Brug komplette AI-eksempler i Microsoft Fabric

  • Artikel

SaaS-oplevelsen (Synapse Data Science Software as a Service) i Microsoft Fabric kan hjælpe maskinlæringseksperter med at bygge, udrulle og drifte deres modeller til maskinel indlæring på en enkelt analyseplatform, samtidig med at de samarbejder med andre vigtige roller. I denne artikel beskrives både funktionerne i Synapse Data Science-oplevelsen, og hvordan modeller til maskinel indlæring kan løse almindelige virksomhedsproblemer.

Installér Python-biblioteker

Nogle af ai-eksemplerne fra ende til anden kræver andre biblioteker til udvikling af modeller til maskinel indlæring eller ad hoc-dataanalyser. Du kan vælge en af disse indstillinger for hurtigt at installere disse biblioteker til din Apache Spark-session.

Installér med indbyggede installationsfunktioner

Brug de indbyggede Python-installationsfunktioner, %pip f.eks. eller %conda , i din notesbog til at installere nye biblioteker. Denne indstilling installerer kun bibliotekerne i den aktuelle notesbog og ikke i arbejdsområdet. Brug denne kode til at installere et bibliotek. Erstat <library name> med navnet på biblioteket: imblearn eller wordcloud.

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

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

Angiv standardbiblioteker for arbejdsområdet

Hvis du vil gøre dine biblioteker tilgængelige til brug i alle notesbøger i arbejdsområdet, kan du bruge et Fabric-miljø til dette formål. Du kan oprette et miljø, installere biblioteket i det, og derefter kan administratoren af arbejdsområdet knytte miljøet til arbejdsområdet som standardmiljø. Du kan få flere oplysninger om, hvordan du angiver et miljø som standard i Administration angiver standardbiblioteker for arbejdsområdet.

Vigtigt

Biblioteksstyring i arbejdsområdeindstillingen understøttes ikke længere. Du kan følge "Overfør arbejdsområdebiblioteker og Spark-egenskaber til et standardmiljø" for at overføre eksisterende arbejdsområdebiblioteker til et miljø og vedhæfte det som standard for arbejdsområdet.

Følg selvstudier for at oprette modeller til maskinel indlæring

Disse selvstudier indeholder eksempler fra ende til anden til almindelige scenarier.

Kundeafgang

Opret en model for at forudsige faldsatsen for bankkunder. Faldsatsen, også kaldet nedslidningsraten, er den sats, som kunderne holder op med at drive forretning med banken med.

Følg med i selvstudiet forudsagt kundeafgang .

Anbefalinger

En online boghandel ønsker at give tilpassede anbefalinger for at øge salget. Med kundebogsklassifikationsdata kan du udvikle og udrulle en anbefalingsmodel for at foretage forudsigelser.

Følg med i selvstudiet om oplæring af en model til en detailanbefaling.

Registrering af svindel

I takt med at uautoriserede transaktioner øges, kan registrering af kreditkortsvindel i realtid hjælpe finansielle institutioner med at give kunderne hurtigere ekspeditionstid ved løsning. En model til registrering af svindel omfatter forbehandling, oplæring, modellager og udledning. Oplæringsdelen gennemgår flere modeller og metoder, der håndterer udfordringer som ubalancerede eksempler og afvejninger mellem falske positiver og falske negativer.

Følg med i selvstudiet til registrering af svindel.

Prognoser

Med historiske salgsdata for ejendomme i New York og Facebook-profeten kan du bygge en tidsseriemodel med oplysninger om tendens og sæsonudsving for at forudsige, hvad salg i fremtidige cyklusser.

Følg med i selvstudiet om tidsserieprognose .

Tekstklassificering

Anvend tekstklassificering med word2vec og en lineær regressionsmodel i Spark for at forudsige, om en bog i British Library er fiktion eller nonfiktion, baseret på bogens metadata.

Følg med i selvstudiet om tekstklassificering .

Opløftningsmodel

Anslå årsagssammenhængen af visse medicinske behandlinger på en persons adfærd med en opløftningsmodel. Tryk på fire kerneområder i disse moduler:

  • Databehandlingsmodul: udtrækker funktioner, behandlinger og mærkater.
  • Træningsmodul: Forudsige forskellen i en persons adfærd, når den behandles, og når den ikke behandles, med en klassisk model til maskinel indlæring – f.eks. LightGBM.
  • Forudsigelsesmodul: kalder opløftningsmodellen for forudsigelser på testdata.
  • Evalueringsmodul: Evaluerer effekten af opløftningsmodellen på testdata.

Følg med i årsagssammenhængen af medicinske behandlinger tutorial.

Prædiktiv vedligeholdelse

Oplær flere modeller på historiske data for at forudsige mekaniske fejl, f.eks. temperatur og rotationshastighed. Find derefter ud af, hvilken model der passer bedst til at forudsige fremtidige fejl.

Følg med i selvstudiet om prædiktiv vedligeholdelse .

Salgsprognose

Forudsig fremtidigt salg for produktkategorier i supermarkedet. Oplær en model på historiske data for at gøre det.

Følg med i selvstudiet om salgsprognose.

Relateret indhold