Hinda voogesituse andmeid masinõppemudeliga

See on osa Õppetee: alustage IBM Streamsiga.

kokkuvõte

Selles arendaja koodimustris voogesitame veebipõhise ostude andmeid ja kasutame neid tooteid, et jälgida tooteid, mille iga klient on ostukorvi lisanud. Ehitame scikit-learniga k-meansi klastrimudeli, et rühmitada kliente nende ostukorvi sisu järgi. Klastri määramist saab kasutada täiendavate soovitatavate toodete ennustamiseks.

Kirjeldus

Meie rakendus luuakse IBM Streamsi abil rakenduses IBM Cloud Pak® for Data. IBM Streams pakub sisseehitatud IDE-d nimega Streams Flows, mis võimaldab teil visuaalselt luua voogesituse rakenduse. Platvorm IBM Cloud Pak for Data pakub täiendavat tuge, nagu integreerimine mitme andmeallikaga, sisseehitatud analüütika, Jupyteri sülearvutid ja masinõpe.

Masinõppemudeli koostamiseks ja juurutamiseks kasutame IBM Watson® Studios Jupyteri sülearvutit ja Watsoni masinõppe eksemplari. Meie näidetes töötavad mõlemad rakenduses IBM Cloud Pak for Data.

Streams Flows redaktori abil loome voogesituse rakenduse järgmiste operaatoritega:

• Lähteoperaator, mis genereerib klikivoo näidisandmeid
• Filtri operaator, mis säilitab ainult "lisa ostukorvi" sündmused
• Koodioperaator, kus kasutame Pythoni koodi, et korraldada ostukorvi kaubad punktide arvutamiseks sisendmassiiviks
• WML-i juurutamise operaator kliendi klastrisse määramiseks
• Silumisoperaator tulemuste demonstreerimiseks

voolama

1. Kasutaja loob ja juurutab masinõppe mudeli.
2. Kasutaja loob ja käivitab rakenduse IBM Streams.
3. Streams Flow kasutajaliides näitab voogesitust, filtreerimist ja hindamist.

Juhised

Kas olete valmis alustama? The README selgitab samme:

1. Kinnitage juurdepääs oma IBM Streamsi eksemplarile teenuses Cloud Pak for Data.
2. Looge rakenduses Cloud Pak for Data uus projekt.
3. Ehitage ja säilitage mudel.
4. Seostage juurutusruum projektiga.
5. Mudeli juurutamine.
6. Looge ja käivitage rakendus Streams Flow.

Palju õnne! See koodimuster lõpetab Alustage IBM Streamsi seeriaga. Lisaks IBM Streamsi selgitamisele oleme näidanud, kuidas:

• Looge oma esimene IBM Streamsi rakendus ilma koodi kirjutamata
• Ehitage Apache Kafka voogesitusrakendus
• Looge Pythoni API abil voogesitusrakendus
• Hinda voogesituse andmeid masinõppemudeliga

Nüüd peaksite omama põhjapanevat arusaama IBM Streamsist ja mõnest selle funktsioonist. Kui soovite rohkem teada saada, vaadake Sissejuhatus voogedastusanalüütikasse IBM Streamsiga videosari.