Aracılığıyla paylaş

Microsoft Fabric'te uçtan uca yapay zeka örneklerini kullanma

Synapse Veri Bilimi hizmet olarak yazılım (SaaS) deneyimi Microsoft Fabric'in bir parçasıdır. Makine öğrenmesi uzmanlarının makine öğrenmesi modellerini oluşturmasına, dağıtmasına ve kullanıma hazır hale getirmesine yardımcı olabilir. Synapse Veri Bilimi yazılımı tek bir analiz platformunda çalışır, ancak aynı anda diğer önemli rollerle birlikte çalışır. Bu makalede Synapse Veri Bilimi deneyiminin özellikleri ve makine öğrenmesi modellerinin yaygın iş sorunlarını nasıl çözebileceği açıklanmaktadır.

Python kitaplıklarını yükleme

Uçtan uca yapay zeka örneklerinden bazıları, makine öğrenmesi modeli geliştirme veya geçici veri analizi için başka kitaplıklar gerektirir. Apache Spark oturumunuz için bu kitaplıkları hızla yüklemek için bu seçeneklerden birini belirleyebilirsiniz.

Satır içi yükleme özellikleriyle yükleme

Not defterinizde, yeni kitaplıkları yüklemek için Python satır içi yükleme özelliklerini (örneğin, %pip veya %conda ) kullanın. Bu seçenek kitaplıkları yalnızca geçerli not defterine yükler. Kitaplıkları çalışma alanına yüklemez. Kitaplığı yüklemek için aşağıdaki kod parçacığını kullanın. Yerine <library name> kitaplığınızın adını koyun: imblearn veya wordcloud:

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

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

Çalışma alanı için varsayılan kitaplıkları ayarlama

Kitaplıklarınızı bir çalışma alanı not defterinde kullanılabilir hale getirmek için Fabric ortamını kullanın. Bir ortam oluşturabilir, kitaplığı buna yükleyebilir ve çalışma alanı yöneticiniz ortamı varsayılan ortamı olarak çalışma alanına ekleyebilir. Çalışma alanının varsayılan kitaplıklarını ayarlama hakkında daha fazla bilgi için, Yönetici çalışma alanı kaynağı için varsayılan kitaplıkları ayarlar bölümünü ziyaret edin.

Önemli

Çalışma alanı ayarındaki kitaplık yönetimi artık desteklenmiyor. Hem mevcut çalışma alanı kitaplıklarının bir ortama geçişi hem de varsayılan çalışma alanı ortamının seçimi hakkında daha fazla bilgi için "Çalışma alanı kitaplıklarını ve Spark özelliklerini varsayılan bir ortama geçirme" adresini ziyaret edin.

Makine öğrenmesi modelleri oluşturmak için öğreticileri izleyin

Bu öğreticiler, yaygın senaryolar için uçtan uca örnekler sağlar.

Müşteri kaybı

Banka müşterileri için değişim oranını tahmin etmek için bir model oluşturun. Karmaşıklık oranı olarak da adlandırılan değişim sıklığı, müşterilerin bankayla iş yapmayı bırakma oranıdır.

Müşteri değişim sıklığı tahmin etme öğreticisini izleyin.

Öneriler

Çevrimiçi bir kitapçı, satışları artırmak için özelleştirilmiş öneriler sağlamak istiyor. Müşteri kitap derecelendirme verileriyle tahminde bulunmak için bir öneri modeli geliştirebilir ve dağıtabilirsiniz.

Perakende öneri modeli eğitimi öğreticisini adımları takip ederek izleyin.

Sahtekarlık algılama

Yetkisiz işlemler arttıkça, gerçek zamanlı kredi kartı dolandırıcılığı algılama, finans kurumlarının müşteri şikayetlerini daha hızlı çözmelerine yardımcı olabilir. Sahtekarlık algılama modeli ön işlemeyi, eğitimi, model depolamayı ve çıkarımı içerir. Eğitim aşaması, dengesizlik durumları, hatalı pozitifler ile hatalı negatifler arasındaki dengeler vb. gibi belirli zorlukları ele alan birden çok modeli ve yöntemi gözden geçirme.

Sahtekarlık algılama öğreticisini izleyin.

Öngörme

Hem geçmiş New York City emlak satış verileri hem de Facebook Prophet ile gelecek dönemlerdeki satışları tahmin etmek için eğilim ve mevsimsellik bilgileriyle bir zaman serisi modeli oluşturun.

Zaman serisi tahmini kılavuzunu takip edin.

Metin sınıflandırması

Kitap meta verilerine dayanarak, Spark'ta bir Britanya Kütüphanesi kitabının kurgusal veya kurgusal olmayan türde olup olmadığını tahmin etmek için Word2vec ile ve doğrusal regresyon modeliyle metin sınıflandırması uygulayın.

Metin sınıflandırma öğreticisini izleyin.

Uplift modeli

Belirli tıbbi tedavilerin bir bireyin davranışı üzerindeki nedensel etkisini tahmin etmek için bir uplift modeli kullanın. Bu modüllerdeki dört çekirdek alana dokunun:

  • Veri işleme modülü: Özellikleri, uygulamaları ve etiketleri ayıklar
  • Eğitim modülü: Klasik bir makine öğrenmesi modeliyle (örneğin, LightGBM) bir bireyin tedavi edildiğinde ve edilmediğinde gösterdiği davranış farkının tahmin edilmesi
  • Tahmin modülü: Test verileriyle ilgili tahminler için yukarı kaldırma modelini çağırır
  • Değerlendirme modülü: Yukarı kaldırma modelinin test verileri üzerindeki etkisini değerlendirir

Tıbbi tedavilerin nedensel etkisi öğreticisini izleyin.

Tahmine dayalı bakım

Mekanik hataları tahmin etmek için geçmiş veriler üzerinde birden çok model eğitin ( örneğin, işlem sıcaklığı veya araç döndürme hızıyla ilgili hatalar). Ardından, gelecekteki hataları tahmin etmek için en uygun modelin hangisi olduğunu belirleyin.

Tahmine dayalı bakım öğreticisini izleyin.

Satış tahmini

Süper mağaza ürün kategorileri için gelecekteki satışları tahmin edin. Bunu yapmak için geçmiş veriler üzerinde bir model eğitin.

Satış tahmini öğreticisini izleyin.

İlgili içerik

  • Last updated on