Оцінюйте потокові дані за допомогою моделі машинного навчання

Це частина Шлях навчання: Почніть роботу з IBM Streams.

Підсумки

У цьому шаблоні коду розробника ми будемо транслювати дані про покупки в Інтернеті та використовувати їх для відстеження продуктів, які кожен клієнт додав у кошик. Ми побудуємо модель кластеризації k-means за допомогою scikit-learn для групування клієнтів відповідно до вмісту їхніх кошиків для покупок. Призначення кластера можна використовувати для прогнозування додаткових продуктів, які можна рекомендувати.

Опис

Наш додаток буде створено за допомогою IBM Streams на IBM Cloud Pak® for Data. IBM Streams надає вбудовану IDE, яка називається Streams Flows, яка дозволяє візуально створювати потокову програму. Платформа IBM Cloud Pak for Data забезпечує додаткову підтримку, таку як інтеграція з кількома джерелами даних, вбудована аналітика, ноутбуки Jupyter і машинне навчання.

Щоб створити та розгорнути нашу модель машинного навчання, ми будемо використовувати ноутбук Jupyter у IBM Watson® Studio та екземпляр Watson Machine Learning. У наших прикладах обидва працюють на IBM Cloud Pak for Data.

За допомогою редактора потоків потоків ми створимо потокову програму з такими операторами:

• Оператор Source, який створює зразки даних кліків
• Оператор фільтра, який зберігає лише події «додати в кошик».
• Оператор Code, де ми використовуємо код Python, щоб упорядкувати товари кошика для покупок у вхідний масив для оцінки
• Оператор розгортання WML для призначення клієнта до кластера
• Оператор Debug для демонстрації результатів

Потік

1. Користувач створює та розгортає модель машинного навчання.
2. Користувач створює та запускає програму IBM Streams.
3. Інтерфейс Streams Flow показує потокове передавання, фільтрацію та оцінку в дії.

інструкції

Готові почати? The README пояснює кроки до:

1. Перевірте доступ до свого екземпляра IBM Streams у Cloud Pak for Data.
2. Створіть новий проект у Cloud Pak for Data.
3. Створення та зберігання моделі.
4. Пов’яжіть простір розгортання з проектом.
5. Розгорніть модель.
6. Створіть і запустіть програму Streams Flow.

Вітаю! Цей шаблон коду завершує Почніть роботу з серією IBM Streams. Окрім пояснення IBM Streams, ми показали, як:

• Створіть свою першу програму IBM Streams без написання коду
• Створіть потокову програму Apache Kafka
• Створіть потокову програму за допомогою API Python
• Оцінюйте потокові дані за допомогою моделі машинного навчання

Тепер ви повинні мати фундаментальне розуміння IBM Streams та деяких його функцій. Якщо ви хочете дізнатися більше, подивіться на Вступ до потокової аналітики з IBM Streams відеоряд.