Résumé
Ce modèle de code de développeur utilise l'opérateur Findability Platform (FP) Predict Plus de Red Hat® Marketplace pour prédire les dépenses des clients à l'aide de données historiques et illustre le processus automatisé de création de modèles.
Description
L'apprentissage automatique est un vaste domaine d'étude qui chevauche et hérite des idées de nombreux domaines connexes, tels que l'intelligence artificielle. L'objectif du domaine est l'apprentissage, c'est-à-dire l'acquisition de compétences ou de connaissances par l'expérience. Le plus souvent, cela signifie synthétiser des concepts utiles à partir de données historiques. En tant que tel, il existe de nombreux types d'apprentissage que vous pouvez rencontrer en tant que praticien dans le domaine de l'apprentissage automatique, de domaines d'études entiers à des techniques spécifiques.
La régression dans l'apprentissage automatique et les statistiques est une approche d'apprentissage supervisé dans laquelle le programme informatique apprend des données qui lui sont données pour faire de nouvelles observations ou prédictions. Dans cette technique, la variable cible a des valeurs continues allant de zéro à l'infini. Voici des exemples de problèmes de régression avec des données historiques données:
- Prédire la température
- Prédire les ventes
- Prédire le prix de l'immobilier
- Prédire les dépenses des clients
Nous nous concentrerons sur la prévision des dépenses des clients à l'aide de données historiques et démontrerons le processus automatisé de création de modèles à l'aide de FP Predict plus l'opérateur de Marché Red Hat. Nous utiliserons l'opérateur FP Predict Plus de Red Hat Marketplace pour résoudre ce cas d'utilisation.
Lorsque vous aurez terminé ce modèle, vous comprendrez comment:
- Configurez rapidement l'instance sur le cluster OpenShift® pour la création de modèles.
- Ingérer les données et lancer le processus FP Predict Plus.
- Créez des modèles à l'aide de FP Predict Plus et évaluez les performances.
- Choisissez le meilleur modèle et terminez le déploiement.
- Générez de nouvelles prédictions à l'aide du modèle déployé.
Flow
- L'utilisateur se connecte à la plate-forme FP Predict Plus à l'aide d'une instance de l'opérateur FP Predict Plus.
- L'utilisateur télécharge le fichier de données au format CSV sur le stockage Kubernetes sur la plate-forme.
- L'utilisateur lance le processus de création de modèle à l'aide de l'opérateur FP Predict Plus sur le cluster OpenShift et crée des pipelines.
- L'utilisateur évalue différents pipelines de FP Predict Plus et sélectionne le meilleur modèle pour le déploiement.
- L'utilisateur génère des prédictions précises à l'aide du modèle déployé.
Instructions
Trouvez les étapes détaillées de ce modèle dans le README fichier. Les étapes vous montreront comment:
- Ajouter les données
- Créer un emploi
- Examiner les détails du travail
- Analyser les résultats
- Téléchargez le fichier Résultats et modèle
- Prédiction à l'aide de nouvelles données
- Créer une tâche prédictive
- Vérifier le résumé du travail
- Analyser les résultats de la tâche de prédiction
- Télécharger les résultats prévus
