Inicio rápido: Crear y desplegar un modelo de aprendizaje automático en un cuaderno de Jupyter

Puede crear, entrenar y desplegar modelos de aprendizaje automático con Watson Machine Learning en un cuaderno de Jupyter. Lea acerca de los cuadernos Jupyter, vea un video y siga una guía de aprendizaje que sea adecuada para los usuarios intermedios y requiera codificación.

Servicio necesario Watson Machine Learning

El flujo de trabajo básico incluye estas tareas:

  1. Cree un proyecto. Los proyectos son la ubicación donde puede colaborar con otros para trabajar con los datos.
  2. Añada un cuaderno al proyecto. Puede crear un cuaderno en blanco o para importar un cuaderno desde un archivo o un repositorio de GitHub.
  3. Añada código y ejecute el cuaderno.
  4. Revise las interconexiones de modelo y guarde la interconexión deseada como modelo.
  5. Despliegue y pruebe su modelo.

Leer acerca de los cuadernos Jupyter

Un cuaderno de Jupyter es un entorno basado en web para los cálculos interactivos. Si opta por crear un modelo de aprendizaje de máquina en un cuaderno, debe estar familiarizado con la codificación de un cuaderno de Jupyter. Puede ejecutar pequeños fragmentos de código que procesan los datos y, a continuación, ver inmediatamente los resultados de su cálculo. Utilizando esta herramienta, puede ensamblar, probar y ejecutar todos los bloques básicos que necesita para trabajar con datos, guardar los datos en Watson Machine Learning y desplegar el modelo.

Más información sobre el entrenamiento de modelos en cuadernos

Más información sobre otras formas de crear modelos

Vea un vídeo sobre la creación de un modelo en un cuaderno de Jupyter

Ver vídeo Vea este vídeo para ver cómo entrenar, desplegar y probar un modelo de aprendizaje automático en un cuaderno de Jupyter.

Este vídeo proporciona un método visual como una alternativa a seguir los pasos escritos incluidos en esta documentación.

Pruebe una guía de aprendizaje para crear un modelo en un cuaderno de Jupyter

En esta guía de aprendizaje, hará lo siguiente:

  • Cree un proyecto.

  • Asocie el servicio Watson Machine Learning al proyecto.

  • Cree un cuaderno en el proyecto desde un URL.

  • Ejecute el cuaderno para:
    • Cree y entrene un modelo.
    • Guarde una interconexión como un modelo.
    • Despliegue el modelo.
    • Probar el modelo desplegado.
  • Ver y probar el modelo desplegado en el espacio de despliegue.

Le llevará aproximadamente 30 minutos el completar esta guía de aprendizaje.

Datos de ejemplo

Los datos de ejemplo utilizados en esta guía de aprendizaje proceden de datos que forman parte de scikit-learn y se utilizarán para entrenar un modelo para reconocer imágenes de dígitos escritos a mano, de 0-9.

Paso 1: Crear un proyecto y asociar el servicio Watson Machine Learning

{: #step1}Necesita un proyecto para almacenar el cuaderno.

  1. Si tiene un proyecto existente, ábralo. Si no tiene un proyecto existente, pulse Crear un proyecto en la página de inicio o pulse Nuevo proyecto en la página Proyectos.
  2. Seleccione Crear un proyecto vacío.
  3. En la pantalla Crear un proyecto, añada un nombre y una descripción opcional para el proyecto.
  4. Elija una instancia de servicio de almacenamiento de objetos existente o cree una nueva.
  5. Pulse Crear.
  6. Cuando se abra el proyecto, pulse la pestaña Gestionar.
  7. En la página Servicios e integraciones, pulse Servicio asociado > Watson.
  8. Si todavía no tiene una instancia de servicio de Watson Machine Learning suministrada, pulse Nuevo servicio, seleccione Machine Learning y pulse Crear.
  9. Seleccione la instancia de Watson Machine Learning y pulse Servicio asociado.
  10. Cierre el recuadro de diálogo Servicio asociado.

Para obtener más información o ver un vídeo, consulte Creación de un proyecto.
Para obtener más información sobre los servicios asociados, consulte Adición de servicios asociados.

Paso 2: Añadir un cuaderno a su proyecto

{: #step2}El cuaderno utilizado en esta guía de aprendizaje está disponible en la Galería.

  1. Acceda a Utilizar cuaderno de scikit-learn par reconocer dígitos escritos a mano en Galería.
  2. Pulse Añadir al proyecto.
  3. Seleccione el proyecto en la lista y pulse Añadir.
  4. Verifique el nombre y la descripción del cuaderno (opcional).
  5. Seleccione un entorno de ejecución para este cuaderno.
  6. Pulse Crear. Espere a que se cargue el editor de cuadernos.
  7. En el menú, pulse Kernel > Reiniciar y borrar salida y confirme pulsando Reiniciar y borrar todas las salidas.

Paso 3: Configurar el entorno

{: #step3} La primera sección del cuaderno configura el entorno especificando las credenciales de IBM Cloud y la ubicación de la instancia de servicio de Watson Machine Learning.

  1. Desplácese a la sección Configurar el entorno.
  2. Elija un método para obtener la clave y la ubicación de la API.
  3. Pegue la clave y la ubicación de la API en la celda 1.
  4. Ejecute las celdas 1 y 2.
  5. Para instalar el paquete ibm-watson-machine-learning, ejecute la celda 3.
  6. Para importar el cliente de API y crear la instancia de cliente de API utilizando sus credenciales, ejecute la celda 4.
  7. Para ver una lista de todos los espacios de despliegue existentes, ejecute la celda 6. Si no tiene un espacio de despliegue:
    1. Abra otra pestaña con el despliegue de Cloud Pak for Data.
    2. En el menú de navegación, pulse Despliegues.
    3. Pulse Nuevo espacio de despliegue.
    4. Añada un nombre y una descripción opcional para el despliegue.
    5. Pulse Crear y luego Ver nuevo espacio.
    6. Pulse el separador Gestionar.
    7. Copie el GUID de espacio y cierre la pestaña, este valor será su space_id.
  8. Para establecer el espacio predeterminado, copie y pegue el ID de espacio de despliegue adecuado en la celda 5 y ejecute la celda 5 y la celda 7.

Paso 4: Ejecutar el cuaderno

{: #step4}Lea los comentarios y ejecute las celdas para:

  1. Explorar los datos.
  2. Cree el modelo scikit-learn.
    1. Preparar los datos dividiéndolo en tres conjuntos de datos (entrenamiento, prueba y puntuación).
    2. Cree la interconexión.
    3. Entrenar el modelo.
    4. Evaluar el modelo utilizando los datos de prueba.
  3. Publique el modelo.
  4. Ver la información del modelo.
  5. Crear el despliegue del modelo y visualizar los detalles del despliegue.
  6. Puntuar el modelo que envía una solicitud de puntuación al modelo desplegado y muestra la predicción.

Paso 5: Ver y probar el modelo desplegado en el espacio de despliegue

{: #step5}También puede ver el despliegue del modelo directamente desde el espacio de despliegue.

  1. En el menú de navegación, pulse Despliegues.
  2. Seleccione el espacio de despliegue adecuado de la lista.
  3. Pulse el modelo scikit.
  4. Pulse Despliegue del modelo scikit.
  5. Revise el Punto final y los Fragmentos de código.
  6. Pulse la pestaña Probar. Puede probar el modelo desplegado pegando el siguiente código JSON:
       {"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. Pulse Pronosticar. La predicción resultante indica que los dígitos escritos a mano son 5 y 4.

(Opcional) Paso 6: Limpieza

{: #step6} Si desea eliminar todos los activos creados por el cuaderno, cree un nuevo cuaderno basado en el Cuaderno de gestión de artefactos de aprendizaje automático. También dispone de un enlace con este cuaderno en la sección Limpieza del cuaderno Utilizar scikit-learn para reconocer dígitos escritos a mano utilizado en esta guía de aprendizaje.

Próximos pasos

Ahora puede utilizar este conjunto de datos para un análisis adicional. Por ejemplo, usted u otros usuarios pueden realizar cualquiera de estas tareas:

Recursos

adicionales

Tema principal: Cómo empezar a crear, desplegar y confiar en modelos