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.

Erforderlicher Service Watson Machine Learning

Ihr grundlegender Workflow umfasst die folgenden Tasks:

  1. Sie erstellen ein Projekt. 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 Datenverarbeitung im 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

Informationen zu weiteren Methoden zum Erstellen von Modellen

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 Darstellung als Alternative zu den im Folgenden schriftlich dokumentierten Schritten.

Lernprogramm zum Erstellen eines Modells in einem Jupyter Notebook ausprobieren

In diesem Lernprogramm führen Sie folgende Tasks aus:

  • Sie erstellen ein Projekt.

  • Ordnen Sie den Watson Machine Learning-Service dem Projekt zu.

  • Ein Notebook im Projekt über eine URL erstellen.

  • Führen Sie das Notebook wie folgt aus:
    • Erstellen und trainieren Sie ein Modell.
    • Speichern Sie eine Pipeline als Modell.
    • Stellen Sie das Modell bereit.
    • Das bereitgestellte Model testen.
  • Das bereitgestellte 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.

Schritt 1: Ein Projekt erstellen und den Watson Machine Learning-Service zuordnen

{: #step1}Sie benötigen ein Projekt zum Speichern des Notebooks.

  1. Wenn Sie über ein bestehendes Projekt verfügen, öffnen Sie es. Wenn kein Projekt vorhanden ist, klicken Sie auf der Homepage auf Projekt erstellen oder auf der Seite Projekte auf Neues Projekt.
  2. Wählen Sie Leeres Projekt erstellen aus.
  3. Fügen Sie in der Anzeige Projekt erstellen einen Namen und optional eine Beschreibung für das Projekt hinzu.
  4. Wählen Sie eine vorhandene Instanz des Objektspeicherservice aus oder erstellen Sie eine neue Instanz.
  5. Klicken Sie auf Erstellen.
  6. Wenn das Projekt geöffnet wird, klicken Sie auf die Registerkarte Verwalten.
  7. Klicken Sie auf der Seite Services und Integrationen auf Service zuordnen > Watson.
  8. Wenn Sie noch keine Watson Machine Learning-Serviceinstanz bereitgestellt haben, klicken Sie auf Neuer Service, wählen Sie 'Machine Learning' aus und klicken Sie auf Erstellen.
  9. Wählen Sie Ihre Watson Machine Learning-Instanz aus und klicken Sie auf Service zuordnen.
  10. Schließen Sie das Dialogfenster Service zuordnen.

Weitere Informationen sowie ein Video finden Sie unter Projekt erstellen.
Weitere Informationen zu zugehörigen Services finden Sie unter Zugeordnete Services hinzufügen.

Schritt 2: Ein Notebook zu Ihrem Projekt hinzufügen

{: #step2}Das in diesem Lernprogramm verwendete Notebook ist in der Gallery verfügbar.

  1. Greifen Sie in der Gallery auf das Lernprogramm Use sckit-learn to recognize hand-written digits notebook zu.
  2. Klicken Sie auf Zu 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 > Erneut starten & Ausgabe löschen und klicken Sie anschließend zur Bestätigung auf Alle Ausgaben erneut starten und löschen.

Schritt 3: Umgebung einrichten

{: #step3}Der erste Abschnitt im Notebook richtet die Umgebung ein, indem Ihre Berechtigungsnachweise für IBM Cloud und die Position der Watson Machine Learning-Serviceinstanz angegeben werden.

  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 6 aus, um eine Liste aller vorhandenen Bereitstellungsbereiche anzuzeigen. Wenn Sie nicht über einen Bereitstellungsbereich verfügen:
    1. Öffnen Sie eine weitere Registerkarte mit Ihrer Cloud Pak for Data-Bereitstellung.
    2. Klicken Sie im Navigationsmenü auf Bereitstellungen.
    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 Manage (Verwalten).
    7. Kopieren Sie die Bereichs-GUID und schließen Sie die Registerkarte. Dies ist Ihr Wert Ihr space_id.
  8. Um den Standardbereich festzulegen, kopieren Sie die entsprechende Bereitstellungsbereichs-ID und fügen Sie sie in Zelle 5 ein. Führen Sie dann Zelle 5 und Zelle 7 aus.

Schritt 4: Notebook ausführen

{: #step4}Lesen Sie die Kommentare und führen Sie die Zellen wie folgt aus:

  1. Untersuchen Sie die Daten.
  2. Erstellen Sie das scikit-learn-Modell.
    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. Publizieren Sie das Modell.
  4. Zeigen Sie die Modellinformationen an.
  5. Erstellen Sie die Modellbereitstellung und zeigen Sie die Bereitstellungsdetails an.
  6. Bewerten Sie das Modell, das eine Scoring-Anforderung an das bereitgestellte Modell sendet und die Vorhersage anzeigt.

Schritt 5: Bereitgestelltes Modell im Bereitstellungsbereich anzeigen und testen

{: #step5}Sie können die Modellbereitstellung auch direkt im Bereitstellungsbereich anzeigen.

  1. Klicken Sie im Navigationsmenü auf Bereitstellungen.
  2. Wählen Sie den entsprechenden Bereitstellungsbereich aus der Liste aus.
  3. Klicken Sie auf das scikit-Modell.
  4. Klicken Sie auf Bereitstellung des scikit-Modells.
  5. Überprüfen Sie den Endpunkt und die Code-Snippets.
  6. 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]]}]}
    
  7. Klicken Sie auf Vorhersage. Die resultierende Vorhersage gibt an, dass die handgeschriebenen Ziffern 5 und 4 sind.

(Optional) Schritt 6: Bereinigen

{: #step6}Wenn Sie alle vom Notebook erstellten Assets entfernen wollen, erstellen Sie ein neues Notebook auf der Basis des Notebooks zur Verwaltung von Machine Learning-Artefakten. 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:

Zusätzliche Ressourcen

Übergeordnetes Thema: Einstieg in den Aufbau, die Bereitstellung und das Vertrauen in Modelle