Microsoft Fabric'te uçtan uca yapay zeka örneklerini kullanma

  • Makale

Microsoft Fabric'teki Synapse Veri Bilimi hizmet olarak yazılım (SaaS) deneyimi, makine öğrenmesi uzmanlarının makine öğrenmesi modellerini tek bir analiz platformunda oluşturmasına, dağıtmasına ve kullanıma hazır hale getirmesine yardımcı olurken diğer önemli rollerle de işbirliği yapabilir. Bu makalede hem Synapse Veri Bilimi deneyiminin özellikleri hem de makine öğrenmesi modellerinin yaygın iş sorunlarını nasıl çözebileceği açıklanır.

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

Yeni kitaplıkları yüklemek için %pip%conda not defterinizde python satır içi yükleme özelliklerini kullanın. Bu seçenek kitaplıkları çalışma alanına değil yalnızca geçerli not defterine yükler. Kitaplığı yüklemek için bu kodu kullanın. değerini kitaplığınızın adıyla değiştirin <library name> : 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 çalışma alanında herhangi bir not defterinde kullanılabilir hale getirmek için, bu amaçla bir Doku ortamı kullanabilirsiniz. Bir ortam oluşturabilir, kitaplığı buna yükleyebilir ve çalışma alanı yöneticiniz ortamı varsayılan ortamı olarak çalışma alanına ekleyebilir. Çalışma alanı varsayılanı olarak ortam ayarlama hakkında daha fazla bilgi için bkz. Yönetici çalışma alanı için varsayılan kitaplıkları ayarlar.

Önemli

Çalışma alanı ayarındaki kitaplık yönetimi artık desteklenmiyor. Var olan çalışma alanı kitaplıklarını bir ortama geçirmek ve çalışma alanı varsayılanı olarak eklemek için "Çalışma alanı kitaplıklarını ve Spark özelliklerini varsayılan bir ortama geçirme" seçeneğini izleyebilirsiniz.

Makine öğrenmesi modelleri oluşturmak için öğreticileri izleyin

Bu öğreticiler, yaygın senaryolar için uçtan uca örnekler sağlar.

Telekomünikasyon dalgalanması

Banka müşterileri için değişim oranını tahmin etmek için bir model oluşturun. Taharet 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 izleyin.

Sahtekarlık algılama

Yetkisiz işlemler arttıkça, gerçek zamanlı kredi kartı sahtekarlığı algılama, finans kurumlarının müşterilere çözüme daha hızlı dönüş süresi sağlamasına yardımcı olabilir. Sahtekarlık algılama modeli ön işlemeyi, eğitimi, model depolamayı ve çıkarımı içerir. Eğitim bölümü, hatalı pozitifler ile hatalı negatifler arasındaki dengesiz örnekler ve dengelemeler gibi zorlukları ele alan birden çok modeli ve yöntemi gözden geçirmektedir.

Sahtekarlık algılama öğreticisini izleyin.

Tahmin

Geçmiş New York City emlak satış verileri ve Facebook Prophet ile, gelecek döngülerde hangi satışları tahmin etmek için eğilim ve mevsimsellik bilgileriyle bir zaman serisi modeli oluşturun.

Zaman serisi tahmin öğreticisini izleyin.

Metin sınıflandırması

İngiliz Kitaplığı'ndaki bir kitabın kitap meta verilerini temel alarak kurgusal mı yoksa kurgusal mı olduğunu tahmin etmek için Spark'ta word2vec ve doğrusal regresyon modeliyle metin sınıflandırması uygulayın.

Metin sınıflandırma öğreticisini izleyin.

Uplift modeli

Bir uplift modeliyle belirli tıbbi tedavilerin bir bireyin davranışı üzerindeki nedensel etkisini tahmin edin. Bu modüllerdeki dört çekirdek alana dokunun:

  • Veri işleme modülü: Özellikleri, uygulamaları ve etiketleri ayıklar.
  • Eğitim modülü: Klasik makine öğrenmesi modeliyle (örneğin, LightGBM) bir bireyin davranışlarındaki farkı tahmin edin.
  • 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

Sıcaklık ve dönme hızı gibi mekanik hataları tahmin etmek için geçmiş veriler üzerinde birden çok model eğitin. Ardından, gelecekteki hataları tahmin etmek için en uygun modeli 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