在这篇文章中，你可以访问InterSystems开发者社区中与学习InterSystems IRIS最相关主题的文章库。找到按机器学习、嵌入式Python、JSON、API和REST应用、管理和配置InterSystems环境、Docker和云、VSCode、SQL、分析/BI、全局、安全、DevOps、互操作性、Native API排列的顶级发表的文章。快来享受学习的乐趣吧!

机器学习

机器学习是建立先进的数据分析和自动化人工活动的一种必要的技术，具有很好的效率。它可以创建认知模型，从现有的数据中学习，并根据其自我调整的算法进行预测、概率计算、分类、识别和 "非创造性 "的人类活动的自动化。

在所有情况下，InterSystems IRIS作为一个数据平台和环境来创建、执行、提供和使用这些机器学习模型。IRIS能够从SQL命令（IntegratedML）中使用ML，使用嵌入式Python和PMML（预测模型标记语言）来执行ML。你可以在以下文章中查看它的功能:

亲爱的社区开发者们，大家好！

InterSystems 开发者竞赛：人工智能与机器学习 圆满结束，现已决出优胜者！

让我们把掌声送给以下开发者！

Covid-19 肺部 X 射线分类和 CT 检测演示 关键字：COVID-19，医学影像，深度学习，PACS Viewer 和 HealthShare。

目的

在这场史无前例的新冠疫情笼罩之下， 我们竭尽所能为客户提供支援，同时利用先进的 AI 技术观察着不同的疫情战线。

去年，我简单提及了一个深度学习演示环境。 在这个漫长的复活节周末，我们就来看一看现实世界的图像，在 Covid-19 肺部 X 射线数据集上测试运行一些深度学习模型以进行快速分类，并见证这类用于 X 射线甚至 CT 的工具如何通过 docker 等方式快速部署到云端，实现及时的“AI 分诊”并协助放射科医生。

这只是一个 10 分钟的快速笔记，希望通过简单的方法帮助各位上手实践。

在这篇文章中，我试图找出多个领域来开发我们能够使用python和机器学习的功能。

每家医院都在努力利用技术和服务来提高其服务质量和效率。

医疗保健部门是一个非常大的、可供选择的服务领域，而python是做机器学习的最好技术之一。

在每个医院里，人们都会有一些感觉，如果这种感觉能够被计算机理解，使用技术就有机会提供更好的服务。

在这里，我们可以把这两者结合起来，在医疗部门，我正试图理解/识别各种选择，以提供更好的服务。

首先，我们可以尝试使用python的机器学习来识别人并了解他们目前的感受。比如，在医院信息系统中，每个病人至少有一张照片，使用该照片我们可以识别病人，然后一旦病人到达医院，使用视频监控和机器学习技术需要识别这个人的感觉。

在医院设施中会看到多种类型的感觉。

1）紧张

2）平静和冷静

3) 哭泣

4) 暴力的病人/亲属

5) 生病的病人

6) 高烧鉴定

像上面的情况，我们可以看到多种不同的类型。

如果一个已经登记的病人发高烧，那么使用闭路电视识别这个病人的情况，并捕捉温度热像仪，护理人员可以给予更好的支持，这在接待服务领域是非常大的区别。

几个月前，我在 MIT Technology Review 读到一篇很有意思的文章，作者解释了新冠疫情如何给全球 IT 团队带来关乎机器学习 (ML) 系统的难题。

这篇文章引起我对 ML 模型部署后如何处理性能问题的思考。

我在一个 Open Exchange 技术示例应用 (iris-integratedml-monitor-example) 中模拟了一个简单的性能问题场景，并提交到 InterSystems IRIS AI Contest。 读完这篇文章后您可以去看看，如果喜欢，就请投我一票吧！ :)

继上一部分，现在要利用 IntegratedML VALIDATION MODEL 语句提供信息以监视您的 ML 模型。 您可以在此处观看实际运作。

此处所示代码衍生自 InterSystems IntegragedML 模板或 IRIS 文档提供的示例，我主要是把代码混合了起来。 这是一个简单的示例，目的是为进一步讨论和未来工作提供一个起点。

使用 IRIS 和 Python 创建聊天机器人

本文将展示如何把 InterSystems IRIS 数据库与 Python 集成，以服务于自然语言处理 (NLP) 的机器学习模型。

为什么选择 Python？

随着在世界范围内的广泛采用和使用，Python 拥有了出色的社区，以及许多加速器 | 库用于部署任何类型的应用。 如果您感兴趣，请访问 https://www.python.org/about/apps/

Iris Globals

我接触到 ^globals 后很快就熟悉了，它们可以用作快速获取现成数据模型中数据的方法。 因此，首先，我将使用 ^globals 存储训练数据和对话以记录聊天机器人的行为。

Intersystems IRIS 是开发、运行和消耗数据科学服务的绝佳平台。 IRIS 可以使用适配器从任何类型、格式、协议和时间提取数据。 这些数据集可以通过 BPL、DTL 和 Object Script 准备，并存储为 SQL 或 NoSQL 数据。 最后，它可以被 IRIS 内部的开放 ML 算法所消耗，并在 IRIS 仪表板中可视化。 了解详情：https://docs.intersystems.com/irislatest/csp/docbook/Doc.View.cls?KEY=PAGE_data_science。

关键字：IRIS，IntegratedML，Flask，FastAPI，TensorFlow Serving，HAProxy，Docker，Covid-19

目的：

过去几个月里，我们提到了一些深度学习和机器学习的快速演示，包括一个简单的 Covid-19 X 射线图像分类器和一个用于可能的 ICU 入院的 Covid-19 实验室结果分类器。 我们还介绍了 ICU 分类器的 IntegratedML 演示实现。 虽然“数据科学”远足仍在继续，但从“数据工程”的角度来看，或许也是尝试一些 AI 服务部署的好时机 - 我们能否将目前所接触到的一切都封装成一套服务 API？ 我们可以利用哪些常用的工具、组件和基础架构，以最简单的方式实现这样的服务堆栈？

什么是分布式人工智能 (DAI)？

试图找到一个“无懈可击”的定义是徒劳的：这个术语似乎有些“超前”。 但是，我们仍然可以从语义上分析该术语本身，推导出分布式人工智能也是人工智能（请参见我们为提出一个“实用”定义所做的努力），只是它分布在多台没有聚合在一起（既不在数据方面，也不通过应用程序聚合，原则上不提供对特定计算机的访问）的计算机上。 即，在理想情况下，分布式人工智能的安排方式是：参与该“分布”的任何计算机都不能直接访问其他计算机的数据和应用程序，唯一的替代方案是通过“透明的”消息传递来传输数据样本和可执行脚本。 与该理想情况的任何偏差都会导致出现“部分分布式人工智能”- 一个示例是通过中央应用程序服务器分发数据， 或者其反向操作。 不管怎样，我们都会得到一组“联合”模型（即，在各自数据源上训练的模型，或者按自己的算法训练的模型，或者同时以这两种方式训练的模型）。

关键字：IRIS, IntegratedML, 机器学习, Covid-19, Kaggle

目的

最近，我注意到一个用于预测 Covid-19 患者是否将转入 ICU 的 Kaggle 数据集。 它是一个包含 1925 条病患记录的电子表格，其中有 231 列生命体征和观察结果，最后一列“ICU”为 1（表示是）或 0（表示否）。 任务是根据已知数据预测患者是否将转入 ICU。

这个数据集看起来是所谓的“传统 ML”任务的一个好例子。数据看上去数量合适，质量也相对合适。它可能更适合在 IntegratedML 演示套件上直接应用，那么，基于普通 ML 管道与可能的 IntegratedML 方法进行快速测试，最简单的方法是什么？