Это один из самых известных кодексов поведения: «Маги никогда не раскрывают свои секреты». Но бывают редкие моменты, когда аудитория настолько поражена, настолько поражена чувством «того, что только что произошло», что было бы почти жестоко не раскрыть им секрет.
В IBM Watson® Machine Learning мы не могли не показать вам, как мы вытащили кроличий конвейер из волшебной шляпы данных, и мы с гордостью объявляем об общедоступной функции AutoAI Notebooks.
С помощью этой функции мы приглашаем пользователей AutoAI, озадаченных его магией машинного обучения, заглянуть за отмеченный наградами пользовательский интерфейс и напрямую взаимодействовать с API и кодом, на которых работает механизм AutoAI. Блокноты AutoAI состоят из автоматически сгенерированного кода Python и вызовов API, которые предлагают пользователям экскурсию по всем автоматизированным шагам, которые AutoAI выполняет при создании современных конвейеров машинного обучения. Предоставление API-интерфейсов и шагов дает пользователям возможность программно взаимодействовать и настраивать свои конвейеры и эксперименты AutoAI.
Для тех читателей, которые плохо знакомы с Watson Machine Learning, AutoAI - это автоматизированный инструмент машинного обучения, который полностью интегрирован в Watson Studio в Cloud Pak for Data ™. AutoAI делает за считанные минуты то, что обычно занимает от нескольких часов до нескольких дней для целых групп специалистов по данным. Это включает в себя подготовку данных, разработку модели, разработку функций и оптимизацию гиперпараметров. Найдите минутку, чтобы узнать больше о IBM AutoAI в действии: два реальных приложения.
Посетите Watson Studio сегодня, чтобы начать работу и испытать этот продукт на себе!
Садитесь в волшебный школьный автобус
В IBM Watson Studio мы знаем, что если бы специалисты по обработке данных были Карим Абдул-Джаббар, то Notebooks были бы их Sky Hook. Так что, если вы на мгновение побалете нас ребенком из 90-х, мы будем стараться изо всех сил »Ms. Frizzle »и познакомим вас с ноутбуками AutoAI, которые недавно стали общедоступными, с выделением некоторых ключевых функций и доступных вариантов настройки.
Начнем с некоторых примеров данных. В этом эксперименте мы будем использовать набор данных с различной информацией об автомобилях для прогнозирования категорий рискованности страхования. Подробнее о наборе данных и инструкции по загрузке.
Наш первый шаг - добавить эти данные в проект и запустить эксперимент AutoAI:
Блокноты конвейера
Вот часть, где вы говорите: «Но подождите, как они это сделали?» Что ж, давайте покажем вам. Первый тип записной книжки, доступный пользователям, можно найти в таблице лидеров конвейера:
Для каждого конвейера, созданного AutoAI, мы предоставляем пользователям пошаговое руководство по коду для приема данных, разделения обучающих и тестовых наборов, а также для построения поезда и оценки конвейера. Это позволяет любознательному специалисту по обработке данных увидеть, что заставило их выигрышный конвейер (или любой другой сгенерированный конвейер, если на то пошло) работать, а с доступом к исходному коду пользователи могут настраивать конвейеры в соответствии со своими потребностями.
Блокноты для экспериментов
Но мы не хотели останавливаться на достигнутом. После предварительной обработки данных для эксперимента мы также даем пользователям представление обо всем процессе AutoAI с помощью Блокнота, который проведет их через весь эксперимент!
В этой записной книжке есть несколько важных разделов. В первом разделе представлен код Python и API для обзора только что запущенного эксперимента. В этом разделе пользователи могут загружать сведения об эксперименте и просматривать сводные таблицы и графики созданных конвейеров.
Далее идет раздел, который позволяет пользователям проверять любой из конвейеров эксперимента, с фантастической визуализацией конвейера, построенной на пакете Lale, что дает пользователям гораздо более ощутимое представление о том, из чего состоит каждый конвейер, созданный AutoAI. Пользователи также могут щелкнуть любой узел в визуализации конвейера, чтобы прочитать документацию о преобразователе этого узла:
Чтобы воспользоваться всеми преимуществами Watson Studio, мы также предоставляем инструкции и код для интеграции этого эксперимента в другие предложения жизненного цикла науки о данных. Например, на изображении ниже мы показываем, как развернуть конвейер как REST API, который возвращает прогнозы онлайн:
Наконец, с последним разделом в записной книжке пользователи могут запустить весь эксперимент AutoAI, от приема данных до оптимального выбора конвейера, с помощью одного вызова API, который дает пользователям возможность интегрировать AutoAI непосредственно в другие рабочие процессы:
Обе записные книжки, описанные в этом посте, делают возможности AutoAI намного более доступными для пользователей, которым нужна дополнительная настройка и возможность делиться своей работой и интегрировать исходный код в другие свои проекты.
Чтобы испытать AutoAI и Notebooks, посетите Watson Studio.
Удачного моделирования!
