Score streamingdata med en maskinlæringsmodel

Dette er en del af Læringsvej: Kom godt i gang med IBM Streams.

Resumé

I dette udviklerkodemønster vil vi streame online shoppingdata og bruge dataene til at spore de produkter, som hver kunde har lagt til indkøbskurven. Vi vil bygge en k-betyder klyngemodel med scikit-learn for at gruppere kunder i henhold til indholdet af deres indkøbskurve. Klyngetildelingen kan bruges til at forudsige yderligere produkter at anbefale.

Beskrivelse

Vores applikation vil blive bygget ved hjælp af IBM Streams på IBM Cloud Pak® for Data. IBM Streams har en indbygget IDE, kaldet Streams Flows, som giver dig mulighed for visuelt at oprette en streaming-app. IBM Cloud Pak for Data-platformen giver yderligere support, såsom integration med flere datakilder, indbygget analyse, Jupyter Notebooks og maskinlæring.

For at bygge og implementere vores maskinlæringsmodel vil vi bruge en Jupyter Notebook i IBM Watson® Studio og en Watson Machine Learning-instans. I vores eksempler kører begge på IBM Cloud Pak for Data.

Ved at bruge Streams Flows-editoren opretter vi en streaming-app med følgende operatører:

• En kilde-operator, der genererer eksempel-clickstream-data
• En filteroperatør, der kun gemmer "tilføj til kurv"-hændelser
• En kodeoperatør, hvor vi bruger Python-kode til at arrangere indkøbskurvens varer i et input-array til scoring
• En WML-implementeringsoperatør til at tildele kunden til en klynge
• En Debug-operator for at demonstrere resultaterne

Flow

1. Brugeren bygger og implementerer en maskinlæringsmodel.
2. Brugeren opretter og kører en IBM Streams-applikation.
3. Streams Flow UI viser streaming, filtrering og scoring i aktion.

Instruktioner

Klar til at komme i gang? Det README forklarer trinene til:

1. Bekræft adgangen til din IBM Streams-instans på Cloud Pak for Data.
2. Opret et nyt projekt i Cloud Pak for Data.
3. Byg og opbevar en model.
4. Knyt udrulningsområdet til projektet.
5. Implementer modellen.
6. Opret og kør en Streams Flow-applikation.

Tillykke! Dette kodemønster afslutter Kom godt i gang med IBM Streams-serien. Ud over at forklare IBM Streams har vi vist, hvordan man:

• Opret din første IBM Streams-app uden at skrive kode
• Byg en Apache Kafka-streaming-app
• Byg en streaming-app ved hjælp af en Python API
• Score streamingdata med en maskinlæringsmodel

Du bør nu have en grundlæggende forståelse af IBM Streams og nogle af dets funktioner. Hvis du vil vide mere, så tag et kig på Introduktion til streaminganalyse med IBM Streams video serie.