Skapa och publicera en maskininlärningsmodell

I följande guide beskrivs de steg som krävs för att skapa och publicera en maskininlärningsmodell. Varje avsnitt innehåller en beskrivning av vad du ska göra och en länk till användargränssnittet och API-dokumentationen för att utföra det beskrivna steget.

Komma igång

Innan du startar den här självstudiekursen måste du ha följande krav:

Utforska data och förstå scheman

Logga in på Adobe Experience Platform och markera Datasets för att lista alla befintliga datauppsättningar och välja den datauppsättning som du vill utforska. I det här fallet bör du välja Luma-webbdata datauppsättning.

Sidan för datauppsättningsaktivitet öppnas med information om datauppsättningen. Du kan välja Preview Dataset nära det övre högra hörnet för att undersöka exempelposter. Du kan även visa schemat för den valda datauppsättningen.

Markera schemalänken i den högra listen. En pekare visas och länken under schema name öppnar schemat på en ny flik.

Du kan utforska data ytterligare med den tillhandahållna EDA-anteckningsboken (Exploratory Data Analysis). Den här anteckningsboken kan användas för att förstå mönster i Luma-data, kontrollera datavården och sammanfatta relevanta data för den prediktiva benägenhetsmodellen. Mer information om dataanalys finns på EDA-dokumentation.

Skapa receptet för lumabenägenhet author-your-model

En huvudkomponent i Data Science Workspace livscykel innebär att skapa recept och modeller. Lumatbenägenhetsmodellen är utformad för att generera en prognos över om kunderna har en hög benägenhet att köpa en produkt från Luma.

Om du vill skapa en Luma-benägenhetsmodell används mallen recept builder. Recept är grunden för en modell eftersom de innehåller algoritmer för maskininlärning och logik som utformats för att lösa specifika problem. Viktigast av allt är att Recipes ger er möjlighet att demokratisera maskininlärningen i hela organisationen så att andra användare kan komma åt en modell för olika användningsområden utan att behöva skriva någon kod.

Följ skapa en modell med JupyterLab-anteckningsböcker självstudiekurs för att skapa receptet för lumabenägenhet, som används i efterföljande självstudiekurser.

Importera och paketera ett recept från externa källor (valfri)

Om du vill importera och paketera ett recept som ska användas i arbetsytan Data Science måste du paketera källfilerna i en arkivfil. Följ paketera källfiler i ett recept självstudiekurs. I den här självstudiekursen visas hur du paketerar källfiler i ett recept, vilket är ett nödvändigt steg för att importera ett recept till arbetsytan Data Science. När självstudiekursen är klar får du en dockningsbild i ett Azure-behållarregister tillsammans med motsvarande bild-URL, med andra ord en arkivfil.

Den här arkivfilen kan användas för att skapa ett recept i arbetsytan Data Science genom att följa arbetsflödet för receptimport med Arbetsflöde för användargränssnitt eller API-arbetsflöde.

Utbildning och utvärdering av modell train-and-evaluate-your-model

Nu när dina data är förberedda och ett recept är klart kan du skapa, utbilda och utvärdera din maskininlärningsmodell ytterligare. När du använder Recipe Builder bör du ha utbildat dig, fått poäng och utvärderat din modell innan du paketerar den i ett recept.

Med gränssnittet och API:t för arbetsytan Data Science kan du publicera ditt recept som en modell. Dessutom kan du finjustera specifika aspekter av modellen ytterligare, t.ex. lägga till, ta bort och ändra hyperparametrar.

Skapa en modell

Om du vill veta mer om hur du skapar en modell med hjälp av användargränssnittet går du till tåget och utvärderar en modell i arbetsytan för datavetenskap Självstudiekurs om användargränssnitt eller API, genomgång. I den här självstudiekursen får du ett exempel på hur du skapar, utbildar och uppdaterar hyperparametrar för att finjustera modellen.

Posta en modell score-a-model

Nästa steg på vägen mot att skapa och publicera en modell är att driftsätta modellen för att få kunskap om datarjön och kundprofil i realtid.

Du kan göra en bedömning i datavetenskapens arbetsyta genom att mata in indata i en befintlig utbildad modell. Resultat av poängsättningen lagras och kan visas i en angiven utdatamängd som en ny grupp.

Om du vill veta hur du kan göra en modellpoäng kan du gå till en modell Självstudiekurs om användargränssnitt eller API, genomgång.

Publicera en poängsatt modell som en tjänst

Med Data Science Workspace kan du publicera din tränade modell som en tjänst. Detta gör det möjligt för användare i organisationen att få fram data utan att behöva skapa egna modeller.

Om du vill veta hur du publicerar en modell som en tjänst går du till Självstudiekurs om användargränssnitt eller API, genomgång.

Schemalägg automatiserad utbildning för en tjänst

När du har publicerat en modell som en tjänst kan du konfigurera schemalagda poängsättnings- och utbildningskörningar för maskininlärningstjänsten. Genom att automatisera utbildnings- och poängprocessen kan du behålla och förbättra en tjänsts effektivitet genom att hålla jämna steg med era datamönster. Besök schemalägga en modell i användargränssnittet för datavetenskapen självstudiekurs.

Nästa steg next-steps

Adobe Experience Platform Data Science Workspace innehåller verktyg och resurser för att skapa, utvärdera och använda maskininlärningsmodeller för att generera dataprognoser och insikter. När maskininlärningsinsikter hämtas till en Profile-aktiverad datauppsättning, att samma data också hämtas som Profile poster som sedan kan segmenteras med Adobe Experience Platform Segmentation Service.

När data från profil- och tidsserier hämtas bestämmer kundprofilen i realtid automatiskt att inkludera eller exkludera data från segment genom en pågående process som kallas direktuppspelningssegmentering, innan den sammanfogas med befintliga data och unionsvyn uppdateras. Resultatet blir att ni omedelbart kan utföra beräkningar och fatta beslut för att leverera förbättrade, individanpassade upplevelser till kunderna när de interagerar med ert varumärke.

Gå till självstudiekursen för berika kundprofilen i realtid med maskininlärningsinsikter om du vill veta mer om hur du kan använda maskininlärningsinsikter.