Show Menu
THEMEN×

Data Science Workspace Tutorials

Adobe Experience Platform Data Science Workspace uses machine learning and artificial intelligence to create insights from your data. Integrated into Adobe Experience Platform, Data Science Workspace helps you make predictions using your content and data assets across Adobe solutions. Datenwissenschaftler aller Qualifikationsstufen verfügen über ausgereifte, benutzerfreundliche Tools, die eine schnelle Entwicklung, Schulung und Abstimmung von Rezepten für maschinelles Lernen unterstützen – all die Vorteile der KI-Technologie, ohne die Komplexität.
Um mehr zu erfahren, lesen Sie zunächst Data Science Workspace – Überblick .

Sensei Machine Learning API

Die Sensei Machine Learning API bietet Datenwissenschaftlern einen Mechanismus zur Organisation und Verwaltung von Dienstleistungen für maschinelles Lernen, von der Algorithmusüberwachung über Experimente bis zur Dienstbereitstellung.
Die folgenden API-Entwicklerhandbücher stehen zur Verfügung:
  • Motoren - Erfahren Sie, wie Sie Ihre Docker Registrierung nachschlagen, eine Engine erstellen, eine Feature-Pipeline-Engine erstellen, die Informationen für eine Engine abrufen, eine Engine aktualisieren und eine Engine löschen können.
  • MLInstances (Rezepte) - Erfahren Sie, wie Sie eine MLInstanz erstellen, die Informationen für eine MLInstanz abrufen, eine MLInstance aktualisieren und eine MLInstance löschen.
  • Experimente - Erfahren Sie, wie Sie ein Experiment erstellen, Informationen zu Experimenten oder Experimenten abrufen, ein Experiment aktualisieren und ein Experiment löschen können.
  • Modelle - Erfahren Sie, wie Sie Ihr eigenes Modell registrieren, die Informationen für ein Modell abrufen, ein Modell aktualisieren, ein Modell löschen, eine neue Transkodierung für ein Modell erstellen und die Details eines transkodierten Modells abrufen.
  • MLServices - Erfahren Sie, wie Sie einen MLService erstellen, die Informationen für einen MLService abrufen, einen MLService aktualisieren und einen MLService löschen.
  • Einblicke - Erfahren Sie, wie Sie Informationen zu einem Insight abrufen, einen neuen Model Insight hinzufügen und eine Liste von Standardmetriken für Algorithmen abrufen können.
Weitere Informationen und die erforderlichen Werte für die Ausführung von CRUD-Operationen mit der Sensei Machine Learning API finden Sie im Handbuch Erste Schritte .

How to use JupyterLab Notebooks

JupyterLab ist eine Web-basierte Benutzeroberfläche für Project Jupyter und ist eng in Adobe Experience Platform integriert. It provides an interactive development environment for data scientists to work with Jupyter notebooks, code, and data. This document provides an overview of JupyterLab and its features as well as instructions to perform common actions.
Dieses Handbuch hilft Ihnen:
  • Greifen Sie auf die JupyterLab Benutzeroberfläche zu und verstehen Sie sie.
  • Machen Sie sich mit den Codezellen und den verfügbaren Kerneln in JupyterLabvertraut.
  • Machen Sie sich mit der GPU- und Speicherserverkonfiguration in Python/R vertraut.
Weitere Informationen finden Sie im JupyterLab-Benutzerhandbuch .

Datenzugriff in JupyterLab-Notebooks

Derzeit unterstützt JupyterLab in Data Science Workspace Notebooks für Python, R, PySpark und Scala. Jeder unterstützte Kernel bietet native Funktionen, mit denen Sie Platform-Daten aus einem Datensatz in einem Notebook lesen können. However, support for paginating data is limited to Python and R notebooks. Dieser Leitfaden konzentriert sich darauf, wie Sie mit JupyterLab-Notebooks auf Ihre Daten zugreifen können.
Dieses Handbuch hilft Ihnen:
  • Plattformdaten mit Python-, R-, PySpark- oder Scala-Notebooks lesen, schreiben und schreiben.
  • Machen Sie sich mit den Leseinschränkungen der einzelnen Notebooks vertraut.
Weitere Informationen finden Sie im Entwicklerhandbuch für den Datenzugriff auf JupyterLab-Notebooks

Quelldateien für das Erstellen von Docker Rezepten packen

Mit einem Docker Bild können Sie eine Anwendung mit allen benötigten Teilen verpacken. Dazu gehören Bibliotheken und andere Abhängigkeiten in einem Paket. Das erstellte Docker Bild wird mit den Anmeldeinformationen, die Sie während des Arbeitsablaufs für die Skripterstellung erhalten haben, an den Azure Container Registry Empfänger gesendet.
Dieses Lernprogramm hilft Ihnen:
  • Laden Sie die erforderlichen Voraussetzungen für die Rezepterstellung herunter.
  • Verstehen Sie das Docker basierte Authoring von Modellen.
  • Erstellen Sie ein Docker Bild für Python, R, PySpark oder Scala (Spark).
  • Abrufen der URL einer Docker Quelldatei.
Um mehr zu erfahren, folgen Sie den Quelldateien des Pakets in einem Rezept-Lernprogramm .

Rezept importieren

Für dieses Lernprogramm ist eine URL für die Docker Quelldatei erforderlich. Rufen Sie die Quelldateien des Pakets in einem Rezept-Lernprogramm auf, wenn Sie keine URL für die Docker Quelldatei haben.
Die Importrezeptschulungen bieten Einblicke in die Konfiguration und den Import eines gepackten Rezepts. By the end of this tutorial, you can create, train, and evaluate a Model in Adobe Experience Platform Data Science Workspace.
Dieses Lernprogramm hilft Ihnen:
  • Erstellen Sie einen Konfigurationssatz für ein Rezept.
  • Importieren Sie ein Docker basiertes Rezept für Python, R, PySpark oder Scala (Spark).
Weitere Informationen finden Sie im UI-Tutorial zum Importieren eines zusammengestellten Skripts oder im API-Tutorial .

Schulung und Auswertung eines Modells

In Adobe Experience Platform Data Science Workspace, a machine learning Model is created by incorporating an existing Recipe that is appropriate for the Model's intent. Anschließend wird das Modell trainiert und bewertet, um seine Effizienz und Wirksamkeit zu erhöhen; dazu werden die entsprechenden Hyperparameter fein abgestimmt. Rezepte sind wiederverwendbar; mit einem Rezept können also verschiedene Modelle erstellt und auf individuelle Zwecke zugeschnitten werden.
Dieses Lernprogramm hilft Ihnen:
  • Erstellen Sie ein neues Modell.
  • Erstellen Sie einen Schulungslauf für Ihr Modell.
  • Testen Sie Ihre Modellschulungen.
Beginnen Sie zunächst mit einer Schulung und der Auswertung eines Modell- API-Tutorials oder des UI-Tutorials .

Optimieren eines Modells mit dem Model Insight-Framework

The Model Insights Framework provides the data scientist with tools in Adobe Experience Platform Data Science Workspace to make quick and informed choices for optimal machine learning models based on experiments. Das Framework verbessert die Geschwindigkeit und Effektivität des Workflows für maschinelles Lernen und erhöht die Anwenderfreundlichkeit für Data Scientists. Dies geschieht durch Bereitstellung einer Standardvorlage für jeden maschinellen Lernalgorithmustyp, sodass sich Modelle verfeinern lassen. Das Endergebnis ermöglicht es Data Scientists und Citizen Data Scientists, bessere Entscheidungen zur Optimierung von Modellen ihrer Endkunden zu treffen.
Dieses Lernprogramm hilft Ihnen:
  • Konfigurieren des Rezeptcodes.
  • Definieren Sie benutzerspezifische Metriken.
  • Verwenden Sie vordefinierte Evaluierungsmetriken und Visualisierungsdiagramme.
Beginnen Sie mit dem Tutorial zur Optimierung eines Modells .

Modellbewertung

Scoring in Adobe Experience Platform Data Science Workspace can be achieved by feeding input data into an existing trained Model. Scoring-Ergebnisse werden dann als neuer Batch in einem angegebenen Ausgabedatensatz gespeichert und angezeigt.
Dieses Lernprogramm hilft Ihnen:
  • Neuen Scoring-Lauf erstellen.
  • Ansicht der Bewertungsergebnisse.
To get started, follow the score a model API tutorial or the UI tutorial .

Veröffentlichen eines Modells als Dienst

Adobe Experience Platform Data Science Workspace allows you to publish your Model as a service, enabling users within your IMS Organization to score data without the need for creating their own Models. Dies kann über die Platform Benutzeroberfläche oder die Sensei Machine Learning API erfolgen.
Dieses Lernprogramm hilft Ihnen:
  • Veröffentlichen Sie ein Modell als Dienst.
  • Ergebnisdaten mithilfe eines Dienstes über die Platform Servicegalerie .
Beginnen Sie zunächst mit dem API-Tutorial oder dem Benutzeroberflächen-Tutorial zum Veröffentlichen eines Modells als Dienst.

Planen von Schulungen und Bewertungen für ein Modell

Adobe Experience Platform Data Science Workspace allows you to set up scheduled scoring and training runs on a machine learning service. Die Automatisierung des Schulungs- und Bewertungsvorgangs kann dazu beitragen, die Effizienz eines Dienstes im Laufe der Zeit zu erhalten und zu verbessern, indem Sie die Muster in Ihren Daten beibehalten.
Dieses Lernprogramm hilft Ihnen:
  • Geplantes Scoring konfigurieren
  • Geplantes Training konfigurieren
Um zu beginnen, folgen Sie dem Einplanen eines UI-Lehrgangs für das Modell.

Erstellen einer Feature-Pipeline

Derzeit sind Feature Pipelines nur über API verfügbar.
Mit Adobe Experience Platform können Sie benutzerdefinierte Funktionenpipelines erstellen und erstellen, um die Funktionstechnik in großem Maßstab durchzuführen Sensei Machine Learning Framework Runtime.
Dieses Handbuch hilft Ihnen:
  • Implementieren Sie Feature Pipeline-Klassen.
  • Erstellen Sie eine Feature Pipeline-Engine mit der API.
Weitere Informationen finden Sie im Tutorial zum Erstellen einer Feature-Pipeline .

Erstellen einer Real-Time Machine Learning Anwendung (Alpha)

Eine Kombination aus nahtloser Berechnung auf dem Hub und dem Edge reduziert die Latenz, die traditionell bei der Erzielung übermäßig personalisierter Erlebnisse, die sowohl relevant als auch reaktionsfähig sind, eine entscheidende Rolle spielt. Daher Real-time Machine Learning bietet die Latenz für die synchrone Entscheidungsfindung unglaublich gering an. Beispiele sind das Rendering personalisierter Webseiteninhalte, das Aufdecken eines Angebots und Rabatte, um den Absturz zu reduzieren und gleichzeitig die Konversionen in einem Webstore zu erhöhen.
Dieses Handbuch hilft Ihnen:
  • Verstehen Sie die Real-time Machine Learning Architektur.
  • Verstehen Sie den Real-time Machine Learning Workflow.
  • Machen Sie sich mit der aktuellen Funktionalität vertraut Real-time Machine Learning.
  • Sehen Sie sich die nächsten Schritte zum Erstellen Ihrer eigenen an Real-time Machine Learning model.
Weitere Informationen finden Sie in der Übersicht über maschinelles Lernen in Echtzeit .