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

• Doświadczenie z językami programowania Python, SQL i R
• Podstawowa znajomość przetwarzania danych przy użyciu Apache Hadoop i Spark
• Zrozumienie koncepcji uczenia maszynowego i modeli danych
• Doświadczenie w analizach statystycznych i koncepcjach nauki o danych
• Doświadczenie w wizualizacji i komunikacji danych

Publiczność

• Inżynierowie
• Naukowcy danych
• Analitycy danych

Dataiku Data Science Studio (Dataiku DSS) to scentralizowana platforma do obsługi i wdrażania modeli uczenia maszynowego w aplikacjach korporacyjnych. Pozwala również użytkownikom na współpracę i iterację różnych podejść AI i ML przy użyciu funkcji abstrakcji obliczeń. Dataiku DSS, wraz z jego obsługiwanymi instancjami w różnych usługach w chmurze, zapewnia rozwiązanie do zarządzania dużymi zbiorami danych, które jest dostosowane do celów biznesowych.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla inżynierów, analityków danych i analityków danych, którzy chcą korzystać z Dataiku DSS do opracowywania potoków uczenia maszynowego i wykorzystywać procesy AI w generowaniu strategicznych inicjatyw organizacyjnych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zainstalować i skonfigurować Dataiku DSS w preferowanym systemie operacyjnym.
• Zrozumieć koncepcje i zasady AI/ML, które są fundamentalne dla funkcji Dataiku.
• Tworzyć i wdrażać własne kody wizualizacji danych w projektach Dataiku DSS.
• Wdrażać modele ML i potoki w środowiskach produkcyjnych zbudowanych wokół Dataiku DSS.
• Optymalizować zwinność i elastyczność metod analizy danych w swoich aplikacjach korporacyjnych.
• Wykorzystanie Dataiku DSS do zabezpieczenia i zarządzania przepływem danych przez kolejne systemy biznesowe.

Format kursu

• Interaktywny wykład i dyskusja.
• Dużo ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku live-lab.

Opcje dostosowywania kursu

• Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

Wprowadzenie

Instalacja i konfiguracja Dataiku Data Science Studio (DSS)

• Wymagania systemowe dla Dataiku DSS
• Konfiguracja integracji Apache Hadoop i Apache Spark
• Konfiguracja Dataiku DSS z serwerami proxy sieci Web
• Migracja z innych platform do Dataiku DSS

Przegląd funkcji i architektury Dataiku DSS

• Podstawowe obiekty i wykresy fundamentalne dla Dataiku DSS
• Czym jest przepis w Dataiku DSS?
• Rodzaje zbiorów danych obsługiwanych przez Dataiku DSS

Tworzenie projektu Dataiku DSS

Definiowanie zestawów danych w celu połączenia z zasobami danych w Dataiku DSS

• Praca z konektorami DSS i formatami plików
• Standardowe formaty DSS kontra formaty specyficzne dla Hadoop
• Przesyłanie plików do projektu Dataiku DSS

Przegląd systemu plików serwera w Dataiku DSS

Tworzenie i używanie folderów zarządzanych

• Przepis Dataiku DSS na scalanie folderów
• Lokalne i nielokalne foldery zarządzane

Konstruowanie zestawu danych systemu plików przy użyciu zawartości folderu zarządzanego

• Wykonywanie czyszczenia za pomocą receptury kodu DSS

Praca z zestawem danych metryk i zestawem danych statystyk wewnętrznych

Wdrażanie przepisu pobierania DSS dla zestawu danych HTTP

Przenoszenie SQL zbiorów danych i zbiorów danych HDFS przy użyciu DSS

Porządkowanie zbiorów danych w Dataiku DSS

• Kolejność zapisu kontra kolejność odczytu

Eksplorowanie i przygotowywanie wizualizacji danych dla projektu Dataiku DSS

Przegląd schematów, typów pamięci masowej i znaczeń Dataiku

Wykonywanie skryptów oczyszczania, normalizacji i wzbogacania danych w Dataiku DSS

Praca z interfejsem wykresów Dataiku DSS i typami agregacji wizualnych

Wykorzystanie interaktywnej Statistics funkcji DSS

• Analiza jednoczynnikowa kontra analiza dwuczynnikowa
• Korzystanie z narzędzia Principal Component Analysis (PCA) DSS

Przegląd Machine Learning z Dataiku DSS

• ML nadzorowane kontra ML nienadzorowane
• Referencje dotyczące algorytmów i obsługi funkcji DSS ML
• Deep Learning z Dataiku DSS

Przegląd przepływu uzyskanego z zestawów danych i przepisów DSS

Przekształcanie istniejących zestawów danych w DSS za pomocą receptur wizualnych

Wykorzystanie receptur DSS opartych na kodzie zdefiniowanym przez użytkownika

Optymalizacja eksploracji kodu i eksperymentowania z notatnikami kodu DSS

Pisanie zaawansowanych wizualizacji DSS i niestandardowych funkcji interfejsu użytkownika za pomocą aplikacji internetowych

Praca z funkcją raportów kodów Dataiku DSS

Udostępnianie danych projektu Element i zapoznanie się z pulpitem nawigacyjnym DSS

Projektowanie i pakowanie projektu Dataiku DSS jako aplikacji wielokrotnego użytku

Przegląd zaawansowanych metod w Dataiku DSS

• Wdrażanie zoptymalizowanego partycjonowania zbiorów danych przy użyciu DSS
• Wykonywanie określonych części przetwarzania DSS poprzez obliczenia w kontenerach Kubernetes

Przegląd Collaboration i kontrola wersji w Dataiku DSS

Wdrażanie scenariuszy automatyzacji, metryk i kontroli na potrzeby testowania projektów DSS

Wdrażanie i aktualizacja projektu za pomocą węzła DSS Automation i pakietów

Praca z interfejsami API czasu rzeczywistego w Dataiku DSS

• Dodatkowe interfejsy API i Rest API w DSS

Analiza i Forecasting szeregi czasowe Dataiku DSS

Zabezpieczanie projektu w Dataiku DSS

• Zarządzanie uprawnieniami do projektów i pulpitu nawigacyjnego
• Wdrażanie zaawansowanych opcji zabezpieczeń

Integracja Dataiku DSS z chmurą

Rozwiązywanie problemów

Podsumowanie i wnioski