Anmerkung
Der Zugriff auf diese Seite erfordert eine Genehmigung. Du kannst versuchen, dich anzumelden oder die Verzeichnisse zu wechseln.
Der Zugriff auf diese Seite erfordert eine Genehmigung. Du kannst versuchen , die Verzeichnisse zu wechseln.
Die Synapse Data Science-Software as a Service (SaaS) ist Teil von Microsoft Fabric. Sie kann Machine Learning-Experten dabei helfen, ihre Machine Learning-Modelle zu erstellen, bereitzustellen und zu operationalisieren. Die Synapse Data Science-Software arbeitet in einer einzigen Analyseplattform, arbeitet aber gleichzeitig mit anderen Schlüsselrollen zusammen. In diesem Artikel werden die Funktionen der Synapse Data Science-Erfahrung beschrieben und beschrieben, wie Machine Learning-Modelle allgemeine Geschäftsprobleme beheben können.
Installieren von Python-Bibliotheken
Einige der End-to-End-KI-Beispiele erfordern andere Bibliotheken für die Entwicklung von Machine Learning-Modell oder ad-hoc-Datenanalysen. Sie können eine dieser Optionen auswählen, um diese Bibliotheken für Ihre Apache Spark-Sitzung schnell zu installieren.
Installieren mit Inlineinstallationsfunktionen
Verwenden Sie in Ihrem Notizbuch die Funktionen zur Python-Inline-Installation - beispielsweise %pip oder %conda - um neue Bibliotheken zu installieren. Mit dieser Option werden die Bibliotheken nur im aktuellen Notizbuch installiert. Die Bibliotheken werden nicht im Arbeitsbereich installiert. Verwenden Sie den folgenden Codeausschnitt, um eine Bibliothek zu installieren. Ersetzen Sie <library name> durch den Namen Ihrer Bibliothek: imblearn oder wordcloud:
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Festlegen von Standardbibliotheken für den Arbeitsbereich
Verwenden Sie eine Fabric-Umgebung , um Ihre Bibliotheken für die Verwendung in einem Arbeitsbereichsnotizbuch zur Verfügung zu stellen. Sie können eine Umgebung erstellen, die Bibliothek darin installieren, und Ihr Arbeitsbereichsadministrator kann die Umgebung als Standardumgebung an den Arbeitsbereich anfügen. Weitere Informationen zum Festlegen von Standardbibliotheken eines Arbeitsbereichs finden Sie in der Ressource Der Administrator legt Standardbibliotheken für den Arbeitsbereich fest.
Von Bedeutung
Die Bibliotheksverwaltung in der Arbeitsbereichseinstellung wird nicht mehr unterstützt. Unter "Migrieren von Arbeitsbereichsbibliotheken und Spark-Eigenschaften zu einer Standardumgebung" finden Sie weitere Informationen zur Migration vorhandener Arbeitsbereichbibliotheken zu einer Umgebung und zur Auswahl einer Standardarbeitsbereichsumgebung.
Befolgen Sie Lernprogramme, um Modelle für maschinelles Lernen zu erstellen.
Diese Lernprogramme bieten End-to-End-Beispiele für allgemeine Szenarien.
Kundenabwanderung
Erstellen Sie ein Modell, um die Abwanderungsrate für Bankkunden vorherzusagen. Die Churn-Rate - auch als Abwanderungsrate bezeichnet - ist die Rate, mit der Kunden aufhören, Geschäfte mit der Bank zu führen.
Folgen Sie im Vorhersage-Tutorial zur Kundenabwanderung.
Empfehlungen
Ein Online-Bookstore möchte angepasste Empfehlungen bereitstellen, um den Umsatz zu steigern. Mit Kundenbuchbewertungsdaten können Sie ein Empfehlungsmodell entwickeln und bereitstellen, um Vorhersagen zu erstellen.
Folgen Sie im Tutorial zum Trainieren eines Einzelhandelsempfehlungsmodells.
Betrugserkennung
Da nicht autorisierte Transaktionen steigen, kann die Erkennung von Kreditkartenbetrug in Echtzeit dazu beitragen, dass Finanzinstitute Kundenbeschwerden schneller lösen können. Ein Betrugserkennungsmodell umfasst Vorverarbeitung, Schulung, Modellspeicherung und Ableitung. In der Schulungsphase werden mehrere Modelle und Methoden überprüft, die spezifische Herausforderungen bewältigen, z. B. Situationen von Ungleichgewicht, Abwägungen zwischen falsch-positiven und falsch-negativen Ergebnissen usw.
Folgen Sie im Lernprogramm zur Betrugserkennung .
Prognose
Mit historischen Verkaufsdaten von Immobilien in New York City und Facebook Prophet erstellen Sie ein Zeitreihenmodell mit Trend- und Saisonalitätsinformationen, um den Umsatz in zukünftigen Zyklen zu prognostizieren.
Folgen Sie im Lernprogramm zur Zeitreihenprognose .
Textklassifizierung
Wenden Sie basierend auf Buchmetadaten die Textklassifizierung mit Word2vec und ein lineares Regressionsmodell an, um in Spark vorherzusagen, ob ein British Library-Buch fiktion oder nonfiction ist.
Folgen Sie im Lernprogramm zur Textklassifizierung .
Uplift-Modell
Verwenden Sie ein Uplift-Modell, um die kausalen Auswirkungen bestimmter medizinischer Behandlungen auf das Verhalten eines Einzelnen zu schätzen. Berühren Sie vier Kernbereiche in diesen Modulen:
- Datenverarbeitungsmodul: extrahiert Features, Behandlungen und Etiketten
- Schulungsmodul: Prognostizieren Sie den Unterschied im Verhalten einer Person, wenn sie behandelt und nicht behandelt wird, mit einem klassischen Machine Learning-Modell - z. B. LightGBM
- Vorhersagemodul: Ruft das Uplift-Modell für Vorhersagen für Testdaten auf.
- Auswertungsmodul: Wertet die Wirkung des Auftriebsmodells auf Testdaten aus.
Folgen Sie dem Tutorial über den kausalen Einfluss medizinischer Behandlungen.
Prognosegesteuerte Wartung
Trainieren Sie mehrere Modelle auf historischen Daten, um mechanische Fehler vorherzusagen , z. B. Fehler mit Prozesstemperatur oder Werkzeugdrehgeschwindigkeit. Bestimmen Sie dann, welches Modell am besten geeignet ist, um zukünftige Fehler vorherzusagen.
Folgen Sie im Lernprogramm zur Predictive Maintenance .
Umsatzprognose
Prognostizieren Sie zukünftige Verkäufe für Produktkategorien im Superstore. Trainieren Sie ein Modell für historische Daten, um dies zu tun.
Folgen Sie im Lernprogramm zur Umsatzprognose .