Anteckning
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Synapse Data Science software as a service (SaaS) är en del av Microsoft Fabric. Det kan hjälpa maskininlärningspersonal att skapa, distribuera och operationalisera sina maskininlärningsmodeller. Synapse Data Science-programvaran fungerar på en enda analysplattform, men samarbetar samtidigt med andra viktiga roller. Den här artikeln beskriver funktionerna i Synapse Data Science-upplevelsen 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 inbyggd installation
I din anteckningsbok använder du funktionerna för Python-installation – till exempel %pip
eller %conda
– för att installera nya bibliotek. Det här alternativet installerar endast biblioteken i den aktuella notebook-filen. Biblioteken installeras inte på arbetsytan. Använd följande kodfragment 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
Använd en Fabric-miljö för att göra dina bibliotek tillgängliga för användning i arbetsytans anteckningsbok. Du kan skapa en miljö, installera biblioteket i den och din arbetsyteadministratör kan koppla miljön till arbetsytan som standardmiljö. Mer information om hur du ställer in standardbibliotek för en arbetsyta finns i resursen Admin ställer in standardbibliotek för arbetsytan.
Viktigt!
Bibliotekshantering på arbetsytan stöds inte längre. Besök "Migrera arbetsytebibliotek och Spark-egenskaper till en standardmiljö" för mer information om både migrering av befintliga arbetsytebibliotek till en miljö och valet av en standardmiljö för arbetsytor.
Följ handledningar för att skapa maskininlärningsmodeller
De här handledningarna innehåller heltäckande exempel 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.
Följ med i handledningen förutsäga kundomsättning.
Rekommendationer
En onlinebokhandel vill ge anpassade rekommendationer för att öka försäljningen. Med kundboksklassificeringsdata kan du utveckla och distribuera en rekommendationsmodell för att göra förutsägelser.
Följ med i självstudiekursen om att träna en modell för detaljhandelsrekommendationer .
Upptäckt av bedrägeri
I takt med att obehöriga transaktioner ökar kan identifiering av kreditkortsbedrägerier i realtid hjälpa finansinstitut att lösa kundklagomål snabbare. En modell för identifiering av bedrägerier omfattar förbearbetning, utbildning, modelllagring och slutsatsdragning. Utbildningssteget granskar flera modeller och metoder som hanterar specifika utmaningar - till exempel situationer av obalans, kompromisser mellan falska positiva och falska negativa osv.
Följ med i självstudien om bedrägeriidentifiering .
Prognostisering
Med både historiska New York City fastighetsförsäljningsdata och Facebook Prophet, skapa en tidsseriemodell med trend- och säsongsinformation, för att prognostisera försäljningen i framtida cykler.
Följ med i självstudien om tidsserieprognoser .
Textklassificering
Baserat på bokmetadata tillämpar du textklassificering med Word2vec och en linjär regressionsmodell för att i Spark förutsäga om en bok i British Library är fiktion eller nonfiction.
Följ med i självstudien om textklassificering .
Upplyftningsmodell
Använd en upplyftningsmodell för att uppskatta kausala effekter av vissa medicinska behandlingar på beteendet hos en individ. Berör fyra kärnområden i dessa moduler:
- Modul för databearbetning: extraherar funktioner, behandlingar och etiketter
- Träningsmodul: förutsäga skillnaden i beteende för en individ 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
Följ med i självstudiekursen om kausala effekter av medicinska behandlingar .
Förutsägande underhåll
Träna flera modeller på historiska data för att förutsäga mekaniska fel – till exempel fel som involverar processtemperatur eller rotationshastighet för verktyg. Bestäm sedan vilken modell som passar bäst för att förutsäga framtida fel.
Följ handledningen för förutsägande underhåll.
Försäljningsprognos
Förutse framtida försäljning för produktkategorier för superstore. Träna en modell på historiska data för att göra det.
Följ med i självstudien om försäljningsprognoser .