Χαρακτηριστικά
Αυτό το μοτίβο κώδικα προγραμματιστή χρησιμοποιεί τον τελεστή Findability Platform (FP) Predict Plus από το Red Hat® Marketplace για την πρόβλεψη των δαπανών των πελατών χρησιμοποιώντας ιστορικά δεδομένα και δείχνει την αυτοματοποιημένη διαδικασία κατασκευής μοντέλων.
Περιγραφή
Η μηχανική μάθηση είναι ένα μεγάλο πεδίο σπουδών που επικαλύπτει και κληρονομεί ιδέες από πολλούς σχετικούς τομείς, όπως η τεχνητή νοημοσύνη. Το επίκεντρο του πεδίου είναι η μάθηση — δηλαδή η απόκτηση δεξιοτήτων ή γνώσεων από την εμπειρία. Συνηθέστερα, αυτό σημαίνει σύνθεση χρήσιμων εννοιών από ιστορικά δεδομένα. Ως εκ τούτου, υπάρχουν πολλοί τύποι μάθησης που μπορεί να συναντήσετε ως επαγγελματίας στον τομέα της μηχανικής μάθησης από ολόκληρους τομείς σπουδών έως συγκεκριμένες τεχνικές.
Η παλινδρόμηση στη μηχανική μάθηση και τη στατιστική είναι μια εποπτευόμενη προσέγγιση μάθησης στην οποία το πρόγραμμα υπολογιστή μαθαίνει από τα δεδομένα που του δίνονται για να κάνει νέες παρατηρήσεις ή προβλέψεις. Σε αυτή την τεχνική, η μεταβλητή στόχος έχει συνεχείς τιμές που κυμαίνονται από το μηδέν έως το άπειρο. Παραδείγματα προβλημάτων παλινδρόμησης με δεδομένα ιστορικού περιλαμβάνουν:
- Πρόβλεψη θερμοκρασίας
- Πρόβλεψη πωλήσεων
- Πρόβλεψη της τιμής του σπιτιού
- Πρόβλεψη δαπανών πελατών
Θα επικεντρωθούμε στην πρόβλεψη των δαπανών των πελατών χρησιμοποιώντας ιστορικά δεδομένα και θα δείξουμε την αυτοματοποιημένη διαδικασία κατασκευής μοντέλων χρησιμοποιώντας FP Predict plus τελεστή από Αγορά Red Hat. Θα χρησιμοποιήσουμε τον τελεστή FP Predict Plus από το Red Hat Marketplace για να λύσουμε αυτήν την περίπτωση χρήσης.
Όταν ολοκληρώσετε αυτό το μοτίβο, θα καταλάβετε πώς να:
- Ρυθμίστε γρήγορα την παρουσία στο σύμπλεγμα OpenShift® για τη δημιουργία μοντέλων.
- Απορροφήστε τα δεδομένα και ξεκινήστε τη διαδικασία FP Predict Plus.
- Δημιουργήστε μοντέλα χρησιμοποιώντας το FP Predict Plus και αξιολογήστε την απόδοση.
- Επιλέξτε το καλύτερο μοντέλο και ολοκληρώστε την ανάπτυξη.
- Δημιουργήστε νέες προβλέψεις χρησιμοποιώντας το αναπτυγμένο μοντέλο.
Ροή
- Ο χρήστης συνδέεται στην πλατφόρμα FP Predict Plus χρησιμοποιώντας μια παρουσία του τελεστή FP Predict Plus.
- Ο χρήστης ανεβάζει το αρχείο δεδομένων σε μορφή CSV στο χώρο αποθήκευσης Kubernetes στην πλατφόρμα.
- Ο χρήστης ξεκινά τη διαδικασία δημιουργίας μοντέλου χρησιμοποιώντας τον τελεστή FP Predict Plus στο σύμπλεγμα OpenShift και δημιουργεί αγωγούς.
- Ο χρήστης αξιολογεί διαφορετικούς αγωγούς από το FP Predict Plus και επιλέγει το καλύτερο μοντέλο για ανάπτυξη.
- Ο χρήστης δημιουργεί ακριβείς προβλέψεις χρησιμοποιώντας το αναπτυγμένο μοντέλο.
Οδηγίες
Βρείτε τα λεπτομερή βήματα για αυτό το μοτίβο στο README αρχείο. Τα βήματα θα σας δείξουν πώς:
- Προσθέστε τα δεδομένα
- Δημιουργήστε μια δουλειά
- Ελέγξτε τις λεπτομέρειες της εργασίας
- Αναλύστε τα αποτελέσματα
- Κατεβάστε το αρχείο Αποτελέσματα & Μοντέλο
- Πρόβλεψη με χρήση νέων δεδομένων
- Δημιουργία εργασίας πρόβλεψης
- Ελέγξτε τη σύνοψη εργασίας
- Αναλύστε τα αποτελέσματα της πρόβλεψης εργασίας
- Κατεβάστε τα προβλεπόμενα αποτελέσματα
