Watson Machine Learning Python 客户机样本和示例
查看并使用样本 Jupyter Notebooks ，这些 Notebook 使用 Watson Machine Learning Python 库来演示机器学习功能和技术。 每个 Notebook 都列出了学习目标，以便您可以找到最符合您目标的学习目标。
从 Notebook 中训练和部署模型
如果选择在 Notebook 中构建机器学习模型，那么您必须熟悉 Jupyter Notebook中的编码。 Jupyter Notebook 是基于 Web 的交互式计算环境。 您可以运行处理数据的小部分代码，然后立即查看计算结果。 通过使用此工具，您可以组装，测试和运行处理数据，将数据保存到 Watson Machine Learning以及部署模型所需的所有构建块。
参考示例笔记本
存在许多方法来构建和训练模型，然后对其进行部署。 因此，学习的最佳方法是查看带注释的样本，这些样本通过使用不同的框架来指导您完成此过程。 查看演示关键功能的代表性样本。
这些示例是使用 watsonx.ai Python 客户端库的 V4 版本构建的。
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。 此视频反映了在 部署样本 表中找到的 使用 scikit-learn 识别手写数字 。
此视频提供了一种可视方法来学习本文档中的概念和任务。
有用变量
使用预定义的 PROJECT_ID 环境变量来调用 watsonx.ai Python 客户机 API。 PROJECT_ID 是运行环境的项目的指南。
部署示例
查看或运行这些 Jupyter Notebook ，以了解如何使用各种框架实现方法。 部分示例依赖于预训练模型，您也可以从公共代码库中下载这些模型。
| 样本名称 | 框架 | 演示的技术 |
|---|---|---|
| 使用 scikit-learn 和自定义库来预测温度 | 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 执行使用已部署模型的预测 |
| 使用scikit-learn和人工智能生命周期功能，通过ibm- watsonx -ai预测加州房价 | Scikit-learn | 下载外部训练的scikit-learn模型和数据集 将外部模型保存在 Watson Machine Learning 存储库中 使用客户端库部署模型进行在线评分 使用客户端库对样本记录进行评分 更新之前保存的模型 就地重新部署模型 扩展部署 |
| 使用 PMML 预测鸢尾花品种 | PMML | 部署并评估 PMML 模型 |
| 使用 Python 函数识别手写数字 | Python | 使用函数来存储样本模型，然后部署样本模型。 |
| 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 Python 预测信用风险 | Spark | 将 CSV 文件加载到 Apache® Spark 数据 框中探索 数据准备用于训练 和评估的数据将管道和模型从 tar.gz 文件 保存到 Watson Machine Learning 存储库中使用 Watson Machine Learning API 部署模型以进行在线评分使用 Watson Machine Learning API 对样本数据进行评分使用plotly包探索和可视化预测结果。 |
| 使用 SPSS 预测客户流失 | SPSS | 使用实例 使用已部署的模型执行 SPSS 模型的联机部署 评分数据 |
| 使用 XGBoost 对肿瘤进行分类 | XGBoost | 将 CSV 文件加载到numpy数组 中探索 数据准备用于训练和评估 的数据创建XGBoost机器学习模型 训练并评估模型 使用交叉验证优化模型的超 参数将模型保存到 Watson Machine Learning 仓库 中部署模型以进行在线评分 对样本数据进行评分 |
| 使用 Keras 可识别手写 digits.ipynb | Keras (Tensorflow) | 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。 使用客户机库部署用于联机评分的模型。 使用客户机库对样本记录进行评分。 |
| Machine Learning 工件管理 | 核心 | 导出和导入工件 加载、部署外部创建的模型并进行评分 |
| 使用 R Shiny 应用程序创建 SIR 模型 | R | 在 Watson Machine Learning asset repository 中持久化 R Shiny 应用程序。 使用客户端库部署在线评分应用程序。 使用客户端库评分样本记录。 |
使用 watsonx ，并 granite-4-h-small 将其作为AI服务运行 |
Python | 设置 创建 AI 服务 在本地 测试 AI 服务的功能 部署 AI 服务 执行 AI 服务的示例 总结 |
使用 watsonx 以及 meta-llama-3-1-8b 进行微调，并附有在线银行查询的注释 |
Python | 设置 数据加载 初始化实验 运行微调 微调详情 列出历史微调实验 部署微调后的模型 为测试流程 准备数据 在 watsonx.ai 上进行基础模型推理 部署基础模型 预测结果 对比 清理 总结与后续步骤 |
AutoAI 示例
查看或运行这些 Jupyter Notebook，了解 AutoAI 中的模型技术是如何实现的。
您可以通过在主导航菜单中选择 “资源中心 ”来访问该中心。
| 样本名称 | 框架 | 演示的技术 |
|---|---|---|
| 利用 AutoAI 和Lale模型预测信用风险 | 混合版（ AutoAI ）与 Lale | 使用 Watson Machine Learning 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优化 优化最佳模型并测试新变体 部署已训练的模型并对其评分 |
| 使用 AutoAI 的RAG和Chroma功能，围绕 IBM 创建一个图案 | 设置 RAG 优化器定义 RAG 实验运行 RAG 模式比较与测试 历史运行记录 清理 总结与后续步骤 |
|
| 使用 AutoAI RAG 和 Milvus 创建关于 IBM 的图案 | 设置 RAG 优化器定义 RAG 实验运行 RAG 模式比较与测试 历史运行记录 清理 总结与后续步骤 |
更多样本
从 GitHub 存储库 查看或下载样本 Notebook ，以用作任务的模型。 对大多数 Notebook 进行了注释以描述关键操作和功能。
后续步骤
- 要了解有关使用 Notebook 编辑器的更多信息，请参阅 Notebook。
- 要了解有关使用 Notebook 的更多信息，请参阅 编码和运行 Notebook。