Sekmeli ya da ilişkisel veriler için araçlar

Göreve göre sekmeli ya da ilişkisel veriler için araçlar:

Metin verileri için araçlar

Metin verilerini sınıflandıran bir model oluşturmak için araçlar:

Resim verileri için araçlar

Resimleri sınıflandıran bir model oluşturmak için araçlar:

Araçlara erişilmesi

Bir aracı kullanmak için, o araca özgü bir varlık yaratmanız ya da o araç için var olan bir varlığı açmanız gerekir. Bir varlık yaratmak için Yeni varlık ya da Varlıkları içe aktar seçeneğini tıklatın ve istediğiniz varlık tipini seçin. Bu tablo, her araç için seçilecek varlık tipini gösterir.

Dizüstü bilgisayarları RStudioile düzenlemek için IDE Başlat > RStudioseçeneklerini tıklatın.

Jupyter not defteri düzenleyicisi

Verileri hazırlamak, görselleştirmek ve analiz etmek ya da bir model oluşturmak ve eğitmek için kodu çalıştırdığınız bir not defteri oluşturmak için Jupyter not defteri düzenleyicisini kullanın.

Gerekli hizmet

Watson Studio

Veri biçimi

Herhangi Biri

Veri büyüklüğü

Herhangi Biri

Verileri nasıl hazırlayabilir, verileri analiz edebilir ya da modeller oluşturabilirsiniz

Python ya da R ' ye kod yazın; tümü de Spark ile birlikte yazılır.

Kodunuza zengin metin ve ortam ekleyin.

İstediğiniz herhangi bir veri türüyle çalışmanızı sağlar.

Önceden kurulmuş diğer açık kaynak ve IBM kitaplıklarını ve paketlerini kullanın ya da kurun.

Kodunuzun çalıştırmaları zamanlayın

Bir not defterini bir dosyadan, URL ' den ya da Galeri 'den alın.

Not defterinizin salt okunur kopyalarını dışarıdan paylaşın.

Başlarken

Bir not defteri oluşturmak için Yeni varlık > Jupyter not defteri düzenleyicisiseçeneklerini tıklatın.

Ek Bilgi

Genel veri kümeleri videosunu yükleyin ve analiz edin

Notebook yayınlarıyla ilgili videolar

Örnek not defterleri

Documentation

Data Refinery

Bir grafik akış düzenleyicisiyle tablo verilerini hazırlamak ve görselleştirmek için Data Refinery ' ni kullanın. Veriler üzerinde sıralı işlemler kümesi olarak bir Data Refinery akışı oluşturur ve çalıştırır.

Gerekli hizmetler

Watson Studio ya da Watson Knowledge Catalog

Veri biçimi

Sekmeli: Avro, CSV, JSON, Microsoft Excel (xls ve xlsx biçimleri. Bağlantılar ve bağlantılı veri varlıkları dışında yalnızca ilk sayfa.), "sas7bdat" uzantılı SAS (salt okunur), TSV (salt okunur) ya da sınırlanmış metin veri varlığı

İlişkisel: İlişkisel veri kaynaklarındaki tablolar

Veri büyüklüğü

Herhangi Biri

Verileri hazırlama

60 'tan fazla işlemle verileri temizleyin, biçimlendirir, düzenleyin.

İyileştirilmiş verileri yeni bir veri kümesi olarak kaydedin ya da özgün verileri güncelleyin.

Geçerliliğini denetlemek için profil verileri.

Verileri kod işlemleri, işlevler ve mantıksal işleçlerle işlemek için etkileşimli şablonlar kullanın.

Veriler üzerinde yinelenen işlemleri zamanlayın.

Verileri nasıl analiz edebilirsiniz

Birden çok görselleştirme grafiğindeki veriler içindeki kalıpları, bağlantıları ve ilişkileri belirleyin.

Başlarken

Bir Data Refinery akışı oluşturmak için Yeni varlık > Data Refineryseçeneklerini tıklatın. Data Refinery döşemesi, Grafik oluşturucular bölümünde bulunur.

Ek Bilgi

Documentation hakkında Data Refinery

Data Refinery

Şekil Verileri videosu

Watson Query

Birden çok veri kaynağını, veri kaynaklarının ya da veritabanlarının kendi kendini dengeleyen tek bir derlemine bağlamak için Watson Query ' yi kullanın.

Veri biçimi

İlişkisel: İlişkisel veri kaynaklarındaki tablolar

Veri büyüklüğü

Herhangi Biri

Verileri hazırlama

Birden çok veri kaynağına bağlanın.

Sanal çizelgeler yaratın.

Başlarken

Sanal tablolar oluşturmak için Veri > Data virtualizationseçeneklerini tıklatın. Hizmet menüsünden Sanallaştırma > Sanallaştırma > Tablolarseçeneklerini tıklatın.

Ek Bilgi

Watson Query belgeleri

DataStage

Bir grafik akış düzenleyicisiyle sekmeli verileri hazırlamak ve görselleştirmek için DataStage seçeneğini kullanın. Veriler üzerinde sıralı işlemler kümesi olarak bir DataStage akışı yaratır ve çalıştırır.

Veri biçimi

Sekmeli: Avro, CSV, JSON, Parke, TSV (salt okunur) ya da sınırlanmış metin dosyaları

İlişkisel: İlişkisel veri kaynaklarındaki tablolar

Veri büyüklüğü

Herhangi Biri

Verileri hazırlama

Yüksek performanslı DataStage paralel motorunda çalıştırılacak Düzenleme kodu oluşturan bir grafik veri bütünleştirme akışı tasarlayın.

Birleştirme, Funnel, Sağlama Toplamı, Birleştirme, Değiştirme, Kaldırma Yinelemeleri ve Sıralama gibi işlemleri gerçekleştirin.

Başlarken

Bir DataStage akışı yaratmak için Yeni varlık > DataStageseçeneklerini tıklatın. DataStage döşemesi Grafik oluşturucular bölümünde bulunur.

Ek Bilgi

DataStage belgeleri

Gösterge panosu düzenleyicisi

Grafik oluşturucunun analitik sonuçlarına ilişkin bir dizi görselleştirme oluşturmak için Gösterge Panosu düzenleyicisini kullanın.

Gerekli hizmet

Cognos Dashboard Embedded

Veri biçimi

Sekmeli: CSV dosyaları

İlişkisel: Bazı ilişkisel veri kaynaklarındaki tablolar

Veri büyüklüğü

Herhangi bir boyut

Verileri nasıl analiz edebilirsiniz

Kodlama yapmadan grafikler oluşturun.

dashboard.: Etkileşimli gösterge panolarını dışarıdan paylaşın.

Başlarken

Gösterge panosu yaratmak için Yeni varlık > Gösterge Panosu düzenleyicisiöğelerini tıklatın. Gösterge panosu düzenleyicisi döşemesi Grafik oluşturucular bölümünde bulunur.

Ek Bilgi

Documentation gösterge panolarıyla ilgili

Gösterge panolarıyla ilgili videolar

SPSS Modeler

Verileri hazırlamak ve grafik oluşturucusundaki bir akış düzenleyicisiyle bir model oluşturmak ve eğitmek için SPSS Modeler olanağını kullanın.

Gerekli hizmetler

Watson Studio

Veri biçimleri

İlişkisel: İlişkisel veri kaynaklarındaki tablolar

Sekmeli: Excel dosyaları (.xls ya da .xlsx), CSV dosyaları ya da SPSS Statistics dosyaları (.sav)

Metin: Desteklenen ilişkisel tablolarda ya da dosyalarda

Veri büyüklüğü

Herhangi Biri

Verileri hazırlama

Otomatik veri hazırlama işlevlerini kullanın.

Verileri işlemek için SQL deyimleri yazın.

Verileri temizleyin, şekillendirir, örnek alır, sıralayın ve türetir.

Verileri nasıl analiz edebilirsiniz

40 'tan fazla grafikle verileri görselleştirin.

Bir metin alanının doğal dilini tanımlayın.

Modelleri nasıl oluşturabileceğiniz

Tahmine dayalı modeller oluşturun.

40 'tan fazla modelleme algoritması arasından seçim yapın.

Otomatik modelleme işlevlerini kullanın.

Model zaman serisi veya jeo-uzamsal veriler.

Metin verilerini sınıflandırın.

Metinli verilerdeki kavramlar arasındaki ilişkileri tanımlayın.

Başlarken

SPSS Modeler akışı oluşturmak için Yeni varlık > SPSS Modelerseçeneklerini tıklatın.

Ek Bilgi

SPSS Modeler -kurumsal veri bilimi Powerhouse videosu için yenilenmiş kullanıcı arabirimi

Documentation hakkında SPSS Modeler

Decision Optimization model oluşturucusu

Decision Optimization modelleyicisinde ya da Jupyter not defterinde optimizasyon modelleri oluşturmak ve çalıştırmak için Decision Optimization seçeneğini kullanın.

Gerekli hizmetler

Watson Studio

Veri biçimleri

Sekmeli: CSV dosyaları

Veri büyüklüğü

Herhangi Biri

Verileri hazırlama

İlgili verileri bir senaryoya aktarın ve düzenleyin.

Modelleri nasıl oluşturabileceğiniz

Normatif karar optimizasyonu modelleri oluşturun.

Python DOcplex, OPL ya da doğal dil ifadeleriyle modeller oluşturun, bunları içe aktarın ve düzenleyin.

Dizüstü bilgisayarlarda modeller oluşturun, bunları içe aktarın ve düzenleyin.

Modelleri nasıl çözebileceğinizi

CPLEX motorlarını kullanarak karar optimizasyonu modellerini çalıştırın ve çözün.

Birden çok senaryo için çözümleri araştırın ve karşılaştırın.

Bir ya da daha fazla senaryoya ilişkin verileri ve çözümleri görselleştirmek için tablolar, grafikler ve notlar oluşturun.

Başlarken

Bir Decision Optimization modeli oluşturmak için Yeni varlık > Decision Optimizationseçeneklerini tıklatın ya da not defterleri için Yeni varlık > Jüpiter not defteri düzenleyicisiseçeneklerini tıklatın.

Ek Bilgi

Decision Optimization

Documentation hakkında Decision Optimization

AutoAI aracı

Tablo şeklindeki verilerinizi otomatik olarak analiz etmek ve tahmine dayalı modelleme sorununuz için özelleştirilmiş aday model hatlarını oluşturmak için AutoAI aracını kullanın.

Gerekli hizmet

Watson Machine Learning

Veri biçimi

Sekmeli: CSV dosyaları

Veri büyüklüğü

Model tipine bağlıdır. Ayrıntılar için bkz. AutoAI Genel Bakış .

Verileri hazırlama

Eksik değerleri yükleme ve metni sayıl değerlere dönüştürme gibi verileri otomatik olarak dönüştürün.

Modelleri nasıl oluşturabileceğiniz

İkili sınıflandırma, çok değişkenli sınıflandırma ya da regresyon modelini eğitin.

AutoAI eğitim aşamalarının sıralarını gösteren bir ağaç infografiğini görüntüleyin.

Çapraz doğrulama puanlarına göre sınıflandırılmış model ardışık düzenlerinden oluşan bir lider panosu oluşturun.

Bir ardışık düzeni model olarak kaydedin.

Başlarken

Bir AutoAI deneyi oluşturmak için Yeni varlık > AutoAIseçeneğini tıklatın.

Ek Bilgi

Documentation AutoAIhakkında

Birleşik Öğrenim

Dağıtılmış verileri kullanarak ortak bir modeli eğitmek için Federated Learning aracını kullanın. Veriler hiçbir zaman birleştirilmez veya paylaşılmaz, tüm katılımcı taraflara birleştirilmiş verileri temel alan bir model sağlarken veri bütünlüğü korunur.

Gerekli hizmet

Watson Machine Learning

Veri biçimi

Herhangi Biri

Veri büyüklüğü

Herhangi bir boyut

Modelleri nasıl oluşturabileceğiniz

Bir eğitim çerçevesi seçin.

Ortak modeli yapılandırın.

Ortak modeli eğitmek için bir dosya yapılandırın.

Uzak tarafların verilerini eğitmesini sağlayın.

Ortak modeli devreye alın.

Başlarken

Deneme yaratmak için Yeni varlık > Birleşik Öğrenimöğelerini tıklatın.

Ek Bilgi

Documentation

Metadata import

Veri varlıklarına ilişkin teknik ve süreç meta verilerini otomatik olarak keşfetmek ve bir projeye ya da kataloğa aktarmak için meta veri içe aktarma aracını kullanın.

Gerekli hizmet

Watson Knowledge Catalog

Veri biçimi

Herhangi Biri

Veri büyüklüğü

Herhangi bir boyut

Verileri hazırlama

Bir bağlantıdan veri kaynağına veri varlıklarını içe aktarın.

Başlarken

Meta verileri içe aktarmak için Yeni varlık > Metadata importseçeneklerini tıklatın.

Ek Bilgi

Documentation meta veri içe aktarma hakkında

Watson Knowledge Catalog

Meta veri zenginleştirmesi

Bir projedeki veri varlıklarının profilini otomatik olarak oluşturmak ve veri kalitesini analiz etmek için meta veri zenginleştirme aracını kullanın.

Gerekli hizmet

Watson Knowledge Catalog

Veri biçimi

İlişkisel ve yapılandırılmış: İlişkisel ve ilişkisel olmayan veri kaynaklarındaki tablolar ve dosyalar

Sekmeli: Avro, CSV ya da Parke dosyalar

Veri büyüklüğü

Herhangi bir boyut

Verileri nasıl hazırlayabilir ve analiz edebilirsiniz

Bir projedeki belirli bir veri varlıkları kümesini profilleyin ve analiz edin.

Başlarken

Verileri zenginleştirmek için Yeni varlık > Meta veri zenginleştirmeseçeneklerini tıklatın.

Ek Bilgi

Documentation belgeler

Veri kalitesi kuralı

Bir projedeki veri kalitesini analiz eden kurallar oluşturmak için veri kalitesi aracını kullanın.

Gerekli hizmet

Watson Knowledge Catalog

Veri biçimi

İlişkisel ve yapılandırılmış: İlişkisel ve ilişkisel olmayan veri kaynaklarındaki tablolar ve dosyalar

Sekmeli: Avro, CSV ya da Parke dosyalar

Veri büyüklüğü

Herhangi bir boyut

Verileri nasıl hazırlayabilir ve analiz edebilirsiniz

Bir projedeki belirli bir veri varlıkları kümesinin kalitesini analiz edin.

Başlarken

Bir veri kalitesi kuralı yaratmak için Yeni varlık > Veri kalitesi kuralıseçeneklerini tıklatın.

Ek Bilgi

Documentation

IBM Match 360 with Watson

Müşterilerinizin dijital ikizlerini temsil eden ana veri varlıkları oluşturmak için IBM Match 360 with Watson olanağını kullanın. Verilerinizi modelleyin ve eşleyin, ardından ana veri varlıkları oluşturmak için eşleşen algoritmayı çalıştırın. Kuruluşunuzun gereksinimlerini karşılayacak şekilde eşleşen algoritmanızı özelleştirin ve ayarlayın.

Gerekli hizmetler

IBM Match 360 with Watson IBM Watson Knowledge Catalog

Veri büyüklüğü

1.000.000 'a kadar kayıt (Beta Lite planı için)

Verileri hazırlama

Kuruluşunuzdaki kaynaklardan verileri modelleyin ve eşleyin.

Ana veri varlıkları oluşturmak için özelleştirilebilir eşleştirme algoritmasını çalıştırın.

Ana veri varlıklarını ve ilişkili kayıtlarını görüntüleyin ve düzenleyin.

Başlarken

Bir IBM Match 360 yapılandırma varlığı oluşturmak için Yeni varlık > Ana veri yapılandırmasıseçeneklerini tıklatın.

Ek Bilgi

Documentation hakkında IBM Match 360 with Watson

RStudio IDE 'si

Verileri analiz etmek ya da R kodu yazarak parlak uygulamalar oluşturmak için RStudio IDE ' yi kullanın.

Gerekli hizmet

Watson Studio

Veri biçimi

Herhangi Biri

Veri büyüklüğü

Herhangi bir boyut

Verileri nasıl hazırlayabilir, verileri analiz edebilir ve modeller oluşturabilirsiniz

Kodu R içine yaz.

Parlak uygulamalar oluşturun.

Açık kaynak kitaplıkları ve paketleri kullanın.

Kodunuza zengin metin ve ortam ekleyin.

Verileri hazırlayın.

Verileri görselleştirin.

Verilerden öngörüleri keşfedin.

Açık kaynak kitaplıklarını kullanarak bir model oluşturun ve eğitiin.

Parlak uygulamanızı bir Git havuzunda paylaşın.

Başlarken

RStudio 'yu kullanmak için IDE ' yi Başlat > RStudioseçeneklerini tıklatın.

Ek Bilgi

Documentation RStudio hakkında

RStudio IDE videosuna genel bakış

RStudio ile ilgili videolar

Maskeleme akışları

Katalogdan maskelenmiş veri kopyalarını ya da maskelenmiş veri alt kümelerini hazırlamak için Maskeleme akış aracını kullanın. Veriler, veri koruma kurallarıyla gelişmiş maskeleme seçenekleri kullanılarak tanımlanabilir.

Gerekli hizmet

Watson Knowledge Catalog

Veri biçimi

İlişkisel: İlişkisel veri kaynaklarındaki tablolar

Veri büyüklüğü

Herhangi bir boyut

Verileri nasıl hazırlayabilir, verileri analiz edebilir ya da modeller oluşturabilirsiniz

Yönetilen katalogdan projeye veri varlıklarını içe aktarın.

Veri koruma kurallarıyla hangi verilerin maskeleneceğini belirtmek için maskeleme akışı iş tanımları oluşturun.

İsteğe bağlı olarak, kopyalanan verilerin boyutunu azaltmak için verileri altkümeleyin.

Maskelenmiş kopyaları hedef veritabanı bağlantılarına yüklemek için maskeleme akışı işlerini çalıştırın.

Başlarken

Watson Knowledge Catalog içindeki önkoşul adımlarının tamamlandığından emin olun. Verileri özelleştirmek için aşağıdaki görevlerden birini gerçekleştirin:

• Yeni varlık > Maskeleme akışıseçeneklerini tıklatın.
• Varlığı doğrudan maskelemek için tek tek veri varlıklarına ilişkin menü seçeneklerini tıklatın.

Ek Bilgi

Documentation verilerin maskelenmesine ilişkin

Watson Pipelines

Veri hazırlamak, görselleştirmek ve analiz etmek ya da bir model oluşturmak ve eğitmek üzere bir akış oluşturmak için Pipelines tuval düzenleyicisini kullanın.

Veri biçimi

Herhangi Biri

Veri büyüklüğü

Herhangi Biri

Verileri nasıl hazırlayabilir, verileri analiz edebilir ya da modeller oluşturabilirsiniz

Her biri kendi günlüklerini içeren çeşitli düğümler kullanın.

Herhangi bir Python ya da R kodunu çalıştırmak için not defterlerini akışa dahil edin.

İstediğiniz herhangi bir veri türüyle çalışmanızı sağlar.

Akışınızın çalıştırmaları zamanlayın.

Github 'dan bağlı PVC, proje ya da Ingest verilerinizden verileri içe aktarın.

Özel bileşeninizi bir Python koduyla oluşturun.

Veri kalitesini istediğiniz şekilde izlemek için ardışık işlemlerinizi koşullandırın.

Akışınızın durumunu güncel tutmak üzere e-postalar veya iletiler göndermek için webhook olanağını kullanın.

Başlarken

Yeni bir ardışık düzen oluşturmak için Yeni varlık > Ardışık Düzenseçeneklerini tıklatın.

Veri görselleştirmeleri

Verilerinizden öngörüler keşfetmek için veri görselleştirmelerini kullanın. Görselleştirmelerle farklı perspektiflerden verileri keşfederek, söz konusu veriler içindeki kalıpları, bağlantıları ve ilişkileri belirleyebilir ve büyük miktardaki bilgileri hızla anlayabilirsiniz.

Veri biçimi

Sekmeli: Avro, CSV, JSON, Parke, TSV, SAV, Microsoft Excel .xls ve .xlsx dosyaları, SAS, sınırlanmış metin dosyaları ve bağlı veriler. Desteklenen veri kaynakları hakkında daha fazla bilgi için bkz. Bağlayıcılar.

Veri büyüklüğü

Sınır yok

Başlarken

Bir görselleştirme oluşturmak için projenizdeki varlık tipleri listesinde Veri varlığı ' nı tıklatın ve bir veri varlığı seçin. Görselleştirme sekmesini tıklatın ve bir grafik tipi seçin.

Ek Bilgi

Verilerinizi görselleştirme

Üst konu: Projeler