开通 PAI 服务及准备数据 | 学习笔记

本文涉及的产品
交互式建模 PAI-DSW,5000CU*H 3个月
简介: 快速学习开通 PAI 服务及准备数据

开发者学堂课程【机器学习实战:开通 PAI 服务及准备数据】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/530/detail/7139


开通 PAI 服务及准备数据

登录使用阿里云机器学习 PAI

1、打开浏览器,最好是 crium,  因为存在不同浏览器之间的一个兼容问题。

在地址栏中输入 ww.aliyun.com,进入阿里云官网的首页。

image.png

2、点击控制台右上方的控制按钮,弹出一个登录按钮,输入账号跟密码进行登录。

登录成功之后就进入了阿里云的控制台。

image.png

左侧导航栏中有个大数据(数加),要使用的产品都在这个里面。如果是新创建的项目,在里面可能没有那么多项目。可以通过下图中的产品与服务按钮找到你所需要的产品

image.png

之前介绍中提到机器学习 PAI 适合阿里云服务 MA,跟大数据阿里云是绑定到一块的,而 Dataworks 就是使用 makesquite 的一个入口,

3、点击 Dataworks

image.png

上图中已经创建了一系列项目,点击创建项目,注意因为产品的更新迭代,用户看到的页面可能跟显示的画面有点区别,这个是没关系的,基本的东西都是一致的,只需要稍加熟悉就可以了。

4、点击创建项目,如下图所示,选择区域,选择计算引擎服务,选择MaxCompute, 选择按量付费,讯在机器学习按量付费,假如是第一次进入,按量付费之后有一个去购买,或者去沟通,需要点击那个去购买或者去沟通,返回之后才能选择按量付费,点击机器学习 pai,最下面是 Datawork 服务。

还可以选择数据集成,数据集成就是将其他数据通过 MaxCompute 加载到 Datawork 中。

image.png

点击下一步,填写项目名称,PAI-DEMO,显示名称为机器学习 PAI 演示项目,高级设置中都选择打开,Quota 组切换选择按量付费默认资源组,面向 pai 中,如果要使用当前的 pai 项目进行深度学习就需要打开 GPU,如果不需要则直接点击创建项目。

因为有重名,所以修改下名字,该为 PAI-DEMO-NEW, 点击创建项目。

创建完成之后,进入项目列表,

image.png

可以查看到新创建的项目正在初始化中,因为之前创建的 PAI-DEMO 为全局唯一的名字,所以一旦被占用就不可以使用这个项目名称来创建项目了。

刷新列表,查看到项目名称已经是正常的了。就创建了一个新项目,并且通过 MaxCompute 的这个服务,也创建了一个新的服务,然后进入这个项目中,将后期需要分析使用的数据先上传上去。

点击进入工作区,以下就是阿里云大数据 MaxCompute 项目开发运营的一个环境。

image.png

点击新建脚本,文件名称为 test,类型为 ODPS SQL, 会在其中写 sql 然后与MaxCompute 形成一个交互。

image.png

建表,

create table iris (Sepal_length double,sepal_width double,petal_length double,petal_width double,species string)

执行一下建表的语句,点击运行,这个时候执行的sql是在中,MaxCompute 是一个进行数据存储,服务的一个产品。

查看表是否存在,desc iris

image.png

查看所使用的数据集,其中包含了 150 条记录,其中包括花的一些基本数据,就是用这个数据集进行一些基本的统计分析,

image.png

返回 datawork 中,点击导入,将文件导入到 MaxCompute 中,点击导入,导入本地数据,找到 iris 文件点击进入。

image.png

然后通过上面页面将数据加载到 MaxCompute 中,分割符号:逗号,原始字符集:GBK,导入起始行:1,首行为标题选择是,然后点击下一步,

image.png

导入到表 iris 中,可以看到目标字段和原字段,点击上传,查看到文件上传已经结束。

检查是否上传,select*from iris,点击运行,这个时候就会到 MaxCompute 查 iris 中的记录状况,可以看到数据上传成功

image.png

相关实践学习
使用PAI-EAS一键部署ChatGLM及LangChain应用
本场景中主要介绍如何使用模型在线服务(PAI-EAS)部署ChatGLM的AI-Web应用以及启动WebUI进行模型推理,并通过LangChain集成自己的业务数据。
机器学习概览及常见算法
机器学习(Machine Learning, ML)是人工智能的核心,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,它是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。 本课程将带你入门机器学习,掌握机器学习的概念和常用的算法。
相关文章
|
1天前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】聚类算法中,如何判断数据是否被“充分”地聚类,以便算法产生有意义的结果?
【5月更文挑战第14天】【机器学习】聚类算法中,如何判断数据是否被“充分”地聚类,以便算法产生有意义的结果?
|
1天前
|
数据采集 机器学习/深度学习 人工智能
【机器学习】在使用K-means算法之前,如何预处理数据?
【5月更文挑战第12天】【机器学习】在使用K-means算法之前,如何预处理数据?
|
1天前
|
机器学习/深度学习
【机器学习】噪声数据对贝叶斯模型有什么样的影响?
【5月更文挑战第10天】【机器学习】噪声数据对贝叶斯模型有什么样的影响?
|
1天前
|
机器学习/深度学习 数据采集 算法
数据分享|R语言机器学习预测案例合集:众筹平台、机票折扣、糖尿病患者、员工满意度
数据分享|R语言机器学习预测案例合集:众筹平台、机票折扣、糖尿病患者、员工满意度
|
1天前
|
数据采集
【大模型】大语言模型训练数据中的偏差概念及其可能的影响?
【5月更文挑战第5天】【大模型】大语言模型训练数据中的偏差概念及其可能的影响?
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
【AI 生成式】如何利用生成式人工智能进行机器学习的数据增强?
【5月更文挑战第4天】【AI 生成式】如何利用生成式人工智能进行机器学习的数据增强?
|
1天前
|
机器学习/深度学习 存储 数据采集
【Python 机器学习专栏】PCA(主成分分析)在数据降维中的应用
【4月更文挑战第30天】本文探讨了主成分分析(PCA)在高维数据降维中的应用。PCA通过线性变换找到最大化方差的主成分,从而降低数据维度,简化存储和计算,同时去除噪声。文章介绍了PCA的基本原理、步骤,强调了PCA在数据降维、可视化和特征提取上的优势,并提供了Python实现示例。PCA广泛应用在图像压缩、机器学习和数据分析等领域,但降维后可能损失解释性,需注意选择合适主成分数量及数据预处理。
|
1天前
|
机器学习/深度学习 Python
【Python机器学习专栏】时间序列数据的特征工程
【4月更文挑战第30天】本文探讨了时间序列数据的特征工程,强调其在捕捉季节性、揭示趋势、处理异常值和提升模型性能中的重要性。介绍了滞后特征、移动窗口统计特征、时间戳特征、频域特征和波动率特征等方法,并提供了Python实现示例。通过有效特征工程,可提高时间序列分析的准确性和预测可靠性。
|
1天前
|
机器学习/深度学习 计算机视觉 Python
【Python 机器学习专栏】图像数据的特征提取与预处理
【4月更文挑战第30天】本文探讨了图像数据的特征提取与预处理在机器学习中的重要性。图像数据具有大容量、信息丰富和冗余性高的特点。特征提取涉及颜色、纹理和形状特征;预处理包括图像增强、去噪和分割。Python的OpenCV和Scikit-image库在处理这些任务时非常有用。常见的特征提取方法有统计、变换和基于模型的方法,而预处理应注意保持图像真实性、适应性调整及验证评估。有效的特征提取和预处理能提升模型性能,Python工具使其更高效。
|
1天前
|
机器学习/深度学习 自然语言处理 算法
【Python机器学习专栏】文本数据的特征提取与表示
【4月更文挑战第30天】本文探讨了文本特征提取与表示在机器学习和NLP中的重要性。介绍了词袋模型、TF-IDF和n-gram等特征提取方法,以及稀疏向量和词嵌入等表示方式。Python中可利用sklearn和gensim库实现这些技术。有效的特征提取与表示有助于将文本数据转化为可处理的数值形式,推动NLP和机器学习领域的进步。

热门文章

最新文章