도구 선택
Cloud Pak for Data as a Service의 핵심 서비스는 초보자부터 전문가에 이르기까지 데이터 준비, 분석 및 모델링에 대한 모든 레벨의 경험이 있는 사용자에게 다양한 도구를 제공합니다. 올바른 도구는 가지고 있는 데이터의 유형, 수행하려는 태스크 및 원하는 자동화의 양에 따라 다릅니다.
프로젝트에서 사용하는 도구 및 해당 도구에 필요한 서비스를 보려면 도구 및 서비스 맵을 여십시오.
적절한 도구를 고르려면 이러한 요인을 고려하십시오.
사용자가 가지고 있는 데이터의 유형
- 구분된 파일의 표 형식 데이터 또는 원격 데이터 소스의 관계형 데이터
- 이미지 파일
- 문서의 텍스트 (구조화되지 않은) 데이터
수행해야 하는 태스크 유형
- 데이터 준비: 데이터를 정리하고 쉐이핑하고 시각화하고 구성하며 유효성 검증합니다.
- 데이터 분석: 데이터에서 패턴과 관계를 식별하고 인사이트를 표시합니다.
- 모델 빌드: 모델을 빌드, 훈련, 테스트 및 배치하여 예측을 하거나 의사결정을 최적화합니다.
얼마나 많은 자동화를 원하십니까
- 코드 편집기 도구: 모두 Spark를 사용하여 Python 또는 R로 코드를 작성하는 데 사용합니다.
- 그래픽 빌더 도구: 빌더에서 메뉴 및 끌어서 놓기 기능을 사용하여 시각적으로 프로그램을 프로그램합니다.
- 자동화된 빌더 도구: 제한된 사용자 입력이 필요한 자동 태스크를 구성하는 데 사용합니다.
적절한 도구를 찾으십시오.
표 형식 또는 관계형 데이터용 도구
태스크별 표 형식 또는 관계형 데이터용 도구:
| 도구 | 도구 유형 | 데이터 준비 | 데이터 분석 | 모델 빌드 |
|---|---|---|---|---|
| Jupyter 노트북 편집기 | 코드 편집기 | ✓ | ✓ | ✓ |
| RStudio | 코드 편집기 | ✓ | ✓ | ✓ |
| Data Refinery | 그래픽 빌더 | ✓ | ✓ | |
| 마스킹 플로우 | 자동화된 빌더 | ✓ | ||
| Data Virtualization | 그래픽 빌더 | ✓ | ||
| DataStage | 그래픽 빌더 | ✓ | ||
| Data Replication | 그래픽 빌더 | ✓ | ||
| SPSS Modeler | 그래픽 빌더 | ✓ | ✓ | ✓ |
| Decision Optimization 모델 빌더 | 그래픽 빌더 및 코드 편집기 | ✓ | ✓ | |
| AutoAI | 자동화된 빌더 | ✓ | ✓ | |
| Metadata import | 자동화된 빌더 | ✓ | ||
| 메타데이터 강화 | 자동화된 빌더 | ✓ | ✓ | |
| 데이터 품질 규칙 | 자동화된 빌더 및 코드 편집기 | ✓ | ||
| IBM Match 360 서비스(베타) | 자동화된 빌더 | ✓ | ||
| 오케스트레이션 파이프라인 | 그래픽 빌더 | ✓ | ✓ | ✓ |
텍스트 데이터용 도구
텍스트 데이터에 대해 작업하는 모델을 빌드하기 위한 도구:
| 도구 | 코드 편집기 | 그래픽 빌더 | 자동화된 빌더 |
|---|---|---|---|
| Jupyter 노트북 편집기 | ✓ | ||
| RStudio | ✓ | ||
| SPSS Modeler | ✓ | ||
| 오케스트레이션 파이프라인 | ✓ |
이미지 데이터용 도구
이미지를 분류하는 모델을 빌드하기 위한 도구:
| 도구 | 코드 편집기 | 그래픽 빌더 | 자동화된 빌더 |
|---|---|---|---|
| Jupyter 노트북 편집기 | ✓ | ||
| RStudio | ✓ | ||
| 오케스트레이션 파이프라인 | ✓ |
도구에 액세스
도구를 사용하려면 해당 도구와 관련된 자산을 작성하거나 해당 도구에 대한 기존 자산을 열어야 합니다. 자산을 작성하려면 새 자산 또는 자산 가져오기 를 클릭한 후 원하는 자산 유형을 선택하십시오. 이 표에는 각 도구에 대해 선택하는 자산 유형이 표시되어 있습니다.
| 사용하려는 도구 | 선택하는 자산 유형 |
|---|---|
| Jupyter 노트북 편집기 | Jupyter 노트북 편집기 |
| Data Refinery | Data Refinery 플로우 |
| 마스킹 플로우 | 마스킹 플로우 |
| DataStage | DataStage 플로우 |
| SPSS Modeler | 모델러 플로우 |
| Decision Optimization 모델 빌더 | Decision Optimization |
| AutoAI | AutoAI 실험 |
| Metadata import | Metadata import |
| 메타데이터 강화 | 메타데이터 강화 |
| 데이터 품질 규칙 | 데이터 품질 규칙 |
| IBM Match 360 서비스(베타) | 마스터 데이터 구성 |
RStudio로 노트북을 편집하려면 IDE > RStudio 실행을 클릭하십시오.
Jupyter 노트북 편집기
Jupyter 노트북 편집기를 사용하여 코드를 실행하여 데이터를 준비, 시각화 및 분석하거나 모델을 빌드 및 훈련시킬 수 있는 노트북을 작성하십시오.
- 필수 서비스
- watsonx.ai Studio
- 데이터 형식
- 모두
- 데이터 크기
- 모두
- 데이터를 준비하고 분석하거나 모델을 빌드할 수 있는 방법
- 모두 Spark를 사용하여 Python 또는 R로 코드를 작성하십시오.
- 코드에 서식있는 텍스트와 매체를 포함합니다.
- 원하는 방법으로 모든 유형의 데이터 작업
- 사전 설치 사용 또는 다른 오픈 소스 및 IBM 라이브러리 및 패키지 설치
- 코드 실행 스케줄
- 파일, URL 또는 리소스 허브에서 노트북을 가져옵니다.
- 외부적으로 노트북의 읽기 전용 사본 공유.
- 시작하기
- 노트북을 만들려면 새 자산 > 데이터 및 모델 작업Python 또는 R 노트북 .
- 자세히 알아보기
- 노트북 관련 문서
- 노트북에 대한 동영상
- 샘플 노트북
동영상을 보고 Jupyter 노트북의 기본 사항을 배우세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
Data Refinery
Data Refinery를 사용하여 그래픽 플로우 편집기로 표 형식의 데이터를 준비하고 시각화하십시오. Data Refinery 플로우를 데이터에 대해 일련의 정렬된 오퍼레이션으로 작성한 다음 실행합니다.
- 필수 서비스
- watsonx.ai Studio 또는 IBM Knowledge Catalog
- 데이터 형식
- 표 형식: Avro, CSV, JSON, Microsoft Excel (xls및 xlsx 형식. 연결 및 연결된 데이터 자산을 제외한 첫 번째 시트 전용.), Parquet, "sas7bdat" 확장자가 있는 SAS (읽기 전용), TSV (읽기 전용) 또는 구분된 텍스트 데이터 자산
- 관계형: 관계형 데이터 소스의 테이블
- 데이터 크기
- 모두
- 데이터를 준비할 수 있는 방법
- 60개 이상의 오퍼레이션으로 데이터 정리, 쉐이핑, 구성
- 정제된 데이터를 새 데이터 세트로 저장하거나 원래 데이터 업데이트
- 데이터를 유효성 검증하기 위한 데이터 프로파일링
- 코드 오퍼레이션, 함수, 논리 연산자를 사용하여 데이터를 조작하기 위해 대화식 템플리트 사용
- 데이터에 대한 반복 오퍼레이션 스케줄
- 데이터를 분석할 수 있는 방법
- 여러 시각화 차트 내의 패턴, 연결, 관계 식별
- 시작하기
- Data Refinery 플로우를 작성하려면 새 자산 > 데이터 준비 및 시각화를 클릭하십시오.
- 자세히 알아보기
- Data Refinery에 대한 문서
- Data Refinery에 대한 동영상
데이터를 구체화하는 방법을 동영상으로 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
Data Replication
데이터를 통합하고 동기화하려면 Data Replication을 사용하십시오. Data Replication은 소스에 대한 영향이 적은 거의 실시간 데이터 전달을 제공합니다.
- 필요한 서비스
Data Replication
- 관련 서비스
IBM Knowledge Catalog
- 데이터 형식
Data Replication 일부 유형의 데이터 소스 및 형식에 대한 연결과 함께 작동합니다. 자세한 내용은 지원되는 Data Replication 연결을 참조하세요.
- 인증 정보
Data Replication IBM Cloud 자격 증명을 사용하여 서비스에 연결합니다.
- 시작하기
프로젝트에서 데이터 복제를 시작하려면 새 자산 > 데이터 복제를 클릭합니다.
- 자세히 알아보기
데이터를 복제하는 방법을 동영상으로 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
Data Virtualization
Data Virtualization을 사용하여 다중 데이터 소스를 데이터 소스나 데이터베이스의 단일 자체 밸런싱 콜렉션에 연결.
- 데이터 형식
- 관계형: 관계형 데이터 소스의 테이블
- 데이터 크기
- 모두
- 데이터를 준비할 수 있는 방법
- 다중 데이터 소스에 대한 연결.
- 가상 테이블 작성.
- 시작하기
- 가상 테이블을 만들려면 데이터 > Data virtualization 클릭합니다. 서비스 메뉴에서 가상화 > 가상화 > 테이블을 클릭하십시오.
- 자세히 알아보기
- Data Virtualization 대한 문서
- Data Virtualization 대한 동영상
동영상을 통해 데이터 가상화 방법을 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
DataStage
그래픽 플로우 편집기로 표 형식의 데이터를 준비하고 시각화하려면 DataStage를 사용하십시오. 사용자는 데이터에 대한 순서 지정된 오퍼레이션의 세트로서 DataStage 플로우를 작성하고 실행합니다.
- 필요한 서비스
- DataStage
- 데이터 형식
- 표 형식: Avro, CSV, JSON, Parquet, TSV(읽기 전용) 또는 구분된 텍스트 파일
- 관계형: 관계형 데이터 소스의 테이블
- 데이터 크기
- 모두
- 데이터를 준비할 수 있는 방법
- 고성능 DataStage 병렬 엔진에서 실행할 Orchestrate 코드를 생성하는 그래픽 데이터 상호작용 플로우를 디자인합니다.
- 결합, 퍼넬, 체크섬, 병합, 수정, 중복 제거 및 정렬과 같은 오퍼레이션을 수행합니다.
- 시작하기
- 생성하려면 DataStage 흐름, 클릭 새로운 자산 > 데이터 변환 및 통합. 그만큼 DataStage 타일이 들어있어요 그래픽 빌더 부분.
- 자세히 알아보기
- DataStage 관련 문서
- DataStage 대한 동영상
데이터를 변환하는 방법을 동영상으로 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
SPSS Modeler
SPSS Modeler 를 사용하여 데이터를 준비하고 그래픽 빌더에서 플로우 편집기를 사용하여 모델을 빌드 및 훈련하기 위한 플로우를 작성하십시오.
- 필수 서비스
- watsonx.ai Studio
- 데이터 형식
- 관계형: 관계형 데이터 소스의 테이블
- 표 형식: Excel 파일(.xls 또는 .xlsx), CSV 파일 또는 SPSS 통계 파일(.sav)
- 텍스트: 지원되는 관계형 테이블 또는 파일
- 데이터 크기
- 모두
- 데이터를 준비할 수 있는 방법
- 자동 데이터 준비 기능 사용
- 데이터를 조작하기 위한 SQL문 작성
- 데이터 정리, 쉐이핑, 샘플링, 정렬 및 파생
- 데이터를 분석할 수 있는 방법
- 40개 이상의 그래프로 데이터 시각화
- 텍스트 필드의 자연어 식별
- 모델을 빌드할 수 있는 방법
- 예측 모델 빌드.
- 40개 이상의 모델링 알고리즘 중에서 선택.
- 자동 모델링 기능 사용
- 시계열 또는 지리공간 데이터 모델링
- 텍스트 데이터 분류
- 텍스트 데이터의 개념 간 관계 식별
- 시작하기
- 생성하려면SPSS Modeler 흐름, 클릭 새 자산 > 시각적 흐름으로 모델 구축 .
- 자세히 알아보기
- SPSS Modeler에 대한 문서
- SPSS Modeler 대한 동영상
동영상을 시청하여 SPSS Modeler 모델을 작성하는 방법을 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
Decision Optimization 모델 빌더(Decision Optimization model builder)
Decision Optimization을 사용하여 Decision Optimization 모델러 또는 Jupyter 노트북에서 최적화 모델을 빌드하고 실행합니다.
- 필수 서비스
- watsonx.ai Studio
- 데이터 형식
- 표 형식: CSV 파일
- 데이터 크기
- 모두
- 데이터를 준비할 수 있는 방법
- 관련 데이터를 시나리오로 가져와서 편집하십시오.
- 모델을 빌드할 수 있는 방법
- 규범적 의사 결정 최적화 모델을 빌드하십시오.
- Python DOcplex, OPL 또는 자연어 표현식으로 모델을 작성하고 가져오고 편집하십시오.
- 노트북에서 모델을 작성하고 가져오고 편집하십시오.
- 모델을 해결하는 방법
- CPLEX 엔진을 사용하여 의사결정 최적화 모델을 실행하고 해결하십시오.
- 여러 시나리오에 대한 솔루션을 조사하고 비교하십시오.
- 하나 이상의 시나리오에 대한 데이터 및 솔루션을 시각화하도록 테이블, 차트 및 메모를 작성하십시오.
- 시작하기
- 생성하려면Decision Optimization 모델, 클릭 새 자산 > 최적화 문제 해결 , 또는 노트북의 경우 새 자산 > 데이터 및 모델 작업Python 또는 R 노트북 .
- 자세히 알아보기
- Decision Optimization에 대한 문서
- Decision Optimization
Decision Optimization 실험을 구축하는 방법을 동영상으로 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
AutoAI 도구
AutoAI 도구를 사용하여 표 형식 데이터를 자동으로 분석하고 예측 모델링 문제에 맞게 사용자 정의된 후보 모델 파이프라인을 생성하십시오.
- 필수 서비스
- watsonx.ai Runtime
- watsonx.ai Studio
- 데이터 형식
- 표 형식: CSV 파일
- 데이터 크기
- 모델 유형에 따라 다릅니다. 세부사항은 AutoAI 개요 를 참조하십시오.
- 데이터를 준비할 수 있는 방법
- 데이터를 자동으로 변환합니다 (예: 결측값 대치 및 텍스트를 스칼라 값으로 변환).
- 모델을 빌드할 수 있는 방법
- 이진 분류, 다중 클래스 분류 또는 회귀 모델을 훈련합니다.
- AutoAI 훈련 스테이지 시퀀스를 보여주는 트리 인포그래픽을 봅니다.
- 교차 유효성 검증 점수로 순위가 매겨진 모델 파이프라인의 리더보드를 생성합니다.
- 파이프라인을 모델로 저장합니다.
- 시작하기
- 생성하려면AutoAI 실험, 클릭 새 자산 > 기계 학습 모델 자동 구축 .
- 자세히 알아보기
- AutoAI에 대한 문서
- AutoAI 대한 동영상
동영상을 통해 AutoAI 실험을 구축하는 방법을 알아보세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
Metadata import
데이터 자산에 대한 기술 및 프로세스 메타데이터를 자동으로 발견하고 프로젝트 또는 카탈로그로 가져오려면 메타데이터 가져오기 도구를 사용하십시오.
- 필요한 서비스
- IBM Knowledge Catalog
- 데이터 형식
- 모두
- 데이터 크기
- 모든 크기
- 데이터를 준비할 수 있는 방법
- 연결로부터 데이터 소스로 데이터 자산을 가져옵니다.
- 시작하기
- 메타데이터를 가져오려면 새 자산 > 데이터 자산에 대한 메타데이터 가져오기.
- 자세히 알아보기
- 메타데이터 가져오기에 대한 문서
- IBM Knowledge Catalog에 대한 비디오
동영상에서 에셋 메타데이터 가져오기 방법을 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
메타데이터 강화
메타데이터 인리치먼트 도구를 사용하여 데이터 자산을 자동으로 프로파일링하고 프로젝트의 데이터 품질을 분석합니다.
- 필요한 서비스
- IBM Knowledge Catalog
- 데이터 형식
- 관계형 및 구조화: 관계형 및 비관계형 데이터 소스의 테이블 및 파일
- 표 형식: Avro, CSV 또는 Parquet 파일
- 데이터 크기
- 모든 크기
- 데이터를 준비하고 분석할 수 있는 방법
- 프로젝트의 데이터 자산 선택 세트를 프로파일링하고 분석합니다.
- 시작하기
- 데이터를 보강하려면 새 자산 > 메타데이터로 데이터 자산 강화.
- 자세히 알아보기
- 메타데이터 강화에 대한 문서
- IBM Knowledge Catalog에 대한 비디오
데이터 자산을 보강하는 방법을 동영상으로 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
데이터 품질 규칙
데이터 품질 도구를 사용하여 프로젝트의 데이터 품질을 분석하는 규칙을 작성하십시오.
- 필요한 서비스
- IBM Knowledge Catalog
- 데이터 형식
- 관계형 및 구조화: 관계형 및 비관계형 데이터 소스의 테이블 및 파일
- 표 형식: Avro, CSV 또는 Parquet 파일
- 데이터 크기
- 모든 크기
- 데이터를 준비하고 분석할 수 있는 방법
- 프로젝트에서 선택된 데이터 자산 세트의 품질을 분석합니다.
- 시작하기
- 데이터 품질 규칙을 생성하려면 새로운 자산 > 데이터 품질 측정 및 모니터링.
- 자세히 알아보기
- 데이터 품질 규칙에 대한 문서
IBM Match 360 서비스로서의 서비스
고객의 디지털 트윈을 나타내는 마스터 데이터 엔티티를 생성하려면 IBM Match 360 as a Service를 사용하세요. 데이터를 모델링 및 맵핑한 다음 일치 알고리즘을 실행하여 마스터 데이터 엔티티를 작성합니다. 조직의 요구사항을 충족하도록 일치하는 알고리즘을 사용자 정의하고 조정하십시오.
- 필수 서비스
- IBM Match 360 서비스로서의 서비스 IBM Knowledge Catalog
- 데이터 크기
- 최대 1,000,000개의 레코드(베타 릴리스 플랜의 경우)
- 데이터를 준비할 수 있는 방법
- 사용자 조직의 소스에서 데이터 모델링 및 맵핑합니다.
- 사용자 정의 가능한 일치 알고리즘을 실행하여 마스터 데이터 엔티티를 작성합니다.
- 마스터 데이터 엔티티와 연관된 레코드를 보고 편집합니다.
- 시작하기
- 생성하려면 IBM Match 360 구성 자산, 클릭 새 자산 > 데이터를 360도 뷰로 통합.
- 자세히 알아보기
- IBM Match 360 서비스형 문서
- IBM Match 360 대한 동영상
동영상을 통해 IBM Match 360 사용 방법 알아보기
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
RStudio IDE
RStudio IDE를 사용하여 데이터를 분석하거나 R 코드를 작성하여 Shiny 애플리케이션을 작성하십시오.
- 필요한 서비스
- watsonx.ai Studio
- 데이터 형식
- 모두
- 데이터 크기
- 모든 크기
- 데이터를 준비하고 분석하며 모델을 빌드할 수 있는 방법
- 코드를 R에 작성합니다.
- Shiny 앱을 작성합니다.
- 오픈 소스 라이브러리와 패키지를 사용합니다.
- 코드에 서식있는 텍스트와 매체를 포함합니다.
- 데이터를 준비합니다.
- 데이터를 시각화합니다.
- 데이터에서 인사이트를 발견합니다.
- 오픈 소스 라이브러리를 사용하여 모델을 빌드하고 훈련합니다.
- Git 저장소에 Shiny 앱을 공유합니다.
- 시작하기
- RStudio 사용하려면, IDE 실행 > RStudio 클릭합니다.
- 자세히 알아보기
- RStudio에 대한 문서
- RStudio에 대한 동영상
RStudio 개요를 동영상으로 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
마스킹 플로우
마스킹된 사본 또는 마스크된 데이터 서브세트를 카탈로그에서 준비하려면 마스킹 플로우 도구를 사용하십시오. 데이터는 데이터 보호 규칙으로 고급 마스킹 옵션을 사용하여 익명화됩니다.
- 필요한 서비스
- IBM Knowledge Catalog
- 데이터 형식
- 관계형: 관계형 데이터 소스의 테이블
- 데이터 크기
- 모든 크기
- 데이터를 준비하고 분석하거나 모델을 빌드할 수 있는 방법
- 관리되는 카탈로그에서 프로젝트로 데이터 자산을 가져옵니다.
- 마스킹 플로우 작업 정의를 작성하여 데이터 보호 규칙으로 마스킹할 데이터를 지정합니다.
- 복사된 데이터의 크기를 줄이도록 선택적으로 데이터를 서브세트 처리합니다.
- 마스킹 플로우 작업을 실행하여 마스킹된 사본을 대상 데이터베이스 연결로 로드합니다.
- 시작하기
- IBM Knowledge Catalog 의 전제조건 단계가 완료되었는지확인하십시오. 데이터를 개인화하려면 다음 태스크 중 하나를 수행하십시오.
- 딸깍 하는 소리 새 자산 > 데이터 복사 및 마스크.
- 개별 데이터 자산에 대한 메뉴 옵션을 클릭하여 해당 자산을 직접 마스킹하십시오.
동영상에서 마스킹 플로우를 만드는 방법을 확인하세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
오케스트레이션 파이프라인
파이프라인 캔버스 편집기를 사용하여 데이터를 준비, 시각화 및 분석하거나 모델을 빌드 및 훈련하기 위한 플로우를 작성하십시오.
- 데이터 형식
- 모두
- 데이터 크기
- 모두
- 데이터를 준비하고 분석하거나 모델을 빌드할 수 있는 방법
- 각각 자체 로그를 포함하는 다양한 노드를 사용하십시오.
- 노트북을 플로우에 통합하여 Python 또는 R 코드를 실행하십시오.
- 원하는 방법으로 모든 유형의 데이터 작업
- 플로우의 실행을 스케줄하십시오.
- 마운트된 PVC, 프로젝트에서 데이터를 가져오거나 Github에서 데이터를 수집하십시오.
- Python 코드를 사용하여 사용자 정의 구성요소를 작성하십시오.
- 원하는 데이터 품질을 모니터하도록 파이프라인을 조건화하십시오.
- 플로우의 상태를 최신 상태로 유지하기 위해 이메일 또는 메시지를 발송하려면 웹훅을 사용하십시오.
- 시작하기
- 새로운 파이프라인을 생성하려면, 신규 자산 > 모델 수명 주기 자동화를 클릭합니다.
- 자세히 알아보기
- 오케스트레이션 파이프라인에 대한 문서
- 오케스트레이션 파이프라인에 대한 동영상
동영상을 보고 파이프라인을 만드는 방법을 알아보세요
이 동영상은 이 설명서의 개념과 작업을 시각적으로 학습할 수 있는 방법을 제공합니다.
데이터 시각화
데이터 시각화를 사용하여 데이터에서 인사이트를 발견합니다. 시각화를 사용하여 다른 관점에서 데이터를 탐색함으로써 해당 데이터 내에서 패턴, 연결 및 관계를 식별하고 대량의 정보를 빠르게 이해할 수 있습니다.
- 데이터 형식
- 표 형식: Avro, CSV, JSON, Parquet, TSV, SAV, Microsoft Excel .xls 및 .xlsx 파일, SAS, 구분된 텍스트 파일 및 연결된 데이터. 지원되는 데이터 원본에 대한 자세한 정보는 커넥터를 참조하십시오.
- 데이터 크기
- 제한 없음
- 시작하기
- 시각화를 작성하려면 프로젝트의 자산 유형 목록에서 데이터 자산 을 클릭하고 데이터 자산을 선택하십시오. 시각화 탭을 클릭하고 차트 유형을 선택합니다.
- 자세히 알아보기
- 데이터 시각화
상위 주제: 프로젝트