Usar exemplos de IA de ponta a ponta no Microsoft Fabric

  • Artigo

A experiência de software como serviço (SaaS) de Ciência de Dados Synapse no Microsoft Fabric pode ajudar os profissionais de aprendizado de máquina a construir, implantar e operacionalizar seus modelos de aprendizado de máquina em uma única plataforma de análise, enquanto colaboram com outras funções importantes. Este artigo descreve os recursos da experiência Synapse Data Science e como os modelo de machine learning podem resolver problemas de negócios comuns.

Instalar bibliotecas do Python

Algumas das amostras de IA ponta a ponta requerem outras bibliotecas para desenvolvimento de modelo de machine learning ou análise de dados ad hoc. Você pode escolher uma dessas opções para instalar rapidamente essas bibliotecas em sua sessão do Apache Spark.

Instalar com recursos de instalação embutido

Use as capacidades de instalação embutida de Python - por exemplo, %pip ou %conda - em seu notebook, para instalar novas bibliotecas. Esta opção instala as bibliotecas apenas no notebook atual e não no workspace. Use este código para instalar uma biblioteca. Substitua <library name> pelo nome do aplicativo na biblioteca: imblearn ou wordcloud.

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

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

Defina bibliotecas padrão para o espaço de trabalho

Para disponibilizar suas bibliotecas para uso em qualquer notebook no espaço de trabalho, você pode usar um ambiente de Fabric para essa finalidade. Você pode criar um ambiente, instalar a biblioteca nele e, em seguida, o administrador do espaço de trabalho pode anexar o ambiente ao espaço de trabalho como seu ambiente padrão. Para obter mais informações sobre como definir um ambiente como padrão do espaço de trabalho, consulte Administrador define bibliotecas padrão para o espaço de trabalho.

Importante

Não há mais suporte para o gerenciamento de bibliotecas na configuração do workspace. Você pode seguir "Migrar as bibliotecas do espaço de trabalho e as propriedades do Spark para um ambiente padrão" para migrar as bibliotecas de espaço de trabalho existentes para um ambiente e anexá-las como padrão do espaço de trabalho.

Siga os tutoriais para criar modelo de machine learning

Esses tutoriais fornecem exemplos de ponta a ponta para cenários comuns.

Rotatividade de clientes

Construa um modelo para prever a taxa de rotatividade de clientes bancários. A taxa de rotatividade, também chamada de taxa de atrito, é a taxa pela qual os clientes deixam de fazer negócios com o banco.

Acompanhe o tutorial de previsão de rotatividade de clientes.

Recomendações

Uma livraria online deseja fornecer recomendações personalizadas para aumentar as vendas. Com os dados de classificação da carteira de clientes, você pode desenvolver e implantar um modelo de recomendação para fazer previsões.

Acompanhe o tutorial treinar um modelo de recomendação de varejo.

Detecção de fraude

À medida que aumentam as transações não autorizadas, a detecção de fraudes de cartão de crédito em tempo real pode ajudar as instituições financeiras a fornecer aos clientes um tempo de resposta mais rápido na resolução. Um modelo de detecção de fraude inclui pré-processamento, treinamento, armazenamento de modelo e inferência. A seção de treinamento examina vários modelos e métodos que abordam desafios como exemplos desequilibrados e compensações entre falsos positivos e falsos negativos.

Acompanhe o tutorial detecção de fraudes.

Previsão

Com dados históricos de vendas de propriedades na cidade de Nova York e o Facebook Prophet, crie um modelo de série temporal com informações de tendência e sazonalidade para prever quais vendas em ciclos futuros.

Acompanhe o tutorial de previsão de série temporal.

Classificação de texto

Aplique classificação de texto com word2vec e um modelo de regressão linear no Spark, para prever se um livro na British Library é ficção ou não ficção, com base nos metadados do livro.

Acompanhe o tutorial classificação de texto.

Modelo de elevação

Estime o impacto causal de determinados tratamentos médicos no comportamento de um indivíduo, com um modelo de elevação. Aborde quatro áreas principais nestes módulos:

  • Módulo de processamento de dados: extrai recursos, tratamentos e rótulos.
  • Módulo de treinamento: preveja a diferença no comportamento de um indivíduo quando tratado e quando não tratado, com um modelo de machine learning clássico - por exemplo, LightGBM.
  • Módulo de previsão: chama o modelo de elevação para previsões em dados de teste.
  • Módulo de avaliação: avalia o efeito do modelo de elevação nos dados de teste.

Acompanhe o tutorial sobre o impacto causal dos tratamentos médicos.

Manutenção preditiva

Treine vários modelos em dados históricos para prever falhas mecânicas, como temperatura e velocidade de rotação. Em seguida, determine qual modelo é mais adequado para prever falhas futuras.

Acompanhe o tutorial de manutenção preditiva.

Previsão de vendas

Preveja vendas futuras para categorias de produtos de superlojas. Treine um modelo em dados históricos para fazer isso.

Acompanhe o tutorial previsão de vendas.

Conteúdo relacionado