זה חלק מה- מסלול למידה: התחל בעבודה עם זרמי IBM.
<br> סיכום
בתבנית קוד מפתח זה, נזרום נתוני קניות מקוונות ונשתמש בנתונים למעקב אחר המוצרים שכל לקוח הוסיף לעגלה. אנו בונים מודל אשכולות k-means עם סקיקיט-לימוד לקבוצות לקוחות בהתאם לתוכן בעגלות הקניות שלהם. ניתן להשתמש בהקצאת האשכול לחיזוי מוצרים נוספים להמלצה.
תיאור
היישום שלנו ייבנה באמצעות IBM Streams ב- IBM Cloud Pak® for Data. IBM Streams מספק IDE מובנה, שנקרא Streams Flows, המאפשר ליצור ויזואלית אפליקציית סטרימינג. פלטפורמת ה- Cloud Pak for Data של IBM מספקת תמיכה נוספת, כגון שילוב עם מספר מקורות נתונים, ניתוח מובנה, מחברות Jupyter ומחשב למידה.
כדי לבנות ולפרוס את מודל למידת המחשב שלנו, נשתמש במחברת Jupyter ב- IBM Watson® Studio ובמופע Watson Machine Learning. בדוגמאות שלנו, שניהם פועלים ב- IBM Cloud Pak for Data.
באמצעות עורך זרמי הזרמים ניצור אפליקציית סטרימינג עם המפעילים הבאים:
- מפעיל מקור שמייצר נתונים לדוגמה של זרם קליקים
- מפעיל מסנן השומר רק על אירועי "הוסף לעגלה"
- מפעיל קוד שבו אנו משתמשים בקוד פייתון כדי לסדר את פריטי עגלת הקניות למערך קלט לניקוד
- מפעיל פריסת WML להקצות את הלקוח לאשכול
- מפעיל ניפוי באגים כדי להדגים את התוצאות
זרימה
- המשתמש בונה ומפרס מודל למידת מכונה.
- המשתמש יוצר ומריץ יישום IBM Streams.
- ממשק המשתמש של זרימת זרמים מציג הזרמה, סינון וניקוד בפעולה.
הוראות
מוכנים להתחיל? ה README מסביר את השלבים ל:
- אמת את הגישה למופע IBM Streams שלך ב- Cloud Pak for Data.
- צור פרויקט חדש ב- Cloud Pak for Data.
- לבנות ולאחסן מודל.
- שייך את מרחב הפריסה לפרויקט.
- פרוס את הדגם.
- צור והפעל יישום Streams Flow.
מזל טוב! דפוס קוד זה עוטף את התחל בעבודה עם סדרת IBM Streams. בנוסף להסבר על זרמי IBM, הראינו כיצד:
- צור את אפליקציית IBM Streams הראשונה שלך בלי לכתוב קוד
- בנה אפליקציית סטרימינג של אפאצ'י קפקא
- בנה אפליקציית סטרימינג באמצעות ממשק API של Python
- ציון נתונים סטרימינג בעזרת מודל למידת מכונה
כעת אתה אמור להיות הבנה מהותית של זרמי IBM וכמה מהתכונות שלה. אם אתה רוצה ללמוד עוד, עיין ב מבוא לניתוח סטרימינג באמצעות זרמי IBM סדרת וידאו.
מקור: https://developer.ibm.com/patterns/score-streaming-data-with-a-machine-learning-model/