Watson Machine Learning Python 用戶端範例及範例
檢閱並使用範例 Jupyter Notebook ，這些 Notebook 使用 Watson Machine Learning Python 程式庫來示範機器學習特性及技術。 每一個記事本都會列出學習目標，因此您可以找到最符合您目標的目標。
範例是使用 Watson Machine Learning Python 用戶端程式庫的 V4 版本所建置。
視訊免責聲明: 此頁面上視訊中的部分次要步驟和圖形元素可能與您的部署不同。
觀看此視訊，以瞭解如何在 Jupyter Notebook 中訓練、部署及測試機器學習模型。 此視訊鏡映在 部署範例 表格中找到的 使用 scikit-learn 來辨識手寫數字 。
此視訊提供視覺化方法，以瞭解本文件中的概念及作業。
觀看此視訊，以瞭解如何在 Jupyter Notebook 中使用 Watson Machine Learning API 來測試使用 AutoAI 建立的模型。
此視訊提供視覺化方法，以瞭解本文件中的概念及作業。
有用變數
預先定義的 PROJECT_ID 環境變數可讓您更容易呼叫 Watson Machine Learning Python 用戶端 API。 PROJECT_ID 是環境執行所在之專案的 GUID。
部署範例
檢視或執行這些 Jupyter Notebook ，以查看如何使用各種架構來實作技術。 部分範例依賴於訓練模型，您也可以從公用儲存庫下載這些模型。
| 範例名稱 | 架構 | 示範的技術 |
|---|---|---|
| 使用 scikit-learn 及自訂程式庫預測溫度 | Scikit-learn | 使用自訂定義的轉換器來訓練模型 在 Watson Machine Learning 儲存庫中持續保存自訂定義的轉換器和模型 使用 Watson Machine Learning Service部署模型 使用已部署的模型執行預測 |
| 使用 PMML 預測鳶尾物種 | PMML | 部署 PMML 模型並加以評分 |
| 使用 Python 函數辨識手寫數字 | Python | 使用函數儲存範例模型，然後進行部署 |
| 使用 scikit-learn 辨識手寫數字 | Scikit-learn | 訓練 sklearn 模型 在 Watson Machine Learning 儲存庫中持續保存訓練模型 部署模型以使用用戶端程式庫進行線上評分 使用用戶端程式庫對範例記錄進行評分 |
| 使用 Spark 及批次部署預測客戶流失 | Spark | 將 CSV 檔案載入至 Apache Spark DataFrame 探索資料 準備資料以進行訓練和評估 建立 Apache Spark 機器學習管線 訓練並評估模型 在 Watson Machine Learning 儲存庫 使用 ploly 套件探索並視覺化預測結果 使用 Watson Machine Learning API 部署用於批次評分的模型 |
| 使用 Spark 及 Python 預測信用風險 | Spark | 將 CSV 檔案載入至 Apache® Spark DataFrame 探索資料 準備資料以訓練和評估 從 tar.gz 檔案在 Watson Machine Learning 儲存庫中持續保存管線和模型 使用 Watson Machine Learning API 部署模型以進行線上評分 使用 Watson Machine Learning 對範例評分資料進行評分 API 使用 ploly 套件來探索並視覺化預測結果 |
| 使用 SPSS 預測客戶流失 | SPSS | 使用實例 執行 SPSS 模型的線上部署 使用已部署模型來評分資料 |
| 使用 XGBoost 將腫瘤分類 | XGBoost | 將 CSV 檔載入至 numpy 陣列 探索資料 準備資料以進行訓練及評估 建立 XGBoost 機器學習模型 訓練並評估模型 使用交叉驗證來最佳化模型的超參數 在 Watson Machine Learning 儲存庫中持續保存模型 部署模型以進行線上評分 評分範例資料 |
| 預測小轎車生意 | Spark | 下載具有資料集的外部訓練 Keras 模型。 在 Watson Machine Learning 儲存庫中持續保存外部模型。 部署模型以使用用戶端程式庫進行線上評分。 使用用戶端程式庫對範例記錄進行評分。 |
| 為軟體規格部署 Python 函數 | 擴充 | 建立 Python 函數 建立 Web 服務 對模型評分 |
| Machine Learning 構件管理 | 擴充 | 匯出及匯入構件 載入、部署及評分外部建立的模型 |
| 使用 Decision Optimization 來規劃您的飲食 | 擴充 | 使用 Decision Optimization 來建立飲食規劃模型 |
| 搭配使用 SPSS 與批次部署與 DB2 ，以預測客戶流失 | SPSS | 將 CSV 檔載入至 Apache Spark DataFrame 探索資料 準備資料以進行訓練及評估 從 tar.gz 檔案在 Watson Machine Learning 儲存庫中持續保存管線及模型 使用 Watson Machine Learning API 部署模型以進行線上評分 使用 Watson Machine Learning 評分資料評分範例 API 使用 ploly 套件來探索並視覺化預測結果 |
| 使用 scikit-learn 和 AI 生命週期功能來預測波士頓房價 | Scikit-learn | 從 scikit-learn 探索資料 準備資料以進行訓練和評估 建立 scikit-learn 管線 訓練並評估模型 將模型儲存在 Watson Machine Learning 儲存庫中 部署具有 AutoAI 生命週期功能的模型 |
| 使用 Scikit-learn 進行模型監視的德國信用風險預測 | Scikit-learn | 使用監視來訓練、建立及部署信用風險預測模型 |
| 監視德國信用風險模型 | Scikit-learn | 使用 IBM Watson OpenScale 功能來訓練、建立及部署信用風險預測模型 |
AutoAI 範例
檢視或執行這些 Jupyter Notebook，以瞭解如何實作 AutoAI 模型技術。
| 範例名稱 | 架構 | 示範的技術 |
|---|---|---|
| 使用 AutoAI 及 Lale 預測信用風險 | 使用 Lale 混合 (AutoAI) | 使用 Watson Machine Learning 實驗來訓練 AutoAI 模型 比較訓練模型品質並選取最佳模型以進一步精簡 精簡最佳模型並測試新變異 部署訓練模型並對其進行評分 |
| 使用 AutoAI 來預測信用風險 | 混合式 (AutoAI) | 使用 Watson Machine Learning 實驗來訓練 AutoAI 模型 比較訓練模型品質並選取最佳模型以進一步精簡 精簡最佳模型並測試新變異 部署訓練模型並對其進行評分 |
上層主題: 在 Notebook 中訓練及部署機器學習模型