Dataiku for Enterprise AI and Machine Learning ( dataikudss | 21 hours )

• Erfahrungen mit den Programmiersprachen Python, SQL und R
• Grundkenntnisse in der Datenverarbeitung mit Apache Hadoop und Spark
• Verständnis für Konzepte des maschinellen Lernens und Datenmodelle
• Hintergrundwissen in statistischen Analysen und Data-Science-Konzepten
• Erfahrungen mit der Visualisierung und Kommunikation von Daten

Publikum

• Ingenieure
• Datenwissenschaftler
• Datenanalysten

Dataiku Data Science Studio (Dataiku DSS) ist eine zentralisierte Plattform für die Betriebs- und Implementierung von Machine Learning-Modellen in Unternehmensanwendungen. Es ermöglicht auch, dass seine Benutzer zusammenarbeiten und iterieren auf verschiedenen AI- und ML-Anlässen mit Computing-Abstraktionsfunktionen. Dataiku DSS, zusammen mit seinen unterstützten Beispielen auf verschiedenen Cloud-Diensten, bietet eine Lösung für Big Data-Management, die mit den Zielen des Unternehmens angepasst ist.

Dieser Instructor-leitet, Live-Training (online oder online) richtet sich an Ingenieure, Datenwissenschaftler und Datenanalytiker, die Dataiku DSS für die Entwicklung von Machine Learning Pipelines verwenden möchten und AI-Prozesse bei der Erzeugung strategischer organisatorischer Initiativen nutzen möchten.

Am Ende dieser Ausbildung können die Teilnehmer:

• Installieren und konfigurieren Sie Dataiku DSS auf Ihrem bevorzugten Betriebssystem.
• Erkennen Sie AI/ML-Konzepte und Prinzipien, die für Dataiku-Funktionen grundlegend sind.
• Erstellen und implementieren Sie Ihre eigenen Datenvisualisierungscodes in Dataiku DSS-Projekten.
• Entwickeln Sie ML-Modelle und Pipelines in Produktionsumgebungen, die um Dataiku DSS gebaut werden.
• Optimieren Sie die Agilität und Flexibilität der Datenanalyse-Methoden ihrer Unternehmensanwendungen.
• Verwenden Sie Dataiku DSS, um sicherzustellen und zu verwalten, wie Daten über weitere Geschäftssysteme fließen.

Format des Kurses

• Interaktive Unterricht und Diskussion.
• Viele Übungen und Übungen.
• Hand-on Implementierung in einem Live-Lab-Umfeld.

Kursanpassungsoptionen

• Um eine benutzerdefinierte Ausbildung für diesen Kurs zu beantragen, wenden Sie sich bitte an uns, um zu arrangieren.

Einführung

Installieren und Konfigurieren von Dataiku Data Science Studio (DSS)

• Systemanforderungen für Dataiku DSS
• Einrichten von Apache Hadoop und Apache Spark Integrationen
• Konfigurieren von Dataiku DSS mit Web-Proxies
• Migrieren von anderen Plattformen zu Dataiku DSS

Überblick über die Funktionen und Architektur von Dataiku DSS

• Grundlegende Objekte und Diagramme in Dataiku DSS
• Was ist ein Rezept in Dataiku DSS?
• Arten von Datensätzen, die von Dataiku DSS unterstützt werden

Ein Dataiku DSS-Projekt erstellen

Definieren von Datensätzen zur Verbindung mit Datenressourcen in Dataiku DSS

• Arbeiten mit DSS-Konnektoren und Dateiformaten
• Standard-DSS-Formate vs. Hadoop-spezifische Formate
• Hochladen von Dateien für ein Dataiku-DSS-Projekt

Übersicht über das Server-Dateisystem in Dataiku DSS

Erstellen und Verwenden von verwalteten Ordnern

• Dataiku DSS-Rezept für Zusammenführungsordner
• Lokale vs. nicht-lokale verwaltete Ordner

Aufbau eines Dateisystem-Datensatzes mit verwalteten Ordnerinhalten

• Durchführung von Bereinigungen mit einem DSS-Code-Rezept

Arbeiten mit Metrik-Datensatz und internem Statistik-Datensatz

Implementierung des DSS-Download-Rezepts für HTTP-Datensätze

Verlagerung von SQL-Datensätzen und HDFS-Datensätzen mit DSS

Datensätze in Dataiku DSS bestellen

• Writer-Bestellung vs. Lesezeit-Bestellung

Erkundung und Vorbereitung von Datenvisualisierungen für ein Dataiku DSS-Projekt

Überblick über Dataiku-Schemata, Speichertypen und Bedeutungen

Durchführen von Skripten zur Datenbereinigung, Normalisierung und Anreicherung in Dataiku DSS

Arbeiten mit Dataiku DSS Charts Interface und Arten von visuellen Aggregationen

Nutzung der interaktiven Statistics Funktion von DSS

• Univariate Analyse vs. bivariate Analyse
• Verwendung des DSS-Tools Hauptkomponentenanalyse (PCA)

Überblick über Machine Learning mit Dataiku DSS

• Überwachte ML vs. unüberwachte ML
• Referenzen für DSS ML Algorithmen und Handhabung von Merkmalen
• Deep Learning mit Dataiku DSS

Überblick über den aus den DSS-Datensätzen und -Rezepten abgeleiteten Fluss

Umwandlung bestehender Datensätze in DSS mit visuellen Rezepten

Verwendung von DSS-Rezepten auf der Grundlage von benutzerdefiniertem Code

Optimierung der Code-Exploration und des Experimentierens mit DSS Code Notebooks

Schreiben von erweiterten DSS-Visualisierungen und benutzerdefinierten Frontend-Funktionen mit Webapps

Arbeiten mit Dataiku DSS Code Reports Funktion

Gemeinsame Nutzung des Datenprojekts Elements und Vertrautmachen mit dem DSS-Dashboard

Entwerfen und Verpacken eines Dataiku DSS-Projekts als wiederverwendbare Anwendung

Überblick über die erweiterten Methoden in Dataiku DSS

• Implementierung einer optimierten Partitionierung von Datensätzen mit DSS
• Ausführung von spezifischen DSS-Verarbeitungsteilen durch Berechnungen in Kubernetes-Containern

Überblick über Collaboration und Versionskontrolle in Dataiku DSS

Implementierung von Automatisierungsszenarien, Metriken und Prüfungen für DSS-Projekttests

Bereitstellen und Aktualisieren eines Projekts mit dem DSS-Automatisierungsknoten und Bundles

Arbeiten mit Real-Time APIs in Dataiku DSS

• Zusätzliche APIs und Rest-APIs in DSS

Analysieren und Forecasting Dataiku DSS Zeitreihen

Absicherung eines Projekts in Dataiku DSS

• Verwalten von Projektberechtigungen und Dashboard-Berechtigungen
• Implementierung von erweiterten Sicherheitsoptionen

Integration von Dataiku DSS in die Cloud

Fehlersuche

Zusammenfassung und Schlussfolgerung