Päästä päähän -tekoälynäytteiden käyttäminen Microsoft Fabricissa
Microsoft Fabricin Synapse Data Science Software as a service (SaaS) -kokemus voi auttaa koneoppimisen ammattilaisia kehittämään, ottamaan käyttöön ja operatiivisia koneoppimismallejaan yhdessä analytiikkaympäristössä ja tekemään yhteistyötä muiden tärkeiden roolien kanssa. Tässä artikkelissa kuvataan sekä Synapse Data Science -kokemuksen ominaisuuksia että sitä, miten koneoppimismalleilla voidaan ratkaista yleisiä liiketoimintaongelmia.
Python-kirjastojen asentaminen
Jotkin päästä päähän -tekoälymallit edellyttävät muita kirjastoja koneoppimismallin kehittämiseen tai ad-hoc-tietojen analysointiin. Voit asentaa kirjastot nopeasti Apache Spark -istuntoasi varten valitsemalla jonkin näistä toiminnoista.
Asenna sisäisen asennuksen toiminnoilla
Asenna uusia kirjastoja käyttämällä pythonin sisäiset asennusominaisuudet, %pip esimerkiksi tai %conda , muistikirjassa. Tämä vaihtoehto asentaa kirjastot vain nykyiseen muistikirjaan, ei työtilaan. Tämän koodin avulla voit asentaa kirjaston. Korvaa <library name> kirjaston nimellä: imblearn tai wordcloud.
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Määritä työtilan oletuskirjastot
Jotta kirjastot ovat käytettävissä missä tahansa työtilan muistikirjoissa, voit käyttää Tähän tarkoitukseen Fabric-ympäristöä . Voit luoda ympäristön, asentaa siihen kirjaston , jonka jälkeen työtilan järjestelmänvalvoja voi liittää ympäristön työtilaan oletusympäristönä. Lisätietoja ympäristön määrittämisestä työtilan oletusasetukseksi on kohdassa Hallinta työtilan oletuskirjastojen määrittäminen.
Tärkeä
Kirjastonhallintaa työtila-asetuksella ei enää tueta. Voit siirtää olemassa olevat työtilakirjastot ympäristöön ja liittää ne työtilan oletusmuotoon valitsemalla Siirrä työtilakirjastot ja Spark-ominaisuudet oletusympäristöön .
Koneoppimismallien luominen opetusohjelmien avulla
Nämä opetusohjelmat tarjoavat kokonaismalleja yleisiä skenaarioita varten.
Asiakkaiden vaihtuvuus
Luo malli, joka ennustaa pankkiasiakkaiden vaihtuvuusasteen. Vaihtuvuusprosentti, jota kutsutaan myös maksumääräksi, on kurssi, jolla asiakkaat lopettavat liiketoiminnan pankin kanssa.
Seuraa mukana asiakkaiden vaihtuvuuden ennustamisen opetusohjelmassa.
Suosituksia
Verkkokirjakauppa haluaa antaa mukautettuja suosituksia myynnin kasvattamiseksi. Asiakaskirjan luokitustietojen avulla voit kehittää ja ottaa käyttöön suositusmallin ennusteiden tekemiseksi.
Seuraa mukana opetusohjelmassa Jälleenmyyntisuositusmallin harjoittaminen.
Petosten havaitseminen
Kun luvattomat tapahtumat lisääntyvät, reaaliaikaisten luottokorttipetosten havaitseminen voi auttaa rahoituslaitoksia tarjoamaan asiakkaille nopeamman käännöksen ajan ratkaisussa. Petosten havaitsemismalli sisältää esikäsittelyn, koulutuksen, mallin tallennuksen ja pääteltämisen. Koulutusosassa tarkastellaan useita malleja ja menetelmiä, jotka käsittelevät haasteita, kuten epätasapainoisia esimerkkejä ja false-positiivisten ja false-negatiivien välisiä kompromisseja.
Seuraa mukana Petosten havaitseminen -opetusohjelmaa.
Ennusteet
Historiallisten New Yorkin kiinteistöjen myyntitietojen ja Facebook Prophetin avulla voit luoda aikasarjamallin, joka sisältää trendi- ja kausivaihtelutietoja, jotta voit ennustaa, mitä myyntiä tulevissa jaksoissa on.
Seuraa aikasarjan ennustamisen opetusohjelmaa.
Tekstin luokitus
Käytä tekstin luokittelua word2vec-sanan ja lineaarisen regressiomallin avulla Sparkissä ennustaaksesi, onko Kirja Britannian kirjastossa fiktiota vai ei, kirjan metatietojen perusteella.
Seuraa mukana tekstin luokittelun opetusohjelmassa.
Uplift-malli
Arvioi tiettyjen lääketieteellisten hoitojen syy-yhteys henkilön käyttäytymiseen kohotusmallin avulla. Tutustu neljään ydinalueeseen näissä moduuleissa:
- Tietojenkäsittelymoduuli: poimii ominaisuuksia, hoitoja ja otsikoita.
- Harjoitusmoduuli: ennakoi ero henkilön käyttäytymisessä, kun sitä hoidetaan ja kun sitä ei hoideta, klassisen koneoppimismallin avulla , esimerkiksi LightGBM: llä.
- Ennustemoduuli: kutsuu uplift-mallia testitietojen ennusteita varten.
- Arviointimoduuli: arvioi kohotusmallin vaikutusta testitietoihin.
Seuraa mukana lääketieteellisten hoitojen syy-yhteyttä -opetusohjelmassa.
Ennakoiva huoltotoiminta
Harjoita useita malleja historiallisilla tiedoilla ennustaaksesi mekaanisia vikoja, kuten lämpötilaa ja pyörimisnopeutta. Selvitä sitten, mikä malli sopii parhaiten tulevien virheiden ennustamiseen.
Seuraa mukana ennakoivan ylläpidon opetusohjelmassa.
Myyntiennuste
Ennusta superstore-tuoteluokkien tuleva myynti. Harjoita näin malli historiallisilla tiedoilla.
Seuraa mukana myyntiennusteiden opetusohjelmassa.