북을 표시합니다.
태스크 3: 환경 설정
이 작업을 미리 보려면 00:44부터 시작하는 동영상을 시청하세요.
노트북의 첫 번째 섹션에서는 IBM Cloud 자격 증명과 watsonx.ai 런타임 서비스 인스턴스 위치를 지정하여 환경을 설정합니다. 노트북에서 환경을 설정하려면 다음 단계를 수행하십시오.
환경 설정 섹션으로 스크롤하십시오.
API 키와 위치를 얻는 방법을 선택하십시오.
명령 프롬프트에서 노트북에서 IBM Cloud CLI 명령을 실행하십시오.
IBM Cloud 콘솔을 사용하십시오.
IBM Cloud 리소스 목록에 액세스하여 watsonx.ai 런타임 서비스 인스턴스를 확인하고 위치를 기록합니다.
올바른 엔드포인트 URL은 watsonx.ai 런타임 API 문서를 참조하세요. 예를 들어, 댈러스는 미국 남부에 있습니다.
API 키와 위치를 셀 1에 붙여 넣습니다.
실행 아이콘 '
'을 클릭하여 셀 1과 2에서 코드를 실행합니다.셀 3을 실행하여
ibm-watson-machine-learning패키지를 설치하십시오.셀 4를 실행하여 API 클라이언트를 가져오고 신임 정보를 사용하여 API 클라이언트 인스턴스를 작성하십시오.
client.spaces.list(limit=10)코드를 사용하여 셀을 실행하면 모든 기존 배치 영역의 목록을 볼 수 있습니다. 배치 영역이 없는 경우 다음 단계를 수행하십시오.watsonx 배치를 사용하여 다른 탭을 여십시오.
탐색 메뉴 '
'에서 배포를 클릭합니다.새 배치 공간을 클릭하십시오.
배치에 대한 이름 및 선택적 설명을 추가하십시오.
작성을 클릭한 후 새 공간 보기를 클릭하십시오.
관리 탭을 클릭하십시오.
공간 GUID를 복사하고 탭을 닫으십시오. 이 값은
space_id입니다.
적절한 배치 영역 ID를 복사하여
space_id = 'PASTE YOUR SPACE ID HERE'코드가 있는 셀에 붙여넣은 후 해당 셀 및client.set.default_space(space_id)코드가 있는 셀을 실행하여 기본 영역을 설정하십시오.
진행 상황 확인
다음 이미지는 모든 환경 변수가 설정된 노트북을 표시합니다.
태스크 4: 노트북 실행
이 작업을 미리 보려면 02:14부터 시작하는 동영상을 시청하세요.
이제 모든 환경 변수가 설정되었으므로 노트북에서 나머지 셀을 실행할 수 있습니다. 주석을 읽고, 셀을 실행하고, 출력을 검토하려면 다음 단계를 수행하십시오.
데이터 탐색 섹션에서 셀을 실행하십시오.
scikit-learn 모델 작성 섹션의 셀을 실행하십시오.
데이터를 세 개의 데이터 세트(훈련, 테스트 및 스코어)로 분할하여 데이터를 준비하십시오.
파이프라인을 작성하십시오.
모델을 훈련하십시오.
테스트 데이터를 사용하여 모델을 평가하십시오.
로컬로 작성된 scikit-learn 모델 지속 섹션에서 셀을 실행하여 모델을 공개하고, 모델 세부사항을 가져오고, 모든 모델을 가져오십시오.
참고:Python 3.11에서 Runtime 24.1 을 사용하는 경우
software_spec_uid를runtime-24.1-py3.11로 변경하고 scikit-learn 버전을scikit-learn-1.3로 변경해야 합니다.배포 및 스코어링 섹션의 셀을 실행하여 온라인 배포를 작성하고 배포 세부사항을 가져오며 배포된 모델에 스코어링 요청을 전송하여 예측을 확인하십시오.
파일 > 저장을 클릭하십시오.
진행 상황 확인
다음 이미지는 예측이 있는 노트북을 표시합니다.
태스크 5: 배치 영역에서 배치된 모델 보기 및 테스트
이 작업을 미리 보려면 04:07부터 시작하는 동영상을 시청하세요.
또한 배치 영역에서 직접 모델 배치를 볼 수도 있습니다. 다음 단계에 따라 공간에서 배치된 모델을 테스트하십시오.
탐색 메뉴 '
'에서 배포를 클릭합니다.공간 탭을 클릭하십시오.
목록에서 적절한 배치 공간을 선택하십시오.
Scikit 모델을 클릭하십시오.
scikit 모델 배치를 클릭하십시오.
엔드포인트 및 코드 스니펫을 검토하십시오.
테스트 탭을 클릭하십시오. 다음 JSON 코드를 붙여 배치된 모델을 테스트할 수 있습니다.
{"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]]}]}예측을 클릭하십시오. 결과 예측은 수기로 작성된 숫자가 5 및 4임을 표시합니다.
진행 상황 확인
다음 이미지는 예측이 포함된 테스트 탭을 표시합니다.
(선택사항) 태스크 6: 정리
노트북에서 만든 모든 에셋을 제거하려면 Machine Learning 아티팩트 관리 노트북을 기반으로 새 노트북을 만드세요. 이 노트북에 대한 링크는 이 학습에서 사용된 scikit-learn을 사용하여 손으로 쓴 숫자 인식 노트북 의 정리 섹션에서도 사용 가능합니다.
다음 단계
이제 차후 분석을 위해 이 데이터 세트를 사용할 수 있습니다. 예를 들어, 사용자나 다른 사용자가 다음 태스크를 수행할 수 있습니다.
추가 자원
다음과 같은 다른 방법을 사용하여 모델을 빌드하십시오.
비디오를 더 보십시오.
자원 허브에서 샘플 데이터 세트, 프로젝트, 모델, 프롬프트 및 노트북을 찾아 실제 경험을 얻을 수 있습니다.
프로젝트에 추가하여 데이터 분석과 모델 구축을 시작할 수 있는 노트북입니다.
노트북, 데이터 세트, 프롬프트 및 기타 에셋을 포함해 가져올 수 있는 프로젝트입니다.
프로젝트에 추가하여 모델을 구체화, 분석 및 구축할 수 있는 데이터 세트입니다.
프롬프트 랩에서 foundation model 프롬프트하는 데 사용할 수 있는 프롬프트입니다.프롬프트 랩에서 사용할 수 있는
파운데이션 모델입니다.추가 Python 클라이언트 샘플 및 예를 찾으십시오.
상위 주제: 빠른 시작 학습서