Använda AI-exempel från slutpunkt till slutpunkt i Microsoft Fabric
Artikel
Synapse Datavetenskap saaS-upplevelse (programvara som en tjänst) i Microsoft Fabric kan hjälpa maskininlärningspersonal att skapa, distribuera och operationalisera sina maskininlärningsmodeller på en enda analysplattform, samtidigt som de samarbetar med andra nyckelroller. Den här artikeln beskriver både funktionerna i Synapse Datavetenskap erfarenhet och hur maskininlärningsmodeller kan hantera vanliga affärsproblem.
Installera Python-bibliotek
Vissa av AI-exemplen från slutpunkt till slutpunkt kräver andra bibliotek för utveckling av maskininlärningsmodeller eller ad hoc-dataanalys. Du kan välja något av de här alternativen för att snabbt installera biblioteken för Apache Spark-sessionen.
Installera med funktioner för infogad installation
Använd inline-installationsfunktionerna i Python, %pip till exempel eller %conda , i notebook-filen för att installera nya bibliotek. Det här alternativet installerar bara biblioteken i den aktuella notebook-filen och inte på arbetsytan. Använd den här koden för att installera ett bibliotek. Ersätt <library name> med namnet på biblioteket: imblearn eller wordcloud.
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Ange standardbibliotek för arbetsytan
För att göra dina bibliotek tillgängliga för användning i alla notebook-filer på arbetsytan kan du använda en Infrastrukturmiljö för det ändamålet. Du kan skapa en miljö, installera biblioteket i den och sedan kan din arbetsyteadministratör koppla miljön till arbetsytan som standardmiljö. Mer information om hur du anger en miljö som standard för arbetsytan finns i Administratörsuppsättningar för standardbibliotek för arbetsytan.
Följ självstudier för att skapa maskininlärningsmodeller
De här självstudierna innehåller exempel från slutpunkt till slutpunkt för vanliga scenarier.
Konsumentförlust
Skapa en modell för att förutsäga omsättningsfrekvensen för bankkunder. Omsättningsräntan, även kallad attritionsgrad, är den takt med vilken kunderna slutar göra affärer med banken.
En onlinebokhandel vill ge anpassade rekommendationer för att öka försäljningen. Med kundboksklassificeringsdata kan du utveckla och distribuera en rekommendationsmodell för att göra förutsägelser.
När obehöriga transaktioner ökar kan identifiering av kreditkortsbedrägerier i realtid hjälpa finansinstitut att ge kunderna snabbare handläggningstid vid lösning. En modell för identifiering av bedrägerier omfattar förbearbetning, utbildning, modelllagring och slutsatsdragning. Utbildningsdelen granskar flera modeller och metoder som hanterar utmaningar som obalanserade exempel och kompromisser mellan falska positiva och falska negativa resultat.
Med historiska data om fastighetsförsäljning i New York City och Facebook Prophet skapar du en tidsseriemodell med trend- och säsongsinformation för att förutsäga vilken försäljning i framtida cykler.
Använd textklassificering med word2vec och en linjär regressionsmodell i Spark för att förutsäga om en bok i British Library är fiktion eller nonfiction, baserat på bokmetadata.
Uppskatta orsakssambanden av vissa medicinska behandlingar på en individs beteende, med en upplyftningsmodell. Berör fyra kärnområden i dessa moduler:
Modul för databearbetning: extraherar funktioner, behandlingar och etiketter.
Träningsmodul: förutsäga skillnaden i en individs beteende när den behandlas och när den inte behandlas, med en klassisk maskininlärningsmodell – till exempel LightGBM.
Förutsägelsemodul: anropar upplyftningsmodellen för förutsägelser om testdata.
Utvärderingsmodul: utvärderar effekten av upplyftningsmodellen på testdata.
Träna flera modeller på historiska data för att förutsäga mekaniska fel som temperatur och rotationshastighet. Bestäm sedan vilken modell som passar bäst för att förutsäga framtida fel.
Utforska datavetenskapsprocessen och lär dig hur du tränar maskininlärningsmodeller för att åstadkomma artificiell intelligens i Microsoft Fabric. (DP-604T00)
Manage data ingestion and preparation, model training and deployment, and machine learning solution monitoring with Python, Azure Machine Learning and MLflow.
I den här självstudien beskrivs ett datavetenskapsarbetsflöde med ett exempel från slutpunkt till slutpunkt där du skapar en modell för att förutsäga omsättning.
Den här självstudien visar hur du tränar och utvärderar en textklassificeringsmodell med hjälp av en exempeldatauppsättning med metadata för digitaliserade böcker.
Det här är ett AI-exempel för träning och utvärdering av en tidsserieprognosmodell. vi utvecklar ett program för att prognostisera tidsseriedata som har säsongscykler.