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.
As chamadas de API para criar e gerenciar implantações atualmente retornam campos duplicados nos campos de objeto entity e metadata . Esse comportamento está obsoleto. A partir de 5 de agosto de 2025, esses campos não serão incluídos no campo de objeto de entidade que é retornado para as chamadas GET, GET ALL, CREATE e PATCH API :
namespace_idproject_idtagsdescription
Para evitar interrupções, você deve atualizar seu código que atualmente lida com respostas de API relacionadas à implantação. Por exemplo, se este for seu código:
data = response.json()
name = data["entity"]["name"]
você deve atualizá-lo para isso:
data = response.json()
name = data["metadata"]["name"]
Você pode acessar o hub de recursos selecionando Hub de recursos no menu de navegação principal.
| Nome da amostra | Estrutura | Técnicas demonstradas |
|---|---|---|
| Use o scikit-learn e a biblioteca personalizada para prever a 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 de íris | 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 o Spark e a implantação em lote para prever a rotatividade de clientes | Spark | Carregue um arquivo CSV em um Apache Spark DataFrame Explore os dados Prepare os dados para treinamento e avaliação Crie um pipeline de aprendizado de máquina Apache Spark Treine e avalie um modelo Persista um pipeline e um modelo no repositório watsonx.ai Runtime Explore e visualize o resultado da previsão usando o pacote plotly Implante um modelo para pontuação em lote usando a API watsonx.ai Runtime |
| Use o Spark e o site Python para prever o risco de crédito | Spark | Carregar um arquivo CSV em um Apache® Spark DataFrame Explorar dados Preparar dados para treinamento e avaliação Persistir um pipeline e um modelo no repositório watsonx.ai Runtime a partir de arquivos tar.gz Implantar um modelo para pontuação on-line usando a API watsonx.ai Runtime Pontuar dados de amostra usando a API watsonx.ai Runtime Explorar e visualizar resultados de previsão usando o pacote plotly |
| Use o site SPSS para prever a rotatividade de clientes | SPSS | Trabalhe com a instância Executar uma implementação on-line dos dados de Pontuação do modelo SPSS usando o modelo implementado |
| Use o XGBoost para classificar os tumores | XGBoost | Carregar um arquivo CSV em uma matriz numpy Explorar dados Preparar dados para treinamento e avaliação Criar um modelo de aprendizado de máquina XGBoost Treinar e avaliar um modelo Usar validação cruzada para otimizar os hiperparâmetros do modelo Persistir um modelo no repositório de tempo de execução watsonx.ai Implantar um modelo para pontuação on-line Pontuar dados de amostra |
| Prever 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 |
| Machine Learning gerenciamento de artefatos | Núcleo | Exportar e importar artefatos Carregar, implementar e pontuar modelos criados externamente |
| Use o site Decision Optimization para planejar sua dieta | Núcleo | Crie um modelo de planejamento de dieta usando Decision Optimization |
| Use SPSS e a implantação em lote com Db2 para prever a rotatividade de clientes | SPSS | Carregar um arquivo CSV em um Apache Spark DataFrame Explorar dados Preparar dados para treinamento e avaliação Persistir um pipeline e um modelo no repositório watsonx.ai Runtime a partir de arquivos tar.gz Implantar um modelo para pontuação on-line usando a API watsonx.ai Runtime Pontuar dados de amostra usando a API watsonx.ai Runtime Explorar e visualizar resultados de 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 Scikit-learn para monitoramento de modelos | Scikit-learn | Treinar, criar e implementar um modelo de predição de risco de crédito com monitoramento |
| Monitorar o 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.
Você pode acessar o hub de recursos selecionando Hub de recursos no menu de navegação principal.
| 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
- Para saber mais sobre o uso de editores de bloco de notas, consulte Blocos de Notas
- Para saber mais sobre como trabalhar com blocos de notas, consulte Coding and running notebooks.
Tópico pai: Gerenciando implementações preditivas