Τεκμηρίωση της Επιστήμης Δεδομένων Fabric

Μάθετε σχετικά με την επιστήμη δεδομένων Fabric και την εμπειρία AI στο Fabric.

Πληροφορίες για την επιστήμη δεδομένων

Επισκόπηση

• Τι είναι η επιστήμη δεδομένων;

Πρόγραμμα εκμάθησης

• Ολοκληρωμένο σεμινάριο Επιστήμης Δεδομένων

Copilot

Επισκόπηση

• Επισκόπηση
• Μαγεία συνομιλίας στα Σημειωματάρια

Οδηγός διαδικασίας

• Χρησιμοποιήστε τον πίνακα συνομιλίας Copilot

Παράγοντας δεδομένων Fabric (προεπισκόπηση)

Επισκόπηση

• Τι είναι ένας παράγοντας δεδομένων Fabric (προεπισκόπηση);

Γρήγορα αποτελέσματα

• Παράγοντας δεδομένων Fabric πάνω από το Adventure Works
• Γρήγορα αποτελέσματα με τους παράγοντες δεδομένων Fabric
• Ρύθμιση παραμέτρων παράγοντα δεδομένων

Οδηγός διαδικασίας

• Ρυθμίσεις μισθωτή παράγοντα δεδομένων Fabric
• Καταναλώστε έναν παράγοντα δεδομένων Fabric στο Copilot Studio

Έναρξη

Γρήγορα αποτελέσματα

• Εισαγωγή στα μαθήματα Επιστήμης Δεδομένων
• Ρόλοι και δικαιώματα Επιστήμης Δεδομένων
• Μοντέλα εκμάθησης μηχανής
• Συναρτήσεις AI
• Τι είναι η σημασιολογική σύνδεση;

Εκπαιδευτικά βοηθήματα

Πρόγραμμα εκμάθησης

• Τρόπος χρήσης δειγμάτων AI από άκρο σε άκρο
• Εκπαίδευση και αξιολόγηση ενός μοντέλου πρόβλεψης χρονικής σειράς
• Δημιουργία, αξιολόγηση και βαθμολογία ενός μοντέλου πρόβλεψης απώλειας

Βαθμολόγηση μοντέλου

Οδηγός διαδικασίας

• Βαθμολόγηση μοντέλου με την PREDICT
• Εξυπηρέτηση προβλέψεων σε πραγματικό χρόνο

Προετοιμασία δεδομένων

Οδηγός διαδικασίας

• Πώς μπορείτε να επιταχύνετε την προετοιμασία δεδομένων με το Data Wrangler
• Τρόπος ανάγνωσης και εγγραφής δεδομένων με το Pandas

Εκπαίδευση μοντέλων

Επισκόπηση

• Επισκόπηση εκπαίδευσης

Οδηγός διαδικασίας

• Εκπαίδευση με Spark MLlib
• Εκπαίδευση μοντέλων με το Scikit-learn
• Εκπαίδευση μοντέλων με PyTorch

Παρακολούθηση μοντέλων και πειραμάτων

Οδηγός διαδικασίας

• Πειράματα εκμάθησης μηχανής
• Αυτόματη καταχώρηση fabric

Τεχνητή νοημοσύνη με SynapseML

Γρήγορα αποτελέσματα

• Το πρώτο σας μοντέλο SynapseML
• Εγκατάσταση άλλης έκδοσης του SynapseML

Οδηγός διαδικασίας

• Χρήση openAI για μεγάλα δεδομένα με το SynapseML
• Χρησιμοποιήστε τα εργαλεία χυτηρίου με το SynapseML

Έγγραφα αναφοράς

Αναφορά

• SemPy Python SDK