Összegzésként
Ez a kódminta egy német hiteladatkészletet használ logisztikai regressziós modell létrehozásához az Azure használatával. A minta a Watson OpenScale segítségével köti össze az Azure-felhőben telepített gépi tanulási modellt, hozzon létre egy előfizetést, és hajtsa végre a hasznos terhelés és a visszajelzések naplózását.
Leírás
A Watson OpenScale segítségével figyelemmel kísérheti a modell minőségét és naplózhatja a hasznos terheket, függetlenül attól, hogy a modell hol található. Ez a kódminta egy Azure-modell példáját használja, amely bemutatja a Watson OpenScale független és nyitott természetét. Az IBM Watson OpenScale egy nyílt környezet, amely lehetővé teszi a szervezetek számára mesterséges intelligencia automatizálását és működtetését. Hatékony platformot biztosít az AI és a gépi tanulási modellek kezelésére az IBM Cloudon vagy bárhol, ahol telepíthetőek, és a következő előnyöket kínálja:
Tervezés szerint nyitott: A Watson OpenScale lehetővé teszi a gépi tanulási és mély tanulási modellek nyomon követését és kezelését, amelyek bármilyen keretrendszer vagy IDE felhasználásával készültek, és bármely modellgazdamotoron telepíthetők.
Tisztességesebb eredmények elérése: A Watson OpenScale észleli és segít enyhíteni a modell torzításait, hogy kiemelje a méltányossági problémákat. A platform egyszerű szöveges magyarázatot ad azokról az adattartományokról, amelyeket a modell torzítása befolyásolt, valamint olyan vizualizációkat, amelyek segítenek az adattudósoknak és az üzleti felhasználóknak megérteni az üzleti eredményekre gyakorolt hatást. Amint a torzítások észlelhetők, a Watson OpenScale automatikusan létrehoz egy torzításmentes kísérőmodellt, amely a telepített modell mellett fut, így az eredeti modell cseréje nélkül megtekintheti a várható igazságosabb eredményeket a felhasználók számára.
Tranzakciók magyarázata: A Watson OpenScale segít a vállalatoknak átláthatóságot és auditálhatóságot biztosítani az MI-vel átitatott alkalmazásokhoz azáltal, hogy magyarázatokat generál az egyes pontozott tranzakciókhoz, beleértve az egyes attribútumok előrejelzéséhez és súlyozásához használt attribútumokat is.
Ha befejezte ezt a kódmintát, megérti, hogyan kell:
- Adatok előkészítése, modell betanítása és üzembe helyezése az Azure használatával
- Pontozza a modellt a mintapontozási rekordok és a pontozási végpont segítségével
- Hozzon létre egy Watson OpenScale adatpiacot
- Kösse az Azure-modellt a Watson OpenScale adatpiachoz
- Adjon hozzá előfizetéseket az adatpiachoz
- Engedélyezze a hasznos tehernaplózást és a teljesítményfigyelést mindkét előfizetett eszköz számára
- A Data mart használatával előfizetésen keresztül érheti el a táblák adatait
Folyik
- A fejlesztő egy Jupyter Notebookot hoz létre a következőből származó adatok felhasználásával credit_risk_training.csv fájlt.
- A Jupyter Notebook egy PostgreSQL adatbázishoz csatlakozik, amely a Watson OpenScale adatokat tárolja.
- A gépi tanulási modell az Azure Machine Learning Studio használatával jön létre, és üzembe helyezi a felhőben.
- A Watson OpenScale-t a notebook a hasznos terhelés naplózására és a teljesítmény figyelésére használja.
Utasítás
A minta részletes lépéseit megtalálja a readme fájl. A lépések megmutatják, hogyan kell:
- A tár klónozása.
- Hozzon létre egy Watson OpenScale szolgáltatást.
- Hozzon létre egy modellt az Azure Machine Learning Stúdióban.
- Futtassa a notebookot.
- hozzáférés
- AI
- alkalmazások
- Égszínkék
- azúrkék-felhő
- test
- üzleti
- felhő
- kód
- tartalom
- hitel
- dátum
- adatkészlet
- adatbázis
- mély tanulás
- Design
- Fejlesztő
- Környezet
- áramlási
- Kiemel
- Hogyan
- How To
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- Hatás
- Beleértve
- kérdések
- IT
- Jupyter Jegyzetfüzet
- tanulás
- gépi tanulás
- vezetés
- modell
- ellenőrzés
- Ajánlatok
- nyitva
- Mintás
- teljesítmény
- emelvény
- előrejelzés
- világítás
- nyilvántartások
- regresszió
- tudósok
- készlet
- árnyékolók
- előfizetés
- Tranzakciók
- Átláthatóság
- Felhasználók
- Watson