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

Vous pouvez créer, former et déployer des modèles d'apprentissage machine avec Watson Machine Learning dans un bloc-notes Jupyter. Lisez sur les portables Jupyter, puis regardez une vidéo et prenez un tutoriel qui convient aux utilisateurs intermédiaires et qui nécessite un codage.

Service requis Watson Machine Learning

Votre flux de travaux de base inclut les tâches suivantes :

  1. Créez un projet. Les projets sont l'endroit où vous collaborez avec d'autres personnes sur les données.
  2. Ajoutez un bloc-notes au projet. Vous pouvez créer un bloc-notes vide ou importer un bloc-notes à partir d'un fichier ou d'un référentiel GitHub.
  3. Ajoutez du code et exécutez le bloc-notes.
  4. Passez en revue les pipelines modèles et enregistrez le pipeline souhaité en tant que modèle.
  5. Déployez et testez votre modèle.

Lire sur les carnets de notes Jupyter

Un bloc-notes Jupyter est un environnement basé sur le Web pour un calcul interactif. Si vous choisissez de générer un modèle d'apprentissage automatique dans un bloc-notes, vous devez maîtriser le codage dans un bloc-notes Jupyter. Vous pouvez exécuter de petits morceaux de code qui traitent vos données, puis afficher immédiatement les résultats de votre calcul. A l'aide de cet outil, vous pouvez assembler, tester et exécuter tous les blocs de génération dont vous avez besoin pour travailler avec des données, enregistrer les données dans Watson Machine Learning et déployer le modèle.

En savoir plus sur les modèles de formation dans les ordinateurs portables

En savoir plus sur les autres méthodes de génération de modèles

Visionnez une vidéo sur la création d'un modèle dans un bloc-notes Jupyter

Regarder une vidéo Regardez cette vidéo pour savoir comment former, déployer et tester un modèle d'apprentissage automatique dans un bloc-notes Jupyter.

Cette vidéo constitue une alternative visuelle aux procédures figurant dans cette documentation.

Essayez un tutoriel pour créer un modèle dans un bloc-notes Jupyter

Dans ce tutoriel, vous :

  • Créez un projet.

  • Associez le service Watson Machine Learning au projet.

  • Créez un bloc-notes dans le projet à partir d'une adresse URL.

  • Exécutez le bloc-notes pour :
    • Générer et entraîner un modèle.
    • Sauvegarde d'un pipeline comme modèle.
    • Déployez le modèle.
    • Testez le modèle déployez.
  • Afficher et tester le modèle déployé dans l'espace de déploiement.

Ce tutoriel dure environ 30 minutes.

Données exemple

Les données exemple utilisées dans ce tutoriel proviennent de données qui font partie de Scikit-apprendre et qui seront utilisées pour former un modèle pour reconnaître les images de chiffres écrits à la main, à partir de 0 à 9.

Etape 1 : Création d'un projet et association du service Watson Machine Learning

{: #step1} Vous avez besoin d'un projet pour stocker le bloc-notes.

  1. Si vous avez un projet existant, ouvrez-le. Si vous ne disposez pas d'un projet existant, cliquez sur Créer un projet sur la page d'accueil ou sur Nouveau projet sur votre page Projets.
  2. Sélectionnez Créer un projet vide.
  3. Dans l'écran Créer un projet, ajoutez un nom et une description facultative pour le projet.
  4. Choisissez un Instance de service de stockage d'objets existant ou en créer un nouveau.
  5. Cliquez sur Créer.
  6. Lorsque le projet s'ouvre, cliquez sur l'onglet Gérer.
  7. Sur la page Services et intégrations, cliquez sur Associer le service > Watson.
  8. Si vous ne disposez pas encore d'une instance de service Watson Machine Learning mise à disposition, cliquez sur Nouveau service, sélectionnez Machine Learning et cliquez sur Créer.
  9. Sélectionnez votre instance Watson Machine Learning et cliquez sur Associer le service.
  10. Fermez la boîte de dialogue Associer le service.

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.

Etape 2 : Ajout d'un bloc-notes à votre projet

{: #step2} Le bloc-notes utilisé dans ce tutoriel est disponible dans la galerie.

  1. Accédez à Utiliser sckit-Permet de reconnaître le bloc-notes des chiffres écrits à la main dans Galerie.
  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 > Redémarrage & Effacer la sortie, puis confirmer. En cliquant sur Redémarrer et effacer toutes les sorties.

Étape 3 : Configuration de l'environnement

{: #step3} 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.

  1. Accédez à la section Configuration de l'environnement.
  2. Choisissez une méthode pour obtenir la clé et l'emplacement de l'API.
  3. Collez la clé et l'emplacement de l'API dans la cellule 1.
  4. Exécutez les cellules 1 et 2.
  5. Pour installer le package ibm-watson-machine-learning , exécutez la cellule 3.
  6. Pour importer le client d'API et créer l'instance du client d'API à l'aide de vos données d'identification, exécutez la cellule 4.
  7. Pour afficher la liste de tous les espaces de déploiement existants, exécutez la cellule 6. Si vous Pas avez un espace de déploiement :
    1. Ouvrez un autre onglet avec votre déploiement Cloud Pak for Data.
    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 Manage.
    7. Copiez le fichier Identificateur global unique de l'espace et fermez l'onglet, cette valeur sera votre space_id.
  8. Pour définir l'espace par défaut, copiez et collez l'ID d'espace de déploiement approprié dans la cellule 5, puis exécutez la cellule 5 et la cellule 7.

Étape 4 : Exécution du bloc-notes

{: #step4} Lisez les commentaires et exécutez les cellules pour :

  1. Explorez les données.
  2. Créez le 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. Publiez le modèle.
  4. Affichez les informations du modèle.
  5. Créez le déploiement du modèle et affichez les détails du déploiement.
  6. Score sur le modèle qui envoie une demande d'évaluation au modèle déployé et affiche la prévision.

Étape 5 : Affichage et test du modèle déployé dans l'espace de déploiement

{: #step5} Vous pouvez également afficher le déploiement du modèle directement à partir de l'espace de déploiement.

  1. Dans le menu de navigation, cliquez sur Déploiements.
  2. Sélectionnez l'espace de déploiement approprié dans la liste.
  3. Cliquez sur Modèle scikit.
  4. Cliquez sur Déploiement du modèle scikit.
  5. Consultez les fichiers Noeud final et Fragments de code.
  6. Cliquez sur l'onglet Test. 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]]}]}
    
  7. Cliquez sur Prévoir. La prédiction qui en résulte indique que les chiffres écrits à la main sont 5 et 4.

(Facultatif) Étape 6 : Nettoyage

{: #step6} Si vous souhaitez supprimer tous les actifs créés par le bloc-notes, créez un nouveau bloc-notes basé sur Bloc-notes Gestion des artefacts d'apprentissage machine. 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.

Etapes suivantes

A présent, vous pouvez utiliser ce fichier pour une analyse plus approfondie. Par exemple, vous ou d'autres utilisateurs pouvez effectuer l'une des tâches suivantes :

Autres ressources

Rubrique parent : Initiation à la génération, au déploiement et à la confiance