0 / 0
Torna alla versione inglese della documentazione
Esercitazioni introduttive

Esercitazioni introduttive

Utilizzare le esercitazioni di avvio rapido per informazioni su come eseguire attività specifiche, come perfezionare i dati o creare un modello. Queste esercitazioni consentono di apprendere rapidamente come eseguire una specifica attività o una serie di attività correlate.

Nota:

Se si desidera apprendere come implementare casi di utilizzo specifici, prendere in considerazione l'utilizzo delle esercitazioni del caso di utilizzo. Le esercitazioni del caso di utilizzo ti aiutano a provare i casi di utilizzo del data fabric, come l'integrazione dei dati, o a creare e gestire i casi di utilizzo AI, come Data Science e MLOps.

Le esercitazioni di avvio rapido sono categorizzate per attività:

Ogni esercitazione richiede una o più istanze del servizio. Alcuni servizi sono inclusi in più esercitazioni. Le esercitazioni sono raggruppate per attività. È possibile iniziare con qualsiasi attività. Ognuna di queste esercitazioni fornisce una descrizione dello strumento, un video, le istruzioni e ulteriori risorse di apprendimento.

I tag per ogni esercitazione descrivono il livello di esperienza (, o ) e la quantità di codifica richiesta (, o ).

Prerequisito
Il prerequisito per tutte le esercitazioni è registrarsi o unirsi a un account Cloud Pak for Data as a Service.

Dopo aver completato queste esercitazioni, consulta la sezione Altre risorse di apprendimento per continuare il tuo apprendimento.

Preparazione dati

Per iniziare a preparare, trasformare e integrare i dati, comprendere il flusso di lavoro generale, scegliere un'esercitazione e controllare altre risorse di apprendimento per lavorare sulla piattaforma.

Il flusso di lavoro di preparazione dei dati prevede le seguenti operazioni di base:

  1. Creare un progetto.

  2. Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.

  3. Aggiungere i dati al progetto. È possibile aggiungere file di dati dal sistema locale, dati da un'origine dati remota a cui ci si connette, dati da un catalogo o dati di esempio dall'hub di risorse.

  4. Scegli un tool per analizzare i tuoi dati. Ogni esercitazione descrive uno strumento.

  5. Eseguire o pianificare un lavoro per preparare i dati.

Esercitazioni per la preparazione dei dati

Ciascuna di queste esercitazioni fornisce una descrizione dello strumento, un video, istruzioni e ulteriori risorse di apprendimento:

Supporto didattico Descrizione Esperienza per l'esercitazione
Perfezionamento e visualizzazione dei dati con Data Refinery Preparare e visualizzare i dati tabulari con un editor di flusso grafico. Selezionare le operazioni per manipolare i dati.
Trasforma dati con DataStage Progettare un flusso di integrazione dati per filtrare e ordinare le tabelle con un editor di flusso grafico. Rilasciare i dati e i nodi di operazione in un canvas e selezionare le proprietà.
Virtualizza dati Creare una tabella virtualizzata unendo due tabelle. Selezionare le tabelle e collegare le colonne della chiave primaria.

Analisi e visualizzazione dei dati

Per iniziare con l'analizzare e visualizzare i dati, comprendere il flusso di lavoro generale, scegliere un'esercitazione e controllare altre risorse di apprendimento per lavorare con altri strumenti.

Il flusso di lavoro di analisi e visualizzazione dei dati prevede i seguenti passi di base:

  1. Creare un progetto.

  2. Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.

  3. Aggiungere i dati al progetto. È possibile aggiungere file di dati dal sistema locale, dati da un'origine dati remota a cui ci si connette, dati da un catalogo o dati di esempio dall'hub di risorse.

  4. Scegli un tool per analizzare i tuoi dati. Ogni esercitazione descrive uno strumento.

Esercitazioni per l'analisi e la visualizzazione dei dati

Ciascuna di queste esercitazioni fornisce una descrizione dello strumento, un video, istruzioni e ulteriori risorse di apprendimento:

Supporto didattico Descrizione Esperienza per l'esercitazione
Raccontare una storia con un dashboard Creare un dashboard su un builder grafico. Rilasciare gli elementi su un canvas e selezionare le opzioni.
Analizzare i dati in un notebook Jupyter Caricare i dati, eseguire e condividere un notebook. Comprendere il codice Python generato.
Perfezionamento e visualizzazione dei dati con Data Refinery Preparare e visualizzare i dati tabulari con un editor di flusso grafico. Selezionare le operazioni per manipolare i dati.

Creazione, distribuzione e attendibilità di modelli

Per iniziare a creare, distribuire e rendere affidabili i modelli, comprendere il flusso di lavoro generale, scegliere un'esercitazione e controllare altre risorse di apprendimento per lavorare sulla piattaforma.

Il flusso di lavoro del modello si articola in tre fasi principali: creazione di un asset del modello, distribuzione del modello e creazione dell'attendibilità nel modello.

Panoramica del flusso di lavoro del modello

Esercitazioni per la generazione, la distribuzione e l'attendibilità dei modelli

Ogni esercitazione fornisce una descrizione dello strumento, un video, le istruzioni e ulteriori risorse di apprendimento:

Supporto didattico Descrizione Esperienza per l'esercitazione
Crea e distribuisci un modello di machine learning con AutoAI Creare automaticamente i candidati del modello con lo strumento AutoAI . Crea, distribuisci e verifica un modello senza codifica.
Crea e distribuisci un modello di machine learning in un notebook Creare un modello aggiornando ed eseguendo un notebook che utilizzi il codice Python e le API Watson Machine Learning . Crea, distribuisci e verifica un modello scikit-learn che utilizza il codice Python .
Crea e distribuisci un modello di machine learning con SPSS Modeler Creare un modello C5.0 che utilizza lo strumento SPSS Modeler . Rilasciare i dati e i nodi di operazione su un canvas e selezionare le proprietà.
Creare e distribuire un modello Decision Optimization Crea automaticamente scenari con Modeling Assistant. Risolvere ed esaminare gli scenari, quindi distribuire e testare un modello senza codifica.
Valutare un modello di machine learning Distribuire un modello, configurare i monitor per il modello distribuito e valutare il modello. Eseguire un notebook per configurare i modelli e utilizzare Watson OpenScale per valutare.

Cura e gestione dei dati

Per iniziare a gestire e gestire i dati, comprendi i flussi di lavoro complessivi, scegli un'esercitazione e controlla altre risorse di apprendimento per lavorare in Cloud Pak for Data as a Service.

Se si sta utilizzando il proprio piano IBM Knowledge Catalog Lite, è possibile creare due cataloghi con 50 asset, cinque termini di business e una regola di protezione dei dati. Si è anche il proprietario dell'unica categoria per organizzare le risorse di governance come le classi di dati e i termini di business.

Se si sta lavorando nell'account della propria organizzazione con un piano IBM Knowledge Catalog Standard, Enterprise o Professional, è necessario disporre di ruoli e autorizzazioni specifici per la cura dei dati e la creazione di risorse utente di governance come classi di dati e termini di business.

Il flusso di lavoro di gestione dei dati ha questi passi di base:

  1. Aggiungere gli asset di dati a un catalogo:
    • Aggiungere gli asset di dati uno alla volta in un progetto e pubblicarli in un catalogo.
    • Aggiungere tutti gli asset di dati da una connessione in un progetto importando metadati e quindi pubblicarli in un catalogo.
    • Aggiungere gli asset di dati uno alla volta da un catalogo.
  2. Arricchire gli asset di dati assegnando le risorse di governance, come i termini di business.

Il flusso di lavoro dei dati di gestione prevede i seguenti passi di base:

  1. Per una regola di protezione dati, specificare come identificare il tipo di dati da mascherare e il metodo di mascheramento. La regola viene applicata immediatamente.
  2. Per tutti gli altri tipi di risorse di governance:
    1. Creare le risorse di governance bozza in una categoria.
    2. Pubblicare le risorse di governance.

Esercitazioni per la cura e la gestione dei dati

Scegli un' esercitazione di data fabric nel caso d'uso Data governance.

Altre risorse di apprendimento

Tutorial guidati

Accedi a Crea un progetto di esempio di modello AI per seguire un'esercitazione guidata nell'hub di risorse. Dopo aver creato il progetto di esempio, il readme fornisce le istruzioni:

  • Scegliere Esplora e prepara i dati per rimuovere le anomalie nei dati con Data Refinery.
  • Scegli Crea un modello in un notebook per creare un modello con codice Python .
  • Scegliere Crea e distribuisci un modello per automatizzare la creazione di un modello con lo strumento AutoAI .

Guarda questa serie di video per vedere come lavorare con gli asset nel progetto di esempio.

Documentazione

Generale

Preparazione dei dati - Preparazione dei dati

Analisi e visualizzazione dei dati

Creazione, distribuzione e attendibilità di modelli

Cura e gestione dei dati

Video

Esempi

  • L' hub di risorse fornisce notebook di esempio, dataset e progetti che è possibile importare.

  • Acceleratori di settore forniscono progetti di esempio con soluzioni end - to - end che risolvono problemi di business specifici.

  • Knowledge Accelerators fornisce serie specifiche di settore di risorse di governance pronte all'uso.

Addestramento

Argomento principale Introduzione

Ricerca e risposta AI generativa
Queste risposte sono generate da un modello di lingua di grandi dimensioni in watsonx.ai basato sul contenuto della documentazione del prodotto. Ulteriori informazioni