Sdílet prostřednictvím

Použití kompletních ukázek AI v Microsoft Fabric

Synapse Data Science jako software jako služba (SaaS) je součástí Microsoft Fabric. Může pomoci odborníkům na strojové učení vytvářet, nasazovat a zprovozňovat modely strojového učení. Software Synapse Pro datové vědy funguje na jedné analytické platformě, ale současně spolupracuje s dalšími klíčovými rolemi. Tento článek popisuje možnosti prostředí pro datové vědy Synapse a způsob, jakým modely strojového učení můžou řešit běžné obchodní problémy.

Instalace knihoven Pythonu

Některé kompletní ukázky AI vyžadují další knihovny pro vývoj modelů strojového učení nebo ad hoc analýzu dat. Jednu z těchto možností můžete zvolit, pokud chcete tyto knihovny rychle nainstalovat pro relaci Apache Sparku.

Instalace s využitím funkcí vložené instalace

V poznámkovém bloku použijte schopnosti instalace inline v Pythonu – například %pip nebo %conda – k instalaci nových knihoven. Tato možnost nainstaluje knihovny pouze v aktuálním poznámkovém bloku. Neinstaluje knihovny v pracovním prostoru. K instalaci knihovny použijte následující fragment kódu. Nahraďte <library name> názvem vaší knihovny: imblearn nebo wordcloud:

# Use pip to install libraries
%pip install <library name>

# Use conda to install libraries
%conda install <library name>

Nastavení výchozích knihoven pro pracovní prostor

Použijte prostředí Fabric k zpřístupnění knihoven pro použití v poznámkovém bloku pracovního prostoru. Můžete vytvořit prostředí, nainstalovat do ní knihovnu a správce pracovního prostoru může prostředí připojit k pracovnímu prostoru jako výchozí prostředí. Další informace o nastavení výchozích knihoven pracovního prostoru naleznete v zdroji Správce nastaví výchozí knihovny pro pracovní prostor.

Důležité

Správa knihovny v nastavení pracovního prostoru se už nepodporuje. Další informace o migraci existujících knihoven pracovních prostorů do prostředí a výběru výchozího prostředí pracovního prostoru najdete v tématu Migrace knihoven pracovních prostorů a vlastností Sparku do výchozího prostředí.

Postupujte podle kurzů k vytváření modelů strojového učení.

Tyto kurzy poskytují kompletní ukázky pro běžné scénáře.

Výpovědi zákazníků

Vytvořte model pro predikci četnosti změn pro bankovní zákazníky. Míra úbytku, označovaná také jako míra ztráty, je rychlost, s jakou zákazníci přestanou obchodovat s bankou.

Postupujte podle pokynů v kurzu predikce změn zákazníků .

Doporučení

Online knihkupectví chce poskytnout přizpůsobená doporučení pro zvýšení prodeje. S daty hodnocení knih zákazníků můžete vyvíjet a nasazovat model doporučení, abyste mohli vytvářet předpovědi.

Postupujte podle pokynů v kurzu k trénování modelu doporučení maloobchodního prodeje .

Detekce podvodů

S nárůstem neoprávněných transakcí může detekce podvodů s platebními kartami v reálném čase pomoct finančním institucím rychleji vyřešit stížnosti zákazníků. Model detekce podvodů zahrnuje předběžné zpracování, trénování, ukládání modelů a odvozování. Fáze trénování kontroluje více modelů a metod, které řeší konkrétní výzvy – například situace nerovnováhy, kompromisy mezi falešně pozitivními a falešně negativními výsledky atd.

Postupujte podle pokynů v kurzu pro detekci podvodů .

Prognostika

S historickými údaji o prodeji nemovitostí v New Yorku a Facebook Prorokem vytvořte model časových řad s informacemi o trendu a sezónnosti, abyste mohli předpovídat prodej v budoucích cyklech.

Projděte si kurz prognózování časových řad .

Klasifikace textu

Na základě metadat knih použijte klasifikaci textu pomocí Word2vec a modelu lineární regrese pro předpověď, zda je kniha British Library fikce nebo literatura faktu v prostředí Spark.

Postupujte podle pokynů v kurzu klasifikace textu .

Model zvýšení

Pomocí modelu zlepšení můžete odhadnout kauzální dopad určitých léčebných postupů na chování jednotlivce. V těchto modulech se dotkněte čtyř základních oblastí:

  • Modul pro zpracování dat: extrahuje příznaky, zpracování a štítky.
  • Trénovací modul: predikce rozdílu v chování jednotlivce při zacházení a v případě, že není léčen, s klasickým modelem strojového učení – například LightGBM
  • Predikční modul: Volá model uplift pro tvorbu předpovědí na testovacích datech.
  • Modul vyhodnocení: vyhodnocuje účinek modelu zvedání na testovací data.

Sledujte návod na kauzální dopad lékařských léčeb.

Prediktivní údržba

Trénujte více modelů na historických datech, abyste mohli předpovědět mechanická selhání – například selhání zahrnující teplotu procesu nebo rychlost otáčení nástrojů. Pak určete, který model je nejvhodnější pro předpověď budoucích selhání.

Postupujte podle pokynů v kurzu prediktivní údržby .

Prognóza prodeje

Predikce budoucích prodejů pro kategorie produktů superstore Natrénujte model na historických datech, aby to provedl.

Postupujte podle pokynů v kurzu prognózování prodeje .

Související obsah

  • Last updated on