Pontue dados de streaming com um modelo de aprendizado de máquina

Isso faz parte do Caminho de aprendizagem: introdução ao IBM Streams.

Resumo

Neste padrão de código de desenvolvedor, faremos streaming de dados de compras online e usaremos os dados para rastrear os produtos que cada cliente adicionou ao carrinho. Construiremos um modelo de agrupamento k-means com scikit-learn para agrupar clientes de acordo com o conteúdo de seus carrinhos de compras. A atribuição de cluster pode ser usada para prever produtos adicionais a serem recomendados.

Descrição

Nosso aplicativo será construído usando IBM Streams no IBM Cloud Pak® for Data. O IBM Streams fornece um IDE integrado, denominado Streams Flows, que permite criar visualmente um aplicativo de streaming. A plataforma IBM Cloud Pak for Data fornece suporte adicional, como integração com várias fontes de dados, análises integradas, Jupyter Notebooks e aprendizado de máquina.

Para construir e implementar nosso modelo de aprendizado de máquina, usaremos um Jupyter Notebook no IBM Watson® Studio e uma instância do Watson Machine Learning. Em nossos exemplos, ambos estão em execução no IBM Cloud Pak for Data.

Usando o editor Streams Flows, criaremos um aplicativo de streaming com os seguintes operadores:

• Um operador Source que gera dados de sequência de cliques de amostra
• Um operador de filtro que mantém apenas os eventos “adicionar ao carrinho”
• Um operador de código onde usamos o código Python para organizar os itens do carrinho de compras em uma matriz de entrada para pontuação
• Um operador de implantação WML para atribuir o cliente a um cluster
• Um operador Debug para demonstrar os resultados

Fluxo

1. O usuário cria e implanta um modelo de aprendizado de máquina.
2. O usuário cria e executa um aplicativo IBM Streams.
3. A IU do Streams Flow mostra streaming, filtragem e pontuação em ação.

Instruções

Pronto para começar? O README explica as etapas para:

1. Verifique o acesso à sua instância do IBM Streams no Cloud Pak for Data.
2. Crie um novo projeto no Cloud Pak for Data.
3. Construa e armazene um modelo.
4. Associe o espaço de implantação ao projeto.
5. Implante o modelo.
6. Crie e execute um aplicativo Streams Flow.

Parabéns! Este padrão de código envolve o Introdução à série IBM Streams. Além de explicar o IBM Streams, mostramos como:

• Crie seu primeiro aplicativo IBM Streams sem escrever código
• Crie um aplicativo de streaming Apache Kafka
• Construir um aplicativo de streaming usando uma API Python
• Pontue dados de streaming com um modelo de aprendizado de máquina

Agora você deve ter um entendimento fundamental do IBM Streams e alguns de seus recursos. Se você quiser saber mais, dê uma olhada no Introdução à análise de streaming com IBM Streams série de vídeos.