Pontszám streaming adatok gépi tanulási modellel

Ez része a Tanulási út: Kezdje el az IBM Streams használatát.

Összegzésként

Ebben a fejlesztői kódmintában az online vásárlási adatokat streameljük, és az adatok segítségével nyomon követjük azokat a termékeket, amelyeket az egyes vásárlók a kosárba helyeztek. A scikit-learn segítségével egy k-means klaszterezési modellt építünk, hogy a vásárlókat a bevásárlókosaruk tartalma szerint csoportosíthassuk. A fürt-hozzárendelés felhasználható további ajánlandó termékek előrejelzésére.

Leírás

Alkalmazásunk az IBM Streams segítségével készül az IBM Cloud Pak® for Data rendszeren. Az IBM Streams beépített IDE-t biztosít, az úgynevezett Streams Flows-t, amely lehetővé teszi egy streaming alkalmazás vizuális létrehozását. Az IBM Cloud Pak for Data platform további támogatást nyújt, például több adatforrással való integrációt, beépített elemzést, Jupyter Notebookokat és gépi tanulást.

Gépi tanulási modellünk felépítéséhez és üzembe helyezéséhez egy Jupyter Notebookot használunk az IBM Watson® Studio programban és egy Watson Machine Learning példányt. Példáinkban mindkettő IBM Cloud Pak for Data rendszeren fut.

A Streams Flows szerkesztővel létrehozunk egy streaming alkalmazást a következő operátorokkal:

• Forrás operátor, amely minta kattintási adatfolyam adatokat generál
• Egy szűrőoperátor, amely csak a „kosárba helyezés” eseményeket tárolja
• Kód operátor, ahol Python kódot használunk a bevásárlókosár tételeinek egy bemeneti tömbbe rendezésére a pontozáshoz
• WML-telepítési operátor, amely az ügyfelet fürthöz rendeli
• Debug operátor az eredmények bemutatására

Folyik

1. A felhasználó gépi tanulási modellt készít és telepít.
2. A felhasználó létrehoz és futtat egy IBM Streams alkalmazást.
3. A Streams Flow felhasználói felületén látható a streamelés, a szűrés és a pontozás működés közben.

Utasítás

Készen áll az indulásra? A README elmagyarázza a lépéseket:

1. Ellenőrizze az IBM Streams-példányhoz való hozzáférést a Cloud Pak for Data szolgáltatásban.
2. Hozzon létre egy új projektet a Cloud Pak for Data szolgáltatásban.
3. Modellek készítése és tárolása.
4. Társítsa a telepítési területet a projekthez.
5. Telepítse a modellt.
6. Hozzon létre és futtasson egy Streams Flow alkalmazást.

Gratulálunk! Ez a kódminta lezárja a Kezdje el az IBM Streams sorozat használatát. Az IBM Streams ismertetése mellett megmutattuk, hogyan:

• Hozza létre első IBM Streams alkalmazását kód írása nélkül
• Készítsen Apache Kafka streaming alkalmazást
• Készítsen streamelő alkalmazást Python API segítségével
• Pontszám streaming adatok gépi tanulási modellel

Most már alapjaiban kell ismernie az IBM Streams szolgáltatást és egyes funkcióit. Ha többet szeretne megtudni, tekintse meg a Bevezetés az adatfolyam-elemzésbe az IBM Streams segítségével videósorozat.