Guías de aprendizaje de inicio rápido
Realice guías de aprendizaje de inicio rápido para aprender a realizar tareas específicas como, por ejemplo, refinar datos o crear un modelo. Estas guías de aprendizaje le ayudan a aprender rápidamente a realizar una tarea específica o un conjunto de tareas relacionadas.
Si desea aprender a implementar casos de uso específicos, considere la posibilidad de utilizar las guías de aprendizaje de casos de uso. Las guías de aprendizaje de casos de uso le ayudan a probar casos de uso de entramados de datos, como por ejemplo la integración de datos, o a crear y controlar casos de uso de IA, como por ejemplo Ciencia de datos y MLOps.
Las guías de aprendizaje de inicio rápido se clasifican por tarea:
Cada guía de aprendizaje requiere una o más instancias de servicio. Algunos servicios se incluyen en varias guías de aprendizaje. Las guías de aprendizaje se agrupan por tarea. Puede empezar con cualquier tarea. Cada una de estas guías de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y recursos de aprendizaje adicionales.
Las etiquetas de cada guía de aprendizaje describen el nivel de experiencia (, o ) y la cantidad de codificación necesaria (, o ).
Requisito previo
El requisito previo para todas las guías de aprendizaje es registrarse o unirse a una cuenta de Cloud Pak for Data as a Service.
Después de completar estas guías de aprendizaje, consulte la sección Otros recursos de aprendizaje para continuar con el aprendizaje.
Preparación de datos
Para empezar a preparar, transformar e integrar datos, comprenda el flujo de trabajo global, elija una guía de aprendizaje y consulte otros recursos de aprendizaje para trabajar en la plataforma.
El flujo de trabajo de preparación de los datos incluye estos pasos básicos:
Cree un proyecto.
Si es necesario, cree la instancia de servicio que proporciona la herramienta que desea utilizar y asóciela con el proyecto.
Añada datos al proyecto. Puede añadir archivos de datos del sistema local, datos de un origen de datos remoto al que se conecta, datos de un catálogo o datos de ejemplo del concentrador de recursos.
Seleccione una herramienta para analizar los datos. Cada una de las guías de aprendizaje describe una herramienta.
Ejecute o planifique un trabajo para preparar los datos.
Guías de aprendizaje para preparar datos
Cada una de estas guías de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y los recursos de aprendizaje adicionales:
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Refinar y visualizar datos con Data Refinery | Preparar y visualizar datos tabulares con un editor de flujo gráfico. | Seleccione operaciones para manipular datos. |
| Transformar datos con DataStage | Diseñe un flujo de integración de datos para filtrar y ordenar tablas con un editor de flujo gráfico. | Soltar datos y nodos de operación en un lienzo y seleccionar propiedades. |
| Virtualizar datos | Crear una tabla virtualizada uniendo dos tablas. | Seleccione las tablas y conecte las columnas de clave primaria. |
Análisis y visualización de datos
Para empezar a analizar y visualizar datos, comprenda el flujo de trabajo global, elija una guía de aprendizaje y consulte otros recursos de aprendizaje para trabajar con otras herramientas.
El flujo de trabajo de análisis y visualización de datos tiene estos pasos básicos:
Cree un proyecto.
Si es necesario, cree la instancia de servicio que proporciona la herramienta que desea utilizar y asóciela con el proyecto.
Añada datos al proyecto. Puede añadir archivos de datos del sistema local, datos de un origen de datos remoto al que se conecta, datos de un catálogo o datos de ejemplo del concentrador de recursos.
Seleccione una herramienta para analizar los datos. Cada una de las guías de aprendizaje describe una herramienta.
Guías de aprendizaje para analizar y visualizar datos
Cada una de estas guías de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y los recursos de aprendizaje adicionales:
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Analizar datos en un cuaderno de Jupyter | Cargar datos, ejecutar y compartir un cuaderno. | Comprender el código Python generado. |
| Refinar y visualizar datos con Data Refinery | Preparar y visualizar datos tabulares con un editor de flujo gráfico. | Seleccione operaciones para manipular datos. |
Creación, despliegue y confianza de modelos
Para empezar a crear, desplegar y confiar en modelos, comprenda el flujo de trabajo global, elija una guía de aprendizaje y consulte otros recursos de aprendizaje para trabajar en la plataforma.
Las diferentes etapas implicadas en el ciclo de vida de IA son las siguientes:
- Definir ámbito: empiece definiendo el ámbito del proyecto identificando los objetivos y requisitos clave.
- Preparar datos: recopilar y preparar datos para utilizarlos con algoritmos de aprendizaje automático.
- Crear modelo: Desarrollar y refinar el modelo de IA para resolver el problema definido entrenando el modelo con datos preparados.
- Desplegar modelo: despliegue el modelo en producción una vez completado el proceso de creación.
- Automatizar conducto: Automatizar el camino a la producción automatizando partes del ciclo de vida de IA.
- Supervisar el rendimiento: Evalúe el rendimiento del modelo para obtener equidad, calidad, desviación y explicabilidad.
El diagrama siguiente muestra las etapas del ciclo de vida de IA:
Su flujo de trabajo para crear, implementar y confiar en modelos tiene estos pasos básicos:
Cree un proyecto.
Si es necesario, cree la instancia de servicio que proporciona la herramienta que desea utilizar y asóciela con el proyecto.
Elija una herramienta para crear, implementar y confiar en modelos. Cada una de las guías de aprendizaje describe una herramienta.
Guías de aprendizaje para crear, desplegar y confiar en modelos
Cada guía de aprendizaje proporciona una descripción de la herramienta, un vídeo, las instrucciones y recursos de aprendizaje adicionales:
| Guía de aprendizaje | Descripción | Experiencia para guía de aprendizaje |
|---|---|---|
| Crear y desplegar un modelo de aprendizaje automático con AutoAI | Crear automáticamente candidatos de modelo con la herramienta AutoAI. | Crear, desplegar y probar un modelo sin codificación. |
| Crear y desplegar un modelo de aprendizaje automático en un cuaderno | Crear un modelo actualizando y ejecutando un cuaderno que utilice el código Python y las API de Watson Machine Learning. | Cree, despliegue y pruebe un modelo scikit-learn que utiliza código Python . |
| Crear y desplegar un modelo de aprendizaje automático con SPSS Modeler | Cree un modelo C5.0 que utilice la herramienta SPSS Modeler . | Soltar datos y nodos de operación en un lienzo y seleccionar propiedades. |
| Crear y desplegar un modelo de Decision Optimization | Crear escenarios automáticamente con Modeling Assistant. | Resuelva y explore escenarios y, a continuación, despliegue y pruebe un modelo sin codificación. |
| Evaluar un modelo de aprendizaje automático | Despliegue un modelo, configure supervisores para el modelo desplegado y evalúe el modelo. | Ejecute un cuaderno para configurar los modelos y utilice Watson OpenScale para evaluar. |
Organización y control de datos
Para empezar con la ordenación y el gobierno de datos, debe comprender los flujos de trabajo globales, seleccionar una guía de aprendizaje y consultar otros recursos de aprendizaje para trabajar en Cloud Pak for Data as a Service.
Si está trabajando con su propio plan Lite de IBM Knowledge Catalog , puede crear dos catálogos con 50 activos, cinco términos empresariales y una regla de protección de datos. También es el propietario de la única categoría para organizar artefactos de gobernabilidad como clases de datos y términos empresariales.
Si está trabajando en la cuenta de su organización con un plan IBM Knowledge Catalog Standard, Enterprise o Professional, debe tener roles y permisos específicos para organizar los datos y crear artefactos de gobernabilidad como clases de datos y términos empresariales.
El flujo de trabajo de ordenación de datos implica estos pasos básicos:
- Añadir activos de datos a un catálogo:
- Añadir activos de datos de uno en uno en un proyecto y luego publicarlos en un catálogo.
- Añadir todos los activos de datos de una conexión de un proyecto importando metadatos y luego publicarlos en un catálogo.
- Añadir activos de datos de forma individual desde un catálogo.
- Enriquecer los activos de datos asignando artefactos de gobernabilidad, como por ejemplo términos empresariales.
El flujo de trabajo de datos de gobierno implica estos pasos básicos:
- Para una regla de protección de datos, especificar cómo identificar el tipo de datos que enmascarar y el método de enmascaramiento. La regla se aplica inmediatamente.
- Para todos los demás tipos de artefactos de gobernabilidad:
- Crear los artefactos de gobernabilidad de borrador en una categoría.
- Publicar los artefactos de gobernabilidad.
Guías de aprendizaje para la ordenación y el control de datos
Elija una guía de aprendizaje de entramado de datos en el caso de uso de gobierno de datos.
Otros recursos de aprendizaje
Tutoriales guiados
Acceder al Cree un proyecto de muestra de modelo de IA para seguir un tutorial guiado en el centro de recursos. Después de crear el proyecto de ejemplo, el archivo léame proporciona instrucciones:
- Elija Explorar y preparar datos para eliminar anomalías en los datos con Data Refinery.
- Elija Crear un modelo en un cuaderno para crear un modelo con el código Python.
- Elija Crear y desplegar un modelo para automatizar la creación de un modelo con la herramienta AutoAI.
Vea esta serie de vídeos para ver cómo trabajar con los activos del proyecto de ejemplo.
Tema general
Preparación de datos
Análisis y visualización de datos
Creación, despliegue y confianza de modelos
Organización y control de datos
Vídeos
- Un completo conjunto de vídeos que muestran muchas tareas comunes en Cloud Pak for Data as a Service.
Ejemplos
Concentrador de recursos proporciona cuadernos de ejemplo, conjuntos de datos y proyectos que puede importar.
Los aceleradores del sector proporcionan proyectos de ejemplo con soluciones de inicio a fin que resuelven problemas empresariales específicos.
Knowledge Accelerators proporciona conjuntos específicos del sector de artefactos listos para ser utilizados.
Entrenamiento
Realice una guía de aprendizaje de entramado de datos para probar un caso de uso de entramado de datos, como gobierno de IA, ciencia de datos y MLOps, gobierno de datos o integración de datos.
Tomar control de los datos con Watson Studio es una vía de acceso de aprendizaje que consta de tutoriales paso a paso que describen el proceso de trabajar con Watson Studio.
Tema principal: Cómo empezar