Få strömmande data med en maskininlärningsmodell

Detta är en del av Inlärningsväg: Kom igång med IBM Streams.

Sammanfattning

I detta utvecklarkodmönster kommer vi att strömma online shoppingdata och använda data för att spåra de produkter som varje kund har lagt till i kundvagnen. Vi kommer att bygga en k-means klustringsmodell med scikit-learn för att gruppera kunder efter innehållet i deras kundvagnar. Klustertilldelningen kan användas för att förutsäga ytterligare produkter att rekommendera.

Beskrivning

Vår applikation kommer att byggas med IBM Streams på IBM Cloud Pak® for Data. IBM Streams tillhandahåller en inbyggd IDE, kallad Streams Flows, som låter dig skapa en strömningsapp visuellt. IBM Cloud Pak for Data-plattformen ger ytterligare stöd, såsom integration med flera datakällor, inbyggd analys, Jupyter Notebooks och maskininlärning.

För att bygga och distribuera vår maskininlärningsmodell kommer vi att använda en Jupyter Notebook i IBM Watson® Studio och en Watson Machine Learning-instans. I våra exempel körs båda på IBM Cloud Pak for Data.

Med Streams Flows-redigeraren skapar vi en streamingapp med följande operatörer:

• En källoperator som genererar exempel på klickströmsdata
• En filteroperatör som bara sparar "lägg till i kundvagn"-händelserna
• En kodoperator där vi använder Python-kod för att ordna varukorgsartiklarna i en inmatningsmatris för poängsättning
• En WML-distributionsoperatör för att tilldela kunden till ett kluster
• En felsökningsoperator för att visa resultaten

Flöde

1. Användaren bygger och distribuerar en maskininlärningsmodell.
2. Användaren skapar och kör en IBM Streams-applikation.
3. Streams Flow-gränssnittet visar streaming, filtrering och poäng i aktion.

Instruktioner

Redo att komma igång? De README förklarar stegen för att:

1. Verifiera åtkomsten till din IBM Streams-instans på Cloud Pak for Data.
2. Skapa ett nytt projekt i Cloud Pak for Data.
3. Bygg och förvara en modell.
4. Koppla distributionsutrymmet till projektet.
5. Distribuera modellen.
6. Skapa och kör en Streams Flow-applikation.

Grattis! Detta kodmönster avslutar Kom igång med IBM Streams-serien. Förutom att förklara IBM Streams har vi visat hur man:

• Skapa din första IBM Streams-app utan att skriva kod
• Bygg en Apache Kafka-streamingapp
• Bygg en streamingapp med ett Python API
• Få strömmande data med en maskininlärningsmodell

Du bör nu ha en grundläggande förståelse för IBM Streams och några av dess funktioner. Om du vill lära dig mer, ta en titt på Introduktion till streaminganalys med IBM Streams videoserier.