快速入门教程

获取快速入门教程以了解如何执行特定任务，例如优化数据或构建模型。 这些教程帮助您快速了解如何执行特定任务或一组相关任务。

正在寻找视频？ 访问视频库 ，观看 watsonx.ai 和 watsonx.governance 中的许多常见任务。

完成这些教程后，请参阅 其他学习资源 部分以继续学习。

快速入门教程按任务分类:

每个教程都需要一个或多个服务实例。 某些服务包含在多个教程中。 教程按任务分组。 您可以从任何任务开始。 其中每个教程都提供了工具的描述，视频，指示信息和其他学习资源。

每个教程的标记都描述了专业知识级别 (， 或 ) 以及所需的编码量 (， 或 )。

准备数据

要开始准备，转换和集成数据，请了解整个工作流程，选择教程，并查看其他学习资源以在该平台上工作。

数据准备工作流程具有以下基本步骤:

  1. 创建项目。

  2. 验证提供您想要使用的工具的服务实例是否已安装并启用。

  3. 向项目添加数据。 您可以从本地系统添加数据文件，也可以从连接到的远程数据源添加数据。

  4. 选择用于分析数据的工具。 每个教程都描述了一个工具。

  5. 运行或调度作业以准备数据。

准备数据的教程

这些教程中的每一个都提供了工具的描述，视频，指示信息和其他学习资源:

教程 描述 教程的专业知识
使用 Data Refinery优化和可视化数据 使用图形流编辑器来准备和可视化表格数据。 选择操作以处理数据。
生成合成表格数据 使用图形流编辑器生成合成表格数据。 选择要生成数据的操作。

分析和可视化数据

要开始分析和可视化数据，请了解整个工作流程，选择教程，并查看其他学习资源以使用其他工具。

分析和可视化数据工作流程具有以下基本步骤:

  1. 创建项目。

  2. 验证提供您想要使用的工具的服务实例是否已安装并启用。

  3. 向项目添加数据。 您可以从本地系统添加数据文件，也可以从连接到的远程数据源添加数据。

  4. 选择用于分析数据的工具。 每个教程都描述了一个工具。

分析和可视化数据的教程

这些教程中的每一个都提供了工具的描述，视频，指示信息和其他学习资源:

教程 描述 教程的专业知识
在 Jupyter Notebook 中分析数据 装入数据，运行和共享 Notebook。 了解生成的 Python 代码。
使用 Data Refinery优化和可视化数据 使用图形流编辑器来准备和可视化表格数据。 选择操作以处理数据。

构建，部署和信任模型

要开始构建，部署和信任模型，请了解整个工作流程，选择教程，并查看其他学习资源以在平台上工作。

AI 生命周期中涉及的不同阶段如下:

  1. 定义作用域: 首先通过确定关键目标和需求来定义项目作用域。
  2. 准备数据: 收集和准备数据以用于机器学习算法。
  3. 构建模型: 通过使用准备好的数据训练模型，开发和优化 AI 模型以解决定义的问题。
  4. 部署模型: 在构建过程完成后将模型部署到生产环境。
  5. 自动管道: 通过自动执行 AI 生命周期的某些部分来自动执行生产路径。
  6. 监视性能: 评估模型的性能以实现公平性，质量，漂移和可解释性。

下图显示了 AI 生命周期的各个阶段:

AI 生命周期的各个阶段

构建、部署和信任模型的工作流程包含以下基本步骤：

  1. 创建项目。

  2. 验证提供您想要使用的工具的服务实例是否已安装并启用。

  3. 选择一个工具来构建、部署和信任模型。 每个教程都描述了一个工具。

有关构建，部署和信任模型的教程

每个教程都提供了工具的描述，视频，指示信息和其他学习资源:

教程 描述 教程的专业知识
使用 AutoAI构建和部署机器学习模型 使用 AutoAI 工具自动构建模型候选项。 无需编码即可构建，部署和测试模型。
在 Notebook 中构建和部署机器学习模型 通过更新和运行使用 Python 代码和 Watson Machine Learning API 的 Notebook 来构建模型。 构建，部署和测试使用 Python 代码的 scikit-learn 模型。
使用 SPSS Modeler构建和部署机器学习模型 构建使用 SPSS Modeler 工具的 C5.0 模型。 将数据和操作节点放在画布上并选择属性。
构建和部署 Decision Optimization 模型 使用 Modeling Assistant自动构建方案。 求解和探索方案，然后部署和测试模型而不进行编码。
评估机器学习模型 部署模型，配置已部署模型的监视器，并评估模型。 运行 Notebook 以配置模型并使用 Watson OpenScale 进行评估。

使用生成性 AI

要开始使用生成性 AI ，请了解整个工作流程，选择教程，并查看其他学习资源以在平台上工作。

提示工程工作流程具有以下基本步骤:

  1. 创建项目。

  2. 验证提供您想要使用的工具的服务实例是否已安装并启用。

  3. 选择用于提示基础模型的工具。 每个教程都描述了一个工具。

  4. 保存并共享最佳提示。

使用生成 AI 的教程

每个教程都提供了工具的描述，视频，指示信息和其他学习资源:

教程 描述 教程的专业知识
使用 Prompt Lab 试用提示不同的基础模型，浏览样本提示，并保存和共享您的最佳提示。 使用 Prompt Lab 提示模型，无需编码。
使用检索-扩充生成模式提示基础模型 通过利用知识库中的信息来提示基础模型。 在使用 Python 代码的 Jupyter Notebook 中使用检索增强生成模式。
调整基础模型 调整基础模型以增强模型性能。 使用 Tuning Studio 无需编码即可调整模型。
端到端 watsonx.ai 教程 使用 AutoAI, SPSS Modeler 或 Jupyter 笔记本等工具构建模型，然后部署和测试模型。 此外，还可使用 watsonx.ai 转换数据并调整基础模型。

管理 AI

要开始管理 AI ，请了解整体工作流程，选择教程，并查看其他学习资源以在平台上工作。

您的 AI 监管工作流程包含以下基本步骤:

  1. 创建项目。

  2. 验证提供您想要使用的工具的服务实例是否已安装并启用。

  3. 选择一个工具来管理 AI。 每个教程都描述了一个工具。

管理 AI 的教程

每个教程都提供了工具的描述，视频，指示信息和其他学习资源:

教程 描述 教程的专业知识
评估和跟踪提示模板 评估提示模板以度量基础模型的性能，并在其生命周期中跟踪提示模板。 使用评估工具和 AI 用例来跟踪提示模板。
评估机器学习模型 部署模型，为已部署的模型配置监视器，并评估模型 Watson OpenScale。 运行 Notebook 以配置监视器，并使用 Watson OpenScale 进行评估。
评估空间中的部署 部署模型，为已部署的模型配置监视器，并在部署空间中评估模型。 配置监视器并评估部署空间中的模型。

其他学习资源

常规

准备数据

分析和可视化数据

构建，部署和信任模型

使用生成性 AI

管理 AI

视频

用例样本

在 自助服务站点上试用不同的用例。 选择用例以体验使用 watsonx构建的实时应用程序。 开发人员，访问提示选择和构造指导，以及样本应用程序代码，以加速您的项目。