สรุป
รูปแบบโค้ดสำหรับนักพัฒนาซอฟต์แวร์นี้ใช้ตัวดำเนินการ Findability Platform (FP) Predict Plus จาก Red Hat® Marketplace เพื่อคาดการณ์การใช้จ่ายของลูกค้าโดยใช้ข้อมูลในอดีตและสาธิตกระบวนการอัตโนมัติของแบบจำลองอาคาร
รายละเอียด
แมชชีนเลิร์นนิงเป็นสาขาวิชาขนาดใหญ่ที่ทับซ้อนกันและสืบทอดแนวคิดจากสาขาวิชาที่เกี่ยวข้องมากมาย เช่น ปัญญาประดิษฐ์ จุดเน้นของภาคสนามคือการเรียนรู้ นั่นคือ การได้มาซึ่งทักษะหรือความรู้จากประสบการณ์ โดยทั่วไป หมายถึงการสังเคราะห์แนวคิดที่เป็นประโยชน์จากข้อมูลในอดีต ด้วยเหตุนี้ จึงมีการเรียนรู้หลายประเภทที่คุณอาจพบในฐานะผู้ปฏิบัติงานในด้านการเรียนรู้ด้วยเครื่องจากทั้งสาขาวิชาไปจนถึงเทคนิคเฉพาะ
การถดถอยในแมชชีนเลิร์นนิงและสถิติเป็นวิธีการเรียนรู้ภายใต้การดูแล ซึ่งโปรแกรมคอมพิวเตอร์เรียนรู้จากข้อมูลที่ให้ไว้เพื่อทำการสังเกตหรือคาดการณ์ใหม่ ในเทคนิคนี้ ตัวแปรเป้าหมายมีค่าต่อเนื่องตั้งแต่ศูนย์ถึงอนันต์ ตัวอย่างปัญหาการถดถอยของข้อมูลในอดีต ได้แก่
- การทำนายอุณหภูมิ
- คาดการณ์ยอดขาย
- ทำนายราคาบ้าน
- คาดการณ์การใช้จ่ายของลูกค้า
เราจะเน้นที่การคาดการณ์การใช้จ่ายของลูกค้าโดยใช้ข้อมูลในอดีตและสาธิตกระบวนการอัตโนมัติของแบบจำลองอาคารโดยใช้ตัวดำเนินการ FP Predict plus จาก ตลาดเรดแฮท. เราจะใช้ตัวดำเนินการ FP Predict Plus จาก Red Hat Marketplace เพื่อแก้ไขกรณีการใช้งานนี้
เมื่อคุณทำรูปแบบนี้เสร็จแล้ว คุณจะเข้าใจวิธีการ:
- ตั้งค่าอินสแตนซ์อย่างรวดเร็วบนคลัสเตอร์ OpenShift® สำหรับการสร้างแบบจำลอง
- นำเข้าข้อมูลและเริ่มกระบวนการ FP Predict Plus
- สร้างแบบจำลองโดยใช้ FP Predict Plus และประเมินประสิทธิภาพ
- เลือกรุ่นที่ดีที่สุดและดำเนินการปรับใช้ให้เสร็จสิ้น
- สร้างการคาดการณ์ใหม่โดยใช้โมเดลที่ปรับใช้
ไหล
- ผู้ใช้เข้าสู่ระบบแพลตฟอร์ม FP Predict Plus โดยใช้อินสแตนซ์ของโอเปอเรเตอร์ FP Predict Plus
- ผู้ใช้อัปโหลดไฟล์ข้อมูลในรูปแบบ CSV ไปยังที่เก็บข้อมูล Kubernetes บนแพลตฟอร์ม
- ผู้ใช้เริ่มต้นกระบวนการสร้างแบบจำลองโดยใช้ตัวดำเนินการ FP Predict Plus บนคลัสเตอร์ OpenShift และสร้างไปป์ไลน์
- ผู้ใช้ประเมินไปป์ไลน์ที่แตกต่างจาก FP Predict Plus และเลือกโมเดลที่ดีที่สุดสำหรับการปรับใช้
- ผู้ใช้สร้างการคาดการณ์ที่แม่นยำโดยใช้โมเดลที่ปรับใช้
คำแนะนำ
ค้นหาขั้นตอนโดยละเอียดสำหรับรูปแบบนี้ใน README ไฟล์. ขั้นตอนจะแสดงวิธีการ:
- เพิ่มข้อมูล
- สร้างงาน
- ตรวจสอบรายละเอียดงาน
- วิเคราะห์ผล
- ดาวน์โหลดไฟล์ผลลัพธ์และโมเดล
- การทำนายโดยใช้ข้อมูลใหม่
- สร้างงานทำนาย
- ตรวจสอบสรุปงาน
- วิเคราะห์ผลทำนายงาน
- ดาวน์โหลดผลการคาดการณ์