Lernprogramme für den Schnelleinstieg
Nutzen Sie die Lernprogramme für den Schnelleinstieg, um zu lernen, wie Sie bestimmte Tasks ausführen, z. B. Daten optimieren oder ein Modell erstellen. Diese Lernprogramme helfen Ihnen, schnell zu lernen, wie Sie eine bestimmte Task oder Gruppe zusammengehöriger Tasks ausführen.
Wenn Sie lernen möchten, wie bestimmte Anwendungsfälle implementiert werden, ziehen Sie die Lernprogramme für Anwendungsfällein Betracht. Die Lernprogramme für Anwendungsfälle unterstützen Sie beim Testen von Data-Fabric-Anwendungsfällen wie Datenintegration oder beim Erstellen und Regeln von KI-Anwendungsfällen wie Data Science und MLOps.
Die Lernprogramme für den Schnelleinstieg sind nach Task kategorisiert:
Für jedes Lernprogramm ist mindestens eine Serviceinstanz erforderlich. Einige Services sind in mehreren Lernprogrammen enthalten. Die Lernprogramme sind nach Task gruppiert. Sie können mit einer beliebigen Task beginnen. Jedes dieser Lernprogramme enthält eine Beschreibung des Tools, ein Video, die Anweisungen und zusätzliche Lernressourcen.
Die Tags für jedes Lernprogramm beschreiben den Grad des Fachwissens (, oder ) und den Umfang der erforderlichen Codierung (, oder ).
Voraussetzung
Voraussetzung für alle Lernprogramme ist die Registrierung oder Teilnahme an einem Cloud Pak for Data as a Service -Konto.
Nachdem Sie diese Lernprogramme abgeschlossen haben, lesen Sie den Abschnitt Weitere Lernressourcen , um Ihr Lernen fortzusetzen.
Daten vorbereiten
Um mit der Vorbereitung, Transformation und Integration von Daten zu beginnen, sollten Sie sich mit dem gesamten Workflow vertraut machen, ein Lernprogramm auswählen und sich weitere Lernressourcen für die Arbeit auf der Plattform ansehen.
Ihr Datenbereitstellungsworkflow hat diese grundlegenden Schritte:
Sie erstellen ein Projekt.
Erstellen Sie bei Bedarf die Serviceinstanz, die das Tool bereitstellt, das Sie verwenden möchten, und ordnen Sie es dem Projekt zu.
Fügen Sie Daten zu Ihrem Projekt hinzu. Sie können Datendateien aus Ihrem lokalen System, Daten aus einer fernen Datenquelle, zu der Sie eine Verbindung herstellen, Daten aus einem Katalog oder Beispieldaten aus dem Ressourcenhub hinzufügen.
Wählen Sie ein Werkzeug, um Ihre Daten zu analysieren. Jedes der Lernprogramme beschreibt ein Tool.
Führen Sie einen Job aus oder planen Sie ihn, um Ihre Daten vorzubereiten.
Lernprogramme zum Vorbereiten von Daten
Jede dieser Lernprogramme enthält eine Beschreibung des Tools, ein Video, die Anweisungen und zusätzliche Lernressourcen:
| Lernprogramm | Beschreibung | Fachkenntnisse für das Lernprogramm |
|---|---|---|
| Daten mit Data Refinery verfeinern und darstellen | Tabellendaten mit einem grafischen Ablaufeditor vorbereiten und darstellen. | Wählen Sie Operationen zum Bearbeiten von Daten aus. |
| Daten mit DataStage transformieren | Datenintegrationsablauf zum Filtern und Sortieren von Tabellen mit einem grafischen Ablaufeditor entwerfen. | Ziehen Sie Daten-und Operationsknoten in einen Erstellungsbereich und wählen Sie Eigenschaften aus. |
| Daten virtualisieren | Erstellen Sie eine virtualisierte Tabelle, indem Sie zwei Tabellen verknüpfen. | Wählen Sie Tabellen aus und verbinden Sie die Primärschlüsselspalten. |
Daten analysieren und visualisieren
Um mit der Analyse und Visualisierung von Daten zu beginnen, sollten Sie den gesamten Workflow verstehen, ein Lernprogramm auswählen und sich weitere Lernressourcen für die Arbeit mit anderen Tools ansehen.
Ihr Analyse-und Visualisierungs-Datenworkflow hat diese grundlegenden Schritte:
Sie erstellen ein Projekt.
Erstellen Sie bei Bedarf die Serviceinstanz, die das Tool bereitstellt, das Sie verwenden möchten, und ordnen Sie es dem Projekt zu.
Fügen Sie Daten zu Ihrem Projekt hinzu. Sie können Datendateien aus Ihrem lokalen System, Daten aus einer fernen Datenquelle, zu der Sie eine Verbindung herstellen, Daten aus einem Katalog oder Beispieldaten aus dem Ressourcenhub hinzufügen.
Wählen Sie ein Werkzeug, um Ihre Daten zu analysieren. Jedes der Lernprogramme beschreibt ein Tool.
Lernprogramme für die Analyse und Visualisierung von Daten
Jede dieser Lernprogramme enthält eine Beschreibung des Tools, ein Video, die Anweisungen und zusätzliche Lernressourcen:
| Lernprogramm | Beschreibung | Fachkenntnisse für das Lernprogramm |
|---|---|---|
| Daten in einem Jupyter-Notebook analysieren | Daten laden, ein Notebook ausführen und anderen zur Verfügung stellen. | Lernen Sie generierten Python -Code kennen. |
| Daten mit Data Refinery verfeinern und darstellen | Tabellendaten mit einem grafischen Ablaufeditor vorbereiten und darstellen. | Wählen Sie Operationen zum Bearbeiten von Daten aus. |
Modelle erstellen, bereitstellen und als vertrauenswürdig definieren
Um mit der Erstellung, Bereitstellung und dem Vertrauen von Modellen zu beginnen, sollten Sie sich mit dem gesamten Workflow vertraut machen, ein Lernprogramm auswählen und andere Lernressourcen für die Arbeit auf der Plattform kennenlernen.
Der KI-Lebenszyklus umfasst die folgenden verschiedenen Phasen:
- Bereich definieren: Beginnen Sie mit der Definition des Projektbereichs, indem Sie die wichtigsten Ziele und Anforderungen angeben.
- Daten vorbereiten: Daten für die Verwendung mit Algorithmen für maschinelles Lernen erfassen und vorbereiten.
- Modell erstellen: Entwickeln und optimieren Sie das KI-Modell, um das definierte Problem zu lösen, indem Sie das Modell mit vorbereiteten Daten trainieren.
- Modell bereitstellen: Implementieren Sie das Modell in der Produktion, nachdem der Build abgeschlossen ist.
- Pipeline automatisieren: Automatisieren Sie den Pfad zur Produktion, indem Sie Teile des KI-Lebenszyklus automatisieren.
- Leistung überwachen: Bewerten Sie die Leistung Ihres Modells auf Fairness, Qualität, Drift und Erklärbarkeit.
Das folgende Diagramm zeigt die Phasen des KI-Lebenszyklus:
Ihr Workflow zum Erstellen, Bereitstellen und Vertrauen von Modellen umfasst die folgenden grundlegenden Schritte:
Sie erstellen ein Projekt.
Erstellen Sie bei Bedarf die Serviceinstanz, die das Tool bereitstellt, das Sie verwenden möchten, und ordnen Sie es dem Projekt zu.
Wählen Sie ein Tool zum Erstellen, Bereitstellen und Vertrauen von Modellen. Jedes der Lernprogramme beschreibt ein Tool.
Lernprogramme zum Erstellen, Bereitstellen und Vertrauen von Modellen
Jedes Lernprogramm enthält eine Beschreibung des Tools, ein Video, die Anweisungen und zusätzliche Lernressourcen:
| Lernprogramm | Beschreibung | Fachkenntnisse für das Lernprogramm |
|---|---|---|
| Modell für maschinelles Lernen mit AutoAI erstellen und bereitstellen | Automatisches Erstellen von Modellkandidaten mit dem AutoAI-Tool. | Erstellen, implementieren und testen Sie ein Modell ohne Codierung. |
| Modell für maschinelles Lernen in einem Notebook erstellen und bereitstellen | Sie erstellen ein Modell, indem Sie ein Notebook aktualisieren und ausführen, das Python-Code und die Watson Machine Learning-APIs verwendet. | Erstellen, implementieren und testen Sie ein scikit-learn-Modell, das Python -Code verwendet. |
| Modell für maschinelles Lernen mit SPSS Modeler erstellen und bereitstellen | Erstellen Sie ein C5.0 -Modell, das das Tool SPSS Modeler verwendet. | Daten-und Operationsknoten in einem Erstellungsbereich ablegen und Eigenschaften auswählen. |
| Decision Optimization-Modell erstellen und bereitstellen | Automatische Erstellung von Szenarios mit Modeling Assistant. | Lösen und untersuchen Sie Szenarios, implementieren und testen Sie dann ein Modell ohne Codierung |
| Modell für maschinelles Lernen bewerten | Implementieren Sie ein Modell, konfigurieren Sie Überwachungen für das bereitgestellte Modell und bewerten Sie das Modell. | Führen Sie ein Notebook aus, um die Modelle zu konfigurieren, und verwenden Sie Watson OpenScale für die Auswertung. |
Daten kuratieren und regulieren
Um mit der Kuratierung und Regulierung von Daten zu beginnen, die allgemeinen Workflows zu verstehen, wählen Sie ein Lernprogramm aus, und sehen Sie sich andere Lernressourcen für die Arbeit in Cloud Pak for Data as a Service an.
Wenn Sie mit Ihrem eigenen Lite-Plan IBM Knowledge Catalog arbeiten, können Sie zwei Kataloge mit 50 Assets, fünf Geschäftsbegriffen und einer Datenschutzregel erstellen. Sie sind auch Eigentümer der einzigen Kategorie für die Organisation von Governance-Artefakten wie Datenklassen und Geschäftstermen.
Wenn Sie im Konto Ihres Unternehmens mit einem IBM Knowledge Catalog Standard-, Enterprise-oder Professional-Plan arbeiten, müssen Sie über bestimmte Rollen und Berechtigungen zum Kuratieren von Daten und zum Erstellen von Governance-Artefakten wie Datenklassen und Geschäftsbegriffen verfügen.
Der Workflow für die Datenkuration hat diese grundlegenden Schritte:
- Datenressourcen zu einem Katalog hinzufügen:
- Fügen Sie Datenressourcen zu einem Zeitpunkt in einem Projekt hinzu und veröffentlichen Sie sie anschließend in einem Katalog.
- Fügen Sie alle Datenressourcen aus einer Verbindung in einem Projekt hinzu, indem Sie Metadaten importieren und sie anschließend in einem Katalog veröffentlichen.
- Fügen Sie Datenressourcen zu einem Zeitpunkt aus einem Katalog hinzu.
- Bereichern Sie die Datenressourcen, indem Sie Governance-Artefakte, wie z. B. Geschäftsbegriffe, zuweisen.
Der Workflow für die Datenverwaltung hat diese grundlegenden Schritte:
- Geben Sie für eine Datenschutzregel an, wie die Art der zu maskierenden Daten und die Maskierungsmethode identifiziert werden sollen. Die Regel wird sofort umgesetzt.
- Für alle anderen Typen von Governance-Artefakten:
- Erstellen Sie die Entwürfe für Governance-Artefakte in einer Kategorie.
- Veröffentlichen Sie die Governance-Artefakte.
Lernprogramme zum Kuratieren und Regulieren von Daten
Wählen Sie ein Lernprogramm für Datenstrukturen im Anwendungsfall 'Datengovernance' aus.
Weitere Lernressourcen
Geführte Lernprogramme
Greife auf ... zu Erstellen eines Beispielprojekts für ein KI-Modell um einem geführten Tutorial im Ressourcen-Hub zu folgen. Nachdem Sie das Beispielprojekt erstellt haben, enthält die Readme-Datei Anweisungen:
- Wählen Sie Daten untersuchen und vorbereiten aus, um Anomalien in den Daten mit Data Refineryzu entfernen.
- Wählen Sie Modell in einem Notebook erstellen aus, um ein Modell mit Python-Code zu erstellen.
- Wählen Sie Modell erstellen und bereitstellen aus, um die Erstellung eines Modells mit dem AutoAI-Tool zu automatisieren.
Sehen Sie sich diese Videoserie an, um zu sehen, wie Sie mit den Assets im Beispielprojekt arbeiten.
Allgemein
Daten vorbereiten
Daten analysieren und visualisieren
Modelle erstellen, bereitstellen und als vertrauenswürdig definieren
Daten kuratieren und regulieren
Videos
- Eine umfassende Gruppe von Videos , die viele allgemeine Tasks in Cloud Pak for Data as a Servicezeigen.
Beispiele
Resource Hub stellt Beispielnotebooks, Datasets und Projekte bereit, die Sie importieren können.
Branchenspezifische Akzeleratoren stellen Beispielprojekte mit durchgängigen End-to-End-Lösungen für bestimmte Geschäftsprobleme bereit.
Knowledge Accelerators stellt branchenspezifische Gruppen sofort einsatzfähiger Governance-Artefakte bereit.
Training
Nutzen Sie ein Lernprogramm für Datenstrukturen , um einen Anwendungsfall für Datenstrukturen wie KI-Governance, Data Science und MLOps, Datengovernance oder Datenintegration auszuprobieren.
Übernehmen Sie die Steuerung Ihrer Daten mit Watson Studio ist ein Lernpfad, der aus schrittweisen Lernprogrammen besteht, die den Prozess der Arbeit mit Daten mithilfe von Watson Studio erklären.
Übergeordnetes Thema: Einführung