Skor streaming data dengan model pembelajaran mesin

Ini adalah bagian dari Jalur pembelajaran: Memulai IBM Streams.

Kesimpulan

Dalam pola kode pengembang ini, kami akan mengalirkan data belanja online dan menggunakan data tersebut untuk melacak produk yang telah ditambahkan setiap pelanggan ke keranjang. Kami akan membangun model pengelompokan k-means dengan scikit-learn untuk mengelompokkan pelanggan sesuai dengan isi keranjang belanja mereka. Penugasan cluster dapat digunakan untuk memprediksi produk tambahan yang akan direkomendasikan.

Deskripsi Produk

Aplikasi kami akan dibangun menggunakan IBM Streams di IBM Cloud Pak® for Data. IBM Streams menyediakan IDE bawaan, yang disebut Streams Flows, yang memungkinkan Anda membuat aplikasi streaming secara visual. Platform IBM Cloud Pak for Data memberikan dukungan tambahan, seperti integrasi dengan berbagai sumber data, analisis bawaan, Jupyter Notebooks, dan pembelajaran mesin.

Untuk membangun dan menerapkan model pembelajaran mesin kami, kami akan menggunakan Notebook Jupyter di IBM Watson® Studio dan mesin virtual Watson Machine Learning. Dalam contoh kami, keduanya berjalan di IBM Cloud Pak for Data.

Menggunakan editor Streams Flows, kami akan membuat aplikasi streaming dengan operator berikut:

• Operator Sumber yang menghasilkan contoh data clickstream
• Operator Filter yang hanya menyimpan acara “tambahkan ke troli”.
• Operator Kode tempat kami menggunakan kode Python untuk mengatur item keranjang belanja ke dalam array input untuk penilaian
• Operator Penerapan WML untuk menugaskan pelanggan ke sebuah cluster
• Operator Debug untuk mendemonstrasikan hasilnya

Aliran

1. Pengguna membangun dan menerapkan model pembelajaran mesin.
2. Pengguna membuat dan menjalankan aplikasi IBM Streams.
3. UI Streams Flow menunjukkan tindakan streaming, pemfilteran, dan penilaian.

petunjuk

Siap memulai? Itu README menjelaskan langkah-langkah untuk:

1. Verifikasi akses ke mesin virtual IBM Streams Anda di Cloud Pak for Data.
2. Buat proyek baru di Cloud Pak untuk Data.
3. Membangun dan menyimpan model.
4. Kaitkan ruang penempatan dengan proyek.
5. Menyebarkan model.
6. Buat dan jalankan aplikasi Streams Flow.

Selamat! Pola kode ini merangkum Mulailah dengan seri IBM Streams. Selain menjelaskan IBM Streams, kami telah menunjukkan cara:

• Buat aplikasi IBM Streams pertama Anda tanpa menulis kode
• Bangun aplikasi streaming Apache Kafka
• Buat aplikasi streaming menggunakan Python API
• Skor streaming data dengan model pembelajaran mesin

Anda sekarang seharusnya memiliki pemahaman mendasar tentang IBM Streams dan beberapa fiturnya. Jika Anda ingin mempelajari lebih lanjut, lihatlah Pengantar analisis streaming dengan IBM Streams serial video.