Translation not up to date
Kursy Szybki start
Kursy szybkiego startu umożliwiają zapoznanie się z konkretnymi zadaniami, takimi jak doprecyzowanie danych lub budowanie modelu. Te kursy pomagają szybko nauczyć się wykonywania określonego zadania lub zestawu pokrewnych zadań.
Kursy szybkiego startu są podzielone na kategorie według zadań:
Każdy kurs wymaga jednej lub większej liczby instancji usługi. Niektóre usługi są zawarte w wielu kursach. Kursy są pogrupowane według zadań. Można rozpocząć od dowolnego zadania. Każdy z tych kursów zawiera opis narzędzia, film wideo, instrukcje i dodatkowe zasoby edukacyjne.
Znaczniki dla każdego kursu opisują poziom wiedzy specjalistycznej (, lub ) oraz ilość wymaganego kodowania (, lub ).
Po zakończeniu tych kursów należy zapoznać się z sekcją Inne zasoby edukacyjne , aby kontynuować naukę.
przygotowanie danych
Aby rozpocząć proces przygotowywania, transformowania i integrowania danych, należy zapoznać się z ogólnym przepływem pracy, wybrać kurs i pobrać inne zasoby edukacyjne do pracy na platformie.
Przepływ pracy przygotowywania danych ma następujące podstawowe kroki:
Utwórz projekt.
Jeśli to konieczne, utwórz instancję usługi, która udostępnia narzędzie, które ma zostać użyte, i powiąże go z projektem.
Dodaj dane do projektu. Istnieje możliwość dodania plików danych z systemu lokalnego, danych ze zdalnego źródła danych, z którym się łączysz, danych z katalogu lub przykładowych danych.
Wybierz narzędzie do analizy danych. Każdy z kursów opisuje narzędzie.
Uruchom lub zaplanuj zadanie w celu przygotowania danych.
Kursy dotyczące przygotowywania danych
Każdy z tych kursów zawiera opis narzędzia, film wideo, instrukcje i dodatkowe zasoby edukacyjne:
| Samouczek | Opis | Ekspertyza dla kursu |
|---|---|---|
| Uszczegółowuj i zwizualizuj dane za pomocą opcji Data Refinery | Przygotuj i zwizualizuj dane tabelaryczne za pomocą graficznego edytora przepływów. | Wybierz operacje do manipulowania danymi. |
| Generuj syntetyczne dane tabelaryczne | Generowanie syntetycznych danych tabelarycznych przy użyciu graficznego edytora przepływów. | Wybierz operacje do wygenerowania danych. |
Analizowanie i wizualizowanie danych
Aby rozpocząć analizę i wizualizację danych, należy zapoznać się z ogólnym przepływem pracy, wybrać kurs i pobrać inne zasoby edukacyjne do pracy z innymi narzędziami.
Analiza i wizualizacja przepływu pracy danych ma następujące podstawowe kroki:
Utwórz projekt.
Jeśli to konieczne, utwórz instancję usługi, która udostępnia narzędzie, które ma zostać użyte, i powiąże go z projektem.
Dodaj dane do projektu. Istnieje możliwość dodania plików danych z systemu lokalnego, danych ze zdalnego źródła danych, z którym się łączysz, danych z katalogu lub przykładowych danych.
Wybierz narzędzie do analizy danych. Każdy z kursów opisuje narzędzie.
Kursy służące do analizowania i wizualizowania danych
Każdy z tych kursów zawiera opis narzędzia, film wideo, instrukcje i dodatkowe zasoby edukacyjne:
| Samouczek | Opis | Ekspertyza dla kursu |
|---|---|---|
| Analiza danych w notatniku Jupyter | Załaduj dane, uruchom i współużytkuj notatnik. | Zrozumienie wygenerowanego kodu Python . |
| Uszczegółowuj i zwizualizuj dane za pomocą opcji Data Refinery | Przygotuj i zwizualizuj dane tabelaryczne za pomocą graficznego edytora przepływów. | Wybierz operacje do manipulowania danymi. |
Budowanie, wdrażanie i ufanie modelom
Aby rozpocząć pracę z modelami budowania, wdrażania i ufania, należy zapoznać się z ogólnym przepływem pracy, wybrać kurs i pobrać inne zasoby edukacyjne na potrzeby pracy na platformie.
Przepływ pracy modelu składa się z trzech głównych kroków: zbuduj zasób aplikacyjny modelu, wdróż model i utwórz zaufanie do modelu.
Kursy dotyczące budowania, wdrażania i ufania modelom
Każdy kurs zawiera opis narzędzia, film wideo, instrukcje i dodatkowe zasoby edukacyjne:
| Samouczek | Opis | Ekspertyza dla kursu |
|---|---|---|
| Zbuduj i wdróż model uczenia maszynowego za pomocą AutoAI | Automatycznie buduj model kandydatów za pomocą narzędzia AutoAI . | Budowanie, wdrażanie i testowanie modelu bez konieczności pisania kodu. |
| Buduj i wdrażaj model uczenia maszynowego w notatniku | Zbuduj model, aktualizując i uruchamiając notatnik, który używa kodu Python oraz funkcji API Watson Machine Learning . | Zbuduj, wdróż i przetestuj model scikit-learn, który używa kodu Python . |
| Zbuduj i wdróż model uczenia maszynowego za pomocą programu SPSS Modeler | Zbuduj model C5.0 , który korzysta z narzędzia SPSS Modeler . | Usuń węzły danych i operacji na kanwie i wybierz właściwości. |
| Budowanie i wdrażanie modelu Decision Optimization | Automatyczne budowanie scenariuszy za pomocą programu Modeling Assistant. | Rozwiąż i eksploruj scenariusze, a następnie wdrażaj i testuj model bez kodowania. |
| Zautomatyzowanie cyklu życia modelu z rurociągami | Utwórz i uruchom potok, aby zautomatyzować budowanie i wdrażanie modelu uczenia maszynowego. | Usuń węzły operacji na kanwie i wybierz właściwości. |
Podpowiedzi dla modeli fundamentów
Aby rozpocząć pracę z modelami podkładu z pytaniem, należy zapoznać się z ogólnym przepływem pracy, wybrać kurs i pobrać inne zasoby edukacyjne do pracy na platformie.
Przepływ pracy inżynierów pytań ma następujące podstawowe kroki:
Utwórz projekt.
Jeśli to konieczne, utwórz instancję usługi, która udostępnia narzędzie, które ma zostać użyte, i powiąże go z projektem.
Wybierz narzędzie, aby podpowiadać modele fundamentów. Każdy z kursów opisuje narzędzie.
Zapisz i udostępniaj swoje najlepsze pytania.
Kursy dotyczące podpowiedzi dla modeli fundamentów
Każdy kurs zawiera opis narzędzia, film wideo, instrukcje i dodatkowe zasoby edukacyjne:
| Samouczek | Opis | Ekspertyza dla kursu |
|---|---|---|
| Pytaj o model podstawy przy użyciu laboratorium pytań | Eksperymentuj z podpowiedziami różnych modeli fundamentów, zgłębiaj przykładowe pytania, a następnie zapisz i udostępniaj swoje najlepsze pytania. | Pytaj o model przy użyciu Laboratorium pytań bez kodowania. |
| Pytaj o model fundamentów z wzorcem generowania rozszerzania w celu pobrania | Podpowiedź modelu fundacji przez leveraging informacji w bazie wiedzy. | Użyj wzorca generowania rozszerzenia w notatniku Jupyter, który używa kodu Python . |
Inne zasoby edukacyjne
Kursy z asystą
Aby przejść do kursu z przewodnikiem w przykładach, należy przejść do projektu przykładowego modelu AI . Po utworzeniu przykładowego projektu w pliku readme znajdują się instrukcje:
- Wybierz opcję Eksploruj i przygotuj dane , aby usunąć anomalie w danych za pomocą opcji Data Refinery.
- Wybierz opcję Zbuduj model w notatniku , aby zbudować model z kodem Python .
- Wybierz opcję Buduj i wdrażaj model , aby zautomatyzować budowanie modelu za pomocą narzędzia AutoAI .
Documentation
Postanowienia ogólne
przygotowanie danych
Analizowanie i wizualizowanie danych
Budowanie, wdrażanie i ufanie modelom
Pytanie o model fundamentów
Wideo
- Obszerny zestaw filmów wideo , który przedstawia wiele typowych zadań w watsonx.
Przykłady
Aby uzyskać praktyczne doświadczenie, znajdź przykładowe zestawy danych, projekty, modele, zachęty i notebooki w obszarze Przykłady:
Notebooki , które można dodać do projektu w celu rozpoczęcia analizy danych i modeli budynków.
Projekty , które można zaimportować, zawierające notatniki, zestawy danych, pytania i inne zasoby aplikacyjne.
Zestawy danych , które można dodać do projektu w celu dostosowania, analizy i budowania modeli.
Pytania , których można użyć w laboratorium pytań, aby podpowiadać model fundamentów.
Modele Foundation , których można używać w laboratorium pytań.
Szkolenia
Watson Studio Methodology to kurs IBM Training e-Learning, który zawiera szczegółowe informacje na temat produktu Watson Studio.
Przejmowanie kontroli nad danymi za pomocą narzędzia Watson Studio to ścieżka edukująca, która składa się z kursów krok po kroku wyjaśniających proces pracy z danymi przy użyciu produktu Watson Studio.
Temat nadrzędny: Pierwsze kroki