Sommario
Questo modello di codice dello sviluppatore utilizza l'operatore Findability Platform (FP) Predict Plus di Red Hat® Marketplace per prevedere la spesa dei clienti utilizzando dati storici e dimostra il processo automatizzato di creazione dei modelli.
Descrizione
L'apprendimento automatico è un ampio campo di studio che si sovrappone ed eredita idee da molti campi correlati, come l'intelligenza artificiale. Il fulcro del campo è l'apprendimento, ovvero l'acquisizione di abilità o conoscenze dall'esperienza. Più comunemente, questo significa sintetizzare concetti utili da dati storici. Pertanto, ci sono molti tipi di apprendimento che potresti incontrare come professionista nel campo dell'apprendimento automatico da interi campi di studio a tecniche specifiche.
La regressione nell'apprendimento automatico e nelle statistiche è un approccio di apprendimento supervisionato in cui il programma per computer apprende dai dati forniti per fare nuove osservazioni o previsioni. In questa tecnica, la variabile di destinazione ha valori continui che vanno da zero a infinito. Esempi di problemi di regressione con dati storici dati includono:
- Previsione della temperatura
- Previsione delle vendite
- Prevedere il prezzo della casa
- Previsione della spesa dei clienti
Ci concentreremo sulla previsione della spesa dei clienti utilizzando dati storici e dimostreremo il processo automatizzato di creazione di modelli utilizzando FP Predict plus operator from Mercato di Red Hat Hat. Useremo l'operatore FP Predict Plus di Red Hat Marketplace per risolvere questo caso d'uso.
Quando avrai completato questo schema, capirai come:
- Configura rapidamente l'istanza sul cluster OpenShift® per la creazione di modelli.
- Acquisisci i dati e avvia il processo FP Predict Plus.
- Costruisci modelli utilizzando FP Predict Plus e valuta le prestazioni.
- Scegli il modello migliore e completa la distribuzione.
- Genera nuove previsioni utilizzando il modello distribuito.
Flow
- L'utente accede alla piattaforma FP Predict Plus utilizzando un'istanza dell'operatore FP Predict Plus.
- L'utente carica il file di dati nel formato CSV nell'archivio Kubernetes sulla piattaforma.
- L'utente avvia il processo di creazione del modello utilizzando l'operatore FP Predict Plus sul cluster OpenShift e crea pipeline.
- L'utente valuta diverse pipeline da FP Predict Plus e seleziona il modello migliore per la distribuzione.
- L'utente genera previsioni accurate utilizzando il modello distribuito.
Istruzioni
Trova i passaggi dettagliati per questo modello nel README file. I passaggi ti mostreranno come:
- Aggiungi i dati
- Crea un lavoro
- Rivedi i dettagli del lavoro
- Analizza i risultati
- Scarica il file Risultati e modello
- Previsione utilizzando nuovi dati
- Crea un lavoro predittivo
- Controlla il riepilogo del lavoro
- Analizza i risultati della previsione del lavoro
- Scarica i risultati previsti
