Автор оригинала: Nathan Wies.
Ай трудно! Трансформация тензоров, очистки данных, создание сложных сетей Это все специализированные навыки, которые могут занять месяцы или даже годы, чтобы учиться. Но времена меняются. Предприятия понимают, что принятие штата АИ не является выбором.
Конечно, те, которые обременены фактически реализацией, что AI – это программное обеспечение. Высокоуровневые разговоры отлично, но кому-то нужно сделать это. Следующие учебные пособия описываются как использование AKKIO API, менее чем за 40 строк простого Python, вы можете тренировать и проводить прогнозы против расширенной модели.
Для начала нам нужно будет установить и импортировать библиотеку Akkio Python, которая обертывает наши запросы API.
!pip install akkio import akkio
После входа в Akkio клавиши API доступны на Страница настроек команды Отказ Также доступно здесь Отказ
akkio.api_key = '12345678-abcde-pi3-1415926535' # your api key goes here
Далее импортируйте Pandas и загрузите кадр данных с вашими данными. В этом примере мы будем использовать набор данных обзора, который содержит текст обзора, который обозначен положительным или отрицательным.
import pandas as pd
import time
df = pd.read_csv("Restaurant_Reviews.csv")
df
Для того, чтобы тренировать модель, которую мы сначала должны перенести набор данных в Akkio. Это можно сделать, создавая пустой объект набора данных, как так:
new_dataset = akkio.create_dataset('Restaurant_Reviews')
'''
{'dataset_id': 'HVINbyLG1j85XYjcduYu',
'dataset_name': 'Restaurant_Reviews',
'status': 'success'}
'''Перед добавлением схемы, то строки. API ожидает схема в форме Список словарей Каждый из них содержит имя поля и тип: [{«Имя»: «Имя поля 1», «Тип»: «Целое число»}, {...}, ...]
(Допустимые типы включают в себя: целое число, поплавок, текст, категорию, дата, идентификатор, неизвестен)
fields = [{'name': 'Review Text', 'type': 'text'}, {'name': 'Review', 'type': 'category'}]
akkio.set_dataset_fields(new_dataset['dataset_id'], fields)Он ожидает, что строки в следующем формате: [{'Имя поля 1': «Значение 1», «Имя поля 2»: 0}, {...}, ...]
Поскольку используемый набор данных иногда может быть довольно большим, мы кувыруем его в партиях 500 рядов
chunk_size = 500
for i in range(0, len(df), chunk_size):
rows = df[i:(i+chunk_size)].to_dict('records')
akkio.add_rows_to_dataset(new_dataset['dataset_id'], rows)Тогда мы можем создать модель, используя create_model Метод, используя «Юмор» столбец как наша цель.
[ ]
new_model = akkio.create_model(new_dataset['dataset_id'], ['Review'], [], {'duration': 3})Мы можем получить доступ к всем обученным моделям, используя API:
models = akkio.get_models()['models']
api_models = []
for model in models:
if "(model)" in model['name']:
api_models.append(model)
api_models
# [{'id': 'lh50m2ZepVB8eYuHPTsW', 'name': '(model) Restaurant_Reviews'}]
И выберите нашу модель из списка.
Затем, наконец, мы можем предсказать прогнозы, используя нашу модель, используя метод прогнозирования MESE, который вызывает обученную модель, кодирует вход и генерирует новый прогноз.
model = api_models[0]
prediction = akkio.make_prediction(model['id'], [{"Review Text": "Akkio"}], explain=False)
print(prediction)
# {'status': 'success', 'predictions': [{'Review': 'Positive', 'Probability Review is Negative': 0.14296989142894745, 'Probability Review is Positive': 0.8570300936698914}]}Как видите, Akkio – это простой способ добавить машину обучения в свой проект Python.
Это гостевая статья вносят вклад в команду Akkio.
Оригинал: “https://blog.finxter.com/add-machine-learning-to-your-python-project-in-30-lines-of-code/”