सारांश
यह डेवलपर कोड पैटर्न ऐतिहासिक डेटा का उपयोग करके ग्राहक के खर्च की भविष्यवाणी करने के लिए Red Hat® मार्केटप्लेस से Findability Platform (FP) प्रीडिक्ट प्लस ऑपरेटर का उपयोग करता है और बिल्डिंग मॉडल की स्वचालित प्रक्रिया को प्रदर्शित करता है।
Description
मशीन लर्निंग अध्ययन का एक बड़ा क्षेत्र है जो कृत्रिम बुद्धिमत्ता जैसे कई संबंधित क्षेत्रों के विचारों के साथ ओवरलैप करता है और विरासत में मिलता है। क्षेत्र का फोकस सीख रहा है - अर्थात्, अनुभव से कौशल या ज्ञान प्राप्त करना। आमतौर पर, इसका अर्थ ऐतिहासिक डेटा से उपयोगी अवधारणाओं को संश्लेषित करना है। इस प्रकार, कई प्रकार के सीखने के साथ-साथ मशीन सीखने के क्षेत्र में एक शिक्षक के रूप में आपका अध्ययन विशिष्ट क्षेत्रों से लेकर विशिष्ट तकनीकों तक हो सकता है।
मशीन लर्निंग और सांख्यिकी में प्रतिगमन एक पर्यवेक्षित अधिगम दृष्टिकोण है जिसमें कंप्यूटर प्रोग्राम इसे दिए गए डेटा से सीखता है ताकि नई टिप्पणियों या भविष्यवाणियों को बनाया जा सके। इस तकनीक में, लक्ष्य चर में शून्य से लेकर अनंत तक निरंतर मूल्य होते हैं। दिए गए ऐतिहासिक डेटा के साथ प्रतिगमन समस्याओं के उदाहरणों में शामिल हैं:
- तापमान की भविष्यवाणी
- बिक्री की भविष्यवाणी
- घर की कीमत की भविष्यवाणी करना
- ग्राहक खर्च की भविष्यवाणी करना
हम ऐतिहासिक डेटा का उपयोग करके ग्राहक के खर्च की भविष्यवाणी करने पर ध्यान केंद्रित करेंगे और एफपी प्रीडिक्ट प्लस ऑपरेटर से मॉडल के निर्माण की स्वचालित प्रक्रिया का प्रदर्शन करेंगे Red Hat बाज़ार। हम इस उपयोग के मामले को हल करने के लिए Red Hat Marketplace से FP प्रीडिक्ट प्लस ऑपरेटर का उपयोग करेंगे।
जब आप इस पैटर्न को पूरा कर लेंगे, तो आप समझ जाएंगे कि कैसे:
- मॉडल भवन के लिए OpenShift® क्लस्टर पर त्वरित रूप से सेट करें।
- डेटा को इनस्टॉल करें और FP प्रीडिक्ट प्लस प्रक्रिया शुरू करें।
- एफपी प्रीडिक्ट प्लस का उपयोग करके मॉडल बनाएं और प्रदर्शन का मूल्यांकन करें।
- सबसे अच्छा मॉडल चुनें और तैनाती को पूरा करें।
- तैनात मॉडल का उपयोग करके नई भविष्यवाणियां करें।
फ्लो
- एफपी प्रीडिक्ट प्लस ऑपरेटर की एक आवृत्ति का उपयोग करके उपयोगकर्ता FP भविष्यवाणी प्लस प्लेटफॉर्म में प्रवेश करता है।
- उपयोगकर्ता प्लेटफ़ॉर्म पर Kubernetes स्टोरेज के लिए CSV प्रारूप में डेटा फ़ाइल अपलोड करता है।
- उपयोगकर्ता OpenShift क्लस्टर पर FP प्रिडिक्ट प्लस ऑपरेटर का उपयोग करके मॉडल-बिल्डिंग प्रक्रिया शुरू करता है और पाइपलाइन बनाता है।
- उपयोगकर्ता एफपी प्रीडिक्ट प्लस से विभिन्न पाइपलाइनों का मूल्यांकन करता है और तैनाती के लिए सर्वश्रेष्ठ मॉडल का चयन करता है।
- उपयोगकर्ता तैनात मॉडल का उपयोग करके सटीक भविष्यवाणियां करता है।
अनुदेश
इस पैटर्न के लिए विस्तृत चरणों का पता लगाएं README फ़ाइल। कदम आपको दिखाएंगे कि कैसे:
- डेटा जोड़ें
- एक नौकरी बनाएँ
- नौकरी विवरण की समीक्षा करें
- परिणाम का विश्लेषण करें
- परिणाम और मॉडल फ़ाइल डाउनलोड करें
- नए डेटा का उपयोग कर भविष्यवाणी
- भविष्यवाणी की नौकरी बनाएँ
- नौकरी सारांश देखें
- भविष्यवाणी की नौकरी के परिणामों का विश्लेषण करें
- अनुमानित परिणाम डाउनलोड करें
