watsonx.ai Runtime Python Client Beispiele und Beispiele

Prüfen und verwenden Sie Jupyter, die die watsonx.ai Runtime Python verwenden, um Funktionen und Techniken des maschinellen Lernens zu demonstrieren. Jedes Notebook listet Lernziele auf, sodass Sie das finden, das Ihren Zielen am besten entspricht.

Modelle aus Notebooks trainieren und bereitstellen

Wenn Sie ein Modell für maschinelles Lernen in einem Notebook erstellen möchten, müssen Sie mit der Codierung in einem Jupyter Notebookvertraut sein. Ein Jupyter-Notebook ist eine webbasierte Umgebung für den Dialogbetrieb. Sie können kleine Codeteile ausführen, die Ihre Daten verarbeiten, und dann sofort die Ergebnisse Ihrer Berechnung anzeigen. Mit diesem Tool können Sie alle Bausteine, die Sie für die Arbeit mit Daten benötigen, zusammenstellen, testen und ausführen, die Daten in watsonx.ai Runtime speichern und das Modell bereitstellen.

Aus Beispielnotebooks lernen

Es gibt viele Möglichkeiten, Modelle zu erstellen und zu trainieren und anschließend bereitzustellen. Daher ist es am besten, sich annotierte Beispiele anzusehen, die Sie durch den Prozess führen, indem Sie verschiedene Frameworks verwenden. Sehen Sie sich repräsentative Beispiele an, die Schlüsselfunktionen veranschaulichen.

Die Beispiele wurden unter Verwendung der V4 der watsonx.ai Python erstellt.

In diesem Video erfahren Sie, wie Sie ein Modell für maschinelles Lernen in einem Jupyter-Notebook trainieren, bereitstellen und testen. Dieses Video spiegelt die Verwendung von scikit-learn zum Erkennen handschriftlicher Ziffern in der Tabelle Bereitstellungsbeispiele .

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.

In diesem Video erfahren Sie, wie Sie ein mit AutoAI erstelltes Modell mit Hilfe der watsonx.ai Runtime APIs in Jupyter Notebook testen können.

Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.

Hilfreiche Variablen

Verwenden Sie die vordefinierte Umgebungsvariable PROJECT_ID , um die Python -Client-APIs von watsonx.ai aufzurufen. PROJECT_ID ist der Leitfaden für das Projekt, in dem Ihre Umgebung ausgeführt wird.

Musterbeispiele für Bereitstellungen

Sehen Sie sich diese Jupyter an oder führen Sie sie aus, um zu sehen, wie die Techniken mit verschiedenen Frameworks implementiert werden. Einige der Musterbeispiele stützen sich auf trainierte Modelle, die auch für Sie aus dem öffentlichen Repository heruntergeladen werden können.

Wichtig:

Die API-Aufrufe zum Erstellen und Verwalten von Bereitstellungen geben derzeit doppelte Felder in den Objektfeldern entity und metadata zurück. Dieses Verhalten ist jetzt veraltet. Ab dem 5. August 2025 werden diese Felder nicht mehr in das Feld des Entitätsobjekts aufgenommen, das für die Aufrufe GET, GET ALL, CREATE und PATCH API zurückgegeben wird:

  • name
  • space_id
  • project_id
  • tags
  • description

Um Unterbrechungen zu vermeiden, müssen Sie Ihren Code aktualisieren, der derzeit bereitstellungsbezogene API-Antworten verarbeitet. Zum Beispiel, wenn dies Ihr Code ist:

data = response.json()
name = data["entity"]["name"]

müssen Sie es auf diese Weise aktualisieren:

data = response.json()
name = data["metadata"]["name"]

Hinweis:

Sie können auf die Ressourcendrehscheibe zugreifen, indem Sie im Hauptnavigationsmenü Ressourcendrehscheibe wählen.

Beispielnotebooks
Name des Musterbeispiels Framework Dokumentierte Verfahren
Verwendung von Scikit-Learn und einer benutzerdefinierten Bibliothek zur Vorhersage der Temperatur Scikit-learn Trainieren eines Modells mit einem benutzerdefinierten Transformer
Persistieren des benutzerdefinierten Transformers und des Modells im watsonx.ai Runtime Repository
Bereitstellen des Modells mit dem watsonx.ai Runtime Service
Durchführen von Vorhersagen mit dem bereitgestellten Modell
PMML zur Vorhersage von Irisarten verwenden PMML PMML-Modell bereitstellen und bewerten
Verwenden Sie die Funktion Python, um handgeschriebene Ziffern zu erkennen Python Verwenden Sie eine Funktion zum Speichern eines Beispielmodells und stellen Sie dann das Beispielmodell bereit.
Verwenden Sie scikit-learn, um handgeschriebene Ziffern zu erkennen Scikit-learn Trainieren des Sklearn-Modells
Persistieren des trainierten Modells im watsonx.ai Runtime Repository
Bereitstellen des Modells für Online-Scoring mit Hilfe der Client-Bibliothek
Bewerten von Beispieldaten mit Hilfe der Client-Bibliothek
Verwendung von Spark und Batch-Bereitstellung zur Vorhersage der Kundenabwanderung Spark Laden einer CSV-Datei in einen Apache Spark DataFrame
Untersuchen von Daten
Vorbereiten von Daten für Training und Auswertung
Erstellen einer Apache Spark für maschinelles Lernen
Trainieren und Auswerten eines Modells
Persistieren einer Pipeline und eines Modells im watsonx.ai Runtime-Repository
Untersuchen und Visualisieren von Vorhersageergebnissen mithilfe des Plotly-Pakets
Bereitstellen eines Modells für Batch-Scoring mithilfe der watsonx.ai Runtime-API
Verwendung von Spark und Python zur Vorhersage des Kreditrisikos Spark Laden einer CSV-Datei in einen Apache® Spark DataFrame
Untersuchen von Daten
Vorbereiten von Daten für Training und Auswertung
Persistieren einer Pipeline und eines Modells im watsonx.ai Runtime Repository aus tar.gz
Bereitstellen eines Modells für Online-Scoring mithilfe der watsonx.ai Runtime API
Bewerten von Beispieldaten mithilfe der watsonx.ai Runtime API
Untersuchen und Visualisieren von Vorhersageergebnissen mithilfe des Plotly-Pakets
Verwenden Sie SPSS, um die Kundenabwanderung vorherzusagen SPSS Arbeiten Sie mit der Instanz
Führen Sie eine Online-Bereitstellung des SPSS -Modells aus
. Scoren Sie Daten mithilfe des bereitgestellten Modells.
Verwendung von XGBoost zur Klassifizierung von Tumoren XGBoost Laden einer CSV-Datei in ein Numpy-Array
Erkunden von Daten
Vorbereiten von Daten für Training und Auswertung
Erstellen eines XGBoost-Modells für maschinelles Lernen
Trainieren und Auswerten eines Modells
Verwenden von Kreuzvalidierung zur Optimierung der Hyperparameter des Modells
Persistieren eines Modells im watsonx.ai Runtime Repository
Bereitstellen eines Modells für Online-Scoring
Auswerten von Beispieldaten
Geschäft für Autos vorhersagen Spark Laden Sie ein extern trainiertes Keras mit Datensatz herunter.
Persistieren eines externen Modells im watsonx.ai Runtime Repository.
Bereitstellen eines Modells für Online-Scoring unter Verwendung der Client-Bibliothek.
Bewerten Sie Beispieldatensätze mit Hilfe der Client-Bibliothek.
Bereitstellung der Funktion Python für die Software-Spezifikation Core Python-Funktion erstellen
Web-Service erstellen
Modell bewerten
Machine Learning artefaktmanagement Core Artefakte exportieren und importieren
extern erstellte Modelle laden, bereitstellen und bewerten
Verwenden Sie Decision Optimization, um Ihre Ernährung zu planen Core Mithilfe von Decision Optimization ein Diätplanungsmodell erstellen
Nutzen Sie SPSS und die Batch-Bereitstellung mit Db2, um die Kundenabwanderung vorherzusagen SPSS Laden einer CSV-Datei in einen Apache Spark DataFrame
Untersuchen von Daten
Vorbereiten von Daten für Training und Auswertung
Persistieren einer Pipeline und eines Modells im watsonx.ai Runtime Repository aus tar.gz
Bereitstellen eines Modells für Online-Scoring unter Verwendung der watsonx.ai Runtime API
Bewerten von Beispieldaten unter Verwendung der watsonx.ai Runtime API
Untersuchen und Visualisieren von Vorhersageergebnissen unter Verwendung des Plotly-Pakets
Verwendung von Scikit-Learn und KI-Lebenszyklusfunktionen zur Vorhersage der kalifornischen Hauspreise mit ibm- watsonx -ai Scikit-learn Herunterladen eines extern trainierten Scikit-Learn-Modells mit Datensatz
Persistieren eines externen Modells in watsonx.ai Laufzeit-Repository
Bereitstellen des Modells für Online-Scoring mithilfe der Client-Bibliothek
Bewerten von Beispieldatensätzen mithilfe der Client-Bibliothek
Aktualisieren des zuvor persistierten Modells
Erneutes Bereitstellen des Modells an Ort und Stelle
Skalieren der Bereitstellung
Deutsche Kreditrisikovorhersage mit Scikit-learn zur Modellüberwachung Scikit-learn Vorhersagemodell zu Kreditrisiken mit Überwachung trainieren, erstellen und bereitstellen
Überwachung des deutschen Kreditrisikomodells Scikit-learn Vorhersagemodell zu Kreditrisiken mit Funktionen von IBM Watson OpenScale trainieren, erstellen und bereitstellen
Konvertierung des neuronalen Netzes ONNX von festen Achsen in dynamische Achsen und Verwendung mit ibm- watsonx -ai ONNX Einrichten der Umgebung '
Erstellen und Exportieren des ONNX-Basismodells '
Konvertieren des Modells von festen Achsen in dynamische Achsen '
Persistieren des konvertierten ONNX-Modells '
Einsetzen und Bewerten des ONNX-Modells '
Aufräumen '
Zusammenfassung und nächste Schritte
Verwenden Sie das ONNX-Modell, das von PyTorch mit ibm- watsonx -ai konvertiert wurde ONNX PyTorch mit Datensatz erstellen.
Konvertierung des PyTorch in das ONNX-Format '
Persistieren des konvertierten Modells im Watson Machine Learning Repository.
Einsatz des Modells für die Online-Bewertung unter Verwendung der Client-Bibliothek.
Beispieldatensätze mithilfe der Clientbibiliothek bewerten.
Verwenden Sie das von TensorFlow konvertierte ONNX-Modell, um handgeschriebene Ziffern mit ibm- watsonx -ai zu erkennen ONNX Laden Sie ein extern trainiertes TensorFlow mit Datensatz herunter.
Konvertiert das TensorFlow in das ONNX-Format '
Persistiert das konvertierte Modell im Watson Machine Learning Repository.
Einsatz des Modells für die Online-Bewertung unter Verwendung der Client-Bibliothek.
Beispieldatensätze mithilfe der Clientbibiliothek bewerten.

AutoAI-Musterbeispiel

Zeigen Sie diese Jupyter-Notebooks an oder führen Sie sie aus, um zu erfahren, wie AutoAI-Modellverfahren implementiert werden.

Hinweis:

Sie können auf die Ressourcendrehscheibe zugreifen, indem Sie im Hauptnavigationsmenü Ressourcendrehscheibe wählen.

Beispielnotebooks
Name des Musterbeispiels Framework Dokumentierte Verfahren
AutoAI und Lale zur Vorhersage des Kreditrisikos verwenden Hybrid (AutoAI) mit Lale Arbeiten mit watsonx.ai Laufzeitexperimenten, um AutoAI zu trainieren '
Vergleichen Sie die Qualität der trainierten Modelle und wählen Sie das beste Modell zur weiteren Verfeinerung aus '
Verfeinern Sie das beste Modell und testen Sie neue Varianten '
Setzen Sie das trainierte Modell ein und bewerten Sie es
Verwendung von AutoAI zur Vorhersage des Kreditrisikos Hybrid (AutoAI) Arbeiten mit watsonx.ai Laufzeitexperimenten, um AutoAI zu trainieren '
Vergleichen Sie die Qualität der trainierten Modelle und wählen Sie das beste Modell zur weiteren Verfeinerung aus '
Verfeinern Sie das beste Modell und testen Sie neue Varianten '
Setzen Sie das trainierte Modell ein und bewerten Sie es

Weitere Beispiele

Wie Sie ein Modell mit dem watsonx.ai Runtime API Client testen können, erfahren Sie unter Testen des Modells mit dem API Client.

Weitere Informationsquellen

Über den Ressourcenhub können Sie eine Reihe von branchenspezifischen End-to-End-Akzeleratoren überprüfen oder ausführen, die eine Reihe von Services und Lösungen veranschaulichen. Weitere Informationen finden Sie unter branchenspezifische Akzeleratoren.

Nächste Schritte

Übergeordnetes Thema: Vorhersagebereitstellungen verwalten