หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
ประสบการณ์การใช้งานซอฟต์แวร์ Synapse Data Science เป็นบริการ (SaaS) เป็นส่วนหนึ่งของ Microsoft Fabric ซึ่งสามารถช่วยให้ผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่องสร้าง ปรับใช้ และใช้งานแบบจําลองการเรียนรู้ของเครื่องได้ ซอฟต์แวร์ Synapse Data Science ทํางานในแพลตฟอร์มการวิเคราะห์เดียว แต่ทํางานร่วมกับบทบาทสําคัญอื่น ๆ ในเวลาเดียวกัน บทความนี้อธิบายถึงความสามารถของประสบการณ์ Synapse Data Science และวิธีที่แบบจําลองการเรียนรู้ของเครื่องสามารถแก้ไขปัญหาทางธุรกิจทั่วไปได้
ติดตั้งไลบรารี Python
ตัวอย่าง AI แบบ end-to-end บางส่วนจําเป็นต้องมีไลบรารีอื่น ๆ สําหรับการพัฒนาแบบจําลองการเรียนรู้ของเครื่องหรือการวิเคราะห์ข้อมูลเฉพาะกิจ คุณสามารถเลือกหนึ่งในตัวเลือกเหล่านี้เพื่อติดตั้งไลบรารีเหล่านั้นสําหรับเซสชัน Apache Spark ของคุณได้อย่างรวดเร็ว
ติดตั้งด้วยความสามารถในการติดตั้งแบบอินไลน์
ในสมุดบันทึกของคุณ ให้ใช้ ความสามารถในการติดตั้งแบบอินไลน์ของ Python - ตัวอย่างเช่น %pip หรือ %conda - เพื่อติดตั้งไลบรารีใหม่ ตัวเลือกนี้ติดตั้งไลบรารีในสมุดบันทึกปัจจุบันเท่านั้น และจะไม่ติดตั้งไลบรารีในพื้นที่ทํางาน ใช้ส่วนย่อยของโค้ดต่อไปนี้เพื่อติดตั้งไลบรารี แทนที่ <library name> ด้วยชื่อของไลบรารีของคุณ: imblearn หรือ wordcloud:
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
ตั้งค่าไลบรารีเริ่มต้นสําหรับพื้นที่ทํางาน
ใช้ สภาพแวดล้อม Fabric เพื่อทําให้ไลบรารีของคุณพร้อมใช้งานในสมุดบันทึกของพื้นที่ทํางาน คุณสามารถสร้างสภาพแวดล้อม ติดตั้งไลบรารีในนั้น และ ผู้ดูแลระบบพื้นที่ทํางาน ของคุณสามารถแนบสภาพแวดล้อมกับพื้นที่ทํางานเป็นสภาพแวดล้อมเริ่มต้น สําหรับข้อมูลเพิ่มเติมเกี่ยวกับการตั้งค่าไลบรารีเริ่มต้นของพื้นที่ทํางาน โปรดเยี่ยมชมผู้ดูแลระบบตั้งค่าไลบรารีเริ่มต้นสําหรับทรัพยากรพื้นที่ทํางาน
สําคัญ
การจัดการไลบรารีที่การตั้งค่าพื้นที่ทํางานไม่ได้รับการสนับสนุนอีกต่อไป ไปที่ "โยกย้ายไลบรารีพื้นที่ทํางานและคุณสมบัติ Spark ไปยังสภาพแวดล้อมเริ่มต้น" สําหรับข้อมูลเพิ่มเติมเกี่ยวกับการย้ายไลบรารีพื้นที่ทํางานที่มีอยู่ไปยังสภาพแวดล้อม และการเลือกสภาพแวดล้อมของพื้นที่ทํางานเริ่มต้น
ทําตามบทช่วยสอนเพื่อสร้างแบบจําลองการเรียนรู้ของเครื่อง
บทช่วยสอนเหล่านี้มีตัวอย่างแบบครอบคลุมสําหรับสถานการณ์ทั่วไป
การเลิกใช้บริการของลูกค้า
สร้างแบบจําลองเพื่อทํานายอัตราการเลิกใช้บริการสําหรับลูกค้าธนาคาร อัตราการเลิกใช้บริการ (churn rate of attrition) คืออัตราดอกเบี้ยที่ลูกค้าหยุดดําเนินธุรกิจกับธนาคาร
ทําตามในบทช่วยสอนการคาดการณ์การเลิกใช้บริการของลูกค้า
การแนะนำ
ร้านหนังสือออนไลน์ต้องการคําแนะนําที่กําหนดเองเพื่อเพิ่มยอดขาย ด้วยข้อมูลการให้คะแนนสมุดลูกค้าคุณสามารถพัฒนาและปรับใช้แบบจําลองคําแนะนําเพื่อทําการคาดการณ์
ทําตามในการฝึกอบรมแบบฝึกหัดแบบจําลองการแนะนําการค้าปลีก
การตรวจจับการฉ้อโกง
เมื่อธุรกรรมที่ไม่ได้รับอนุญาตเพิ่มขึ้น การตรวจจับการฉ้อโกงบัตรเครดิตแบบเรียลไทม์สามารถช่วยให้สถาบันการเงินแก้ไขข้อร้องเรียนของลูกค้าได้รวดเร็วยิ่งขึ้น แบบจําลองการตรวจจับการฉ้อโกงรวมถึงการประมวลผลล่วงหน้า การฝึกอบรม การจัดเก็บแบบจําลอง และการอนุมาน ขั้นตอนการฝึกอบรมจะตรวจสอบหลายแบบจําลองและวิธีการที่จัดการกับความท้าทายเฉพาะ - ตัวอย่างเช่น สถานการณ์ความไม่สมดุล การแลกเปลี่ยนระหว่างผลบวกเท็จและผลลบเท็จ และอื่น ๆ
ทําตามในบทช่วยสอนการตรวจจับการฉ้อโกง
การคาดการณ์
ด้วยข้อมูลยอดขายของพร็อพเพอร์ตี้นิวยอร์กและ Facebook Prophet ในอดีต สร้างแบบจําลองอนุกรมเวลาด้วยข้อมูลแนวโน้มและกาล เพื่อใช้คาดการณ์ยอดขายในรอบในอนาคต
ทําตามในบทช่วยสอนการคาดการณ์ชุดข้อมูลเวลา
การจัดประเภทแบบข้อความ
ตามเมตาดาต้าของหนังสือ ใช้การจัดประเภทแบบข้อความกับ Word2vec และแบบจําลองการถดถอยเชิงเส้นเพื่อทํานายใน Spark ไม่ว่าหนังสือห้องสมุดอังกฤษจะเป็นนิยายหรือไม่มีสมมติฐาน
ทําตามในบทช่วยสอนการจัดประเภทแบบข้อความ
รุ่น Uplift
ใช้แบบจําลองยกระดับเพื่อประเมินผลกระทบที่เกิดจากการรักษาทางการแพทย์บางอย่างเกี่ยวกับพฤติกรรมของบุคคล สัมผัสเรื่องหลักสี่ประการในโมดูลเหล่านี้:
- โมดูลการประมวลผลข้อมูล: แยกคุณลักษณะ การรักษา และป้ายชื่อ
- โมดูลการฝึกอบรม: ทํานายความแตกต่างในพฤติกรรมของบุคคลเมื่อได้รับการรักษาและเมื่อไม่ได้รับการรักษาด้วยแบบจําลองการเรียนรู้ของเครื่องแบบคลาสสิก - ตัวอย่างเช่น LightGBM
- โมดูลการคาดการณ์: เรียกใช้แบบจําลองยกระดับสําหรับการคาดการณ์เกี่ยวกับข้อมูลทดสอบ
- โมดูลการประเมินผล: ประเมินผลกระทบของแบบจําลองยกระดับในข้อมูลทดสอบ
ทําตาม ผลกระทบเชิงสาเหตุของ บทช่วยสอนการรักษาพยาบาล
การบํารุงรักษาเชิงทํานาย
ฝึกหลายแบบจําลองในข้อมูลในอดีตเพื่อคาดการณ์ความล้มเหลวทางกล - ตัวอย่างเช่น ความล้มเหลวที่เกี่ยวข้องกับอุณหภูมิกระบวนการหรือความเร็วในการหมุนเครื่องมือ จากนั้นกําหนดว่าแบบจําลองใดทําหน้าที่อย่างเหมาะสมที่สุดเพื่อคาดการณ์ความล้มเหลวในอนาคต
ทําตามบทช่วยสอนการบํารุงรักษาเชิงทํานาย
การคาดการณ์ยอดขาย
คาดการณ์ยอดขายในอนาคตสําหรับหมวดหมู่ผลิตภัณฑ์ซูเปอร์สโตร์ ฝึกแบบจําลองเกี่ยวกับข้อมูลในอดีตให้ทําเช่นนั้น
ทําตามในบทช่วยสอนการคาดการณ์ยอดขาย