Microsoft Fabric'te uçtan uca yapay zeka örneklerini kullanma
Microsoft Fabric SaaS deneyiminde Synapse Veri Bilimi sağlayarak ML uzmanlarının makine öğrenmesi modellerini tek bir analiz platformunda kolayca ve sorunsuz bir şekilde oluşturmasını, dağıtmasını ve kullanıma hazır hale getirmesini ve diğer önemli rollerle işbirliği yapmasını sağlamak istiyoruz. Synapse Veri Bilimi deneyiminin sunduğu çeşitli özellikleri ve ML modellerinin yaygın iş sorunlarınızı nasıl çözebileceğine ilişkin örnekleri anlamak için buraya başlayın.
Önemli
Microsoft Fabric şu anda ÖNİzLEME aşamasındadır. Bu bilgiler, yayımlanmadan önce önemli ölçüde değiştirilebilen bir yayın öncesi ürünle ilgilidir. Microsoft, burada sağlanan bilgilerle ilgili olarak açık veya zımni hiçbir garanti vermez.
Öneren
Çevrimiçi bir kitapçı, özelleştirilmiş öneriler sağlayarak satışları artırmak istemektedir. Bu örnekteki müşteri kitabı derecelendirme verilerini kullanarak tahmin sağlamak için nasıl temizleyip öneriler geliştirme ve dağıtmaya yol açan verileri keşfedebileceğinizi göreceksiniz.
Perakende öneri modeli eğitma öğreticisini izleyin.
Sahtekarlık algılama
Yetkisiz işlemler arttıkça, kredi kartı dolandırıcılığı gerçek zamanlı olarak algılanması, finans kurumlarının müşterilerine çözümde daha hızlı geri dönüş süresi sağlamalarını destekleyecektir. Bu uçtan uca örnek ön işleme, eğitim, model depolama ve çıkarım içerir. Eğitim bölümünde, hatalı pozitifler ile yanlış negatifler arasındaki dengesiz örnekler ve dengelenmeler gibi güçlüklere çözüm getiren birden çok model ve yöntem uygulamayı gözden geçirilecektir.
Sahtekarlık algılama öğreticisini izleyin.
Tahmin etme
Bu örnekte geçmiş New York City Property Sales verilerini ve Facebook Prophet'i kullanarak, gelecek dönemlerde satışların nasıl görüneceğini tahmin etmek için eğilim, mevsimsellik ve tatil bilgilerini içeren bir zaman serisi modeli oluşturacağız.
Tahmin öğreticisini izleyin.
Metin sınıflandırması
Bu örnekte, İngiliz Kitaplığı'ndaki bir kitabın kitap meta verilerine dayalı kurgusal mı yoksa kurgusal olmayan bir kitap mı olduğunu tahmin edeceğiz. Bu, Spark'ta word2vec ve doğrusal regresyon modeli ile metin sınıflandırması uygulanarak gerçekleştirilir.
Metin sınıflandırma öğreticisini izleyin.
Uplift modeli
Bu örnekte, bir Uplift modeli kullanarak belirli tedavilerin bir kişinin davranışı üzerindeki nedensel etkisini tahmin edeceğiz. Dört temel öğrenmeyle dokunarak modeli oluşturma, eğitma ve değerlendirme adım adım ilerleyeceğiz:
- Veri işleme modülü: Özellikleri, tedavileri ve etiketleri ayıklar.
- Eğitim modülü: LightGBM gibi klasik bir makine öğrenmesi modelini kullanarak bir kişinin davranışlarından bir işlem olduğunda ve tedavi olmadığında arasındaki farkı tahmin etmeye yöneliktir.
- Tahmin modülü: Test verilerini tahmin etmek için yükseltme modelini çağırır.
- Değerlendirme modülü: Yükseltme modelinin test verileri üzerindeki etkisini değerlendirir.
Tedavilerin sağlık nedensel etkisi öğreticisini izleyin.