Самым сложным решением в процессе построения модели машинного обучения является выбор алгоритма.
Алгоритм должен быть точным и в то же время оптимизированным. Что, если бы существовал инструмент, который помог бы вам выбрать алгоритм на основе загруженных вами данных? Тебе повезло.
AutoAI в Watson Studio
AutoAI в Watson Studio - это графический инструмент, который автоматически анализирует ваши данные и генерирует конвейеры моделей кандидатов, настроенные для вашей задачи прогнозного моделирования. Эти конвейеры модели создаются с течением времени по мере того, как алгоритмы AutoAI узнают больше о вашем наборе данных и обнаруживают преобразования данных, алгоритмы оценки и настройки параметров, которые лучше всего подходят для постановки вашей проблемы. Результаты отображаются в таблице лидеров, в которой показаны автоматически сгенерированные конвейеры модели, ранжированные в соответствии с целью оптимизации вашей задачи.
Процесс AutoAI
Используя Auto AI, вы можете создать и развернуть модель машинного обучения со сложными функциями обучения и без программирования. Инструмент делает большую часть работы за вас.
Учебное пособие: построение, развертывание, тестирование, мониторинг и переобучение модели
Я рад представить вам руководство с пошаговыми инструкциями, которые проведут вас через весь процесс:
- Построение модели прогнозирующего машинного обучения с использованием AutoAI.
- Развертывание как API для использования в приложениях.
- Тестирование модели.
- Мониторинг модели с помощью Watson OpenScale.
- Переобучение модели с использованием данных обратной связи.
Все это происходит в интегрированной унифицированной среде самообслуживания в IBM Cloud.
В этом руководстве набор данных о цветках ириса используется для создания модели машинного обучения для классификации видов цветов.
Следуя инструкциям в руководстве, вы создадите проект Watson Studio, свяжете с проектом службу Watson Machine Learning (WML) и добавите эксперимент AutoAI. Затем эксперимент AutoAI будет использовать набор данных IRIS, чтобы рекомендовать несколько конвейеров. Конвейер с максимальной точностью будет сохранен как модель машинного обучения, а затем развернут.
После того, как AutoAI завершит выполнение эксперимента, результат будет примерно таким:
Следующим шагом будет Мониторинг развернутой модели машинного обучения с помощью OpenScale.
