Używanie pełnych przykładów sztucznej inteligencji w usłudze Microsoft Fabric
Środowisko usługi Synapse Nauka o danych oprogramowania jako usługi (SaaS) w usłudze Microsoft Fabric może pomóc specjalistom uczenia maszynowego tworzyć, wdrażać i operacjonalizować modele uczenia maszynowego na jednej platformie analitycznej, współpracując z innymi kluczowymi rolami. W tym artykule opisano zarówno możliwości środowiska usługi Synapse Nauka o danych, jak i sposób, w jaki modele uczenia maszynowego mogą rozwiązywać typowe problemy biznesowe.
Instalowanie bibliotek języka Python
Niektóre kompleksowe przykłady sztucznej inteligencji wymagają innych bibliotek na potrzeby tworzenia modeli uczenia maszynowego lub analizy danych ad hoc. Możesz wybrać jedną z tych opcji, aby szybko zainstalować te biblioteki dla sesji platformy Apache Spark.
Instalowanie za pomocą wbudowanych możliwości instalacji
Użyj wbudowanych funkcji instalacji języka Python, na przykład %pip lub %conda — w notesie, aby zainstalować nowe biblioteki. Ta opcja instaluje biblioteki tylko w bieżącym notesie, a nie w obszarze roboczym. Użyj tego kodu, aby zainstalować bibliotekę. Zastąp <library name> ciąg nazwą biblioteki: imblearn lub wordcloud.
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Ustawianie bibliotek domyślnych dla obszaru roboczego
Aby udostępnić biblioteki do użycia w dowolnych notesach w obszarze roboczym, możesz w tym celu użyć środowiska sieci szkieletowej. Możesz utworzyć środowisko, zainstalować w nim bibliotekę, a następnie administrator obszaru roboczego może dołączyć środowisko do obszaru roboczego jako domyślne środowisko. Aby uzyskać więcej informacji na temat ustawiania środowiska jako domyślnego obszaru roboczego, zobacz Administracja ustawia domyślne biblioteki dla obszaru roboczego.
Ważne
Zarządzanie biblioteką w ustawieniu obszaru roboczego nie jest już obsługiwane. Aby migrować istniejące biblioteki obszarów roboczych i właściwości platformy Spark do środowiska domyślnego, możesz wykonać migrację istniejących bibliotek obszarów roboczych do środowiska i dołączyć je jako domyślne.
Postępuj zgodnie z samouczkami, aby tworzyć modele uczenia maszynowego
Te samouczki zawierają kompleksowe przykłady dla typowych scenariuszy.
Odpływ klientów
Tworzenie modelu w celu przewidywania współczynnika zmian dla klientów bankowych. Stopa zmian, nazywana również stopą poniżania, jest stopą, w jakiej klienci przestają robić interesy z bankiem.
Postępuj zgodnie z instrukcjami w samouczku przewidywania zmian klientów.
Zalecenia
Księgarnia internetowa chce udostępnić dostosowane rekomendacje w celu zwiększenia sprzedaży. Dzięki danym klasyfikacji książek klientów można opracowywać i wdrażać model rekomendacji w celu przewidywania.
Postępuj zgodnie z instrukcjami w samouczku dotyczącym trenowania modelu rekomendacji dla handlu detalicznego.
Wykrywanie oszustw
W miarę zwiększania się nieautoryzowanych transakcji wykrywanie oszustw kart kredytowych w czasie rzeczywistym może pomóc instytucjom finansowym zapewnić klientom krótszy czas rozwiązywania problemów. Model wykrywania oszustw obejmuje wstępne przetwarzanie, trenowanie, przechowywanie modelu i wnioskowanie. Część szkoleniowa przegląda wiele modeli i metod, które dotyczą wyzwań, takich jak niezrównoważone przykłady i kompromisy między fałszywie dodatnimi i fałszywie ujemnymi.
Postępuj zgodnie z instrukcjami w samouczku dotyczącym wykrywania oszustw.
Prognozowanie
Dzięki historycznym danym sprzedaży nieruchomości w Nowym Jorku i Prorokowi Facebooka utwórz model szeregów czasowych z informacjami o trendach i sezonowości, aby prognozować sprzedaż w przyszłych cyklach.
Postępuj zgodnie z instrukcjami w samouczku prognozowania szeregów czasowych.
Klasyfikacja tekstu
Zastosuj klasyfikację tekstu za pomocą słów2vec i modelu regresji liniowej na platformie Spark, aby przewidzieć, czy książka w Bibliotece Brytyjskiej jest fikcją, czy nonfiction, na podstawie metadanych książki.
Postępuj zgodnie z instrukcjami w samouczku dotyczącym klasyfikacji tekstu.
Model podnoszenia w górę
Oszacowanie przyczynowego wpływu niektórych zabiegów medycznych na zachowanie danej osoby przy użyciu modelu uplift. Dotykaj czterech podstawowych obszarów w tych modułach:
- Moduł przetwarzania danych: wyodrębnia funkcje, zabiegi i etykiety.
- Moduł szkoleniowy: przewidywanie różnicy w zachowaniu osoby, gdy jest leczona i gdy nie jest leczona, przy użyciu klasycznego modelu uczenia maszynowego — na przykład LightGBM.
- Moduł przewidywania: wywołuje model uplift na potrzeby przewidywań dotyczących danych testowych.
- Moduł oceny: ocenia wpływ modelu uplift na dane testowe.
Postępuj zgodnie z instrukcjami w samouczku dotyczącym wpływu przyczynowego leczenia.
Konserwacja zapobiegawcza
Trenowanie wielu modeli na danych historycznych w celu przewidywania awarii mechanicznych, takich jak temperatura i prędkość rotacji. Następnie określ, który model jest najlepszym rozwiązaniem do przewidywania przyszłych awarii.
Postępuj zgodnie z instrukcjami w samouczku dotyczącym konserwacji predykcyjnej.
Prognoza sprzedaży
Przewidywanie przyszłej sprzedaży dla kategorii produktów superstore. Wytrenuj model na danych historycznych, aby to zrobić.
Postępuj zgodnie z instrukcjami w samouczku dotyczącym prognozowania sprzedaży.