Resumo
Neste padrão de código, demonstraremos como os especialistas no assunto e cientistas de dados podem aproveitar o IBM Watson Studio e o Watson Machine Learning para automatizar a mineração de dados e o treinamento de previsões de séries temporais. Este padrão de código também aplica algoritmos de modelo autorregressivo integrado de médias móveis (ARIMA) e outras técnicas avançadas para construir modelos matemáticos capazes de prever tendências com base em dados históricos.
Descrição
Com o uso do IBM Watson Studio e do Watson Machine Learning, este padrão de código fornece um exemplo de fluxo de trabalho da ciência de dados que tenta prever o valor, ao final do dia, de 500 ações da S&P com base em dados históricos. Este padrão inclui o processo de mineração de dados que usa a API Quandl: um mercado para dados financeiros, econômicos e alternativos entregues em formatos modernos para os analistas atuais.
Depois de concluir este padrão de código, você entenderá como:
- Usar o Jupyter Notebooks no Watson Studio para minerar dados financeiros usando APIs públicas.
- Usar ferramentas especializadas do Watson Studio como o Data Refinery para preparar dados para o treinamento de modelo.
- Construir, treinar e salvar um modelo de série temporal de dados extraídos, usando bibliotecas de código aberto do Python ou o gráfico integrado do fluxo do Modeler no Watson Studio.
- Interagir com o IBM Cloud Object Storage para armazenar e acessar dados minerados e modelados.
- Armazenar um modelo criado com o fluxo do Modeler e interagir com o serviço do Watson Machine Learning usando a API do Python.
- Gerar visualizações gráficas de dados de séries temporais usando Pandas e Bokeh.
Fluxo
- Criar um projeto no Watson Studio.
- Atribuir um Cloud Object Storage ao projeto.
- Carregar o Jupyter Notebook no Watson Studio.
- Os dados de exemplo fornecidos pela API da Quandl são importados pelo notebook.
- Os dados importados são refinados pelo Data Refinery e salvos no Cloud Object Storage.
- Usar o fluxo do SPSS Modeler para gerar previsões.
- Importar o modelo do Watson Machine Learning exportado do fluxo do SPSS Modeler para o Watson Machine Learning.
- Expor o modelo do Watson Machine Learning em uma API.
- O aplicativo usa a API do Watson Machine Learning para gerar previsões do mercado de ações.
Instruções
Encontre as etapas detalhadas para esse padrão no README. As etapas mostrarão como:
- Criar um novo projeto no Watson Studio
- Minerar dados e fazer previsões com um Notebook Python
- Configurar a chave de API do Quanl
- Configurar as credenciais do IBM Cloud Object Storage no Notebook
- Importar os dados minerados como um ativo no projeto do Watson Studio
- Limpar os dados com o Data Refinery
- Fazer previsões com o fluxo do SPSS Modeler
- Visualizar os resultados do fluxo do Modeler com um Notebook do Python
- Implementar um modelo do fluxo do Modeler no Watson Machine Learning
Aviso
O conteúdo aqui presente foi traduzido da página IBM Developer US. Caso haja qualquer divergência de texto e/ou versões, consulte o conteúdo original.