Dataiku für Unternehmens-KI und Machine Learning Schulung

Einführung

Installation und Konfiguration von Dataiku Data Science Studio (DSS)

• Systemanforderungen für Dataiku DSS
• Einrichten der Integrationen mit Apache Hadoop und Apache Spark
• Konfigurieren von Dataiku DSS mit Web-Proxy-Servers
• Migration von anderen Plattformen zu Dataiku DSS

Überblick über die Funktionen und Architektur von Dataiku DSS

• Kernobjekte und Graphen, die für Dataiku DSS grundlegend sind
• Was ist ein Rezept in Dataiku DSS?
• Arten von Datensätzen, die von Dataiku DSS unterstützt werden

Erstellen eines Dataiku DSS-Projekts

Definieren von Datensätzen zur Verbindung mit Datenressourcen in Dataiku DSS

• Arbeiten mit DSS-Connectors und Dateiformaten
• Standard-DSS-Formate im Vergleich zu Hadoop-spezifischen Formaten
• Hochladen von Dateien für ein Dataiku DSS-Projekt

Überblick über das Servers Dateisystem in Dataiku DSS

Erstellen und Verwenden von verwalteten Ordnern

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

Erstellen eines Dateisystem-Datensatzes mit Inhalten von verwalteten Ordnern

• Durchführen von Bereinigungen mit einem DSS-Code-Rezept

Arbeiten mit dem Metriken-Datensatz und dem internen Statistiken-Datensatz

Implementieren des DSS-Download-Rezepts für HTTP-Datensätze

Verschieben von SQL- und HDFS-Datensätzen mit Dataiku DSS

Anordnen von Datensätzen in Dataiku DSS

• Schreibzeit-Anordnung vs. Lesezeit-Anordnung

Erkunden und Vorbereiten von Datenvisualisierungen für ein Dataiku DSS-Projekt

Überblick über Dataiku-Schemas, Speichertypen und Bedeutungen

Durchführen von Datensäuberung, Normalisierung und Bereicherungsskripten in Dataiku DSS

Arbeiten mit der Dataiku DSS-Charts-Oberfläche und Arten von visuellen Aggregationen

Nutzung der interaktiven Statistikfunktionen von DSS

• Univariate Analyse vs. bivariate Analyse
• Nutzen der Hauptkomponentenanalyse (PCA)-Funktion von DSS

Überblick über maschinelles Lernen mit Dataiku DSS

• Supervised ML vs. unsupervised ML
• Referenzen für DSS-ML-Algorithmen und Merkmalsverarbeitung
• Tiefes Lernen mit Dataiku DSS

Überblick über den Workflow, der aus DSS-Datensätzen und -Rezepten abgeleitet wird

Transformieren vorhandener Datensätze in DSS mit visuellen Rezepten

Nutzen von DSS-Rezepten basierend auf benutzerdefiniertem Code

Optimieren der Codeerforschung und -experimentierung mit DSS-Code-Notebooks

Erstellen fortschrittlicher DSS-Visualisierungen und benutzerdefinierter Frontend-Funktionen mit Webanwendungen

Arbeiten mit der Dataiku DSS-Code-Berichte-Funktion

Teilen von Elementen eines Datenprojekts und Vertrautwerden mit dem DSS-Dashboard

Entwerfen und Verpacken eines Dataiku DSS-Projekts als wiederverwendbare Anwendung

Überblick über fortgeschrittene Methoden in Dataiku DSS

• Implementieren von optimierten Datensatz-Partitionierungen mit DSS
• Ausführen spezifischer DSS-Verarbeitungsteile durch Berechnungen in Kubernetes-Containern

Überblick über Zusammenarbeit und Versionskontrolle in Dataiku DSS

Implementieren von Automatisierungsszenarien, Metriken und Prüfungen für das Testen eines DSS-Projekts

Bereitstellen und Aktualisieren eines Projekts mit dem DSS-Automatisierungs-Node und -Bundles

Arbeiten mit Echtzeit-APIs in Dataiku DSS

• Zusätzliche APIs und REST-APIs in DSS

Analysieren und Prognostizieren von Time Series-Datensätzen in Dataiku DSS

Sichern eines Projekts in Dataiku DSS

• Verwalten von Projektberechtigungen und Dashboard-Autorisierungen
• Implementieren fortgeschrittener Sicherheitsoptionen

Integrieren von Dataiku DSS mit der Cloud

Problembehandlung

Zusammenfassung und Schlussfolgerung