End-to-end AI-voorbeelden gebruiken in Microsoft Fabric
De Ervaring van Synapse Datawetenschap Software as a Service (SaaS) in Microsoft Fabric kan machine learning-professionals helpen bij het bouwen, implementeren en operationeel maken van hun machine learning-modellen in één analyseplatform, terwijl ze samenwerken met andere belangrijke rollen. In dit artikel worden zowel de mogelijkheden van de Synapse-Datawetenschap-ervaring beschreven als 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 de inline-installatiemogelijkheden van Python, %pip bijvoorbeeld of %conda - in uw notebook, om nieuwe bibliotheken te installeren. Met deze optie worden de bibliotheken alleen geïnstalleerd in het huidige notitieblok en niet in de werkruimte. Gebruik deze code om een bibliotheek te installeren. Vervang door <library name> de naam van uw bibliotheek: imblearn of wordcloud.
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Standaardbibliotheken instellen voor de werkruimte
Als u uw bibliotheken beschikbaar wilt maken voor gebruik in notebooks in de werkruimte, kunt u hiervoor een Fabric-omgeving gebruiken. U kunt een omgeving maken, de bibliotheek erin installeren en vervolgens kan uw werkruimtebeheerder de omgeving als standaardomgeving aan de werkruimte koppelen. Zie Beheer standaardbibliotheken voor de werkruimte instelt voor meer informatie over het instellen van een omgeving als de standaardinstelling voor de werkruimte.
Belangrijk
Bibliotheekbeheer bij de werkruimte-instelling wordt niet meer ondersteund. U kunt werkruimtebibliotheken en Spark-eigenschappen migreren naar een standaardomgeving om bestaande werkruimtebibliotheken te migreren naar een omgeving en deze als de standaardinstelling voor de werkruimte te koppelen.
Volg zelfstudies om machine learning-modellen te maken
Deze zelfstudies bieden end-to-end voorbeelden voor veelvoorkomende scenario's.
Klantverloop
Bouw een model om het verlooppercentage voor bankklanten te voorspellen. Het verlooppercentage, ook wel het rentepercentage van de ophaling genoemd, is het tarief waarmee klanten stoppen met zakendoen met de bank.
Volg deze zelfstudie in 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 deze zelfstudie in de training van een retailaanaanvelingsmodel .
Fraudedetectie
Naarmate niet-geautoriseerde transacties toenemen, kan detectie van fraude in realtime creditcards helpen financiële instellingen klanten sneller tijd te bieden bij het oplossen van de oplossing. Een fraudedetectiemodel omvat voorverwerking, training, modelopslag en deductie. In het trainingsonderdeel worden meerdere modellen en methoden beoordeeld die uitdagingen aanpakken, zoals onevenwichtige voorbeelden en afwegingen tussen fout-positieven en fout-negatieven.
Volg deze zelfstudie in de zelfstudie over fraudedetectie .
Prognoses opstellen
Met historische verkoopgegevens van New York City en Facebook Prophet bouwt u een tijdreeksmodel met trend- en seizoensgebonden informatie om te voorspellen wat de verkoop in toekomstige cycli is.
Volg deze zelfstudie in de zelfstudie over het voorspellen van tijdreeksen .
Tekstclassificatie
Tekstclassificatie toepassen met word2vec en een lineair regressiemodel in Spark om te voorspellen of een boek in de British Library fictie of niet-fictie is, op basis van boekmetagegevens.
Volg deze zelfstudie in de zelfstudie voor tekstclassificatie .
Uplift-model
Schat de causale impact van bepaalde medische behandelingen op het gedrag van een individu, met een uplift model. Raak vier kerngebieden in deze modules aan:
- Gegevensverwerkingsmodule: extraheert functies, behandelingen en labels.
- Trainingsmodule: het verschil in het gedrag van een individu voorspellen wanneer behandeld en wanneer niet behandeld, met een klassiek machine learning-model, bijvoorbeeld LightGBM.
- Voorspellingsmodule: roept het uplift-model aan voor voorspellingen op 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, zoals temperatuur en rotatiesnelheid, te voorspellen. Bepaal vervolgens welk model het beste past bij het voorspellen van toekomstige fouten.
Volg deze zelfstudie in de zelfstudie over voorspellend onderhoud .
Verkoopprognose
Voorspel toekomstige verkopen voor superstore-productcategorieën. Train een model op historische gegevens om dit te doen.
Volg de zelfstudie voor verkoopprognoses .