Så här använder du AI-exempel från slutpunkt till slutpunkt i Microsoft Fabric
När vi tillhandahåller Synapse-Datavetenskap i Microsoft Fabric SaaS-upplevelsen vill vi göra det möjligt för ML-proffs att enkelt och friktionsfritt skapa, distribuera och operationalisera sina maskininlärningsmodeller på en enda analysplattform, samtidigt som vi samarbetar med andra viktiga roller. Börja här för att förstå de olika funktioner som Synapse Datavetenskap erfarenhet har att erbjuda och exempel på hur ML-modeller kan hantera dina vanliga affärsproblem.
Viktigt
Microsoft Fabric är för närvarande i förhandsversion. Den här informationen gäller en förhandsversionsprodukt som kan ändras avsevärt innan den släpps. Microsoft lämnar inga garantier, uttryckta eller underförstådda, med avseende på den information som tillhandahålls här.
Rekommenderare
En onlinebokhandel vill öka försäljningen genom att ge anpassade rekommendationer. Med hjälp av kundboksklassificeringsdata i det här exemplet ser du hur du rensar, utforskar data som leder till att utveckla och distribuera en rekommendation för att tillhandahålla förutsägelser.
Följ med i självstudien Träna en detaljhandelsrekommendationsmodell .
Upptäckt av bedrägerier
I takt med att obehöriga transaktioner ökar kommer identifiering av kreditkortsbedrägerier i realtid att stödja finansiella institutioner för att ge sina kunder snabbare handläggningstid vid lösning. Det här exemplet från slutpunkt till slutpunkt omfattar förbearbetning, träning, modelllagring och slutsatsdragning. Utbildningsavsnittet granskar implementeringen av flera modeller och metoder som hanterar utmaningar som obalanserade exempel och kompromisser mellan falska positiva och falska negativa identifieringar.
Följ med i självstudien Bedrägeriidentifiering .
Prognosticering
Med hjälp av historiska data för New York City Property Sales och Facebook Prophet i det här exemplet skapar vi en tidsseriemodell med trend, säsongs- och semesterinformation för att förutsäga hur försäljningen kommer att se ut i framtida cykler.
Följ med i självstudien Prognostisering .
Textklassificering
I det här exemplet ska vi förutsäga om en bok i British Library är fiktion eller icke-fiktion baserad på bokmetadata. Detta görs genom att tillämpa textklassificering med word2vec- och linjär regressionsmodell på Spark.
Följ med i självstudien Textklassificering .
Upplyftningsmodell
I det här exemplet beräknar vi orsakssambanden av vissa behandlingar på en individs beteende med hjälp av en Uplift-modell. Vi går igenom steg för steg hur du skapar, tränar och utvärderar modellen som berör fyra kärninlärningar:
- Modul för databearbetning: extraherar funktioner, behandlingar och etiketter.
- Träningsmodul: syftar till att förutsäga skillnaden mellan en individs beteende när det finns en behandling och när det inte finns någon behandling, med hjälp av en klassisk maskininlärningsmodell som lightGBM.
- Förutsägelsemodul: anropar upplyftningsmodellen för att förutsäga testdata.
- Utvärderingsmodul: utvärderar effekten av upplyftningsmodellen på testdata.
Följ med i självstudiekursen Om orsakssamband för hälso- och sjukvård .