Χρήση δειγμάτων AI από άκρο σε άκρο στο Microsoft Fabric
Η εμπειρία του λογισμικού Synapse Data Science ως υπηρεσία (SaaS) στο Microsoft Fabric μπορεί να βοηθήσει τους επαγγελματίες εκμάθησης μηχανής να δημιουργήσουν, να αναπτύξουν και να αξιοποιήσουν τα μοντέλα εκμάθησης μηχανής σε μια ενιαία πλατφόρμα ανάλυσης, ενώ παράλληλα συνεργάζονται με άλλους βασικούς ρόλους. Αυτό το άρθρο περιγράφει τόσο τις δυνατότητες της εμπειρίας Synapse Data Science όσο και τον τρόπο με τον οποίο τα μοντέλα εκμάθησης μηχανής μπορούν να αντιμετωπίσουν συνήθη επιχειρηματικά προβλήματα.
Εγκατάσταση βιβλιοθηκών Python
Ορισμένα από τα ολοκληρωμένα δείγματα AI απαιτούν άλλες βιβλιοθήκες για την ανάπτυξη μοντέλων εκμάθησης μηχανής ή ad hoc ανάλυση δεδομένων. Μπορείτε να κάνετε μία από αυτές τις επιλογές για να εγκαταστήσετε γρήγορα αυτές τις βιβλιοθήκες για την περίοδο λειτουργίας Apache Spark.
Εγκατάσταση με δυνατότητες ενσωματωμένων εγκαταστάσεων
Χρησιμοποιήστε τις ενσωματωμένες δυνατότητες εγκατάστασης Python, για παράδειγμα, %pip ή %conda στο σημειωματάριό σας, για να εγκαταστήσετε νέες βιβλιοθήκες. Αυτή η επιλογή εγκαθιστά τις βιβλιοθήκες μόνο στο τρέχον σημειωματάριο και όχι στον χώρο εργασίας. Χρησιμοποιήστε αυτόν τον κώδικα για να εγκαταστήσετε μια βιβλιοθήκη. Αντικαταστήστε <library name> το με το όνομα της βιβλιοθήκης σας: imblearn ή wordcloud.
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Ορισμός προεπιλεγμένων βιβλιοθηκών για τον χώρο εργασίας
Για να κάνετε τις βιβλιοθήκες σας διαθέσιμες για χρήση σε οποιαδήποτε σημειωματάρια στον χώρο εργασίας, μπορείτε να χρησιμοποιήσετε ένα περιβάλλον Fabric για αυτόν τον σκοπό. Μπορείτε να δημιουργήσετε ένα περιβάλλον, να εγκαταστήσετε τη βιβλιοθήκη σε αυτό και, στη συνέχεια, ο διαχειριστής του χώρου εργασίας σας μπορεί να συνδέσει το περιβάλλον στον χώρο εργασίας ως το προεπιλεγμένο περιβάλλον του. Για περισσότερες πληροφορίες σχετικά με τον ορισμό ενός περιβάλλοντος ως προεπιλεγμένου χώρου εργασίας, ανατρέξτε στο θέμα Διαχείριση ορίζει προεπιλεγμένες βιβλιοθήκες για τον χώρο εργασίας.
Σημαντικό
Η διαχείριση βιβλιοθήκης στη ρύθμιση χώρου εργασίας δεν υποστηρίζεται πλέον. Μπορείτε να ακολουθήσετε τις οδηγίες "Μετεγκατάσταση βιβλιοθηκών χώρου εργασίας και ιδιοτήτων Spark σε ένα προεπιλεγμένο περιβάλλον" για να μετεγκαταστήσετε υπάρχουσες βιβλιοθήκες χώρων εργασίας σε ένα περιβάλλον και να τις επισυνάψετε ως προεπιλογή στον χώρο εργασίας.
Ακολουθήστε τα προγράμματα εκμάθησης για να δημιουργήσετε μοντέλα εκμάθησης μηχανής
Αυτά τα προγράμματα εκμάθησης παρέχουν ολοκληρωμένα δείγματα για συνήθη σενάρια.
Απώλεια πελατών
Δημιουργήστε ένα μοντέλο για να προβλέψετε το ποσοστό απώλειας για τους πελάτες τραπεζών. Το ποσοστό απώλειας, που ονομάζεται επίσης ρυθμός φθοράς, είναι ο ρυθμός με τον οποίο οι πελάτες σταματούν να συνεργάζονται με την τράπεζα.
Ακολουθήστε τις οδηγίες στην εκμάθηση πρόβλεψης απώλειας πελατών.
Προτάσεις
Ένα ηλεκτρονικό βιβλιοπωλείο θέλει να παρέχει προσαρμοσμένες προτάσεις για την αύξηση των πωλήσεων. Με τα δεδομένα αξιολόγησης βιβλίων πελατών, μπορείτε να αναπτύξετε και να αναπτύξετε ένα μοντέλο προτάσεων για να κάνετε προβλέψεις.
Ακολουθήστε τις οδηγίες στο εκπαιδευτικό βοήθημα για ένα μοντέλο προτάσεων λιανικής.
Εντοπισμός απάτης
Καθώς αυξάνονται οι μη εξουσιοδοτημένες συναλλαγές, ο εντοπισμός απάτης μέσω πιστωτικών καρτών σε πραγματικό χρόνο μπορεί να βοηθήσει τα χρηματοπιστωτικά ιδρύματα να παρέχουν στους πελάτες ταχύτερο χρόνο ανάκαμψης όσον αφορά την επίλυσή τους. Ένα μοντέλο εντοπισμού απάτης περιλαμβάνει προεπεξεργασία, εκπαίδευση, χώρο αποθήκευσης μοντέλων και συμπεράνεις. Το τμήμα εκπαίδευσης εξετάζει πολλά μοντέλα και μεθόδους που αντιμετωπίζουν προκλήσεις, όπως μη ισορροπημένων παραδειγμάτων και αντιμετωπισεων μεταξύ ψευδώς θετικών και ψευδώς αρνητικών.
Ακολουθήστε τις οδηγίες στο εκπαιδευτικό βοήθημα για τον εντοπισμό απάτης .
Προβλέψεις
Με ιστορικά δεδομένα πωλήσεων ακινήτων στη Νέα Υόρκη και τον Προφήτη του Facebook, δημιουργήστε ένα μοντέλο χρονικής σειράς με πληροφορίες τάσης και εποχικότητας, για να προβλέψετε ποιες πωλήσεις θα υπάρχουν στους μελλοντικούς κύκλους.
Ακολουθήστε τις οδηγίες στο εκπαιδευτικό βοήθημα πρόβλεψης χρονικής σειράς .
Ταξινόμηση κειμένου
Εφαρμόστε την ταξινόμηση κειμένου με το word2vec και ένα γραμμικό μοντέλο παλινδρόμησης στο Spark, για να προβλέψετε αν ένα βιβλίο στη Βρετανική Βιβλιοθήκη είναι μυθοπλασία ή μη φαντασία, με βάση τα μετα-δεδομένα βιβλίων.
Ακολουθήστε τις οδηγίες στο εκπαιδευτικό βοήθημα ταξινόμησης κειμένου.
Μοντέλο ανυψωτικής ανύψωσης
Εκτιμήστε την αιτιώδη επίδραση ορισμένων ιατρικών θεραπειών στη συμπεριφορά ενός ατόμου, με ένα μοντέλο ανύψωσης. Αγγίξτε τέσσερις βασικές περιοχές σε αυτές τις λειτουργικές μονάδες:
- Εκπαιδευτική ενότητα επεξεργασίας δεδομένων: εξάγει δυνατότητες, θεραπείες και ετικέτες.
- Εκπαιδευτική ενότητα: προβλέψτε τη διαφορά στη συμπεριφορά ενός ατόμου όταν αντιμετωπίζεται και όταν δεν αντιμετωπίζεται, με ένα κλασσικό μοντέλο εκμάθησης μηχανής - για παράδειγμα, LightGBM.
- Εκπαιδευτική ενότητα πρόβλεψης: καλεί το μοντέλο ανυψώσεων για προβλέψεις σχετικά με τα δεδομένα δοκιμής.
- Εκπαιδευτική ενότητα αξιολόγησης: αξιολογεί την επίδραση του μοντέλου αναβάθμισης στα δεδομένα δοκιμής.
Ακολουθήστε τις οδηγίες στο εκπαιδευτικό βοήθημα για τις αιτιώδεις επιπτώσεις των ιατρικών θεραπειών .
Προγνωστική συντήρηση
Εκπαιδεύστε πολλά μοντέλα σε ιστορικά δεδομένα, για να προβλέψετε μηχανικές αποτυχίες, όπως η θερμοκρασία και η ταχύτητα περιστροφής. Στη συνέχεια, προσδιορίστε ποιο μοντέλο είναι το καλύτερο κατάλληλο για την πρόβλεψη μελλοντικών αποτυχιών.
Ακολουθήστε τις οδηγίες στο πρόγραμμα εκμάθησης προγνωστικής συντήρησης .
Πρόβλεψη πωλήσεων
Προβλέψτε μελλοντικές πωλήσεις για κατηγορίες προϊόντων superstore. Εκπαιδεύστε ένα μοντέλο σε ιστορικά δεδομένα για να το κάνετε.
Ακολουθήστε τις οδηγίες στο εκπαιδευτικό βοήθημα για την πρόβλεψη πωλήσεων .