Dataiku para Inteligencia Artificial empresarial y Aprendizaje Automático

Introducción

Instalación y configuración de Dataiku Data Science Studio (DSS)

• Requisitos del sistema para Dataiku DSS.
• Configuración de las integraciones con Apache Hadoop y Apache Spark.
• Configuración de Dataiku DSS con proxies web.
• Migración desde otras plataformas a Dataiku DSS.

Resumen de las funciones y arquitectura de Dataiku DSS

• Objetos y gráficos fundamentales para Dataiku DSS.
• ¿Qué es una receta en Dataiku DSS?
• Tipos de conjuntos de datos admitidos por Dataiku DSS.

Creación de un proyecto en Dataiku DSS

Definición de conjuntos de datos para conectar con recursos de datos en Dataiku DSS

• Trabajo con conectores y formatos de archivos de DSS.
• Formatos estándar de DSS vs. formatos específicos de Hadoop.
• Carga de archivos para un proyecto de Dataiku DSS.

Resumen del sistema de archivos del servidor en Dataiku DSS

Creación y uso de carpetas gestionadas

• Receta de DSS para fusionar carpetas.
• Carpetas gestionadas locales vs. no locales.

Construcción de un conjunto de datos de sistema de archivos utilizando el contenido de carpetas gestionadas

• Realización de limpiezas mediante una receta de código de DSS.

Trabajo con el conjunto de datos de métricas y el conjunto de datos de estadísticas internas

Implementación de la receta de descarga de DSS para conjuntos de datos HTTP

Reubicación de conjuntos de datos SQL y HDFS utilizando DSS

Ordenación de conjuntos de datos en Dataiku DSS

• Ordenación al escribir vs. ordenación al leer.

Exploración y preparación de visualizaciones de datos para un proyecto de Dataiku DSS

Resumen de esquemas, tipos de almacenamiento y significados en Dataiku

Realización de scripts de limpieza, normalización y enriquecimiento de datos en Dataiku DSS

Trabajo con la interfaz de gráficos de Dataiku DSS y tipos de agregaciones visuales

Utilización de la función de estadísticas interactivas de DSS

• Análisis univariado vs. bivariado.
• Uso de la herramienta de Análisis de Componentes Principales (PCA) de DSS.

Resumen del aprendizaje automático con Dataiku DSS

• ML supervisado vs. ML no supervisado.
• Referencias para algoritmos de ML de DSS y manejo de características.
• Aprendizaje profundo con Dataiku DSS.

Resumen del flujo derivado de conjuntos de datos y recetas de DSS

Transformación de conjuntos de datos existentes en DSS con recetas visuales

Utilización de recetas de DSS basadas en código definido por el usuario

Optimización de la exploración y experimentación de código con cuadernos de código de DSS

Escritura de visualizaciones avanzadas de DSS y funciones de interfaz frontal personalizadas con Webapps

Trabajo con la función de informes de código de Dataiku DSS

Compartir elementos del proyecto de datos y familiarización con el panel de control de DSS

Diseño y empaquetado de un proyecto de Dataiku DSS como una aplicación reutilizable

Resumen de métodos avanzados en Dataiku DSS

• Implementación de particionamiento de conjuntos de datos optimizado utilizando DSS.
• Ejecución de partes específicas de procesamiento de DSS mediante cómputo en contenedores de Kubernetes.

Resumen de la colaboración y control de versiones en Dataiku DSS

Implementación de escenarios de automatización, métricas y comprobaciones para la prueba de proyectos DSS

Despliegue y actualización de un proyecto con el nodo de automatización y paquetes de DSS

Trabajo con APIs en tiempo real en Dataiku DSS

• APIs adicionales y APIs Rest en DSS.

Análisis y previsión de series temporales en Dataiku DSS

Seguridad de un proyecto en Dataiku DSS

• Gestión de permisos del proyecto y autorizaciones del panel de control.
• Implementación de opciones de seguridad avanzadas.

Integración de Dataiku DSS con la nube

Resolución de problemas

Resumen y conclusión