建立和發佈機器學習模型
假裝您擁有線上零售網站。 當您的客戶在零售網站購物時，您想要向他們提供個人化產品建議，以公開您企業提供的各種其他產品。 在您網站的存在期間，您不斷收集客戶資料，並想以某種方式利用這些資料產生個人化產品建議。
Adobe Experience Platform Data Science Workspace 提供使用預先建立的產品Recommendations配方來達成 目標的方式。請依照本教學課程，瞭解如何存取和瞭解您的零售資料、建立和最佳化機器學習模型，以及在Data Science Workspace中產生見解。
本教學課程反映Data Science Workspace的工作流程，並涵蓋建立機器學習模型的下列步驟：
快速入門
開始本教學課程之前，您必須具備下列必要條件：
-
存取Adobe Experience Platform。 如果您沒有Experience Platform中IMS組織的存取權，請在繼續之前先與系統管理員聯絡。
-
啟用資產。 請連絡您的帳戶代表，為您布建下列項目。
- Recommendations配方
- Recommendations輸入資料集
- Recommendations輸入模式
- Recommendations輸出資料集
- Recommendations輸出模式
- Golden Data Set postValues
- 金色資料集架構
-
從Adobepublic Git 儲存庫下載三個必需的Jupyter Notebook檔案，這些檔案將用於演示Data Science Workspace中的JupyterLab工作流。
對本教學課程中使用的下列主要概念有正確認識：
- Experience Data Model:由Adobe牽頭的標準化工作，為客戶體驗管理定 Profile 義標準架構（如和ExperienceEvent）。
- 資料集：實際資料的儲存和管理結構。 XDM架構的物理實例化實例。
- 批：資料集由批處理組成。 批是一組在一段時間內收集並作為單個單位一起處理的資料。
- JupyterLab: JupyterLab 是專案的開放原始碼Web介面， Jupyter 並緊密整合在 Experience Platform中。
準備您的資料
若要建立機器學習模型，向客戶提供個人化產品建議，您必須分析您網站上先前客戶購買的產品。 本節探討如何將此資料透過Adobe Analytics傳入至Platform，以及如何將該資料轉換為機器學習模型要使用的功能資料集。
探索資料並瞭解結構
登入Adobe Experience Platform並選取資料集以列出所有現有資料集，並選取您要探索的資料集。 在此例中，Analytics資料集Golden Data Set postValues。
資料集活動頁面隨即開啟，列出與資料集相關的資訊。 您可以選取右上角附近的預覽資料集來檢查範例記錄。 您也可以檢視所選資料集的架構。 在右側欄中選擇架構連結。 出現一個跳出窗口，選擇架構名稱下的連結將在新頁籤中開啟架構。
其他資料集已預先填入批次，以供預覽之用。 您可以重複上述步驟來檢視這些資料集。
| 資料集名稱 | 結構 | 說明 |
|---|---|---|
| Golden Data Set postValues | Golden Data Set架構 | Analytics 您網站的來源資料 |
| Recommendations輸入資料集 | Recommendations輸入模式 | 使用特徵管線將Analytics資料轉換為訓練資料集。 此資料用來訓練產品Recommendations機器學習模型。 itemid 並對 userid 應該客戶購買的產品。 |
| Recommendations輸出資料集 | Recommendations輸出模式 | 儲存計分結果的資料集，會包含每個客戶的建議產品清單。 |
製作您的型號
Data Science Workspace生命週期的第二個元件涉及編寫配方和模型。 「產品Recommendations配方」旨在利用過去的購買資料和機器學習，大規模地產生產品建議。
配方是模型的基礎，因為配方包含機器學習演算法和邏輯，可解決特定問題。 更重要的是，配方可讓您在組織內普及機器學習，讓其他使用者存取不同使用案例的模型，而不需撰寫任何程式碼。
探索產品Recommendations配方
在Experience Platform中，從左側導覽欄瀏覽至Models，然後在頂端導覽中選取Recipes，以檢視組織的可用配方清單。
接著，選取提供的Recommendations配方名稱，找出並開啟。 此時將顯示「配方概述」頁。
然後，在右側邊欄中，選擇Recommendations輸入方案以查看為方式供電的方案。 架構欄位"itemId"和"userId"對應於該客戶在特定時間(timestamp)購買的產品(interactionType)。 請遵循相同的步驟，查看Recommendations輸出方案的欄位。
您現在已檢閱了「產品Recommendations方式」所需的輸入和輸出結構。 請繼續下一節，瞭解如何建立、訓練和評估產品Recommendations模型。
培訓並評估型號
現在您的資料已備妥，配方已準備就緒，您可以建立、訓練和評估機器學習模型。
建立模型
「模型」是「方式」的例項，可讓您以規模來訓練和評分資料。
在Experience Platform中，從左側導覽欄瀏覽至Models，然後在頂端導覽中選取Recipes。 這會顯示組織的可用方式清單。選擇產品建議方式。
從配方頁面中，選擇建立模型。
建立模型工作流從選擇配方開始。 選擇Recommendations配方，然後選擇右上角的Next。
接下來，提供模型名稱。 列出模型的可用配置，其中包含模型預設培訓和計分行為的設定。 查看配置並選擇完成。
系統會將您的模型概觀頁面重新導向，並重新產生訓練執行。 在建立模型時，預設情況下會生成培訓運行。
您可以選擇等待培訓執行完成，或在下節中繼續建立新的培訓執行。
使用自訂超參數訓練模型
在模型概述頁面上，選擇右上角附近的Train以建立新的訓練執行。 選擇建立模型時使用的相同輸入資料集，然後選擇Next。
此時將顯示Configuration頁。 您可以在這裡設定訓練執行num_recommendations值，也稱為超參數。 訓練和優化的模型將根據訓練結果利用效能最佳的超參數。
無法學習超參數，因此必須在訓練執行之前先指派超參數。 調整超參數可能會改變訓練模型的精度。 由於模型的優化是一個迭代過程，因此在獲得滿意的評估之前可能需要多次培訓運行。
將num_recommendations設為10。
模型評估圖表上會顯示其他資料點。 執行完成後，最多可能需要幾分鐘的時間才會顯示此項目。
評估模型
每次訓練執行完成時，您都可以檢視產生的評估量度，以判斷模型執行的成效。
要查看每個已完成培訓運行的評估度量（「精確度」和「召回率」），請選擇培訓運行。
您可以探索每個評估度量所提供的資訊。 這些量度越高，模型的執行效果越好。
您可以在右側導軌上查看用於每個培訓執行的資料集、結構和組態參數。 返回「模型」頁面，並透過觀察其評估度量來識別執行成效最佳的培訓。
實施您的型號
Data Science工作流程的最後一步是將您的模型實際運作，以便從資料儲存區獲得分數和使用見解。
分數並產生見解
在產品建議模型概述頁面上，選取效能最佳的訓練執行名稱，並具有最高召回率和精確度值。
然後，在訓練執行詳細資訊頁面的右上方，選取Score。
接著，選取Recommendations輸入資料集作為計分輸入資料集，此資料集與您建立模型並執行其訓練執行時使用的資料集相同。 然後，選擇Next。
在您取得輸入資料集後，選取Recommendations輸出資料集作為計分輸出資料集。 計分結果會以批次形式儲存在此資料集中。
最後，檢閱計分設定。 這些參數包含您先前選取的輸入和輸出資料集以及適當的結構描述。 選擇完成開始計分運行。 執行可能需要數分鐘才能完成。
檢視獲得的深入資訊
計分執行成功完成後，您就可以預覽結果並檢視產生的見解。
在計分執行頁面上，選取已完成的計分執行，然後選取右側導軌上的「預覽計分結果資料集」。
在預覽表格中，每一列包含特定客戶的產品建議，分別標示為recommendations和userId。 由於範例螢幕擷取畫面中的num_recommendations超參數設為10，因此每列建議最多可包含10個產品身分識別碼(#)。
下一步
本教學課程將您介紹Data Science Workspace的工作流程，以示範如何透過機器學習將原始資料轉換為有用的資訊。 若要進一步瞭解如何使用Data Science Workspace，請繼續至上的下一份指南，以建立零售銷售模式和資料集。
本頁內容
