快速入門: 在 Jupyter Notebook 中建置及部署機器學習模型

您可以在 Jupyter Notebook 中使用 Watson Machine Learning 來建立、訓練及部署機器學習模型。閱讀 Jupyter Notebook 的相關資訊，然後觀看視訊並採取適合中間使用者且需要編碼的指導教學。

需要的服務: Watson Studio; Watson Machine Learning

您的基本工作流程包括下列作業：

開啟沙盤推演專案。專案是您可以與其他人協同作業以使用資料的地方。
將記事本新增至專案。您可以建立空白 Notebook ，或從檔案或 GitHub 儲存庫匯入 Notebook。
新增程式碼並執行 Notebook。
檢閱模型管線，並將所需的管線儲存為模型。
部署並測試模型。

閱讀 Jupyter Notebook 的相關資訊

Jupyter Notebook 是一個可用於互動式計算的 Web 型環境。如果您選擇在 Notebook 中建置機器學習模型，您應該熟練掌握在 Jupyter Notebook 中撰寫程式碼的方法。您可以執行處理資料的一小段程式碼，然後立即檢視計算結果。使用此工具，您可以組合、測試及執行您使用資料所需的所有建置區塊，將資料儲存至 Watson Machine Learning，並部署模型。

閱讀 Notebook 中訓練模型的相關資訊

瞭解建置模型的其他方式

觀看影片 ...

觀賞影片觀看此視訊以預覽本指導教學中的步驟。視訊中顯示的使用者介面可能略有不同。此視訊預期成為書面指導教學的隨附。

此視訊提供視覺化方法，以瞭解本文件中的概念及作業。

觀看在 Jupyter Notebook 中建立模型的相關視訊

觀賞影片觀看此視訊，以瞭解如何在 Jupyter Notebook 中訓練、部署及測試機器學習模型。

此視訊提供視覺化方法，以瞭解本文件中的概念及作業。

嘗試指導教學以在 Jupyter Notebook 中建立模型

在本指導教學中，您將完成下列作業:

作業 1: 開啟專案。
作業 2: 將 Notebook 新增至專案。
作業 3: 設定環境。
作業 4: 執行記事本:
- 建置並訓練模型。
- 將管線儲存為模型。
- 部署模型。
- 測試已部署的模型。
作業 5: 檢視及測試部署空間中的已部署模型。
(選用) 清除。

本指導教學大約需要 30 分鐘才能完成。

取樣資料

本指導教學中使用的範例資料來自屬於 scikit-learn 的資料，將用來訓練模型以辨識手寫數字 (從 0-9) 的影像。

使用影片照片中的圖片

提示: 開始視訊，然後當您捲動指導教學時，視訊會移至畫中畫模式。關閉視訊目錄，以取得圖片中的最佳體驗。您可以使用 picture-in-picture 模式，以便在完成本指導教學中的作業時可以遵循視訊。按一下要遵循之每一項作業的時間戳記。

下列動畫影像顯示如何使用視訊圖片中的 picture-picture 及目錄功能:

在社群中取得協助

如果您需要本指導教學的協助，可以在 Cloud Pak for Data 社群討論區中提出問題或尋找答案。

設定瀏覽器視窗

為了取得完成本指導教學的最佳體驗，請在一個瀏覽器視窗中開啟 Cloud Pak for Data ，並在另一個瀏覽器視窗中保持開啟本指導教學頁面，以輕鬆在兩個應用程式之間切換。請考量並列排列兩個瀏覽器視窗，以便更容易遵循。

提示: 如果您在使用者介面中完成本指導教學時遇到引導式導覽，請按一下 稍後可能。

回到頂端

您需要專案來儲存資料及 AutoAI 實驗。您可以使用沙盤推演專案或建立專案。
1. 從導覽功能表中，選擇 專案> 檢視所有專案
2. 開啟沙盤推演專案。如果您要使用新專案:
  1. 按一下新建專案。
  2. 選取建立空的專案。
  3. 輸入專案的名稱和選用說明。
  4. 選擇現有的 Object Storage 服務實例或者建立新的服務實例。
  5. 按一下建立。
3. 當專案開啟時，請按一下管理標籤，並選取 服務和整合 頁面。
  
  若要預覽此作業，請從 00:07開始觀看影片。
  1. 在 IBM 服務 標籤上，按一下 關聯服務。
  2. 選取 Watson Machine Learning 實例。如果您尚未佈建 Watson Machine Learning 服務實例，請遵循下列步驟:
    
    按一下 新建服務。
    
    選取 Watson Machine Learning。
    
    按一下建立。
    
    從清單中選取新的服務實例。
  3. 按一下 關聯服務。
  4. 必要的話，請按一下取消，以回到「 服務與整合 」頁面。
如需相關資訊或觀看視訊，請參閱建立專案。
如需相關聯服務的相關資訊，請參閱新增相關聯服務。

檢查您的進度

下列影像顯示新專案。
回到頂端

若要預覽此作業，請從 00:18開始觀看影片。

您將在本指導教學中使用範例 Notebook。請遵循下列步驟，將範例 Notebook 新增至您的專案:
1. 存取範例中的使用 sckit-learn 來辨識手寫數字記事本。
2. 按一下新增至專案。
3. 從清單中選取專案，然後按一下新增。
4. 驗證記事本名稱和說明 (選用)。
5. 選取此 Notebook 的執行時期環境。
6. 按一下建立。等待 Notebook 編輯器載入。
7. 從功能表中，按一下 核心> 重新啟動並清除輸出，然後按一下 重新啟動並清除所有輸出 以清除前次儲存執行的輸出進行確認。
檢查您的進度

下列影像顯示新的 Notebook。
回到頂端

若要預覽此作業，請從 00:44開始觀看影片。

Notebook 中的第一個區段透過指定 IBM Cloud 認證和 Watson Machine Learning 服務實例位置來設定環境。請遵循下列步驟，以在 Notebook 中設定環境:
1. 捲動至 設定環境 區段。
2. 選擇方法以取得 API 金鑰和位置。
  - 從命令提示字元執行 Notebook 中的 IBM Cloud CLI 指令。
  - 使用 IBM Cloud 主控台。
    
    啟動 IBM Cloud 主控台中的 API 金鑰區段和建立 API 金鑰。
    
    存取 IBM Cloud 資源清單，檢視 Watson Machine Learning 服務實例，並記下位置。
    
    如需正確的端點 URL ，請參閱 Watson Machine Learning API 文件。例如，達拉斯在美國南部。
3. 將 API 金鑰和位置貼到資料格 1。
4. 執行資料格 1 和 2。
5. 執行 Cell 3 以安裝 ibm-watson-machine-learning 套件。
6. 執行 Cell 4 以匯入 API 用戶端，並使用您的認證來建立 API 用戶端實例。
7. 執行 Cell 5 以查看所有現有部署空間的清單。如果您沒有部署空間，請遵循下列步驟:
  1. 使用 watsonx 部署開啟另一個標籤。
  2. 從導覽功能表中，按一下部署。
  3. 按一下新建部署空間。
  4. 新增部署的名稱及選用說明。
  5. 按一下建立，然後按一下 檢視新空間。
  6. 按一下管理標籤。
  7. 複製 空間 GUID 並關閉標籤，此值將是您的 space_id。
8. 複製適當的部署空間 ID 並貼到資料格 6 ，然後執行資料格 6 和資料格 7 以設定預設空間。
檢查您的進度

下列影像顯示已設定所有環境變數的 Notebook。
回到頂端

若要預覽此作業，請從 02:14開始觀看影片。

既然已設定所有環境變數，您可以在 Notebook 中執行其餘單元。請遵循下列步驟來閱讀註解、執行資料格，以及檢閱輸出:
1. 執行 探索資料 區段中的資料格。
2. 在 建立 scikit-learn 模型 區段中執行資料格。
  1. 透過將資料分割為三個資料集 (訓練、測試及評分) 來準備資料。
  2. 建立管線。
  3. 訓練模型。
  4. 使用測試資料來評估模型。
3. 執行 發佈模型 區段中的資料格，以發佈模型、取得模型詳細資料，以及取得所有模型。
4. 執行 建立模型部署 區段中的 Cell。
5. 執行 取得部署詳細資料 區段中的 Cell。
6. 執行評分區段 * 中的單元，該區段會將評分要求傳送至已部署模型並顯示預測。
7. 按一下 檔案> 儲存 ，以儲存記事本及其輸出。
檢查您的進度

下列影像顯示具有預測的 Notebook。
回到頂端

作業 5: 檢視並測試部署空間中的已部署模型

預覽指導教學影片若要預覽此作業，請從 04:07開始觀看影片。

您也可以直接從部署空間檢視模型部署。請遵循下列步驟來測試空間中的已部署模型。

從導覽功能表中，按一下部署。
按一下空間標籤。
從清單中選取適當的部署空間。
按一下 Scikit 模型。
按一下 部署 scikit 模型。
檢閱端點和 程式碼 Snippet。

按一下測試標籤。您可以貼上下列 JSON 程式碼來測試已部署的模型:

   {"input_data": [{"values": [[0.0, 0.0, 5.0, 16.0, 16.0, 3.0, 0.0, 0.0, 0.0, 0.0, 9.0, 16.0, 7.0, 0.0, 0.0, 0.0, 0.0, 0.0, 12.0, 15.0, 2.0, 0.0, 0.0, 0.0, 0.0, 1.0, 15.0, 16.0, 15.0, 4.0, 0.0, 0.0, 0.0, 0.0, 9.0, 13.0, 16.0, 9.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 14.0, 12.0, 0.0, 0.0, 0.0, 0.0, 5.0, 12.0, 16.0, 8.0, 0.0, 0.0, 0.0, 0.0, 3.0, 15.0, 15.0, 1.0, 0.0, 0.0], [0.0, 0.0, 6.0, 16.0, 12.0, 1.0, 0.0, 0.0, 0.0, 0.0, 5.0, 16.0, 13.0, 10.0, 0.0, 0.0, 0.0, 0.0, 0.0, 5.0, 5.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 8.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 13.0, 13.0, 0.0, 0.0, 0.0, 0.0, 0.0, 6.0, 16.0, 9.0, 4.0, 1.0, 0.0, 0.0, 3.0, 16.0, 16.0, 16.0, 16.0, 10.0, 0.0, 0.0, 5.0, 16.0, 11.0, 9.0, 6.0, 2.0]]}]}

按一下預測。產生的預測指出手寫數字是 5 和 4。

檢查您的進度

下列影像顯示具有預測的測試標籤。

回到頂端

如果您想要移除 Notebook 所建立的所有資產，請根據 Machine Learning 構件管理 Notebook來建立新的 Notebook。在本指導教學所使用 使用 scikit-learn 來辨識手寫數字記事本 的清除區段中，也提供此記事本的鏈結。

回到頂端

後續的步驟

現在，您可以使用此資料集進行進一步分析。例如，您或其他使用者可以執行下列任何作業：

其他資源

請嘗試下列其他方法來建置模型:
檢視更多視訊。
在「範例」中尋找範例資料集、專案、模型、提示及記事本，以獲得上機體驗:

記事本，您可以將其新增至專案，以開始分析資料及建置模型。

專案，您可以匯入包含 Notebook、資料集、提示及其他資產的專案。

您可以新增至專案以精簡、分析及建置模型的資料集。

提示，您可以在「提示實驗室」中用來提示基礎模型。

您可以在「提示實驗室」中使用的基礎模型。
尋找更多 Python 用戶端範例和範例。