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.

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 ).

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. Erstellen Sie 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 von Ihrem lokalen System, Daten von einer fernen Datenquelle, zu der Sie eine Verbindung herstellen, oder Beispieldaten 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.
Synthetische Tabellendaten generieren Generieren Sie synthetische Tabellendaten mithilfe eines grafischen Ablaufeditors. Wählen Sie Operationen zum Generieren von Daten aus.

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. Erstellen Sie 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, 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
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:

  1. Bereich definieren: Beginnen Sie mit der Definition des Projektbereichs, indem Sie die wichtigsten Ziele und Anforderungen angeben.
  2. Daten vorbereiten: Daten für die Verwendung mit Algorithmen für maschinelles Lernen erfassen und vorbereiten.
  3. Modell erstellen: Entwickeln und optimieren Sie das KI-Modell, um das definierte Problem zu lösen, indem Sie das Modell mit vorbereiteten Daten trainieren.
  4. Modell bereitstellen: Implementieren Sie das Modell in der Produktion, nachdem der Build abgeschlossen ist.
  5. Pipeline automatisieren: Automatisieren Sie den Pfad zur Produktion, indem Sie Teile des KI-Lebenszyklus automatisieren.
  6. Leistung überwachen: Bewerten Sie die Leistung Ihres Modells auf Fairness, Qualität, Drift und Erklärbarkeit.

Das folgende Diagramm zeigt die Phasen des KI-Lebenszyklus:

Phasen des KI-Lebenszyklus

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
Lebenszyklus für ein Modell mit Pipelines automatisieren Erstellen und führen Sie eine Pipeline aus, um die Erstellung und Bereitstellung eines Modells für maschinelles Lernen zu automatisieren. Operationsknoten in einem Erstellungsbereich ablegen und Eigenschaften auswählen.
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.

Mit generativer KI arbeiten

Um mit der Arbeit mit generativer KI zu beginnen, machen Sie sich mit dem Gesamtworkflow vertraut, wählen Sie ein Lernprogramm aus und sehen Sie sich weitere Lernressourcen für die Arbeit mit der Plattform an.

Ihr Workflow für die Eingabeaufforderungsentwicklung umfasst die folgenden grundlegenden Schritte:

  1. Erstellen Sie 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. Wählen Sie ein Tool für die Eingabeaufforderung von Basismodellen aus. Jedes der Lernprogramme beschreibt ein Tool.

  4. Speichern und teilen Sie Ihre besten Eingabeaufforderungen.

Tutorials zum Arbeiten mit generativer KI

Jedes Lernprogramm enthält eine Beschreibung des Tools, ein Video, die Anweisungen und zusätzliche Lernressourcen:

Lernprogramm Beschreibung Fachkenntnisse für das Lernprogramm
Basismodell mit Prompt Lab abfragen Experimentieren Sie mit Eingabeaufforderungen für verschiedene Basismodelle, erkunden Sie Beispieleingabeaufforderungen und speichern und teilen Sie Ihre besten Eingabeaufforderungen. Eingabeaufforderung für ein Modell mit Prompt Lab ohne Codierung.
Eingabeaufforderung an ein Basismodell mit dem Muster 'Retrieval augmented Generation' Rufen Sie ein Basismodell auf, indem Sie Informationen in einer Wissensbasis nutzen. Verwenden Sie das Muster 'Retrieval Augmented Generation' in einem Jupyter-Notebook, das Python -Code verwendet.
Basismodell optimieren Optimieren Sie ein Basismodell, um die Modellleistung zu verbessern. Mit Tuning Studio können Sie ein Modell ohne Codierung optimieren.
End-to-End-Anwendungsfall watsonx.ai testen Folgen Sie einem Anwendungsfall von der Datenaufbereitung bis zur Entwicklung von Eingabeaufforderungen. Verwenden Sie verschiedene Tools wie Notebooks und Prompt Lab.

KI regulieren

Um mit der Regulierung von KI zu beginnen, machen Sie sich mit dem gesamten Workflow vertraut, wählen Sie ein Lernprogramm aus und sehen Sie sich weitere Lernressourcen für die Arbeit auf der Plattform an.

Ihr KI-Governance-Workflow umfasst die folgenden grundlegenden Schritte:

  1. Erstellen Sie 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. Wählen Sie ein Tool zur Steuerung von KI. Jedes der Lernprogramme beschreibt ein Tool.

Lernprogramme für die KI-Regelung

Jedes Lernprogramm enthält eine Beschreibung des Tools, ein Video, die Anweisungen und zusätzliche Lernressourcen:

Lernprogramm Beschreibung Fachkenntnisse für das Lernprogramm
Eingabeaufforderungsvorlage auswerten und verfolgen Evaluieren Sie eine Eingabeaufforderungsvorlage, um die Leistung des Basismodells zu messen, und verfolgen Sie die Eingabeaufforderungsvorlage über ihren Lebenszyklus hinweg. Verwenden Sie das Auswertungstool und einen KI-Anwendungsfall, um die Vorlage für Eingabeaufforderungen zu verfolgen.
Modell für maschinelles Lernen bewerten Sie können ein Modell bereitstellen, Überwachungen für das bereitgestellte Modell konfigurieren und das Modell Watson OpenScaleauswerten. Führen Sie ein Notebook aus, um die Überwachungen zu konfigurieren, und verwenden Sie Watson OpenScale zur Auswertung.
Bereitstellung in Bereichen bewerten Sie können ein Modell bereitstellen, Überwachungen für das bereitgestellte Modell konfigurieren und das Modell in einem Bereitstellungsbereich auswerten. Konfigurieren Sie die Überwachungen und werten Sie ein Modell in einem Bereitstellungsbereich 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.
Video-Haftungsausschluss: Einige untergeordnete Schritte und grafische Elemente in diesem Video können von Ihrer Plattform abweichen.

Sehen Sie sich diese Videoserie an, um zu sehen, wie Sie mit den Assets im Beispielprojekt arbeiten können.

Allgemein

Daten vorbereiten

Daten analysieren und visualisieren

Modelle erstellen, bereitstellen und als vertrauenswürdig definieren

Mit generativer KI arbeiten

KI regulieren

Videos

Beispiele

Suchen Sie Beispieldatasets, -projekte, -modelle, -aufforderungen und -notebooks im Bereich des Ressourcenhubs, um praktische Erfahrungen zu sammeln:

Notizbuchsymbol Notebooks , die Sie zu Ihrem Projekt hinzufügen können, um mit der Analyse von Daten und der Modellerstellung zu beginnen.

Projektsymbol Projekte , die Sie importieren können, die Notebooks, Datasets, Eingabeaufforderungen und andere Assets enthalten.

Dataset-Symbol Datasets , die Sie Ihrem Projekt hinzufügen können, um Modelle zu optimieren, zu analysieren und zu erstellen.

Eingabeaufforderungssymbol Eingabeaufforderungen , die Sie im Eingabeaufforderungslabor verwenden können, um ein Basismodell anzufordern.

Modellsymbol Foundation-Modelle , die Sie im Prompt Lab verwenden können.

Beispiele für Anwendungsfälle

Testen Sie verschiedene Anwendungsfälle auf einer Self-Service-Site. Wählen Sie einen Anwendungsfall aus, um eine mit watsonxerstellte Live-Anwendung zu erleben. Entwickler können auf Anweisungen zur Auswahl von Eingabeaufforderungen und zur Erstellung sowie Beispielanwendungscode zugreifen, um Ihr Projekt zu beschleunigen.

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