ツールの選択

表データまたはリレーショナル・データ用のツール

表データまたはリレーショナル・データ用のツールをタスク別に以下に示します。

テキスト・データ用のツール

テキスト・データを処理するモデルを作成するためのツール:

イメージ・データ用のツール

イメージを分類するモデルを作成するためのツールを以下に示します。

ツールへのアクセス

ツールを使用するには、そのツールに固有の資産を作成するか、そのツールの既存の資産を開く必要があります。 アセットを作成するには、 「新規アセット」 または 「アセットのインポート」 をクリックし、目的のアセット・タイプを選択します。 以下の表に、各ツールに選択すべき資産タイプを示します。

RStudioでノートブックを編集するには、 Launch IDE > RStudioをクリックします。

Jupyter ノートブック・エディター

Jupyter ノートブック・エディターを使用すると、データを準備、視覚化、および分析するため、またはモデルを作成、トレーニングするためのコードを実行するノートブックを作成できます。

必須のサービス

Watson Studio

データ・フォーマット

任意

データ・サイズ

任意

データの準備、データの分析、またはモデルの作成を行う方法

すべて Spark を使用して、 Python または R でコードを作成します。

コードにリッチ・テキストとメディアを含めます。

任意の種類のデータを任意の方法で処理します。

プリインストールされているものを使用するか、他のオープン・ソースおよび IBM のライブラリーとパッケージをインストールします。

コードの実行をスケジュールする

ノートブックをファイル、 URL、またはリソース・ハブからインポートします。

ノートブックの読み取り専用コピーを外部で共有します。

開始する

ノートブックを作成するには、 「新規資産」>「Jupyter ノートブック・エディター」をクリックします。

詳細情報

ビデオ: 公開データ・セットのロードおよび分析

ノートブックに関するビデオ

サンプル・ノートブック

ノートブックに関する資料

Data Refinery

Data Refinery を使用すると、グラフィック・フロー・エディターで表データを準備して視覚化できます。 データに対して順序付けられた操作のセットとして Data Refinery フローを作成し、実行します。

必須のサービス

Watson Studio または IBM Knowledge Catalog

データ・フォーマット

表形式: Avro、CSV、JSON、Microsoft Excel (xls および xlsx 形式)。 最初のシートのみ (接続および接続されたデータ資産を除く)。 Parquet、「sas7bdat」拡張子 (読み取り専用)、TSV (読み取り専用)、または区切り文字で区切られているテキスト・データ資産を持つ SAS

リレーショナル形式: リレーショナル・データ・ソース内のテーブル

データ・サイズ

任意

データの準備方法

60 を超える操作でデータをクレンジング、シェーピング、編成します。

詳細化されたデータを新規データ・セットとして保存するか、または元のデータを更新します。

データのプロファイルを作成して検証します。

対話式テンプレートを使用して、コード操作、関数、および論理演算子でデータを操作します。

データに対する繰り返し操作をスケジュールします。

データの分析方法

複数の視覚化グラフでデータ内のパターン、接続、および関係を識別します。

開始する

Data Refinery フローを作成するには、 「新規資産」> Data Refineryをクリックします。 Data Refinery タイルは、 「グラフィカル・ビルダー」 セクションにあります。

詳細情報

Data Refinery に関する資料

Data Refinery に関するビデオ

ビデオ: データのシェーピング

Watson Query

Watson Query を使用して、複数のデータ・ソースを、データ・ソースまたはデータベースの単一の自己バランス・コレクションに接続します。

データ・フォーマット

リレーショナル形式: リレーショナル・データ・ソース内のテーブル

データ・サイズ

任意

データの準備方法

複数のデータ・ソースに接続します。

仮想表を作成します。

開始する

仮想表を作成するには、 「データ」 > Data virtualizationをクリックします。 サービス・メニューから、 仮想化 (Virtualization ) > 仮想化 (Virtualize) > 表 (Tables)をクリックします。

詳細情報

Watson 照会の資料

DataStage

DataStage を使用すると、グラフィック・フロー・エディターで表データを準備して視覚化できます。 データに対して順序付けられた操作のセットとして DataStage フローを作成し、実行します。

必要なサービス

DataStage

データ・フォーマット

表形式: Avro ファイル、CSV ファイル、JSON ファイル、Parquet ファイル、TSV (読み取り専用)ファイル、または区切り文字で区切られているテキスト・ファイル

リレーショナル形式: リレーショナル・データ・ソース内のテーブル

データ・サイズ

任意

データの準備方法

パフォーマンスの高い DataStage パラレル・エンジンで実行される Orchestrate コードを生成するグラフィカル・データ統合フローを設計します。

結合、ファンネル、チェックサム、マージ、変更、重複の削除、ソートなどの操作を実行します。

開始する

DataStage フローを作成するには、 「新規資産」> DataStageをクリックします。 DataStage タイルは、 「グラフィカル・ビルダー」 セクションにあります。

詳細情報

DataStage 資料

SPSS Modeler

SPSS Modeler を使用して、グラフィカル・ビルダーでフロー・エディターを使用してデータを準備し、モデルを作成およびトレーニングするためのフローを作成します。

必須のサービス

Watson Studio

データ形式

リレーショナル形式: リレーショナル・データ・ソース内のテーブル

表形式: Excel ファイル (.xls または .xlsx)、CSV ファイル、または SPSS Statistics ファイル (.sav)

テキスト形式: サポート対象のリレーショナル・テーブルまたはリレーショナル・ファイル内

データ・サイズ

任意

データの準備方法

自動データ準備機能を使用します。

データを操作するための SQL ステートメントを書き込みます。

データをクレンジング、シェーピング、サンプリング、ソート、および導出します。

データの分析方法

40 を超えるグラフを使用してデータを視覚化します。

テキスト・フィールドの自然言語を識別します。

モデルの作成方法

予測モデルを構築します。

40 種類以上のモデリング・アルゴリズムから選択できます。

自動モデリング機能を使用します。

時系列または地理空間データをモデル化にします。

テキスト・データを分類します。

テキスト・データ内の概念間の関係を識別します。

開始する

SPSS Modeler フローを作成するには、 「新規資産」> SPSS Modelerをクリックします。

詳細情報

ビデオ: SPSS Modeler - エンタープライズ・データ・サイエンス組織向けに新しくなった UI

SPSS Modeler に関する資料

Decision Optimization モデル・ビルダー

Decision Optimization を使用すると、Decision Optimization モデラーまたは Jupyter ノートブックで最適化モデルを作成し、実行できます。

必須のサービス

Watson Studio

データ形式

表形式: CSV ファイル

データ・サイズ

任意

データの準備方法

関連データをシナリオにインポートし、編集します。

モデルの作成方法

規範的な Decision Optimization モデルを作成します。

Python DOcplex、OPL、または自然言語の式を使用して、モデルの作成、インポート、編集を行います。

ノートブックでモデルの作成、インポート、および編集を行います。

モデルの解決方法

CPLEX エンジンを使用して、Decision Optimization モデルを実行して解決します。

複数のシナリオのソリューションを調べて比較します。

表、グラフ、およびメモを作成して、1 つ以上のシナリオのデータとソリューションを視覚化します。

開始する

Decision Optimization モデルを作成するには、 「新規資産」> Decision Optimizationをクリックするか、ノートブックの場合は 「新規資産」>「Jupyter ノートブック・エディター」をクリックします。

詳細情報

Decision Optimizationに関するビデオ

Decision Optimization に関する資料

AutoAI ツール

AutoAI ツールを使用すると、表データを自動的に分析し、予測モデリングの問題に応じてカスタマイズされた候補モデル・パイプラインを生成できます。

必須のサービス

Watson Machine Learning

Watson Studio

データ・フォーマット

表形式: CSV ファイル

データ・サイズ

モデル・タイプによって異なります。 詳しくは、 AutoAI の概要 を参照してください。

データの準備方法

欠損値を代入したり、テキストをスカラー値に変換したりするなど、データを自動的に変換します。

モデルの作成方法

二項分類、多クラス分類、または回帰モデルをトレーニングします。

AutoAI トレーニング・ステージのシーケンスを示すツリー・インフォグラフィックを表示します。

交差検証スコアでランク付けされたモデル・パイプラインのリーダーボードを生成します。

パイプラインをモデルとして保存します。

開始する

AutoAI エクスペリメントを作成するには、 「新規資産」> AutoAIをクリックします。

詳細情報

AutoAI に関する資料

統合学習

統合学習ツールを使用して、分散データを使用する共通モデルをトレーニングします。 データが結合または共有されることはなく、データ保全性は維持されます。また、すべての参加パーティーに集約データに基づくモデルを提供します。

必須のサービス

Watson Studio

Watson Machine Learning

データ・フォーマット

任意

データ・サイズ

任意のサイズ

モデルの作成方法

トレーニング・フレームワークを選択します。

共通モデルを構成します。

共通モデルをトレーニングするためのファイルを構成します。

リモート・パーティーがデータをトレーニングします。

共通モデルをデプロイします。

開始する

エクスペリメントを作成するには、 「新規資産」>「統合学習」をクリックします。

詳細情報

統合学習に関する資料

Metadata import

メタデータのインポート・ツールを使用して、データ資産のテクニカル・メタデータおよびプロセス・メタデータを自動的にディスカバーし、プロジェクトまたはカタログにインポートします。

必要なサービス

IBM Knowledge Catalog

データ・フォーマット

任意

データ・サイズ

任意のサイズ

データの準備方法

接続からデータ・ソースにデータ資産をインポートします。

開始する

メタデータをインポートするには、 「新規資産」> Metadata importをクリックします。

詳細情報

メタデータのインポートに関する資料

IBM Knowledge Catalogに関するビデオ

メタデータのエンリッチメント

メタデータ・エンリッチ・ツールを使用して、プロジェクト内のデータ資産のプロファイルを自動的に作成し、データ品質を分析します。

必要なサービス

IBM Knowledge Catalog

データ・フォーマット

リレーショナル・データ・ソースと構造化データ・ソース: リレーショナル・データ・ソースと非リレーショナル・データ・ソースの表とファイル

表形式: Avro、CSV、または Parquet ファイル

データ・サイズ

任意のサイズ

データの準備と分析の方法

プロジェクト内のデータ資産の選択セットのプロファイルを作成して分析します。

開始する

データをエンリッチするには、 「新規資産」>「メタデータ・エンリッチメント」をクリックします。

詳細情報

メタデータ・エンリッチに関する資料

データ品質ルール

データ品質ツールを使用して、プロジェクト内のデータ品質を分析するルールを作成します。

必要なサービス

IBM Knowledge Catalog

データ・フォーマット

リレーショナル・データ・ソースと構造化データ・ソース: リレーショナル・データ・ソースと非リレーショナル・データ・ソースの表とファイル

表形式: Avro、CSV、または Parquet ファイル

データ・サイズ

任意のサイズ

データの準備と分析の方法

プロジェクト内の選択されたデータ資産セットの品質を分析します。

開始する

データ品質ルールを作成するには、 「新規資産」>「データ品質ルール」をクリックします。

詳細情報

データ品質ルールに関する資料

IBM Match 360 with Watson

IBM Match 360 with Watson を使用して、顧客のデジタル・ツインを表すマスター・データ・エンティティーを作成します。 データをモデル化にしてマップしてから、マッチング・アルゴリズムを実行してマスター・データ・エンティティーを作成します。 組織の要件に合わせてマッチング・アルゴリズムをカスタマイズおよび調整します。

必須のサービス

IBM Match 360 with Watson IBM Knowledge Catalog

データ・サイズ

最大 1,000,000 レコード (ベータ・ライト・プランの場合)

データの準備方法

組織全体のソースからのデータをモデル化してマップします。

カスタマイズ可能なマッチング・アルゴリズムを実行して、マスター・データ・エンティティーを作成します。

マスター・データ・エンティティーとその関連なレコードを表示および編集します。

開始する

IBM Match 360 構成資産を作成するには、 「新規資産」>「マスター・データ構成」をクリックします。

詳細情報

IBM Match 360 with Watson に関する資料

RStudio IDE

RStudio IDE を使用すると、R コードを作成してデータを分析したり、Shiny アプリケーションを作成したりできます。

必要なサービス

Watson Studio

データ・フォーマット

任意

データ・サイズ

任意のサイズ

データの準備、データの分析、およびモデルの作成を行う方法

R でコードを作成します。

Shiny アプリを作成します。

オープン・ソースのライブラリーとパッケージを使用します。

コードにリッチ・テキストとメディアを含めます。

データを準備します。

データを視覚化にします。

データから洞察を発見します。

オープン・ソース・ライブラリーを使用してモデルを作成し、トレーニングします。

Git リポジトリーで Shiny アプリを共有します。

開始する

RStudioを使用するには、 「IDE の起動」 > RStudioをクリックします。

詳細情報

RStudio に関する資料

ビデオ: RStudio IDE の概要

RStudio に関するビデオ

マスキング・フロー

マスキング・フロー・ツールを使用して、カタログからマスクされたデータのコピーまたはマスクされたデータのサブセットを準備します。 データは、データ保護ルールで拡張マスキング・オプションを使用して識別解除されます。

必要なサービス

IBM Knowledge Catalog

データ・フォーマット

リレーショナル形式: リレーショナル・データ・ソース内のテーブル

データ・サイズ

任意のサイズ

データの準備、データの分析、またはモデルの作成を行う方法

管理対象カタログからプロジェクトにデータ資産をインポートします。

マスキング・フロー・ジョブ定義を作成して、データ保護ルールを使用してマスクするデータを指定します。

オプションで、コピーされたデータのサイズを削減するためにデータをサブセット化にします。

マスク・フロー・ジョブを実行して、マスクされたコピーをターゲット・データベース接続にロードします。

開始する

IBM Knowledge Catalog が完了していることを確認してください。 データを非公開するには、以下のいずれかのタスクを実行します：

• 新規資産 > マスキング・フローをクリックします。
• 個々のデータ資産のメニュー・オプションをクリックして、その資産を直接マスクします。

詳細情報

マスキング・データに関する資料

Watson Pipelines

パイプライン・キャンバス・エディターを使用して、データを準備、視覚化、および分析するフローを作成したり、モデルを作成してトレーニングしたりします。

データ・フォーマット

任意

データ・サイズ

任意

データの準備、データの分析、またはモデルの作成を行う方法

それぞれに独自のログが含まれているさまざまなノードを使用します。

ノートブックをフローに取り込んで、任意の Python または R コードを実行します。

任意の種類のデータを任意の方法で処理します。

フローの実行をスケジュールします。

マウントした PVC、プロジェクトからデータをインポートするか、Github からデータを取り込みます。

Python コードを使用してカスタム・コンポーネントを作成します。

必要に応じて、データ品質をモニターするためにパイプラインを条件付けします。

Web フックを使用して E メールまたはメッセージを送信し、フローの状況を最新の状態に維持します。

開始する

新規パイプラインを作成するには、 「新規資産」>「パイプライン」をクリックします。

データ視覚化

データ可視化を使用して、データから洞察を発見します。 視覚化を使用してさまざまな観点からデータを探索することにより、そのデータ内のパターン、接続、および関係を識別し、大量の情報を素早く理解することができます。

データ・フォーマット

表形式: Avro、CSV、JSON、Parquet、TSV、SAV、Microsoft Excel .xls および .xlsx ファイル、SAS、区切り文字で区切られているテキスト・ファイル、および接続されているデータ。 サポートされるデータ・ソースについて詳しくは、 コネクターを参照してください。

データ・サイズ

無制限

開始する

視覚化を作成するには、プロジェクト内の資産タイプのリストで 「データ資産」 をクリックし、データ資産を選択します。 「視覚化」 タブをクリックし、グラフ・タイプを選択します。

詳細情報

データの視覚化

親トピック: プロジェクト