amostras e exemplos de clientes Python em tempo de execução watsonx.ai

Analise e use exemplos de Jupyter Notebooks que usam a biblioteca Python de tempo de execução watsonx.ai para demonstrar recursos e técnicas de aprendizado de máquina. Cada notebook lista metas de aprendizado para que você encontre o que melhor atende aos seus objetivos.

Treinando e implementando modelos de blocos de notas

Se você optar por construir um modelo de aprendizado de máquina em um bloco de notas, deverá estar confortável com a codificação em um Jupyter Notebook. Um notebook do Jupyter é um ambiente baseado na web para computação interativa. É possível executar pequenos pedaços de código que processam seus dados e, em seguida, visualizar imediatamente os resultados do seu cálculo. Com essa ferramenta, você pode montar, testar e executar todos os blocos de construção necessários para trabalhar com dados, salvar os dados no watsonx.ai Runtime e implantar o modelo.

Aprender por meio de blocos de notas de amostra

Existem muitas maneiras de construir e treinar modelos e, em seguida, implementá-los: Portanto, a melhor maneira de aprender é observar amostras anotadas que o guiem pelo processo usando diferentes estruturas. Revise amostras representativas que demonstram os principais recursos.

As amostras são criadas usando a versão V4 da biblioteca do clientePython watsonx.ai.

Assista a este vídeo para aprender a treinar, implementar e testar um modelo de aprendizado de máquina em um notebook Jupyter. Este vídeo espelha o Use scikit-learn para reconhecer dígitos escritos à mão localizados na tabela Amostras de implementação

Este vídeo fornece um método visual para aprender os conceitos e tarefas nesta documentação.

Assista a este vídeo para saber como testar um modelo que foi criado com o AutoAI usando as APIs de tempo de execução do watsonx.ai no Jupyter Notebook.

Este vídeo fornece um método visual para aprender os conceitos e tarefas nesta documentação.

Variáveis úteis

Use a variável de ambiente PROJECT_ID predefinida para chamar as APIs do cliente watsonx.ai Python . PROJECT_ID é o guia do projeto no qual o seu ambiente está em execução

Amostras de implementação

Visualize ou execute esses Jupyter Notebooks para ver como as técnicas são implementadas usando várias estruturas. Algumas das amostras contam com modelos treinados, que também estão disponíveis para você fazer download no repositório público.

Importante: Se sua conta estiver na região de Dallas- IBM Cloud, você pode clicar no link. Caso contrário, procure o nome do modelo no Centro de Recursos. Este exemplo pode não estar disponível em todas as regiões ou plataformas de nuvem. A amostra pode não estar disponível em todas as regiões ou plataformas de nuvem.
Nota:

Você pode acessar o hub de recursos selecionando Hub de recursos no menu de navegação principal.

Blocos de notas de
Nome da amostra Estrutura Técnicas demonstradas
Use o scikit-learn e biblioteca customizada para predizer temperatura Scikit-learn Treine um modelo com um transformador personalizado definido
Persista o transformador personalizado definido e o modelo no repositório watsonx.ai Runtime
Implemente o modelo usando o serviço watsonx.ai Runtime
Realize previsões que usem o modelo implantado
Use PMML para prever espécies iris PMML Implementar e pontuar um modelo PMML
Use a função Python para reconhecer dígitos escritos à mão Python Use uma função para armazenar um modelo de amostra e, em seguida, implementar o modelo de amostra.
Use o scikit-learn para reconhecer dígitos escritos à mão Scikit-learn Treinar o modelo sklearn
Persistir o modelo treinado no repositório de tempo de execução watsonx.ai
Implantar o modelo para pontuação on-line usando a biblioteca do cliente
Pontuar registros de amostra usando a biblioteca do cliente
Use Spark e a implementação de lote para predizer a desistência do cliente Spark Carregar um arquivo CSV em um DataFrame do Apache Spark Explorar
os dadosPreparar
os dados para treinamento e
avaliaçãoCriar um pipeline de aprendizado de máquina do Apache Spark
Treinar e avaliar um
modeloSalvar um pipeline e um modelo no repositório do watsonx.ai
RuntimeExplorar e visualizar os resultados da previsão usando o pacote
plotlyImplantar um modelo para pontuação em lote usando a API do watsonx.ai Runtime
Use Spark e Python para predizer o Risco de Crédito Spark Carregar um arquivo CSV em um DataFrame do Apache® Spark Explorar
os dadosPreparar
os dados para treinamento e
avaliaçãoSalvar um pipeline e um modelo no repositório do watsonx.ai Runtime a partir de arquivos
tar.gz Implantar um modelo para classificação online usando as APIs do
watsonx.ai RuntimeClassificar dados de amostra usando a API
do watsonx.ai RuntimeExplorar e visualizar os resultados da previsão usando o pacote plotly
Use SPSS para predizer a desistência do cliente SPSS Trabalhe com a instância
Executar uma implementação on-line dos dados de Pontuação do modelo SPSS
usando o modelo implementado
Use XGBoost para classificar tumores XGBoost Carregar um arquivo ` CSV ` em uma matriz numpyExplorar
os dadosPreparar
os dados para treinamento e
avaliaçãoCriar um modelo de
aprendizado de máquina XGBoostTreinar e avaliar um
modeloUsar validação cruzada para otimizar os hiperparâmetros do
modeloSalvar um modelo no repositório do Runtime d watsonx.ai
Implantar um modelo para classificação
onlineClassificar dados de amostra
Predizer negócios para carros Spark Faça download de um modelo Keras treinado externamente com conjunto de dados.
Persiste um modelo externo no repositório de tempo de execução watsonx.ai.
Implante um modelo para pontuação on-line usando a biblioteca do cliente.
Pontue registros de amostra usando a biblioteca do cliente.
Implementar a função Python para especificação de software Núcleo Criar uma função Python
Criar um serviço da web
Pontuar o model
Gerenciamento de artefato de aprendizado de máquina Núcleo Exportar e importar artefatos
Carregar, implementar e pontuar modelos criados externamente
Use Decision Optimization para planejar sua dieta Núcleo Crie um modelo de planejamento de dieta usando Decision Optimization
Use SPSS e implementação em lote com DB2 para prever a perda de clientes SPSS Carregar um arquivo CSV em um DataFrame do Apache Spark Explorar
os dadosPreparar
os dados para treinamento e
avaliaçãoSalvar um pipeline e um modelo no repositório do watsonx.ai Runtime a partir de arquivos
tar.gz Implantar um modelo para classificação online usando as APIs do
watsonx.ai RuntimeClassificar dados de amostra usando a API
do watsonx.ai RuntimeExplorar e visualizar os resultados da previsão usando o pacote plotly
Use o scikit-learn e os recursos de ciclo de vida de IA para prever os preços das casas na Califórnia com o ibm- watsonx -ai Scikit-learn Faça o download de um modelo scikit-learn treinado externamente com conjunto de dados
Persista um modelo externo no repositório de tempo de execução watsonx.ai
Implante o modelo para pontuação on-line usando a biblioteca do cliente
Pontue registros de amostra usando a biblioteca do cliente
Atualize o modelo persistido anteriormente
Reimplante o modelo no local
Dimensione a implantação
Previsão de risco de crédito alemão com o Scikit-learn por monitoramento de modelo Scikit-learn Treinar, criar e implementar um modelo de predição de risco de crédito com monitoramento
Modelo de risco de crédito alemão Scikit-learn Treinar, criar e implementar um modelo de predição de risco de crédito com recursos do IBM Watson OpenScale
Converta a rede neural ONNX de eixos fixos para eixos dinâmicos e use-a com o ibm- watsonx -ai ONNX Configurar o ambiente '
Criar e exportar o modelo ONNX básico '
' Converter o modelo de eixos fixos para eixos dinâmicos '
Persistir o modelo ONNX convertido '
Implantar e pontuar o modelo ONNX '
Limpar '
Resumo e próximas etapas
Use o modelo ONNX convertido de PyTorch com ibm- watsonx -ai ONNX Criar modelo PyTorch com conjunto de dados.
Converta o modelo PyTorch para o formato ONNX '
Persista o modelo convertido no repositório Watson Machine Learning.
Implantar modelo para pontuação on-line usando a biblioteca do cliente.
Pontue registros de amostra usando a biblioteca do cliente.
Use o modelo ONNX convertido de TensorFlow para reconhecer dígitos escritos à mão com ibm- watsonx -ai ONNX Faça o download de um modelo TensorFlow treinado externamente com conjunto de dados.
Converta o modelo TensorFlow para o formato ONNX '
Persista o modelo convertido no repositório Watson Machine Learning.
Implantar modelo para pontuação on-line usando a biblioteca do cliente.
Pontue registros de amostra usando a biblioteca do cliente.

Amostras de AutoAI

Visualize ou execute esses blocos de notas do Jupyter para ver como as técnicas do modelo AutoAI são implementadas.

Nota:

Você pode acessar o hub de recursos selecionando Hub de recursos no menu de navegação principal.

Blocos de notas de
Nome da amostra Estrutura Técnicas demonstradas
Use AutoAI e Lale para prever o risco de crédito Híbrido (AutoAI) com Lale Trabalhe com os experimentos de tempo de execução do watsonx.ai para treinar modelos AutoAI '
Compare a qualidade dos modelos treinados e selecione o melhor para refinamento adicional '
Refine o melhor modelo e teste novas variações '
Implemente e pontue o modelo treinado
Use o site AutoAI para prever o risco de crédito Híbrido (AutoAI) Trabalhe com os experimentos de tempo de execução do watsonx.ai para treinar modelos AutoAI '
Compare a qualidade dos modelos treinados e selecione o melhor para refinamento adicional '
Refine o melhor modelo e teste novas variações '
Implemente e pontue o modelo treinado

Mais amostras

Para saber como testar um modelo usando o cliente da API do watsonx.ai Runtime, consulte Testar o modelo usando o cliente da API.

Mais recursos

No hub de Recursos, é possível revisar ou executar uma série de aceleradores de mercado de ponta a ponta que demonstram uma variedade de serviços e soluções. Para obter mais informações, consulte Aceleradores de mercado.

Próximas etapas