Resumo
Reconhecer números escritos à mão é algo extremamente fácil para humanos, mas não é tão simples assim para máquinas. Atualmente, por outro lado, com o avanço em machine learning, pessoas construíram máquinas mais capazes de desempenhar essa tarefa. Agora, nós temos aplicativos de bancos que podem escanear cheques em segundos e softwares de contabilidade que podem extrair dólares de milhares de contratos em minutos.
Descrição
Neste padrão de código você utilizará o Jupyter Notebook no IBM Watson Studio para acessar ambientes PyTorch pré-instalados e já otimizados no Python cliente library do Machine Learning Service. Essa library conta com um conjunto de APIs REST que permitem a criação de treinos, monitoramento de status, armazenamento e deploy de modelos.
Assim que você concluir este padrão de código, saberá como:
Criar um projeto no Watson Studio e usar Jupyter Notebook nele.
Usar Python cliente do Cloud Object Storage para criar buckets e subir dados para os buckets.
Criar treinos no PyTorch para o Watson Machine Learning Service.
Usar PyTorch já treinado para prever caracteres manuscritos de imagens.
Fluxo
Faça login no IBM Watson Studio.
Rode o Jupyter Notebook no Watson Studio.
Use PyTorch para baixar e processar os dados.
Use Watson Machine Learning para treinar e implementar modelos.
Instruções
Veja o manual detalhado no arquivo README. Esses passos mostrarão como:
Cadastrar-se no Watson Studio.
Criar um novo projeto.
Criar o notebook.
Criar uma instância Watson Learning Service.
Criar credenciais HMAC para uma instância Watson Object Storage.
Rodar o notebook.
...
Quer ler mais conteúdo especializado de programação? Conheça a IBM Blue Profile e tenha acesso a matérias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e dê um upgrade na sua carreira!
Categorias