0 / 0
Zurück zur englischen Version der Dokumentation
Lernprogramme für den Schnelleinstieg

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.

Hinweis:

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:

  1. Sie erstellen ein Projekt.

  2. Erstellen Sie bei Bedarf die Serviceinstanz, die das Tool bereitstellt, das Sie verwenden möchten, und ordnen Sie es dem Projekt zu.

  3. 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.

  4. Wählen Sie ein Werkzeug, um Ihre Daten zu analysieren. Jedes der Lernprogramme beschreibt ein Tool.

  5. 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:

  1. Sie erstellen ein Projekt.

  2. Erstellen Sie bei Bedarf die Serviceinstanz, die das Tool bereitstellt, das Sie verwenden möchten, und ordnen Sie es dem Projekt zu.

  3. 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.

  4. 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
Mithilfe eines Dashboards eine Story erzählen Erstellen Sie ein Dashboard in einem grafischen Builder. Elemente in einem Erstellungsbereich ablegen und Optionen auswählen.
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 Modellworkflow umfasst drei Hauptschritte: Erstellung eines Modellassets, Bereitstellung des Modells und Aufbau von Vertrauen in das Modell.

Übersicht über den Modellworkflow

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-Tarif 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 Ihrer Organisation 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:

  1. 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.
  2. Bereichern Sie die Datenressourcen, indem Sie Governance-Artefakte, wie z. B. Geschäftsbegriffe, zuweisen.

Der Workflow für die Datenverwaltung hat diese grundlegenden Schritte:

  1. Geben Sie für eine Datenschutzregel an, wie die Art der zu maskierenden Daten und die Maskierungsmethode identifiziert werden sollen. Die Regel wird sofort umgesetzt.
  2. Für alle anderen Typen von Governance-Artefakten:
    1. Erstellen Sie die Entwürfe für Governance-Artefakte in einer Kategorie.
    2. 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

Greifen Sie auf das KI-Modellbeispielprojekt erstellen zu, um ein geführtes Lernprogramm im Ressourcenhub zu befolgen. 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.

Dokumentation

Allgemein

Daten vorbereiten- Daten vorbereiten

Daten analysieren und visualisieren

Modelle erstellen, bereitstellen und als vertrauenswürdig definieren

Daten kuratieren und regulieren

Videos

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

Übergeordnetes Thema: Einführung

Generative KI-Suche und -Antwort
Diese Antworten werden von einem großen Sprachmodell in watsonx.ai basierend auf dem Inhalt der Produktdokumentation generiert. Weitere Informationen