Translation not up to date
Verileri daraltmak ya da model oluşturmak gibi belirli görevlerin nasıl gerçekleştirileceğini öğrenmek için hızlı başlangıç eğitmenlerini kullanın. Bu eğitmenler, belirli bir görevin ya da ilgili görevler kümesinin nasıl gerçekleştirileceğini hızla öğrenmenize yardımcı olur.
Hızlı başlangıç eğitmenleri, göreve göre kategorilere ayrılır:
Her eğitmen bir ya da daha çok hizmet eşgörünümü gerektirir. Bazı hizmetler birden çok eğitmende yer alır. Eğitmenler göreve göre gruplanır. Herhangi bir görevle başlayabilirsiniz. Bu eğitmenlerin her biri, aracın, videonun, yönergelerin ve ek öğrenim kaynaklarının açıklamasını sağlar.
Her eğitmendeki etiketler, uzmanlık düzeyini (, ya da ) ve gereken kodlama miktarını (, ya da ) açıklar.
Bu öğretici programları tamamladıktan sonra, öğreniminize devam etmek için Diğer öğrenim kaynakları bölümüne bakın.
Veriler hazırlanıyor
Verileri hazırlamaya, dönüştürmeye ve bütünleştirmeye başlamak için genel iş akışını anlayın, bir eğitmen seçin ve platform üzerinde çalışmak üzere diğer öğrenim kaynaklarını dışarı alın.
Veri hazırlama iş akışınızda aşağıdaki temel adımlar bulunur:
Bir proje oluşturun.
Gerekiyorsa, kullanmak istediğiniz aracı sağlayan hizmet eşgörünümünü yaratın ve projeyle ilişkilendirin.
Projenize veri ekleyin. Yerel sisteminizden, bağlandığınız uzak veri kaynağından, katalogdan ya da örnek verilerden veri ekleyebilirsiniz.
Verilerinizi çözümlemek için bir araç seçin. Eğitmenlerin her biri bir aracı açıklar.
Verilerinizi hazırlamak için bir işi çalıştırın ya da zamanlayın.
Veri hazırlamaya ilişkin eğitmenler
Bu eğitmenlerin her biri, aracın, videonun, yönergelerin ve ek öğrenim kaynaklarının açıklamasını sağlar:
| Eğitici Program | Açıklama | Eğitim programı için uzmanlık |
|---|---|---|
| Data Refinery ile verileri iyileştirin ve görselleştirin | Bir grafik akış düzenleyicisiyle tablo verilerini hazırlayın ve görselleştirin. | Verileri işlemek için işlem seçin. |
| Yapay sekmeli veri oluştur | Grafik akış düzenleyicisini kullanarak sentetik sekmeli veri oluşturun. | Veri oluşturmak için işlemleri seçin. |
Verileri analiz etme ve görselleştirme
Verileri analiz etmeye ve görselleştirmeye başlamak için genel iş akışını anlayın, bir eğitmen seçin ve diğer araçlarla çalışmak üzere diğer öğrenim kaynaklarını dışarı alın.
Veri iş akışını çözümlemek ve görselleştirmek için aşağıdaki temel adımlar vardır:
Bir proje oluşturun.
Gerekiyorsa, kullanmak istediğiniz aracı sağlayan hizmet eşgörünümünü yaratın ve projeyle ilişkilendirin.
Projenize veri ekleyin. Yerel sisteminizden, bağlandığınız uzak veri kaynağından, katalogdan ya da örnek verilerden veri ekleyebilirsiniz.
Verilerinizi çözümlemek için bir araç seçin. Eğitmenlerin her biri bir aracı açıklar.
Verileri analiz etmek ve görselleştirmek için eğitimler,),-,-,-
Bu eğitmenlerin her biri, aracın, videonun, yönergelerin ve ek öğrenim kaynaklarının açıklamasını sağlar:
| Eğitici Program | Açıklama | Eğitim programı için uzmanlık |
|---|---|---|
| Jupyter not defterindeki verileri analiz edin | Verileri yükleyin, çalıştırın ve bir not defterini paylaşın. | Oluşturulan Python kodunu anlayın. |
| Data Refinery ile verileri iyileştirin ve görselleştirin | Bir grafik akış düzenleyicisiyle tablo verilerini hazırlayın ve görselleştirin. | Verileri işlemek için işlem seçin. |
Modelleri oluşturma, devreye alma ve güvenme
Modelleri oluşturmaya, devreye almaya ve güvenmeye başlamak için genel iş akışını anlayın, bir öğretici program seçin ve platform üzerinde çalışmak üzere diğer öğrenim kaynaklarını dışarı alın.
Model iş akışının üç ana adımı vardır: bir model varlığı oluşturun, modeli devreye alın ve modelde güven oluşturun.
Modellerin oluşturulması, devreye alınması ve güvenilmesi için eğitici programlar
Her eğitmen, aracın açıklamasını, videoyu, yönergeleri ve ek öğrenim kaynaklarını sağlar:
| Eğitici Program | Açıklama | Eğitim programı için uzmanlık |
|---|---|---|
| AutoAIile bir makine öğrenimi modeli oluşturun ve devreye alın | AutoAI aracıyla otomatik olarak model adayları oluşturun. | Kodlama yapmadan bir model oluşturun, devreye alın ve test edin. |
| Bir dizüstü bilgisayarda makine öğrenimi modeli oluşturun ve devreye alın | Python kodunu ve Watson Machine Learning API ' lerini kullanan bir not defterini güncelleyerek ve çalıştırarak bir model oluşturun. | Python kodunu kullanan bir scikit-learn modeli oluşturun, devreye alın ve test edin. |
| SPSS Modeler | SPSS Modeler aracını kullanan bir C5.0 modeli oluşturun. | Verileri ve işlem düğümlerini tuvale bırakın ve özellikleri seçin. |
| Bir Decision Optimization modeli oluşturun ve devreye alın | Modeling Assistantile senaryoları otomatik olarak oluşturun. | Senaryoları çözün ve keşfedin, ardından kodlama yapmadan bir modeli devreye alın ve test edin. |
| Boru hattı ile bir modelin yaşam çevrimini otomatikleştirin | Bir makine öğrenimi modelinin oluşturulmasını ve devreye alınmasını otomatikleştirmek için bir ardışık işlem oluşturun ve çalıştırın. | İşlem düğümlerini tuvale bırakın ve özellikleri seçin. |
Temel modellerini isteme
Bilgi istemi temel modelleriyle çalışmaya başlamak için genel iş akışını anlayın, bir eğitmen seçin ve platform üzerinde çalışmak üzere diğer öğrenim kaynaklarını inceleyin.
Bilgi istemi mühendisliği iş akışınızda aşağıdaki temel adımlar bulunur:
Bir proje oluşturun.
Gerekiyorsa, kullanmak istediğiniz aracı sağlayan hizmet eşgörünümünü yaratın ve projeyle ilişkilendirin.
Temel modellerini istemek için bir araç seçin. Eğitmenlerin her biri bir aracı açıklar.
En iyi bilgi istemlerinizi kaydedin ve paylaşın.
Temel modellerin bilgi istemi için öğrekonularetmek Üzere Eğitmenler
Her eğitmen, aracın açıklamasını, videoyu, yönergeleri ve ek öğrenim kaynaklarını sağlar:
| Eğitici Program | Açıklama | Eğitim programı için uzmanlık |
|---|---|---|
| Bilgi İstemi Laboratuvarı kullanarak temel modelden bilgi isteminde bulun | Farklı temel modellerini istemeyi deneyin, örnek bilgi istemlerini keşfedin ve en iyi bilgi istemlerinizi kaydedin ve paylaşın. | Kodlama yapmadan Bilgi İstemi Laboratuvarı kullanarak bir model iste. |
| Alma artırılmış oluşturma kalıbıyla bir temel modelden bilgi isteminde bulun | Bir bilgi tabanındaki bilgilerden yararlanarak temel modelden bilgi isteminde bulunulur. | Python kodunu kullanan bir Jupyter not defterindeki dum lmış örneini anın. |
Diğer öğrenim kaynakları
Kılavuzlu öğretici programlar
Örneklerde kılavuzlu bir öğretici programı izlemek için Yapay Zeka modeli örnek projesi oluşturun ' a erişin. Örnek projeyi yarattıktan sonra, benioku (Readme) aşağıdaki yürütültin geliştirmek sizin! Yapabilirsiniz) ... Yönergeleri sağlar:
- Data Refineryile verilerdeki anormallikleri kaldırmak için Verileri keşfedin ve hazırlayın seçeneğini belirleyin.
- Python koduyla bir model oluşturmak için Not defterinde model oluştur seçeneğini belirleyin.
- AutoAI aracıyla bir model oluşturmayı otomatikleştirmek için Bir model oluşturun ve devreye alın seçeneğini belirleyin.
Documentation
Genel
Veriler hazırlanıyor
Verileri analiz etme ve görselleştirme
Modelleri oluşturma, devreye alma ve güvenme
Temel modelden bilgi isteminde bulunma
Videolar
Örnekler
Uygulamalı deneyim elde etmek için Örnekler alanında örnek veri kümelerini, projeleri, modelleri, bilgi istemlerini ve dizüstü bilgisayarları bulun:
Veri çözümlemeye ve modeller oluşturmaya başlamak için projenize ekleyebileceğiniz 
Not defterleri .
Not defterleri, veri kümeleri, bilgi istemleri ve diğer varlıkları içeren içe aktarabileceğiniz 
Projeler .
Modelleri iyileştirmek, analiz etmek ve oluşturmak için projenize ekleyebileceğiniz 
Veri kümeleri .
Temel bir model istemek için Bilgi İstemi Laboratuvarı 'nda kullanabileceğiniz 
Bilgi İstemleri .
Bilgi İstemi Laboratuvarı 'nda kullanabileceğiniz 
Foundation modelleri .
Eğitim
Watson Studio Yöntembilim , Watson Studio' ya ayrıntılı bir bakış sağlayan bir IBM Eğitim e-Öğrenim kursudur.
Watson Studio ile verilerinizin denetimini ele alın, Watson Studiokullanarak verilerle çalışma sürecini açıklayan, adım adım öğretici programlardan oluşan bir öğrenim yoludur.
Üst konu: Başlarken