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.
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:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
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.
Scegli un tool per analizzare i tuoi dati. Ogni esercitazione descrive uno strumento.
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:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
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.
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 |
|---|---|---|
| Analizzare i dati in un taccuino 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.
Le diverse fasi coinvolte nel ciclo di vita dell'IA sono le seguenti:
- Definisci ambito: iniziare definendo l'ambito del proprio progetto identificando gli obiettivi e requisiti chiave.
- Preparazione dati: raccogliere e preparare i dati da utilizzare con gli algoritmi di machine learning.
- Crea modello: sviluppa e perfeziona il modello AI per risolvere il problema definito addestrando il modello con i dati preparati.
- Distribuisci modello: distribuire il modello alla produzione una volta completato il processo di creazione.
- Automatizza pipeline: automatizza il processo di produzione automatizzando parti del ciclo di vita AI.
- Monitoraggio delle prestazioni: valutare le prestazioni del modello per la correttezza, la qualità, la deviazione e l'esplicabilità.
Il seguente diagramma mostra gli stadi del ciclo di vita AI:
Il flusso di lavoro per creare, distribuire e considerare attendibili i modelli prevede questi passaggi di base:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
Scegli uno strumento per creare, distribuire e considerare attendibili i modelli. Ogni esercitazione descrive uno strumento.
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 | Costruire un modello aggiornando ed eseguendo un notebook che utilizza il codice Python e le API watsonx.ai Runtime. | 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. |
Governare l'intelligenza artificiale
Per iniziare a governare l'IA, è necessario comprendere il flusso di lavoro generale, scegliere un tutorial e consultare altre risorse di apprendimento per lavorare sulla piattaforma.
Il flusso di lavoro della governance dell'IA prevede queste fasi di base:
Creare un progetto.
Se necessario, creare l'istanza del servizio che fornisce lo strumento che si desidera utilizzare e associarlo al progetto.
Scegliere uno strumento per governare l'IA. Ogni esercitazione descrive uno strumento.
Tutorial per governare l'IA
Ogni esercitazione fornisce una descrizione dello strumento, un video, le istruzioni e ulteriori risorse di apprendimento:
| Supporto didattico | Descrizione | Esperienza per l'esercitazione |
|---|---|---|
| Valutare un modello di machine learning | Distribuire un modello, configurare i monitor per il modello distribuito e valutare il modello Watson OpenScale. | Eseguire un blocco note per configurare i monitor e utilizzare 'Watson OpenScale per la valutazione. ' ' |
| Valutare una distribuzione in spazi | Distribuire un modello, configurare i monitor per il modello distribuito e valutare il modello in uno spazio di distribuzione. | Configurare i monitor e valutare un modello in uno spazio di distribuzione. |
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 lavora 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 artefatti di governance come classi di dati e termini aziendali.
Il flusso di lavoro di gestione dei dati ha questi passi di base:
- 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.
- 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:
- 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.
- Per tutti gli altri tipi di risorse di governance:
- Creare le risorse di governance bozza in una categoria.
- 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
Accedere al progetto di esempio Build an AI model per seguire un'esercitazione guidata nell'hub 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.
Generale
Preparazione dati
Analisi e visualizzazione dei dati
Creazione, distribuzione e attendibilità di modelli
Cura e gestione dei dati
Governare l'intelligenza artificiale
Video
- Una serie completa di video che mostrano molte attività comuni in Cloud Pak for Data as a Service.
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
Utilizza un' esercitazione di data fabric per provare un caso di utilizzo di data fabric, come la governance AI, Data Science and MLOps, Data governance o Data integration.
Prendi il controllo dei tuoi dati con watsonx.ai Studio è un percorso di apprendimento che consiste in esercitazioni passo-passo che spiegano il processo di lavoro con i dati utilizzando watsonx.ai Studio.
Argomento principale Introduzione