Translation not up to date
AutoAI aracıyla bir makine öğrenimi modeli oluşturma sürecini otomatikleştirebilirsiniz. AutoAI aracı hakkında bilgi alın, daha sonra bir video izleyin ve yeni başlayanlar için uygun olan ve kodlama gerektirmeyen bir öğretici program alın.
- Gerekli hizmetler
- Watson Studio
- Watson Machine Learning
Temel iş akışınız şu görevleri içerir:
- Bir proje oluşturun. Projelerde, verilerle çalışmak için başkalarıyla işbirliği yapabilirsiniz.
- Verilerinizi projeye ekleyin. Bir bağlantı aracılığıyla uzak veri kaynağından CSV dosyaları ya da verileri ekleyebilirsiniz.
- Projede bir AutoAI deneyi oluşturun.
- Model ardışık düzenlerini gözden geçirin ve istenen ardışık düzeni, devreye alınacak bir model ya da özelleştirilecek bir not defteri olarak kaydedin.
- Modelinizi devreye alın ve test edin.
AutoAI hakkında bilgi okuyun
AutoAI grafik aracı, verilerinizi otomatik olarak analiz eder ve tahmine dayalı modelleme sorununuz için özelleştirilmiş aday model boru hatları oluşturur. AutoAI veri kümenizi analiz ettiği ve sorun ayarınız için en iyi şekilde çalışan veri dönüşümlerini, algoritmaları ve parametre ayarlarını keşfettiği için bu model ardışık düzenleri yinelenerek oluşturulur. Sonuçlar, sorun eniyileme hedefinize göre sıralanmış otomatik olarak oluşturulan model ardışık düzenlerini gösteren bir kurşun tahtasında görüntülenir.
AutoAI kullanarak model oluşturma hakkında bir video izleyin
Banka pazarlama örneğini temel alan bir AutoAI deneyinin nasıl oluşturulacağını ve çalıştırılacağını görmek için bu videoyu izleyin.
Bu video, bu belgedeki kavramları ve görevleri öğrenmek için görsel bir yöntem sağlar.
Video transkript Süre transcript 00:00 Bu videoda, Watson Machine Learning modeli oluşturmak için örnek bir AutoAI deneyinin nasıl çalıştırılacağı gösterilmektedir. 00:08 Watson Studio projesinde başlayın ve bu projeye yeni bir AutoAI deneyi ekleyin. 00:16 Bir AutoAI deneyi çalıştırmak için Watson Machine Learning hizmetine gereksinim duyarsınız. 00:22 Burada bir Watson Machine Learning hizmetini bu projeyle ilişkilendirme seçeneğiniz vardır. 00:29 Yeni bir hizmet eşgörünümü yaratabilir ya da var olan bir hizmet eşgörünümünü seçebilirsiniz. 00:39 Deneyi yaratmakta olduğunuz sayfaya döndüğünüzde, sayfayı yeniden yükleyin ve yeni hizmet eşgörünümünün listelendiğini görün. 00:48 Bu ilk deneme için bir örnek seçeceksiniz. 00:52 "Bank marketing" örneği, bir pazarlama kampanyasına yanıt olarak bir bankaya yapılan telefon görüşmeleri aracılığıyla toplanan metin verilerini içerir. 01:01 Bir örnek seçtiğinizde, deney adı ve tanımı sizin için doldurulur, bu nedenle deneyi yaratmaya hazırsınız. 01:11 Daha sonra, AutoAI deney oluşturucusu görüntülenir. 01:15 Bu deneme bir örnekten olduğu için, banka pazarlama kaynak dosyası zaten seçilidir. 01:22 Ve tahmin edilecek sütun da zaten seçili. 01:26 Bu durumda, bir kullanıcının pazarlama kampanyasının bir parçası olarak dönem depozitosu için kaydolup kaydolmayacağını gösteren "y" sütunu kullanılır. 01:35 Veri kümesine ve tahmin etmek için seçilen sütuna dayalı olarak AutoAI , verilerin bir alt kümesini analiz eder ve optimize etmek için bir öngörü tipi ve metrik seçer. 01:47 Bu durumda, öngörü sütunu "Y" ya da "N" (evet ya da hayır için) değerlerini içerdiğinden ikili sınıflandırma seçildi. 01:57 Pozitif sınıf "Evet" ve optimize edilmiş metrik ROC AUC 'dir. 02:03 ROC AUC metriği hassasiyet, doğruluk ve geri çağırma dengelerini dengeler. 02:10 Şimdi, deneyi çalıştır ve "Boru Hattı kurşun tahtası" dolana kadar bekle. 02:17 AutoAI eğitimi sırasında veri kümeniz iki parçaya bölünür: eğitim verileri ve alıkoyma verileri. 02:24 Eğitim verileri, model boru hatlarını oluşturmak için AutoAI eğitim aşamaları tarafından kullanılır ve bunları sıralamak için çapraz doğrulama puanları kullanılır. 02:34 Eğitimden sonra, elde edilen boru hattı modeli değerlendirmesi ve ROC eğrileri ve karışıklık matrisleri gibi performans bilgilerinin hesaplanması için holdout verileri kullanılır. 02:48 Daha sonra, AutoAI , XGBoost sınıflandırıcısı gibi farklı tahmin edicileri ya da hiperparametre optimizasyonu ve özellik mühendisliği gibi geliştirmeler kullanarak, doğruluk metriğine dayalı olarak sıralanan boru hatlarını kullanarak ardışık çizgiler oluşturur. 03:06 Hiperparametre optimizasyonu, potansiyel hiperparametrelerin arama alanını otomatik olarak keşfetmek, bir dizi model oluşturmak ve ilgilenilen metrikleri kullanarak modelleri karşılaştırmak için bir mekanizmadır. 03:20 Özellik mühendisliği, işlenmemiş verileri, en doğru öngörüye ulaşmak için sorunu en iyi şekilde temsil eden özelliklerin birleşimine dönüştürmeyi dener. 03:31 Tamam, koşu tamamlandı. 03:34 Açıklama, ilişki haritasında verilerin, üst algoritmanın, ardışık hatların ve özellik dönüştürücülerinin nerede bulunduğunu açıklar. 03:44 Tüm ayrıntıları görmek için tam günlüğü görüntüleyebilirsiniz. 03:48 Varsayılan olarak, "İlişki eşlemi" ni görürsünüz, ancak "İlerleme eşlemi" ni görmek için görünümleri değiştirebilirsiniz. 03:57 Liderlik tahtasına bakmak için aşağı kayın. 04:01 Boru hatlarını karşılaştırarak başlamak isteyebilirsiniz. 04:05 Bu grafik, çapraz doğrulama puanına göre ya da holdout puanına göre görüntülenen sekiz ardışık işlem hattı için metrikler sağlar. 04:13 Boru hatlarını, ortalama duyarlık gibi diğer metriklere göre sıralanmış olarak görebilirsiniz. 04:21 "Deney özeti" sekmesinde, model değerlendirme ölçülerini ve ROC eğrisini görüntülemek için bir ardışık düzeni genişletin. 04:30 Karışıklık matrisine, duyarlık geri çağırma eğrisine, model bilgilerine, özellik dönüşümlerine ve özellik önemine ek olarak daha fazla ayrıntı görmek için tek bir ardışık işlem hattı görüntüleyebilirsiniz. 04:49 Bu boru hattı en yüksek sıralamaya sahipti, bu nedenle bunu bir makine öğrenimi modeli olarak kaydedebilirsiniz. 04:55 Varsayılanları kabul edin ve modeli kaydedin. 05:01 Artık modeli eğitmişsiniz, modeli görüntülemeye ve devreye almaya hazırsınız. 05:06 "Genel Bakış" sekmesi bir model özetini ve giriş şemasını gösterir. 05:12 Modeli devreye almak için devreye alma alanına yükseltmeniz gerekir. 05:17 Bu projeyle ilişkilendirilmiş bir konuşlandırma alanı olmadığından, önce ilişkilendirmeyi ayarlamanız gerekir. 05:25 Var olan bir konuşlandırma alanını seçebilir ya da yeni bir konuşlandırma alanı yaratabilirsiniz. 05:31 Yeni bir alan oluşturduğunuzda, bir ad ve açıklama sağlayın ve Cloud Object Storage ve Watson Machine Learning hizmetini seçin. 05:41 Daha sonra alanı oluşturun. 05:45 Şimdi bu yeni alanı seçin, model için bir açıklama ekleyin ve "Yükselt" düğmesini tıklatın. 05:53 Konuşlandırma alanına gitmek için bağlantıyı kullanın. 06:00 İşte yeni yarattığınız model, şimdi konuşlandırabilirsiniz. 06:04 Bu durumda, bu bir çevrimiçi devreye alma olacaktır. 06:08 Devreye alma için bir ad sağlayın ve "Oluştur" düğmesini tıklatın. 06:12 Daha sonra model konuşlandırılırken bekleyin. 06:16 Model devreye alma işlemi tamamlandığında devreye almayı görüntüleyin. 06:20 "API başvurusu" sekmesinde, gelecekteki başvuru için puanlama uç noktasını bulacaksınız. 06:26 Uygulamanızdan bu konuşlandırmayı kullanmak için çeşitli programlama dillerine ilişkin kod parçacıklarını da bulacaksınız. 06:35 "Test" sekmesinde model öngörüsünü test edebilirsiniz. 06:40 Test giriş verilerini girebilir ya da JSON giriş verilerini yapıştırabilir ve ardından "Tahmin" düğmesini tıklatabilirsiniz. 06:52 Bu, birinci kişinin bir dönem depozitoya abone olmayacağı ve ikinci kişinin bir dönem depozitoya abone olma olasılığının yüksek olduğunu gösterir. 07:06 Ve projede, "Varlıklar" sekmesinde, AutoAI deneyi ve modeli bulacaksınız. 07:17 Cloud Pak for Data as a Service belgelerinde daha fazla video bulun.
AutoAI kullanarak bir model oluşturmak için bir öğretici programı deneyin
Bu öğretici program, bir müşterinin bir pazarlama kampanyasına dayalı olarak bir dönem depozitoya abone olma olasılığının olup olmadığını tahmin etmek için bir model eğitimi boyunca size yol gösterir.
Bu öğretici programda şu görevleri tamamlayabilirsiniz:
- Görev 1: Bir proje açın.
- Görev 2: Modeli oluşturun ve eğitin.
- Görev 3: Modelin bir konuşlandırma alanına yükseltilmesi ve eğitilen modelin konuşlandırılması
- Görev 4: Devreye alınan modeli test edin.
- Görev 5: Modeli puanlamak için bir toplu iş oluşturun.
Bu eğitmenin tamamlanması yaklaşık 30 dakika sürecektir.
Örnek veriler
Kılavuzlu deneyimde kullanılan örnek veriler UCI: Bir müşterinin bir pazarlama promotion.The verilerine kaydolup olmadığını tahmin etmek için kullanılan banka pazarlama verileri, denemenizin temeli olarak Galeri örneği seçeneğini belirlediğinizde otomatik olarak yüklenir ve kullanımınıza sunulur.
Resimdeki videoyu kullan
İpucu: Videoyu başlatın, daha sonra siz öğretici programda gezinirken video, resim içinde resim moduna geçer. Resimdeki resimle en iyi deneyimi elde etmek için video içindekiler tablosunu kapatın. Bu öğretici programdaki görevleri tamamlarken videoyu izleyebilmek için resimdeki modu kullanabilirsiniz. İzlemek istediğiniz her görev için zaman damgalarını tıklatın.Aşağıdaki canlandırmalı resim, resimdeki video resminin ve içindekiler tablosunun özelliklerinin nasıl kullanılacağını gösterir:
Toplulukta yardım alma
Bu öğretici programla ilgili yardıma gereksinim duyarsanız, Cloud Pak for Data Community tartışma forumundabir soru sorabilir ya da bir yanıt bulabilirsiniz.
Tarayıcı pencerelerinizi ayarlayın
Bu öğretici programı tamamlama konusunda en iyi deneyimi sağlamak için Cloud Pak for Data olanağını bir tarayıcı penceresinde açın ve bu eğitmen sayfasını iki uygulama arasında kolayca geçiş yapmak üzere başka bir tarayıcı penceresinde açık tutun. Takip edilmesini kolaylaştırmak için iki tarayıcı penceresini yan yana düzenlemeyi düşünün.
İpucu: Kullanıcı arabiriminde bu öğretici programı tamamlarken kılavuzlu bir turla karşılaşırsanız, Belki daha sonraseçeneğini tıklatın.
Başa dön
Verileri ve AutoAI deneyini depolamak için bir projeye ihtiyacınız vardır. Var olan bir projeyi kullanabilir ya da proje yaratabilirsiniz.
Gezinme menüsünden , Projeler > Tüm projeleri görüntüle seçeneklerini belirleyin
Var olan bir projeyi açın. Yeni bir proje kullanmak istiyorsanız:
Yeni projeöğesini tıklatın.
Boş proje yaratseçeneğini belirleyin.
Proje için bir ad ve isteğe bağlı açıklama girin.
Var olan bir nesne depolama hizmeti örneği seçin ya da yeni bir örnek oluşturun.
Oluştur'u tıklatın.
Proje açıldığında, Yönet sekmesini tıklatın ve Hizmetler ve bütünleştirmeler sayfasını seçin.
IBM hizmetleri sekmesinde Hizmeti ilişkilendirseçeneğini tıklatın.
Watson Machine Learning eşgörünümünüzü seçin. Henüz bir Watson Machine Learning hizmet eşgörünümüne sahip değilseniz, aşağıdaki adımları izleyin:
Yeni hizmet' i tıklatın.
Watson Machine Learning(Watson Makine Öğrenimi) seçeneğini belirleyin.
Oluştur'u tıklatın.
Listeden yeni hizmet eşgörünümünü seçin.
Hizmeti ilişkilendir' i tıklatın.
Gerekirse, Hizmetler ve Bütünleştirmeler sayfasına dönmek için İptal düğmesini tıklatın.
Daha fazla bilgi için veya bir video izlemek için bkz. Proje oluşturma.İlişkili hizmetler hakkında daha fazla bilgi için İlişkili hizmetler eklemebaşlıklı konuya bakın.
İlerlemenizi denetleyin
Aşağıdaki resim yeni projeyi göstermektedir.
Başa dön
Bu görevi önizlemek için 00:08adresinden başlayan videoyu izleyin.
Artık bir projeniz olduğuna göre, AutoAIkullanarak modeli oluşturmaya ve eğitmeye hazırsınız. AutoAI deneyi oluşturmak, model ardışık düzenlerini gözden geçirmek ve model olarak kaydedilecek bir ardışık düzen seçmek için aşağıdaki adımları izleyin:
Projenizdeki Varlıklar sekmesini ve ardından Yeni varlık > AutoAIseçeneklerini tıklatın.
AutoAI Deneyi Oluştur sayfasında temel alanları doldurun:
Gallery sample (Galeri örneği) panosunu tıklatın.
Bank marketing sample data(Banka pazarlama örnek verileri) seçeneğini belirleyin ve Next(İleri) düğmesini tıklatın. Proje adı ve tanımı sizin için doldurulacaktır.
Projenizle ilişkilendirdiğiniz Machine Learning hizmet eşgörünümünün Watson Machine Learning Service Instance (Makine Öğrenimi Hizmeti Eşgörünümü) alanında seçildiğini doğrulayın.
Oluştur'u tıklatın.
Bu örnek AutoAI deneyinde, Bank marketing sample data (Banka pazarlama örnek verileri) deneyiniz için önceden seçilmiş olduğunu göreceksiniz.
Önceden ayarlanmış deneme ayarlarını gözden geçirin. Veri kümesine ve tahmin etmek için seçilen sütuna dayalı olarak AutoAI , verilerin bir alt kümesini analiz eder ve optimize etmek için bir öngörü tipi ve metrik seçer. Bu durumda, öngörü tipi İkili Sınıflandırma, pozitif sınıf Evetve eniyilenmiş metrik ROC AUC & run timeolur.
Deneyi çalıştır' ı tıklatın. Model eğitim aldıkça, boru hatlarını oluşturma sürecini gösteren bir infografik görürsünüz.
AutoAI' de her bir makine öğrenimi tekniğiyle kullanılabilen algoritmaların ya da tahmin edenlerin bir listesi için bkz. AutoAI uygulama ayrıntısı.
Deneme çalışması tamamlandıktan sonra, bir lider tahtada sıralanmış boru hatlarını görüntüleyebilir ve karşılaştırabilirsiniz.
Farklılıkları görmek için Ardışık Düzen karşılaştırması ' nı tıklatabilirsiniz.
Ardışık düzen ayrıntılarını görmek için en üst sıradaki ardışık düzeni tıklatın.
Farklı kaydet'i tıklatın, Model' i seçin ve Oluştur' u tıklatın. Bu, ardışık düzeni projenizde model olarak kaydeder.
Model kaydedildiğinde, projenizdeki modeli görüntülemek için bildirimde Projede görüntüle bağlantısını tıklatın. Alternatif olarak, projedeki Varlıklar sekmesine gidebilir ve Modeller bölümünde model adını tıklatabilirsiniz.
İlerlemenizi denetleyin
Aşağıdaki resimde model gösterilmektedir.
Başa dön
Bu görevi önizlemek için 04:57adresinden başlayan videoyu izleyin.
Modeli konuşlandırabilmeniz için önce modeli bir konuşlandırma alanına yükseltmeniz gerekir. Modeli devreye almak üzere bir devreye alma alanına yükseltmek için aşağıdaki adımları izleyin:
Konuşlandırma alanına yükseltöğesini tıklatın.
Var olan bir konuşlandırma alanını seçin. Konuşlandırma alanınız yoksa:
Yeni bir konuşlandırma alanı yaratöğesini tıklatın.
Bir alan adı ve isteğe bağlı açıklama sağlayın.
Bir depolama hizmeti seçin.
Bir makine öğrenimi hizmeti seçin.
Oluştur'u tıklatın.
Kapat'ı tıklatın.
Listeden yeni konuşlandırma alanınızı seçin.
Alandaki modele yükseldikten sonra git seçeneğini belirleyin.
Yükseltdüğmesini tıklatın.
Not: Alanı yükselttikten sonra alandaki modele gitme seçeneğini belirlemediyseniz, konuşlandırma alanınızı ve modelinizi seçmek için Konuşlandırmalar ' a gitmek için gezinme menüsünü kullanabilirsiniz.Model açıkken Yeni devreye alma' yı tıklatın.
Konuşlandırma tipiolarak Online (Çevrimiçi) seçeneğini belirleyin.
Konuşlandırma için bir ad belirtin.
Oluştur'u tıklatın.
Konuşlandırma tamamlandığında, konuşlandırma ayrıntıları sayfasını görüntülemek için konuşlandırma adını tıklatın.
İlerlemenizi denetleyin
Aşağıdaki resimde yeni devreye alma gösterilmektedir.
Başa dön
Bu görevi önizlemek için 06:22adresinden başlayan videoyu izleyin.
Artık modeli devreye aldığınızdan, kullanıcı arabirimini ya da Watson Machine Learning API ' lerini kullanarak çevrimiçi devreye alma işlemini test edebilirsiniz. Modeli yeni verilerle sınamak üzere kullanıcı arabirimini kullanmak için aşağıdaki adımları izleyin:
Test sekmesini tıklatın. Devreye alınan modeli, devreye alma ayrıntıları sayfasından iki şekilde test edebilirsiniz: bir form ile test edin ya da JSON koduyla test edin.
JSON girişi sekmesini tıklatın, aşağıdaki test verilerini kopyalayın ve var olan JSON metnini değiştirmek için yapıştırın:
{ "input_data": [ { "fields": [ "age", "job", "marital", "education", "default", "balance", "housing", "loan", "contact", "day", "month", "duration", "campaign", "pdays", "previous", "poutcome" ], "values": [ [ 27, "unemployed", "married", "primary", "no", 1787, "no", "no", "cellular", 19, "oct", 79, 1, -1, 0, "unknown" ] ] } ] }
Belirtilen özniteliklere sahip bir müşterinin belirli bir hesap türü için kaydolup kaydolmayacağını tahmin etmek için Tahmin ' i tıklatın. Ortaya çıkan öngörü, bu müşterinin pazarlama promosyonuna kaydolmama olasılığının yüksek olduğunu gösterir.
Öngörü sonuçları penceresini kapatmak için X simgesini tıklatın.
İlerlemenizi denetleyin
Aşağıdaki resim, konuşlandırmayı test etme sonuçlarını gösterir. Öngörü değerleriniz aşağıdaki resimdeki değerlerden farklı olabilir.
Başa dön
Devreye alınan modeli tek bir öngörü ile test ettiğinize göre, aynı anda birden çok kaydı puanlamak için toplu devreye alma oluşturabilirsiniz.
Görev 5a: Toplu konuşlandırmayı ayarla
Bu görevi önizlemek için 07:00' dan başlayarak videoyu izleyin.
Toplu konuşlandırma için, bir CSV dosyasında model bilgi yükü olarak da bilinen giriş verilerini sağlayabilirsiniz. Veriler, aynı sütun üstbilgileriyle eğitim verileri gibi yapılandırılmalıdır. Toplu iş, her bir veri satırını işler ve karşılık gelen bir öngörü oluşturur. Bilgi yükü verilerini konuşlandırma alanına yüklemek için aşağıdaki adımları izleyin:
Aşağıdaki metni bir metin düzenleyicisine kopyalayıp yapıştırın ve dosyayı
bank-payload.csv
olarak kaydedin.age,job,marital,education,default,balance,housing,loan,contact,day,month,duration,campaign,pdays,previous,poutcome 30,unemployed,married,primary,no,1787,no,no,cellular,19,oct,79,1,-1,0,unknown 33,services,married,secondary,no,4789,yes,yes,cellular,11,may,220,1,339,4,failure 35,management,single,tertiary,no,1350,yes,no,cellular,16,apr,185,1,330,1,failure 30,management,married,tertiary,no,1476,yes,yes,unknown,3,jun,199,4,-1,0,unknown 59,blue-collar,married,secondary,no,0,yes,no,unknown,5,may,226,1,-1,0,unknown 35,management,single,tertiary,no,747,no,no,cellular,23,feb,141,2,176,3,failure 36,self-employed,married,tertiary,no,307,yes,no,cellular,14,may,341,1,330,2,other 39,technician,married,secondary,no,147,yes,no,cellular,6,may,151,2,-1,0,unknown 41,entrepreneur,married,tertiary,no,221,yes,no,unknown,14,may,57,2,-1,0,unknown 43,services,married,primary,no,-88,yes,yes,cellular,17,apr,313,1,147,2,failure 39,services,married,secondary,no,9374,yes,no,unknown,20,may,273,1,-1,0,unknown 43,admin.,married,secondary,no,264,yes,no,cellular,17,apr,113,2,-1,0,unknown 36,technician,married,tertiary,no,1109,no,no,cellular,13,aug,328,2,-1,0,unknown 20,student,single,secondary,no,502,no,no,cellular,30,apr,261,1,-1,0,unknown 31,blue-collar,married,secondary,no,360,yes,yes,cellular,29,jan,89,1,241,1,failure 40,management,married,tertiary,no,194,no,yes,cellular,29,aug,189,2,-1,0,unknown 56,technician,married,secondary,no,4073,no,no,cellular,27,aug,239,5,-1,0,unknown 37,admin.,single,tertiary,no,2317,yes,no,cellular,20,apr,114,1,152,2,failure 25,blue-collar,single,primary,no,-221,yes,no,unknown,23,may,250,1,-1,0,unknown 31,services,married,secondary,no,132,no,no,cellular,7,jul,148,1,152,1,other
Dolaşma izinde konuşlandırma alanınızı tıklatın.
Varlıklar sekmesini tıklatın.
bank-payload.csv dosyasını yan panoya sürükleyin ve dosyanın karşıya yüklenmesini bekleyin.
İlerlemenizi denetleyin
Aşağıdaki resim, devreye alma alanındaki Varlıklar sekmesini gösterir.
Görev 5b: Toplu konuşlandırmayı oluşturun
Bu görevi önizlemek için 07:30' da başlayan videoyu izleyin.
Bir giriş kümesini işlemek ve çıkışın gerçek zamanlı olarak değil, bir dosyaya yazılmasını sağlamak için toplu konuşlandırma işi yaratın.
Devreye alma alanındaki Varlıklar sekmesine gidin.
Modelinize ilişkin Taşma menüsünü tıklatın ve Konuşlandırseçeneğini belirleyin.
Konuşlandırma tipiiçin Toplu İşseçeneğini belirleyin.
Konuşlandırma için bir ad yazın.
En küçük donanım belirtimini seçin.
Oluştur'u tıklatın.
İlerlemenizi denetleyin
Aşağıdaki resim toplu konuşlandırmayı gösterir.
Görev 5c: Toplu işin yaratılması
Bu görevi önizlemek için 07:44adresinden başlayan videoyu izleyin.
Toplu iş devreye almayı çalıştırır. İşi yaratmak için, giriş verilerini ve çıkış dosyasının adını belirtirsiniz. Bir işi bir zamanlamaya göre çalıştıracak şekilde ayarlayabilir ya da hemen çalıştırabilirsiniz. Toplu iş yaratmak için aşağıdaki adımları izleyin:
Konuşlandırma sayfasında Yeni işöğesini tıklatın.
İş için bir ad belirleyin ve İleridüğmesini tıklatın.
En küçük donanım belirtimini seçin ve Next(İleri) düğmesini tıklatın.
İsteğe bağlı: Bir zamanlama ayarlayın ve İleri' yi tıklatın.
İsteğe bağlı: Bildirimleri almayı seçin ve Next(İleri) düğmesini tıklatın.
Veri seç ekranında Giriş verilerini seçin:
Veri kaynağı seç' i tıklatın.
Veri varlığı > bank-payload.csvseçeneklerini belirleyin.
Doğrula düğmesini tıklatın.
Veri seç ekranında Çıkış dosyasını belirtin:
Ekle'yi tıklatın.
Veri kaynağı seç' i tıklatın.
Yeni yarat sekmesinin seçildiğinden emin olun.
Adiçin
bank-output.csv
yazın.Doğrula düğmesini tıklatın.
Son adım için Next (İleri) düğmesini tıklatın.
Ayarları gözden geçirin ve işi hemen çalıştırmak için Oluştur ve çalıştır ' ı tıklatın.
İlerlemenizi denetleyin
Aşağıdaki resimde toplu konuşlandırmaya ilişkin iş ayrıntıları gösterilmektedir.
Görev 5d: Çıktının görüntülenmesi
Bu görevi önizlemek için 08:42adresinden başlayan videoyu izleyin.
Toplu işteki çıkış dosyasını gözden geçirmek için aşağıdaki adımları izleyin.
Durumu görmek için iş adını tıklatın.
Durum Tamamlandıolarak değiştiğinde, dolaşma izinde konuşlandırma alanı adınızı tıklatın.
Varlıklar sekmesini tıklatın.
Toplu işleme için gönderilen müşteri bilgilerine ilişkin öngörü sonuçlarını gözden geçirmek için bank-output.csv dosyasını tıklatın. Her vaka için, bu müşterilerin geri döndürdüğü öngörü, banka promosyonuna abone olma olasılığının düşük olduğu bir durumdur.
İlerlemenizi denetleyin
Aşağıdaki resimde toplu iş devreye alma işinin sonuçları gösterilmektedir.
Başa dön
Sonraki adımlar
Artık daha fazla analiz için bu veri kümesini kullanabilirsiniz. Örneğin, siz ya da diğer kullanıcılar aşağıdaki görevlerden herhangi birini gerçekleştirebilirsiniz:
Ek kaynaklar
AutoAIkullanarak modeller oluşturma konusunda daha fazla uygulamalı deneyim elde etmek için bu ek öğretici programları deneyin:
Model oluşturmak için aşağıdaki diğer yöntemleri deneyin:
AutoAI için daha fazla video görüntüleyin
Galeri ' de uygulamalı deneyim oluşturma modelleri elde etmek için örnek veri kümelerini bulun
Üst konu: Hızlı başlangıç eğitmenleri