建立並發佈機器學習模型

以下指南說明建立和發佈機器學習模型所需的步驟。 每個區段都包含您所要執行的操作的說明，以及UI和API檔案的連結，以便執行所述步驟。

快速入門

開始進行本教學課程之前，您必須具備下列必要條件：

探索資料並瞭解結構描述

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。 在此情況下，您應選取 Luma網頁資料 資料集。

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 預覽資料集 右上角附近，檢查範例記錄。 您也可以檢視所選資料集的結構描述。

選取右側欄中的結構描述連結。 彈出視窗隨即顯示，請選取下方的連結 結構描述名稱 在新標籤中開啟結構。

您可以使用提供的探索資料分析(EDA)筆記本進一步探索資料。 此筆記本可用來協助瞭解Luma資料中的模式、檢查資料是否健全以及總結預測性傾向模型的相關資料。 若要進一步瞭解探索資料分析，請造訪 EDA檔案.

建立Luma傾向配方 author-your-model

的主要元件 Data Science Workspace 生命週期涉及編寫配方和模型。 Luma傾向模型旨在預測客戶是否有從Luma購買產品的高傾向。

若要建立Luma傾向模型，系統會使用配方產生器範本。 配方是模型的基礎，因為它們包含為解決特定問題而設計的機器學習演演算法和邏輯。 更重要的是，訣竅可讓您普及整個組織的機器學習，讓其他使用者不需撰寫任何程式碼即可存取不同使用案例的模型。

請遵循 使用JupyterLab Notebooks建立模型 教學課程，建立用於後續教學課程的Luma傾向模型配方。

從外部來源匯入及封裝配方(可選)

如果您想要匯入並封裝配方以用於Data Science Workspace，您必須將來源檔案封裝到封存檔案中。 請遵循 將來源檔案封裝到配方中 教學課程。 本教學課程說明如何將來源檔案封裝到配方中，這是將配方匯入資料科學工作區的必要步驟。 完成本教學課程後，Azure容器登入中會為您提供Docker影像，以及對應的影像URL，換句話說，即封存檔案。

此封存檔案可用於在Data Science Workspace中建立配方，方法是使用配方匯入工作流程 UI工作流程 或 API工作流程.

訓練及評估模型 train-and-evaluate-your-model

現在您的資料已備妥且配方已備妥，您便能進一步建立、訓練及評估您的機器學習模型。 使用配方產生器時，您應該先訓練、評分和評估模型，再將其封裝到配方中。

資料科學工作區UI和API可讓您以模型形式發佈配方。 此外，您可以進一步微調模型的特定方面，例如新增、移除和變更超引數。

建立一個模式

若要瞭解有關使用UI建立模型的詳細資訊，請造訪火車，並在資料科學工作區中評估模型 UI教學課程 或 api教學課程. 本教學課程提供如何建立、訓練及更新超引數以微調模型的範例。

為模型評分 score-a-model

建立和發佈模型的下一步是將模型投入運作，以便對Data Lake和即時客戶個人檔案的深入分析進行評分和使用。

將輸入資料饋送至現有的已訓練模型，即可達到「資料科學工作區」中的評分。 評分結果會儲存於指定的輸出資料集，並可作為新批次檢視。

若要瞭解如何為模型評分，請造訪模型評分 UI教學課程 或 api教學課程.

將已評分的模型發佈為服務

Data Science Workspace可讓您將經過訓練的模型發佈為服務。 這可讓貴組織內的使用者對資料評分，而不需要建立自己的模型。

若要瞭解如何將模型發佈為服務，請造訪 UI教學課程 或 api教學課程.

排程服務的自動化訓練

將模型發佈為服務後，您就可以為機器學習服務設定已排程的評分和訓練回合。 自動化訓練和評分程式，可隨時掌握資料中的模式，協助維持及改善服務的效率。 造訪 在資料科學工作區UI中排程模型 教學課程。

後續步驟 next-steps

Adobe Experience Platform Data Science Workspace 提供建立、評估及利用機器學習模型的工具和資源，以產生資料預測和見解。 將機器學習深入分析擷取至 Profile-enabled資料集，相同的資料也會擷取為 Profile 接著可使用下列方式分段的記錄： Adobe Experience Platform Segmentation Service.

在擷取設定檔和時間序列資料時，即時客戶設定檔會透過稱為串流細分的持續程式，自動決定從區段包含或排除該資料，然後再將其與現有資料合併並更新聯合檢視。 因此，您可以即時執行計算並作出決定，在客戶與您的品牌互動時，向客戶傳遞增強、個人化的體驗。

造訪的教學課程 透過機器學習深入分析來擴充即時客戶設定檔 以進一步瞭解如何使用機器學習深入分析。