Share via

End-to-end AI-voorbeelden gebruiken in Microsoft Fabric

De Ervaring van Synapse Data Science Software as a Service (SaaS) maakt deel uit van Microsoft Fabric. Het kan machine learning-professionals helpen bij het bouwen, implementeren en operationeel maken van hun machine learning-modellen. De Synapse Data Science-software werkt in één analyseplatform, maar werkt tegelijkertijd samen met andere belangrijke rollen. In dit artikel worden de mogelijkheden van de Synapse Data Science-ervaring beschreven en wordt beschreven hoe machine learning-modellen veelvoorkomende zakelijke problemen kunnen oplossen.

Python-bibliotheken installeren

Sommige end-to-end AI-voorbeelden vereisen andere bibliotheken voor het ontwikkelen van machine learning-modellen of ad-hocgegevensanalyse. U kunt een van deze opties kiezen om deze bibliotheken snel te installeren voor uw Apache Spark-sessie.

Installeren met inline-installatiemogelijkheden

Gebruik in uw notebook de inline-installatiemogelijkheden van Python , bijvoorbeeld %pip of %conda - om nieuwe bibliotheken te installeren. Met deze optie worden de bibliotheken alleen in het huidige notebook geïnstalleerd. De bibliotheken in de werkruimte worden niet geïnstalleerd. Gebruik het volgende codefragment om een bibliotheek te installeren. Vervang <library name> door de naam van uw bibliotheek: of wordcloud: imblearn

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

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

Standaardbibliotheken instellen voor de werkruimte

Gebruik een Fabric-omgeving om uw bibliotheken beschikbaar te maken voor gebruik in een werkruimtenotitieblok. U kunt een omgeving maken, de bibliotheek erin installeren en uw werkruimtebeheerder kan de omgeving als standaardomgeving aan de werkruimte koppelen. Voor meer informatie over het instellen van standaardbibliotheken voor een werkruimte, kunt u de bron Beheer stelt standaardbibliotheken voor de werkruimte in raadplegen.

Belangrijk

Bibliotheekbeheer bij de werkruimte-instelling wordt niet meer ondersteund. Ga naar Werkruimtebibliotheken en Spark-eigenschappen migreren naar een standaardomgeving voor meer informatie over de migratie van bestaande werkruimtebibliotheken naar een omgeving en de selectie van een standaardwerkruimteomgeving.

Volg zelfstudies om machine learning-modellen te maken

Deze zelfstudies bieden van begin tot eind voorbeelden voor veelvoorkomende scenario's.

Klantverloop

Bouw een model om het verlooppercentage voor bankklanten te voorspellen. Het verlooppercentage, ook wel het percentage van klantuitval genoemd, is het percentage waarmee klanten stoppen met zaken doen met de bank.

Volg de zelfstudie over het voorspellen van klantverloop.

Aanbevelingen

Een online boekwinkel wil aangepaste aanbevelingen bieden om de verkoop te verhogen. Met klantboekclassificatiegegevens kunt u een aanbevelingsmodel ontwikkelen en implementeren om voorspellingen te doen.

Volg de handleiding voor het trainen van een retailaanbevelingsmodel.

Fraudedetectie

Naarmate niet-geautoriseerde transacties toenemen, kan detectie van realtime creditcardfraude financiële instellingen helpen om klachten van klanten sneller op te lossen. Een fraudedetectiemodel omvat voorverwerking, training, modelopslag en deductie. In de trainingsfase worden meerdere modellen en methoden beoordeeld die specifieke uitdagingen aanpakken, bijvoorbeeld situaties van onbalans, afwegingen tussen fout-positieven en fout-negatieven, enzovoort.

Volg de handleiding over fraudedetectie.

Vooruitzichten

Met zowel historische verkoopgegevens van New York City als Facebook Prophet bouwt u een tijdreeksmodel met trend- en seizoensgebonden informatie om de verkoop in toekomstige cycli te voorspellen.

Volg de zelfstudie over het voorspellen van tijdreeksen.

Tekstclassificatie

Pas op basis van boekmetagegevens tekstclassificatie toe met Word2vec en een lineair regressiemodel om te voorspellen, in Spark, of een British Library-boek fictie of nonfiction is.

Volg de tutorial tekstclassificatie.

Stijgingsmodel

Gebruik een uplift model om de causale impact van bepaalde medische behandelingen op het gedrag van een persoon te schatten. Raak vier kerngebieden in deze modules aan:

  • Gegevensverwerkingsmodule: extraheert functies, behandelingen en labels
  • Trainingsmodule: het verschil voorspellen in het gedrag van een individu wanneer behandeld en wanneer niet behandeld, met een klassiek machine learning-model, bijvoorbeeld LightGBM
  • Voorspellingsmodule: roept het uplift-model aan voor voorspellingen voor testgegevens
  • Evaluatiemodule: evalueert het effect van het uplift-model op testgegevens

Volg mee in de causale impact van medische behandelingen zelfstudie.

Voorspellend onderhoud

Train meerdere modellen op historische gegevens om mechanische fouten te voorspellen, bijvoorbeeld fouten met procestemperatuur of rotatiesnelheid van gereedschap. Bepaal vervolgens welk model het beste past bij het voorspellen van toekomstige fouten.

Volg de zelfstudie over voorspellend onderhoud.

Verkoopprognose

Voorspel toekomstige verkopen voor superstore-productcategorieën. Train een model op historische gegevens om dit te doen.

Volg de tutorial verkoopprognoses.

Verwante inhoud

  • Last updated on