Použití kompletních ukázek AI v Microsoft Fabric

  • Článek

Prostředí Synapse Datová Věda software jako služba (SaaS) v Microsoft Fabric může odborníkům na strojové učení pomoct sestavovat, nasazovat a zprovozňovat modely strojového učení na jedné analytické platformě a současně spolupracovat s dalšími klíčovými rolemi. Tento článek popisuje možnosti Datová Věda prostředí Synapse a způsob řešení běžných obchodních problémů pomocí modelů strojového učení.

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

K instalaci nových knihoven použijte možnosti vložené instalace Pythonu, %pip například nebo %conda – v poznámkovém bloku. Tato možnost nainstaluje knihovny pouze v aktuálním poznámkovém bloku, nikoli v pracovním prostoru. Tento kód použijte k instalaci knihovny. 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

Pokud chcete knihovny zpřístupnit pro použití v poznámkových blocích v pracovním prostoru, můžete pro tento účel použít prostředí Fabric. Můžete vytvořit prostředí, nainstalovat do ní knihovnu a pak správce pracovního prostoru může prostředí připojit k pracovnímu prostoru jako jeho výchozí prostředí. Další informace o nastavení prostředí jako výchozího pracovního prostoru najdete v tématu Správa nastavení výchozích knihoven pro pracovní prostor.

Důležité

Správa knihovny v nastavení pracovního prostoru se už nepodporuje. Pokud chcete migrovat existující knihovny pracovních prostorů do prostředí a připojit je jako výchozí, postupujte podle pokynů 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. Četnost změn, označovaná také jako míra omezování, je míra, s jakou zákazníci přestanou podnikat 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.

Odhalování podvodů

S rostoucím nárůstem neoprávněných transakcí může detekce podvodů s platebními kartami v reálném čase pomoci finančním institucím poskytovat zákazníkům rychlejší řešení. Model detekce podvodů zahrnuje předběžné zpracování, trénování, ukládání modelů a odvozování. Trénovací část kontroluje více modelů a metod, které řeší výzvy, jako jsou nevyvážené příklady a kompromisy mezi falešně pozitivními a falešně negativními výsledky.

Postupujte podle pokynů v kurzu pro detekci podvodů.

Prognostika

Díky historickým údajům o prodeji nemovitostí v New Yorku a Facebook Proroku vytvořte model časových řad s informacemi o trendu a sezónnosti a předpovídání prodeje v budoucích cyklech.

Projděte si kurz prognózování časových řad.

Klasifikace textu

Použití klasifikace textu pomocí word2vec a modelu lineární regrese ve Sparku k predikci, zda je kniha v Britské knihovně fiktivní nebo nefiction na základě metadat knih.

Postupujte podle pokynů v kurzu klasifikace textu.

Uplift model

Odhadnout kauzální dopad určitých lékařských ošetření na chování jednotlivce s modelem zvedání. V těchto modulech se dotkněte čtyř základních oblastí:

  • Modul pro zpracování dat: extrahuje funkce, ošetření a popisky.
  • Trénovací modul: predikce rozdílu v chování jednotlivce při zacházení a v případě, že není léčen, pomocí klasického modelu strojového učení – například LightGBM.
  • Prediktivní modul: Volá model upliftu pro předpovědi testovacích dat.
  • Modul vyhodnocení: vyhodnocuje účinek modelu zvedání na testovací data.

Sledujte spolu s kauzálním dopadem kurzu lékařské léčby .

Prediktivní údržba

Trénujte více modelů na historických datech, abyste mohli předpovědět mechanické chyby, jako je teplota a rotační rychlost. Pak určete, který model je nejvhodnější pro predikci budoucích selhání.

Postupujte podle pokynů v kurzu prediktivní údržby .

Prognóza prodeje

Predikce budoucích prodejů pro kategorie produktů superstore Natrénujte model na historických datech, abyste to udělali.

Postupujte podle pokynů v kurzu prognózování prodeje.

Související obsah