Végpontok közötti AI-minták használata a Microsoft Fabricben
A Synapse Adattudomány a Microsoft Fabric SaaS-ben való biztosítása során lehetővé szeretnénk tenni, hogy az ML-szakemberek egyszerűen és zökkenőmentesen, egyetlen elemzési platformon, más kulcsfontosságú szerepkörökkel együttműködve egyszerűen és zökkenőmentesen elkészíthessék, üzembe helyezhessék és üzembe helyezhessék gépi tanulási modelljeiket. Itt megismerheti a Synapse Adattudomány élmény által kínált különféle képességeket, és példákat kaphat arra, hogyan oldhatják meg az ML-modellek a gyakori üzleti problémákat.
Fontos
A Microsoft Fabric jelenleg előzetes verzióban érhető el. Ezek az információk egy előzetes termékre vonatkoznak, amely a kiadás előtt lényegesen módosítható. A Microsoft nem vállal kifejezett vagy vélelmezett garanciát az itt megadott információkra vonatkozóan.
Ajánló
Egy online könyvesbolt testre szabott javaslatokat kínálva növelni szeretné az értékesítéseket. Ebben a példában az ügyfélkönyvek minősítési adatainak használatával megtudhatja, hogyan tisztíthatja meg, ismerheti meg azokat az adatokat, amely egy javaslat kidolgozásához és üzembe helyezéséhez vezet az előrejelzések megadásához.
Kövesse a Kiskereskedelmi javaslatmodell betanítása oktatóanyagot.
Csalások észlelése
A jogosulatlan tranzakciók számának növekedésével a hitelkártya-csalások valós időben történő észlelése segít a pénzügyi intézményeknek abban, hogy gyorsabb megoldási időt biztosítsanak ügyfeleiknek. Ez a végpontok közötti minta magában foglalja az előfeldolgozást, a betanítást, a modelltárolást és a következtetést. A képzési szakasz áttekinti több olyan modell és módszer implementálását, amelyek olyan kihívásokat oldanak meg, mint az egyensúlytalan példák és a hamis pozitívok és a hamis negatívok közötti kompromisszumok.
Kövesse a csalásészlelési oktatóanyagot.
Előrejelzések
Ebben a példában a New York City Property Sales előzményadatait és a Facebook Prófétát használva egy idősorozat-modellt hozunk létre a trenddel, a szezonalitással és az ünnepnapokkal kapcsolatos információkkal, hogy előrejelezzük, hogy az értékesítések milyenek lesznek a jövőbeli ciklusokban.
Kövesse az előrejelzési oktatóanyagot.
Szövegbesorolás
Ebben a példában azt fogjuk megjósolni, hogy a British Library egyik könyve fikció vagy nem fiktív-e a könyv metaadatai alapján. Ez a word2vec és lineáris regressziós modell szövegbesorolásának a Sparkon való alkalmazásával valósul meg.
Kövesse a Szövegbesorolási oktatóanyagot.
Uplift modell
Ebben a példában egy Uplift-modellel becsüljük meg bizonyos kezelések okozati hatását az egyén viselkedésére. Lépésről lépésre végigvezetjük, hogyan hozhatja létre, taníthatja be és értékelheti a modellt négy alapvető tanulással:
- Adatfeldolgozási modul: kinyeri a funkciókat, a kezeléseket és a címkéket.
- Képzési modul: egy klasszikus gépi tanulási modell, például a lightGBM használatával előrejelzi az egyén viselkedése közötti különbséget, amikor kezelés van, és ha nincs kezelés.
- Előrejelzési modul: meghívja a uplift modellt a tesztadatok előrejelzéséhez.
- Értékelési modul: kiértékeli a felemelési modellnek a tesztadatokra gyakorolt hatását.
Kövesse a kezelések egészségügyi okozati hatását ismertető oktatóanyagot.