Dataiku para IA 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 hacia Dataiku DSS

Descripción general de las funcionalidades y arquitectura de Dataiku DSS

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

Creación de un proyecto en Dataiku DSS

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

• Trabajo con conectores DSS y formatos de archivo
• Formatos estándar de DSS frente a formatos específicos de Hadoop
• Carga de archivos para un proyecto de Dataiku DSS

Descripción general del sistema de archivos del servidor en Dataiku DSS

Creación y uso de carpetas gestionadas

• Receta de Dataiku DSS para fusionar carpetas
• Carpetas gestionadas locales frente a no locales

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

• Realización de limpiezas mediante una receta de código 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

Ordenamiento de conjuntos de datos en Dataiku DSS

• Ordenamiento en escritura frente a ordenamiento en tiempo de lectura

Exploración y preparación de elementos visuales de datos para un proyecto de Dataiku DSS

Descripción general de los esquemas, tipos de almacenamiento y significados en Dataiku

Ejecución 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 frente a análisis bivariado
• Uso de la herramienta de Análisis de Componentes Principales (PCA) de DSS

Descripción general del aprendizaje automático con Dataiku DSS

• Aprendizaje automático supervisado frente a no supervisado
• Referencias para algoritmos de ML de DSS y manejo de características
• Aprendizaje profundo con Dataiku DSS

Descripción general del flujo derivado de conjuntos de datos y recetas de DSS

Transformación de conjuntos de datos existentes en DSS mediante 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

Creación de visualizaciones avanzadas de DSS y funcionalidades personalizadas de interfaz frontal mediante aplicaciones web

Trabajo con la función de informes de código de Dataiku DSS

Compartir elementos de proyectos de datos y familiarizarse con el panel de control de DSS

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

Descripción general de métodos avanzados en Dataiku DSS

• Implementación de particionamiento optimizado de conjuntos de datos usando DSS
• Ejecución de partes específicas de procesamiento de DSS mediante cálculos en contenedores de Kubernetes

Descripción general de la colaboración y control de versiones en Dataiku DSS

Implementación de escenarios de automatización, métricas y verificaciones para pruebas de proyectos en DSS

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

Trabajo con APIs en tiempo real en Dataiku DSS

• APIs adicionales y REST APIs en DSS

Análisis y pronóstico de series temporales en Dataiku DSS

Seguridad de un proyecto en Dataiku DSS

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

Integración de Dataiku DSS con la nube

Solución de problemas

Resumen y conclusiones