خلاصه
این الگوی کد از مجموعه داده های اعتبار آلمانی برای ایجاد یک مدل رگرسیون لجستیک با استفاده از Azure استفاده می کند. این الگو از Watson OpenScale برای اتصال مدل یادگیری ماشینی مستقر در ابر Azure، ایجاد اشتراک، و انجام بارگیری و ثبت بازخورد استفاده می‌کند.
توضیحات:
با Watson OpenScale، می‌توانید کیفیت مدل را کنترل کرده و بارهای بارگذاری را بدون توجه به جایی که مدل میزبانی می‌شود، ثبت کنید. این الگوی کد از نمونه‌ای از مدل Azure استفاده می‌کند که ماهیت مستقل و باز Watson OpenScale را نشان می‌دهد. IBM Watson OpenScale یک محیط باز است که سازمان ها را قادر می سازد تا هوش مصنوعی خود را خودکار و عملیاتی کنند. این یک پلت فرم قدرتمند برای مدیریت مدل‌های هوش مصنوعی و یادگیری ماشین در IBM Cloud یا هر جایی که ممکن است مستقر شوند فراهم می‌کند و این مزایا را ارائه می‌کند:
باز کردن بر اساس طراحی: Watson OpenScale به نظارت و مدیریت یادگیری ماشین و مدل‌های یادگیری عمیق که با استفاده از هر چارچوب یا IDE ساخته شده و بر روی هر موتور میزبان مدل مستقر شده‌اند اجازه می‌دهد.
نتایج منصفانه‌تر را به ارمغان می‌آورد: Watson OpenScale شناسایی می‌کند و به کاهش تعصبات مدل برای برجسته کردن مسائل انصاف کمک می‌کند. این پلتفرم توضیح متنی ساده‌ای از محدوده‌های داده‌ای را ارائه می‌دهد که تحت تأثیر تعصب در مدل قرار گرفته‌اند و تجسم‌هایی که به دانشمندان داده و کاربران تجاری کمک می‌کند تأثیر آن بر نتایج کسب‌وکار را درک کنند. همانطور که سوگیری ها شناسایی می شوند، Watson OpenScale به طور خودکار یک مدل همراه بدون تعصب ایجاد می کند که در کنار مدل مستقر شده اجرا می شود، در نتیجه پیش نمایش نتایج منصفانه تر مورد انتظار برای کاربران بدون جایگزینی نسخه اصلی است.
توضیح تراکنش‌ها: Watson OpenScale به شرکت‌ها کمک می‌کند تا با ارائه توضیحاتی برای تراکنش‌های فردی که امتیازدهی می‌شوند، شفافیت و قابلیت ممیزی را برای برنامه‌های کاربردی ایجاد شده با هوش مصنوعی ایجاد کنند، از جمله ویژگی‌هایی که برای پیش‌بینی و وزن هر ویژگی استفاده می‌شوند.
هنگامی که این الگوی کد را تکمیل کردید، می فهمید که چگونه:
- داده ها را آماده کنید، یک مدل را آموزش دهید و با استفاده از Azure به کار بگیرید
- مدل را با استفاده از رکوردهای امتیازدهی نمونه و نقطه پایان امتیازدهی امتیاز دهید
- یک دیتا مارت Watson OpenScale راه اندازی کنید
- مدل Azure را به دیتا مارت Watson OpenScale متصل کنید
- اشتراک ها را به دیتا مارت اضافه کنید
- ثبت بار و نظارت بر عملکرد را برای هر دو دارایی مشترک فعال کنید
- از data mart برای دسترسی به داده های جداول از طریق اشتراک استفاده کنید
جریان
- توسعه دهنده یک نوت بوک Jupyter را با استفاده از داده ها ایجاد می کند credit_risk_training.csv فایل.
- نوت بوک Jupyter به یک پایگاه داده PostgreSQL متصل است که داده های Watson OpenScale را ذخیره می کند.
- یک مدل یادگیری ماشین با استفاده از استودیوی یادگیری ماشینی Azure ایجاد شده و در فضای ابری مستقر شده است.
- Watson OpenScale توسط نوت بوک برای ثبت بار و نظارت بر عملکرد استفاده می شود.
دستورالعمل ها
مراحل دقیق این الگو را در قسمت پیدا کنید فایل readme. مراحل به شما نشان می دهد که چگونه:
- مخزن را کلون کنید.
- یک سرویس Watson OpenScale ایجاد کنید.
- یک مدل در استودیوی یادگیری ماشینی Azure ایجاد کنید.
- نوت بوک را اجرا کنید.
- دسترسی
- AI
- برنامه های کاربردی
- لاجوردی
- لاجوردی ابر
- بدن
- کسب و کار
- ابر
- رمز
- محتوا
- اعتبار
- داده ها
- مجموعه داده ها
- پایگاه داده
- یادگیری عمیق
- طرح
- توسعه دهنده
- محیط
- جریان
- نماد
- چگونه
- چگونه
- HTTPS
- آی بی ام
- IBM Cloud
- آی بی ام واتسون
- تأثیر
- از جمله
- مسائل
- IT
- نوت بوک ژوپیتر
- یادگیری
- فراگیری ماشین
- مدیریت
- مدل
- نظارت بر
- پیشنهادات
- باز کن
- الگو
- کارایی
- سکو
- پیش گویی
- کیفیت
- سوابق
- رگرسیون
- دانشمندان
- تنظیم
- پرده
- اشتراک، ابونمان
- معاملات
- شفافیت
- کاربران
- واتسون