Uso de ejemplos de inteligencia artificial de un extremo a otro en Microsoft Fabric

Al proporcionar el Ciencia de datos de Synapse en la experiencia saaS de Microsoft Fabric, queremos permitir que los profesionales de APRENDIZAJE automático compilen, implementen y operacionalicen de forma sencilla y sin problemas sus modelos de aprendizaje automático, en una única plataforma de análisis, al tiempo que colaboran con otros roles clave. Comience aquí para comprender las distintas funcionalidades que tiene la experiencia de synapse Ciencia de datos para ofrecer y ejemplos de cómo los modelos de APRENDIZAJE automático pueden abordar los problemas empresariales comunes.

Importante

Microsoft Fabric se encuentra actualmente en versión preliminar. Esta información está relacionada con un producto en versión preliminar que puede modificarse considerablemente antes de su lanzamiento. Microsoft no ofrece ninguna garantía, expresa o implícita, con respecto a la información que se ofrece aquí.

Recomendador

Una librería en línea está buscando aumentar las ventas proporcionando recomendaciones personalizadas. Con los datos de clasificación de libros de clientes en este ejemplo, verá cómo limpiar, explorar los datos que conducen al desarrollo e implementación de una recomendación para proporcionar predicciones.

Siga los pasos del tutorial Entrenamiento de un modelo de recomendación comercial .

Detección de fraudes

A medida que aumentan las transacciones no autorizadas, la detección de fraudes en tarjetas de crédito en tiempo real ayudará a las instituciones financieras a proporcionar a sus clientes un tiempo de respuesta más rápido en la resolución. Este ejemplo de un extremo a otro incluirá el preprocesamiento, el entrenamiento, el almacenamiento del modelo y la inferencia. La sección de aprendizaje revisará la implementación de varios modelos y métodos que abordan desafíos como ejemplos desequilibrados y desventajas entre falsos positivos y falsos negativos.

Siga los pasos del tutorial detección de fraudes .

Previsión

Con los datos históricos de Ventas de propiedades de la ciudad de Nueva York y Facebook Prophet en este ejemplo, crearemos un modelo de serie temporal con la información de tendencias, estacionalidad y vacaciones para predecir el aspecto de las ventas en ciclos futuros.

Siga los pasos del tutorial de previsión .

Clasificación de textos

En este ejemplo, predeciremos si un libro de la Biblioteca Británica es ficción o no ficción basado en metadatos del libro. Esto se logrará mediante la aplicación de la clasificación de texto con word2vec y el modelo de regresión lineal en Spark.

Siga los pasos del tutorial Clasificación de texto.

Modelo de elevación

En este ejemplo, calcularemos el impacto causal de ciertos tratamientos en el comportamiento de un individuo mediante un modelo uplift. Le guiaremos paso a paso sobre cómo crear, entrenar y evaluar el modelo que toca cuatro aprendizajes principales:

  • Módulo de procesamiento de datos: extrae características, tratamientos y etiquetas.
  • Módulo de entrenamiento: tiene como objetivo predecir la diferencia entre el comportamiento de un individuo cuando hay un tratamiento y cuando no hay ningún tratamiento, mediante un modelo de aprendizaje automático clásico como lightGBM.
  • Módulo de predicción: llama al modelo de elevación para predecir en los datos de prueba.
  • Módulo de evaluación: evalúa el efecto del modelo de elevación en los datos de prueba.

Siga el tutorial sobre el impacto causal de atención sanitaria de los tratamientos .

Pasos siguientes