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

Cree e implemente un modelo de puntuación para predecir fallos en la frecuencia cardíaca

Resumen

El aprendizaje automático se está diversificando en numerosos campos, uno de los más interesantes es el cuidado de la salud. Este Code Patterns utiliza un Jupyter Notebook en IBM Watson Studio para construir un modelo predictivo que demuestra un potencial caso de uso para el cuidado de la salud. Este modelo predictivo se implementa en producción en el servicio Machine Learning de Watson y es invocado por una aplicación personalizada de Node.js que se ejecuta en un Cloud Foundry Runtime de IBM Cloud.

Descripción

Usted es un desarrollador o un científico de los datos ocupado y quiere obtener la ruta más rápida para entregar los conocimientos de los datos a los usuarios, pero esto requiere de una profunda experiencia en muchos dominios tecnológicos. Este ejemplo de principio a fin le guía a través de las múltiples tecnologías que se utilizan para lo siguiente:

  • Adquirir, limpiar y explorar datos
  • Construir un modelo predictivo para el aprendizaje automático
  • Realizar predicciones
  • Alojar el modelo para su consumo
  • Llamar al modelo alojado desde una aplicación de Node.js

Sobre la marcha, usted aprenderá acerca de Watson Machine Learning Service de IBM para alojar su modelo entrenado en IBM Cloud e IBM Watson Studio, un IDE basado en la Nube para equipos de ciencia de los datos; herramientas que reúnen muchas tecnologías de código abierto que se han construido para la ciencia de los datos y el aprendizaje automático.

En este Code Patternsusted utilizará un Jupyter Notebook en IBM Watson Studio para construir un modelo predictivo que demuestre un potencial caso de uso para el cuidado de la salud. Aunque esto solo es para fines demostrativos, usted verá cómo utilizar Watson Machine Learning en un conjunto de datos formado por métricas del cuidado de la salud para crear un modelo predictivo. Después de crear este modelo, los datos que se introducen se pueden puntuar para crear predicciones para casos individuales. Observe que esta aplicación solo se utiliza para fines demostrativos e ilustrativos y no constituye una oferta que haya pasado las revisiones normativas.

Después de completar este Code Patterns, usted sabrá:

  • Construir un modelo predictivo dentro de un Jupyter Notebook
  • Implementar el modelo en el servicio IBM Watson Machine Learning
  • Acceder al modelo de aprendizaje automático a través de APIs o de una aplicación de Node.js

Flujo

Diagrama de las etapas para crear la aplicación

  1. El desarrollador crea un IBM Watson Studio Workspace.
  2. IBM Watson Studio depende de un servicio de Apache Spark.
  3. IBM Watson Studio utiliza el almacenamiento Cloud Object para gestionar sus datos.
  4. Este laboratorio está construido sobre un Jupyter Notebook, aquí es donde el desarrollador importará los datos, los entrenará y evaluará su modelo.
  5. Importar datos de fallos cardíacos.
  6. Los modelos entrenados se implementan en producción con el servicio Watson Machine Learning Service de IBM.
  7. Una aplicación web de Node.js se implementa en IBM Cloud y llama al modelo predictivo.
  8. Un usuario visita la aplicación web, ingresa su información y el modelo predictivo devuelve una respuesta.

Instrucciones

Encuentre los datos detallados para este patrón en README.md. Los pasos le mostrarán cómo se hace lo siguiente:

  1. Implementar una aplicación de pruebas
  2. Crear una instancia de Watson Machine Learning Service
  3. Crear una instancia de Data Science Experience Service
  4. Crear un proyecto en IBM Data Science Experience y vincularlo a la instancia de su servicio de Watson Machine Learning
  5. Salvar las credenciales para su Watson Machine Learning Service
  6. Crear un cuaderno en IBM Data Science Experience
  7. Ejecutar el cuaderno en IBM Data Science Experience
  8. Implementar como un servicio de puntuación el modelo predictivo salvado

Aviso

El contenido aquí presentado fue traducido de la página IBM Developer US. Puede revisar el contenido original en este link.