クイック・スタート: Jupyter ノートブックでの機械学習モデルの作成とデプロイする

Jupyter ノートブックで Watson Machine Learning を使用して、機械学習モデルを作成、トレーニング、およびデプロイできます。 Jupyter ノートブックについて読み、ビデオを見て、中間ユーザーに適したコーディングが必要なチュートリアルを受けます。

必須サービス Watson Machine Learning

基本的なワークフローには、以下のタスクが含まれます:

  1. プロジェクトを作成する プロジェクトは、データを処理するために他のユーザーと共同作業できる場所です。
  2. ノートブックをプロジェクトに追加します。 ブランクのノートブックを作成することも、ファイルまたは GitHub リポジトリーからノートブックをインポートすることもできます。
  3. コードを追加し、ノートブックを実行します。
  4. モデル・パイプラインを確認し、目的のパイプラインをモデルとして保存します。
  5. モデルをデプロイしてテストします。

Jupyter ノートブックについて読む

Jupyter ノートブックは、対話式計算処理のための Web ベースの環境です。 ノートブックで機械学習モデルを構築することを選択した場合、Jupyter ノートブックでのコーディングに慣れておく必要があります。 データを処理する小さなコード断片を実行して、計算結果を即時に表示することができます。 このツールを使用して、データを処理するために必要なすべてのビルディング・ブロックをアセンブル、テスト、および実行し、データを Watson Machine Learningに保存し、モデルをデプロイすることができます。

ノートブックでのモデルのトレーニングについて詳しくは、以下を参照してください

モデルを構築する他の方法について説明します

Jupyter ノートブックでのモデルの作成に関するビデオを見る

ビデオを見る このビデオを見て、Jupyter ノートブックで機械学習モデルをトレーニング、デプロイ、およびテストする方法を確認してください。

このビデオでは、本書に記載されている手順に従う代わりの方法として、視覚方式を提供します。

Jupyter ノートブックでモデルを作成するためのチュートリアルを試す

このチュートリアルでは、以下を行います。

  • プロジェクトを作成する

  • Watson Machine Learning サービスをプロジェクトに関連付けます。

  • URL からプロジェクト内にノートブックを作成します。

  • ノートブックを実行して、以下を行います:
    • モデルを作成してトレーニングします。
    • パイプラインをモデルとして保存します。
    • モデルをデプロイします。
    • デプロイされたモデルをテストします。
  • デプロイメント・スペース内のデプロイ済みモデルを表示してテストします。

このチュートリアルを完了するための所要時間は約 30 分です。

サンプル・データ

このチュートリアルで使用するサンプル・データは、 scikit-learn の一部であるデータからのものであり、0 から 9 までの手書きの数字の画像を認識するようにモデルをトレーニングするために使用されます。

ステップ 1: プロジェクトを作成し、 Watson Machine Learning サービスを関連付ける

{: #step1}ノートブックを保存するには、プロジェクトが必要です。

  1. 既存のプロジェクトを持っている場合は、それを開きます。 既存のプロジェクトを持っていない場合は、ホーム・ページで プロジェクトの作成 をクリックするか、 またはプロジェクト ページで 新規プロジェクト をクリックしてください。
  2. 「空のプロジェクトの作成」を選択します。
  3. プロジェクトの作成 画面で、プロジェクトの名前と説明 (オプション) を追加してください。
  4. 既存の オブジェクト・ストレージ・サービス・インスタンス を選択するか、または新規作成します。
  5. 「作成」をクリックします。
  6. プロジェクトが開いたら、 管理 タブをクリックしてください。
  7. サービスと統合 ページで、 「サービスの関連付け」> Watsonをクリックしてください。
  8. Watson Machine Learning サービス・インスタンスがまだプロビジョンされていない場合は、 新規サービスをクリックし、Machine Learning を選択して、 作成をクリックしてください。
  9. Watson Machine Learning インスタンスを選択し、 サービスの関連付けをクリックしてください。
  10. サービスの関連付け ダイアログ・ボックスを閉じます。

詳細について、またはビデオを見るには、 プロジェクトの作成を参照してください。
関連サービスについて詳しくは、 関連付けられたサービスの追加を参照してください。

ステップ 2: プロジェクトへノートブックを追加する

{: #step2}このチュートリアルで使用するノートブックは、ギャラリーで使用できます。

  1. ギャラリーでの sckit-learn を使用して手書きの数字ノートブックを認識する {: new_window} にアクセスしてください。
  2. プロジェクトに追加をクリックしてください。
  3. リストからプロジェクトを選択し、 追加をクリックしてください。
  4. ノートブックの名前と説明を確認します (オプション)。
  5. このノートブックのランタイム環境を選択してください。
  6. 「作成」をクリックします。 ノートブック・エディターがロードされるまで待ちます。
  7. メニューから 「カーネル」>「再開」& 「出力のクリア」をクリックしてから、 再起動してすべての出力をクリアをクリックして確認します。

ステップ 3: 環境をセットアップする

{: #step3}ノートブックの最初のセクションでは、 IBM Cloud 資格情報と Watson Machine Learning サービス・インスタンスの場所を指定して環境をセットアップします。

  1. 環境のセットアップ セクションまでスクロールします。
  2. API キーとロケーションを取得する方法を選択してください。
    • コマンド・プロンプトからノートブックの IBM Cloud CLI コマンドを実行します。
    • IBM Cloud コンソールを使用してください。
      1. IBM Cloud コンソールの「API キー」セクション {: new_window}を起動して、 API キーを作成します。
      2. IBM Cloud リソース・リストにアクセスし、 Watson Machine Learning サービス・インスタンスを閲覧して、 詳細 パネルの 所在地 をメモします。
      3. 正しいエンドポイント URL については、 Watson Machine Learning API 資料 {: new_window} を参照してください。 例えば、Dalls は us-south にあります。
  3. API キーと場所をセル 1 に貼り付けます。
  4. セル 1 および 2 を実行してください。
  5. ibm-watson-machine-learning パッケージをインストールするには、セル 3 を実行してください。
  6. API クライアントをインポートし、資格情報を使用して API クライアント・インスタンスを作成するには、セル 4 を実行します。
  7. 既存のすべてのデプロイメント・スペースのリストを表示するには、セル 6 を実行します。 デプロイメント・スペースを持っていない場合は、以下のようにします:
    1. Cloud Pak for Data デプロイメントで別のタブを開きます。
    2. ナビゲーション・メニューから、 デプロイメントをクリックしてください。
    3. 新規デプロイメント・スペースをクリックしてください。
    4. デプロイメントの名前と説明 (オプション) を追加します。
    5. 作成をクリックしてから、 新規スペースの表示をクリックしてください。
    6. 「管理」タブをクリックします。
    7. Space GUID をコピーしてタブを閉じると、この値が space_id になります。
  8. デフォルト・スペースを設定するには、適切なデプロイメント・スペース ID をコピーしてセル 5 に貼り付け、セル 5 とセル 7 を実行します。

ステップ 4: ノートブックを実行する

{: #step4}コメントを読み、セルを実行して以下を行います:

  1. データを探索します。
  2. scikit-learn モデルを作成します。
    1. データを 3 つのデータ・セット (トレーニング、テスト、およびスコア) に分割して準備します。
    2. パイプラインを作成します。
    3. モデルをトレーニングします。
    4. テスト・データを使用してモデルを評価します。
  3. モデルをパブリッシュします。
  4. モデル情報を表示します。
  5. モデル・デプロイメントを作成し、デプロイメントの詳細を閲覧します。
  6. スコアリング要求をデプロイ済みモデルに送信し、予測を表示するモデルをスコアリングします。

ステップ 5: デプロイメント・スペース内のデプロイされたモデルを閲覧してテストする

{: #step5}デプロイメント・スペースからモデル・デプロイメントを直接閲覧することもできます。

  1. ナビゲーション・メニューから、 デプロイメントをクリックしてください。
  2. リストから適切なデプロイメント・スペースを選択してください。
  3. scikit モデルをクリックしてください。
  4. scikit モデルのデプロイメントをクリックしてください。
  5. エンドポイント および コード・スニペットを確認してください。
  6. 「テスト」タブをクリックします。 以下の JSON コードを貼り付けることで、デプロイされたモデルをテストできます:
       {"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. 予測をクリックしてください。 結果の予測は、手書きの数字が 5 と 4 であることを示しています。

(オプション) ステップ 6: クリーンアップ

{: #step6}ノートブックによって作成されたすべての資産を削除する場合は、 Machine Learning 成果物管理ノートブック {: new_window}に基づいて新規ノートブックを作成します。 このノートブックへのリンクは、このチュートリアルで使用する scikit-learn を使用して手書きの数字ノートブックを認識するクリーンアップ セクションにもあります。

次のステップ

これで、このデータ・セットをさらに分析するために使用できます。 例えば、ユーザーまたは他のユーザーは、以下のいずれかのタスクを実行できます:

その他のリソース

親トピック: モデルの作成、デプロイ、および信頼についての入門