Compartir a través de


Uso de ejemplos de IA de un extremo a otro en Microsoft Fabric

La experiencia de software como servicio (SaaS) de Synapse Data Science forma parte de Microsoft Fabric. Puede ayudar a los profesionales de aprendizaje automático a crear, implementar y poner en funcionamiento sus modelos de aprendizaje automático. El software de ciencia de datos de Synapse funciona en una sola plataforma de análisis, pero colabora con otros roles clave al mismo tiempo. En este artículo se describen las funcionalidades de la experiencia de ciencia de datos de Synapse y cómo los modelos de aprendizaje automático pueden abordar problemas empresariales comunes.

Instalación de bibliotecas de Python

Algunos de los ejemplos de IA de un extremo a otro requieren otras bibliotecas para el desarrollo de modelos de Machine Learning o el análisis de datos ad hoc. Puede elegir una de estas opciones para instalar rápidamente esas bibliotecas para la sesión de Apache Spark.

Instalación con funcionalidades de instalación en línea

En tu cuaderno, usa las capacidades de instalación en línea de Python, por ejemplo, %pip o %conda, para instalar nuevas bibliotecas. Esta opción instala las bibliotecas solo en el cuaderno actual. No instala las bibliotecas en el área de trabajo. Use el siguiente fragmento de código para instalar una biblioteca. Reemplace por <library name> el nombre de la biblioteca: imblearn o wordcloud:

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

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

Establecimiento de bibliotecas predeterminadas para el área de trabajo

Use un entorno de Fabric para que las bibliotecas estén disponibles para su uso en un cuaderno del área de trabajo. Puede crear un entorno, instalar la biblioteca en él y el administrador del área de trabajo puede asociar el entorno al área de trabajo como su entorno predeterminado. Para obtener más información sobre cómo establecer bibliotecas predeterminadas de un área de trabajo, visite el recurso Admin establece las bibliotecas predeterminadas para el área de trabajo.

Importante

Ya no se admite la administración de bibliotecas en la configuración del área de trabajo. Visite "Migrar bibliotecas de áreas de trabajo y propiedades de Spark a un entorno predeterminado" para obtener más información sobre la migración de bibliotecas de áreas de trabajo existentes a un entorno y la selección de un entorno de área de trabajo predeterminado.

Siga los tutoriales para crear modelos de Machine Learning.

Estos tutoriales proporcionan ejemplos de un extremo a otro para escenarios comunes.

Abandono de clientes

Cree un modelo para predecir la tasa de abandono de los clientes del banco. La tasa de renovación , también denominada tasa de atrición, es la tasa a la que los clientes dejan de hacer negocios con el banco.

Siga los pasos descritos en el tutorial de predicción de abandono de clientes .

Recomendaciones

Una librería en línea quiere proporcionar recomendaciones personalizadas para aumentar las ventas. Con los datos de evaluación de libros de los clientes, puede desarrollar e implementar un modelo de recomendación para hacer predicciones.

Siga los pasos descritos en el tutorial sobre el entrenamiento de un modelo de recomendación comercial .

Detección de fraudes

A medida que aumentan las transacciones no autorizadas, la detección de fraudes de tarjetas de crédito en tiempo real puede ayudar a las instituciones financieras a resolver las quejas de los clientes más rápidamente. Un modelo de detección de fraudes incluye preprocesamiento, entrenamiento, almacenamiento de modelos e inferencia. La fase de entrenamiento revisa varios modelos y métodos que abordan desafíos específicos, por ejemplo, situaciones de desequilibrio, desventajas entre falsos positivos y falsos negativos, etc.

Siga los pasos del tutorial de detección de fraudes .

Previsión

Con los datos históricos de ventas de propiedades de la ciudad de Nueva York y Facebook Prophet, cree un modelo de serie temporal con información de tendencias y estacionalidad, para predecir las ventas en ciclos futuros.

Siga los pasos del tutorial de previsión de series temporales .

Clasificación de texto

En función de los metadatos del libro, aplique la clasificación de texto con Word2vec y un modelo de regresión lineal para predecir, en Spark, si un libro de la Biblioteca Británica es ficción o no.

Siga los pasos del tutorial de clasificación de texto .

Modelo de elevación

Use un modelo de elevación para calcular el impacto causal de ciertos tratamientos médicos en el comportamiento de un individuo. Toque cuatro áreas principales en estos módulos:

  • Módulo de procesamiento de datos: extrae características, tratamientos y etiquetas
  • Módulo de entrenamiento: prediga la diferencia en el comportamiento de un individuo cuando se trata y cuando no se trata, con un modelo de aprendizaje automático clásico( por ejemplo, LightGBM)
  • Módulo de predicción: llama al modelo de elevación para predicciones en datos de prueba
  • Módulo de evaluación: evalúa el efecto del modelo de elevación en los datos de prueba.

Siga los pasos del tutorial sobre el impacto causal de los tratamientos médicos .

Mantenimiento predictivo

Entrene varios modelos en datos históricos para predecir errores mecánicos, por ejemplo, errores relacionados con la temperatura del proceso o la velocidad de rotación de herramientas. A continuación, determine qué modelo actúa como la mejor opción para predecir los errores futuros.

Siga los pasos del tutorial de mantenimiento predictivo .

Previsión de ventas

Predecir las ventas futuras para las categorías de productos de superstore. Entrene un modelo en los datos históricos para hacerlo.

Siga los pasos del tutorial de previsión de ventas .