Digital Developer Conference: Hybrid Cloud 2021 | Capacitaciones gratuitas por expertos y partners | 21 de Setiembre ¡Inscríbete Ahora!

Generar un Python notebook para modelos de pipeline usando AutoAI

Resumen

En este Code pattern, aprende a usar AutoAI para generar de forma automática un Jupyter Notebook que contenga código Python de un modelo de machine learning. Luego, explora, modifica y vuelve a entrenar al pipeline del modelo con Python antes de desplegar el modelo en IBM Watson® Machine Learning usando las API de Machine Learning de Watson.

Descripción

AutoAI es una herramienta gráfica disponible en IBM Watson Studio que analiza su conjunto de datos, genera varios pipelines de modelos y los clasifica según la métrica elegida para el problema. Este Code pattern muestra funciones ampliadas de AutoAI. La exploración de AutoAI más básica para el mismo conjunto de datos se cubre en el tutorial Generar pipelines de modelos de machine learning para elegir el mejor modelo para tu problema.

Cuando hayas completado este Code pattern, comprenderás cómo:

  • Ejecutar un experimento de AutoAI
  • Generar y guardar un Python notebook
  • Ejecutar el notebook y analizar resultados
  • Realizar cambios y volver a entrenar al modelo utilizando Watson Machine Learning SDK
  • Desplegar el modelo usando Watson Machine Learning desde dentro del notebook

Flujo

flujo

  1. El usuario envía un experimento de AutoAI utilizando la configuración predeterminada.
  2. Se generan varios modelos de pipeline. Un modelo de pipeline elegido de la tabla de clasificación se guarda como un Jupyter Notebook.
  3. Se ejecuta el Jupyter Notebook y se genera un modelo de pipeline modificado dentro del notebook.
  4. El modelo de pipeline se despliega en Watson Machine Learning utilizando las API de Watson Machine Learning.

Instrucciones

Accede a las instrucciones detalladas en el archivo readme. Estas instrucciones explican cómo:

  1. Ejecutar un experimento de AutoAI.
  2. Guardar el notebook generado por AutoAI.
  3. Cargar y ejecutar el notebook.
  4. Desplegar y puntuar como servicio web utilizando una instancia de Watson Machine Learning.