To jest część Ścieżka szkoleniowa: pierwsze kroki z IBM Streams.
Podsumowanie
W tym wzorcu kodu programisty będziemy przesyłać strumieniowo dane dotyczące zakupów online i wykorzystywać dane do śledzenia produktów, które każdy klient dodał do koszyka. Zbudujemy model grupowania k-średnich z scikit-learn, aby pogrupować klientów według zawartości ich koszyków. Przypisanie klastra może służyć do przewidywania dodatkowych produktów do rekomendacji.
Opis
Nasza aplikacja zostanie zbudowana przy użyciu IBM Streams na IBM Cloud Pak® for Data. IBM Streams udostępnia wbudowane środowisko IDE o nazwie Streams Flows, które umożliwia wizualne tworzenie aplikacji do przesyłania strumieniowego. Platforma IBM Cloud Pak for Data zapewnia dodatkowe wsparcie, takie jak integracja z wieloma źródłami danych, wbudowana analityka, notatniki Jupyter i uczenie maszynowe.
Aby zbudować i wdrożyć nasz model uczenia maszynowego, użyjemy Jupyter Notebook w IBM Watson® Studio i instancji Watson Machine Learning. W naszych przykładach oba działają w IBM Cloud Pak for Data.
Korzystając z edytora Streams Flows stworzymy aplikację do streamingu z następującymi operatorami:
- Operator źródła, który generuje przykładowe dane strumienia kliknięć
- Operator filtra, który przechowuje tylko zdarzenia „dodaj do koszyka”
- Operator kodu, w którym używamy kodu Pythona, aby uporządkować elementy koszyka zakupów w tablicę wejściową do oceniania
- Operator wdrażania WML do przypisywania klienta do klastra
- Operator debugowania do wykazania wyników
Przepływ
- Użytkownik tworzy i wdraża model uczenia maszynowego.
- Użytkownik tworzy i uruchamia aplikację IBM Streams.
- Interfejs użytkownika Streams Flow pokazuje przesyłanie strumieniowe, filtrowanie i ocenianie w akcji.
Instrukcje
Gotowy żeby zacząć? Plik README wyjaśnia kroki, aby:
- Zweryfikuj dostęp do swojej instancji IBM Streams w Cloud Pak for Data.
- Utwórz nowy projekt w Cloud Pak for Data.
- Zbuduj i przechowuj model.
- Powiąż przestrzeń wdrożenia z projektem.
- Wdróż model.
- Utwórz i uruchom aplikację Streams Flow.
Gratulacje! Ten wzorzec kodu zamyka Zacznij korzystać z serii IBM Streams. Oprócz wyjaśnienia IBM Streams, pokazaliśmy, jak:
- Utwórz swoją pierwszą aplikację IBM Streams bez pisania kodu
- Zbuduj aplikację do przesyłania strumieniowego Apache Kafka
- Utwórz aplikację do przesyłania strumieniowego za pomocą interfejsu API języka Python
- Oceniaj dane przesyłane strumieniowo za pomocą modelu uczenia maszynowego
Powinieneś teraz mieć podstawową wiedzę na temat IBM Streams i niektórych jego funkcji. Jeśli chcesz dowiedzieć się więcej, zajrzyj na Wprowadzenie do analizy strumieniowej za pomocą IBM Streams seria wideo.
Źródło: https://developer.ibm.com/patterns/score-streaming-data-with-a-machine-learning-model/