Del via

Bruke ende-til-ende AI-eksempler i Microsoft Fabric

Synapse Data Science-programvaren som en tjenesteopplevelse (SaaS) er en del av Microsoft Fabric. Det kan hjelpe maskinlæringsteknikere med å bygge, distribuere og operasjonalisere maskinlæringsmodellene sine. Synapse Data Science-programvaren opererer i én enkelt analyseplattform, men samarbeider samtidig med andre viktige roller. Denne artikkelen beskriver funksjonene i Synapse Data Science-opplevelsen, og hvordan maskinlæringsmodeller kan løse vanlige forretningsproblemer.

Installer Python-biblioteker

Noen av de ende-til-ende AI-eksemplene krever andre biblioteker for maskinlæringsmodellutvikling eller ad hoc-dataanalyse. Du kan velge ett av disse alternativene for raskt å installere disse bibliotekene for Apache Spark-økten.

Installer med innebygde installasjonsfunksjoner

I notatblokken bruker du python-innebygde installasjonsfunksjoner – for eksempel %pip eller %conda – til å installere nye biblioteker. Dette alternativet installerer bibliotekene bare i gjeldende notatblokk. Det installerer ikke bibliotekene i arbeidsområdet. Bruk kodesnutten nedenfor til å installere et bibliotek. Erstatt <library name> med navnet på biblioteket: eller wordcloud: imblearn

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

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

Angi standardbiblioteker for arbeidsområdet

Bruk et stoffmiljø til å gjøre bibliotekene tilgjengelige for bruk i en notatblokk i arbeidsområdet. Du kan opprette et miljø, installere biblioteket i det, og administratoren for arbeidsområdet kan knytte miljøet til arbeidsområdet som standardmiljø. Hvis du vil ha mer informasjon om hvordan du angir standardbiblioteker for et arbeidsområde, kan du gå til standardbibliotekene for administratorsettene for ressursen for arbeidsområdet .

Viktig!

Bibliotekbehandling på innstillingen for arbeidsområdet støttes ikke lenger. Gå til «Overfør arbeidsområdebiblioteker og Spark-egenskaper til et standardmiljø» for mer informasjon om både overføring av eksisterende arbeidsområdebiblioteker til et miljø og valg av et standard arbeidsområdemiljø.

Følg opplæringer for å opprette maskinlæringsmodeller

Disse opplæringene gir ende-til-ende-eksempler for vanlige scenarioer.

Kundefrafall

Bygg en modell for å forutsi frafallsrenten for bankkunder. Churn rate - også kalt frekvensen av attrition - er hastigheten som kundene slutter å gjøre forretninger med banken.

Følg med i den forutsikende opplæringen for kundefrafall .

Anbefalinger

En online bokhandel ønsker å gi tilpassede anbefalinger for å øke salget. Med vurderingsdata for kundebok kan du utvikle og distribuere en anbefalingsmodell for å lage prognoser.

Følg med i opplæringen en detaljhandel anbefaling modell opplæring.

Svindeloppdagelse

Etter hvert som uautoriserte transaksjoner øker, kan registrering av kredittkortsvindel i sanntid hjelpe finansinstitusjoner med å løse kundeklager raskere. En modell for svindelgjenkjenning inkluderer forhåndsbehandling, opplæring, modelllagring og utsettelse. Opplæringsfasen gjennomgår flere modeller og metoder som tar for seg spesifikke utfordringer – for eksempel situasjoner med ubalanse, avveininger mellom falske positiver og falske negativer osv.

Følg med i opplæringen for svindelregistrering .

Prognoser

Med både historiske New York City eiendomssalgsdata og Facebook Prophet, bygge en tidsseriemodell med trend- og sesonginformasjon, for å forutsi salg i fremtidige sykluser.

Følg med i prognoseopplæringen for tidsserier .

Tekstklassifisering

Basert på bokmetadata kan du bruke tekstklassifisering med Word2vec og en lineær regresjonsmodell for å forutsi, i Spark, om en British Library-bok er fiksjon eller sakprosa.

Følg med i opplæringen for tekstklassifisering .

Opphevingsmodell

Bruk en oppløftende modell for å estimere årsaksvirkningen av visse medisinske behandlinger på oppførselen til en person. Trykk på fire kjerneområder i disse modulene:

  • Databehandlingsmodul: trekker ut funksjoner, behandlinger og etiketter
  • Opplæringsmodul: forutsi forskjellen i atferden til en person når den behandles og når den ikke behandles, med en klassisk maskinlæringsmodell - for eksempel LightGBM
  • Prognosemodul: kaller opp opphevingsmodellen for prognoser om testdata
  • Evalueringsmodul: evaluerer effekten av opphevingsmodellen på testdata

Følg med i årsaksvirkningen av medisinsk behandling opplæring .

Prediktivt vedlikehold

Lær opp flere modeller på historiske data, for å forutsi mekaniske feil - for eksempel feil som involverer prosesstemperatur eller verktøyrotasjonshastighet. Deretter bestemmer du hvilken modell som passer best til å forutsi fremtidige feil.

Følg med i opplæringen for prediktivt vedlikehold .

Salgsprognose

Forutsi fremtidig salg for produktkategorier for superlager. Kalibrer en modell på historiske data for å gjøre det.

Følg med i opplæringen for salgsprognoser .

Relatert innhold