Watson Machine Learning Python 客户机样本和示例
查看并使用使用 Watson Machine Learning Python 库来演示机器学习功能和技术的样本 Notebook。
样本是使用 V4 版本的 Watson Machine Learning Python 客户机库构建的。
在 Notebook 中使用 Watson Machine Learning Python 客户机:
- 单击 添加到项目，然后选择 Notebook。
- 指定 Notebook 名称。
- 接受缺省语言 Python，然后接受缺省运行时。
- 单击创建。
- 输入您的凭证，然后导入 Watson Machine Learning API
观看此视频以了解如何在 Jupyter Notebook 中训练，部署和测试机器学习模型。 此视频镜像了下表中的 部署样本 中找到的 使用 scikit-learn 识别手写数字 。
除了遵循本文档中的书面步骤，您还可以观看此视频了解相关操作。
观看此视频以了解如何使用 Jupyter Notebook 中的 Watson Machine Learning API 来测试使用 AutoAI 创建的模型。
除了遵循本文档中的书面步骤，您还可以观看此视频了解相关操作。
在 Notebook 中使用变量
有几个预定义的环境变量使您能够更轻松地调用 Watson Machine Learning Python 客户机 API。
- USER_ACCESS_TOKEN：可用来在 WML API 调用中认证当前用户的访问令牌。
- PROJECT_ID：环境运行所在 Watson Studio 项目的 GUID。
部署样本
查看或运行以下 Jupyter Notebook 以查看方法是如何使用各种框架实现的。 一些样本依赖于经过训练的模型，这些模型也可供从公共存储库下载。
| 样本名称 | 框架 | 演示的方法 |
|---|---|---|
| 使用 scikit-learn 和定制库预测温度 | Scikit-learn | 使用定制定义的变换器训练模型 在 Watson Machine Learning 存储库中持久存储定制定义的变换器和模型 使用 Watson Machine Learning Service 使用已部署的模型执行预测 |
| 使用 Keras 识别手写数字 | Keras | 使用数据集下载外部训练的 Keras 模型 在 Watson Machine Learning 存储库中持久存储外部模型 部署使用客户机库进行联机评分的模型 使用客户机库进行评分样本记录 |
| 使用 PMML 预测鸢尾花物种 | PMML | 部署 PMML 模型并进行评分 |
| 持久存储和部署 Decision Optimization 模型 | Decision Optimization | 将 DO 模型文件装入 Watson Machine Learning 存储库 准备数据以进行训练和评估 创建 DO 机器学习作业 持久存储 DO 模型 Watson Machine Learning 存储库 部署模型以进行批处理评分 使用 Watson Machine Learning API |
| 使用 Python 函数识别手写数字 | Python | 使用函数存储样本模型，然后部署该模型 |
| 使用 scikit-learn 识别手写数字 | Scikit-learn | 训练 sklearn 模型 在 Watson Machine Learning 存储库中持久存储已训练的模型 部署模型以使用客户机库进行联机评分 使用客户机库进行评分样本记录 |
| 使用 Spark 和批量部署预测客户流失率 | Spark | 将 CSV 文件装入到 Apache Spark DataFrame Explore 数据中 准备数据以进行训练和评估 创建 Apache Spark 机器学习管道 训练和评估模型 在 Watson Machine Learning 存储库中持久存储管道和模型 Explore 和可视化预测结果，使用绘图包 部署模型以使用 Wastson 进行批处理评分 Machine Learning API |
| 使用 Spark 和 Python 预测信用风险 | Spark | 将 CSV 文件装入到 Apache® Spark DataFrame Explore 数据 准备用于训练和评估的数据 从 tar.gz 文件在 Watson Machine Learning 存储库中持久存储管道和模型 部署模型以使用联机评分 Watson Machine Learning API 使用 Watson Machine Learning API 对样本评分数据进行评分 探索，并使用绘图包将预测结果可视化 |
| 使用 Spark 预测产品线 | Spark | 将 CSV 文件装入到 Apache Spark DataFrame Explore 数据 准备用于训练和评估的数据 从 tar.gz 文件在 Watson Machine Learning 存储库中持久存储管道和模型 部署模型以使用 Watson Machine Learning API 使用 Watson Machine Learning API 对样本评分数据进行评分 探索，并使用绘图包将预测结果可视化 |
| 使用 SPSS 预测客户流失率 | SPSS | 使用实例 执行 SPSS 模型的联机部署 ，使用已部署的模型对数据进行评分 |
| 使用 Tensorflow 识别手写数字 | Tensorflow | 使用数据集下载外部训练的 Tensorflow 模型 在 Watson Machine Learning 存储库中持久存储外部模型 部署模型以使用客户机库进行联机评分 使用客户机库对样本记录进行评分 |
| 使用 XGBoost 对肿瘤进行分类 | XGBoost | 将 CSV 文件装入到 numpy 数组 浏览数据 准备数据以进行训练和评估 创建 XGBoost 机器学习模型 训练并评估模型 使用交叉验证来优化模型的超参数 在 Watson Machine Learning 存储库中持久存储模型 部署模型以进行联机评分 评分样本数据 |
| 预测汽车业务 | Hybrid(Tensorflow) | 设置 AI 定义 准备数据 使用 Tensorflow 部署 Keras 模型并对模型进行评分 定义，存储和部署 Python 函数 |
| 针对软件规范部署 Python 函数 | 核心 | 创建 Python 函数 创建 Web Service 对模型评分 |
| 机器学习工件管理 | 核心 | 导出和导入工件 装入，部署和评分外部创建的模型 |
| 使用 R Shiny 应用程序来创建 SIR 模型 | R | 将 R Shiny 应用程序持久存储在 Watson Machine Learning 资产存储库中。 部署应用程序以使用客户机库进行联机评分。 使用客户机库对样本记录进行评分。 |
深度学习样本
查看或运行以下 Jupyter Notebook 以查看深度学习模型方法是如何使用各种框架实现的。 一些样本依赖于经过训练的模型，这些模型也可供从公共存储库下载。
| 样本名称 | 框架 | 演示的方法 |
|---|---|---|
| 使用 PyTorch 识别手写数字 | PyTorch | 使用 Watson Machine Learning 服务 训练深度学习模型 (TensorFlow) 将训练的模型保存在 Watson Machine Learning 存储库中 执行联机部署并对训练的模型评分 |
| 使用 TensorFlow 识别手写数字 | TensorFlow | 使用 Watson Machine Learning 服务 训练深度学习模型 (TensorFlow) 在 Watson Machine Learning 存储库中保存训练的模型 执行联机部署并对训练的模型评分 |
AutoAI 样本
查看或运行以下 Jupyter Notebook 以查看 AutoAI 模型方法是如何实现的。
| 样本名称 | 框架 | 演示的方法 |
|---|---|---|
| 使用 AutoAI 和 Lale 预测信用风险 | 使用 Lale 的混合 (AutoAI) | 使用 Watson Machine Learning 实验来训练 AutoAI 模型 比较训练的模型质量并选择最佳模型以进行进一步优化 优化最佳模型并测试新变体 执行联机部署并对训练的模型进行评分 |
| 使用 AutoAI 来预测信用风险 | 混合 (AutoAI) | 使用 Watson Machine Learning 实验来训练 AutoAI 模型 比较训练的模型质量并选择最佳模型以进行进一步优化 优化最佳模型并测试新变体 执行联机部署并对训练的模型进行评分 |
| 使用 AutoAI 和多项数据来预测销售数量 | 混合 (AutoAI) | 使用 Watson Machine Learning 实验来使用多个数据源训练 AutoAI 模型 为多个数据集定义 Watson Machine Learning 实验 使用实验来训练 AutoAI 模型 比较已训练的模型质量并选择最佳模型以进行进一步部署 执行批处理部署并对已训练的模型进行评分 |