Bagikan melalui

Menggunakan sampel AI ujung-ke-ujung di Microsoft Fabric

Pengalaman perangkat lunak sebagai layanan (SaaS) Synapse Data Science adalah bagian dari Microsoft Fabric. Ini dapat membantu profesional pembelajaran mesin membangun, menyebarkan, dan mengoprasionalkan model pembelajaran mesin mereka. Perangkat lunak Synapse Data Science beroperasi dalam satu platform analitik, tetapi berkolaborasi dengan peran kunci lainnya secara bersamaan. Artikel ini menjelaskan kemampuan pengalaman Synapse Data Science, dan bagaimana model pembelajaran mesin dapat mengatasi masalah bisnis umum.

Menginstal pustaka Python

Beberapa sampel AI end-to-end memerlukan pustaka lain untuk pengembangan model pembelajaran mesin atau analisis data ad hoc. Anda dapat memilih salah satu opsi ini untuk menginstal pustaka tersebut dengan cepat untuk sesi Apache Spark Anda.

Menginstal dengan kemampuan pemasangan langsung

Di buku catatan Anda, gunakan kemampuan penginstalan sebaris Python - misalnya, %pip atau %conda - untuk menginstal pustaka baru. Opsi ini menginstal pustaka hanya di buku catatan saat ini. Tidak menginstal pustaka di ruang kerja. Gunakan cuplikan kode berikut untuk menginstal pustaka. Ganti <library name> dengan nama pustaka Anda: imblearn atau wordcloud:

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

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

Mengatur pustaka default untuk ruang kerja

Gunakan lingkungan Fabric untuk membuat pustaka Anda tersedia untuk digunakan dalam buku catatan ruang kerja. Anda dapat membuat lingkungan, menginstal pustaka di dalamnya, dan admin ruang kerja Anda dapat melampirkan lingkungan ke ruang kerja sebagai lingkungan defaultnya. Untuk informasi selengkapnya tentang mengatur pustaka default untuk ruang kerja, kunjungi Admin menetapkan pustaka default untuk ruang kerja.

Penting

Pengelolaan perpustakaan pada pengaturan ruang kerja tidak lagi didukung. Kunjungi "Memigrasikan pustaka ruang kerja dan properti Spark ke lingkungan default" untuk informasi selengkapnya tentang migrasi pustaka ruang kerja yang ada ke lingkungan, dan pemilihan lingkungan ruang kerja default.

Ikuti tutorial untuk membuat model pembelajaran mesin

Tutorial ini menyediakan contoh secara menyeluruh untuk skenario umum.

Pelanggan yang keluar

Bangun model untuk memprediksi tingkat churn untuk pelanggan bank. Tingkat kehilangan pelanggan - juga disebut tingkat attrisi - adalah tingkat di mana pelanggan berhenti berbisnis dengan bank.

Ikuti bersama dalam tutorial memprediksi churn pelanggan .

Rekomendasi

Toko buku online ingin memberikan rekomendasi yang disesuaikan untuk meningkatkan penjualan. Dengan data peringkat buku pelanggan, Anda dapat mengembangkan dan menyebarkan model rekomendasi untuk membuat prediksi.

Ikuti bersama dalam tutorial melatih model rekomendasi ritel .

Deteksi penipuan

Seiring meningkatnya transaksi yang tidak sah, deteksi penipuan kartu kredit real time dapat membantu lembaga keuangan menyelesaikan keluhan pelanggan dengan lebih cepat. Model deteksi penipuan mencakup pra-pemrosesan, pelatihan, penyimpanan model, dan inferensi. Tahap pelatihan menelaah beberapa model dan metode yang mengatasi tantangan tertentu - misalnya, situasi yang tidak seimbang, kompromi antara positif palsu dan negatif palsu, dan lain-lain.

Ikuti tutorial deteksi penipuan .

Peramalan

Dengan data penjualan properti kota New York historis dan Facebook Prophet, bangun model rangkaian waktu dengan informasi tren dan musiman, untuk memperkirakan penjualan di siklus mendatang.

Ikuti tutorial prakiraan rangkaian waktu .

Klasifikasi teks

Berdasarkan metadata buku, terapkan klasifikasi teks dengan Word2vec dan model regresi linier untuk memprediksi, di Spark, apakah buku British Library adalah fiksi atau nonfiksi.

Ikuti tutorial klasifikasi teks .

Model peningkatan

Gunakan model peningkatan untuk memperkirakan dampak penyebab perawatan medis tertentu pada perilaku individu. Sentuh empat area inti dalam modul ini:

  • Modul pemrosesan data: mengekstrak fitur, perawatan, dan label
  • Modul pelatihan: memprediksi perbedaan perilaku individu ketika diperlakukan dan ketika tidak diperlakukan, dengan model pembelajaran mesin klasik - misalnya, LightGBM
  • Modul prediksi: memanggil model peningkatan untuk prediksi pada data pengujian
  • Modul evaluasi: mengevaluasi efek model peningkatan pada data pengujian

Ikuti tutorial dampak kausal dari perawatan medis.

Pemeliharaan prediktif

Latih beberapa model pada data historis, untuk memprediksi kegagalan mekanis - misalnya, kegagalan yang melibatkan suhu proses atau kecepatan rotasi alat. Kemudian, tentukan model mana yang paling cocok untuk memprediksi kegagalan di masa mendatang.

Ikuti tutorial pemeliharaan prediktif ini.

Prakiraan penjualan

Memprediksi penjualan di masa mendatang untuk kategori produk superstore. Latih model pada data historis untuk mencapai tujuan tersebut.

Ikuti tutorial prakiraan penjualan .

Konten terkait