Bruke ende-til-ende AI-eksempler i Microsoft Fabric
Synapse Data Science-programvaren som en tjenesteopplevelse (SaaS) i Microsoft Fabric kan hjelpe maskinlæringsteknikere med å bygge, distribuere og operasjonalisere maskinlæringsmodellene sine i én enkelt analyseplattform, samtidig som de samarbeider med andre sentrale roller. Denne artikkelen beskriver både funksjonene i Synapse Data Science-opplevelsen, og hvordan maskinlæringsmodeller kan løse vanlige forretningsproblemer.
Installer Python-biblioteker
Noen av de ende-til-ende AI-eksemplene krever andre biblioteker for maskinlæringsmodellutvikling eller ad hoc-dataanalyse. Du kan velge ett av disse alternativene for raskt å installere disse bibliotekene for Apache Spark-økten.
Installer med innebygde installasjonsfunksjoner
Bruk python-innebygde installasjonsfunksjoner, for eksempel eller %pip %conda – i notatblokken, til å installere nye biblioteker. Dette alternativet installerer bibliotekene bare i gjeldende notatblokk, og ikke i arbeidsområdet. Bruk denne koden til å installere et bibliotek. Erstatt <library name> med navnet på biblioteket: imblearn eller wordcloud.
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Angi standardbiblioteker for arbeidsområdet
Hvis du vil gjøre bibliotekene tilgjengelige for bruk i alle notatblokker i arbeidsområdet, kan du bruke et stoffmiljø til dette formålet. Du kan opprette et miljø, installere biblioteket i det, og deretter kan administratoren for arbeidsområdet knytte miljøet til arbeidsområdet som standardmiljø. Hvis du vil ha mer informasjon om hvordan du angir et miljø som standard for arbeidsområdet, kan du se Administrator angir standardbiblioteker for arbeidsområdet.
Viktig
Bibliotekbehandling på innstillingen for arbeidsområdet støttes ikke lenger. Du kan følge «Overføre arbeidsområdebiblioteker og Spark-egenskaper til et standardmiljø» for å overføre eksisterende arbeidsområdebiblioteker til et miljø og legge det ved som standard for arbeidsområdet.
Følg opplæringer for å opprette maskinlæringsmodeller
Disse opplæringene gir ende-til-ende-eksempler for vanlige scenarioer.
Kundefrafall
Bygg en modell for å forutsi frafallsrenten for bankkunder. Churn rate, også kalt frekvensen av attrition, er hastigheten som kundene slutter å gjøre forretninger med banken.
Følg med i den forutsikende opplæringen for kundefrafall .
Anbefalinger
En online bokhandel ønsker å gi tilpassede anbefalinger for å øke salget. Med vurderingsdata for kundebok kan du utvikle og distribuere en anbefalingsmodell for å lage prognoser.
Følg med i opplæringen en detaljhandel anbefaling modell opplæring.
Svindeloppdagelse
Etter hvert som uautoriserte transaksjoner øker, kan registrering av kredittkortsvindel i sanntid hjelpe finansinstitusjoner med å gi kundene raskere behandlingstid ved løsning. En modell for svindelgjenkjenning inkluderer forhåndsbehandling, opplæring, modelllagring og utsettelse. Opplæringsdelen gjennomgår flere modeller og metoder som tar for seg utfordringer som ubalanserte eksempler og avveininger mellom falske positiver og falske negativer.
Følg med i opplæringen for svindelregistrering .
Prognoser
Med historiske salgsdata for eiendom i New York City, og Facebook Prophet, kan du bygge en tidsseriemodell med trend- og sesonginformasjon for å forutsi hva salg i fremtidige sykluser.
Følg med i prognoseopplæringen for tidsserier .
Tekstklassifisering
Bruk tekstklassifisering med word2vec og en lineær regresjonsmodell i Spark for å forutsi om en bok i British Library er fiksjon eller sakprosa, basert på bokmetadata.
Følg med i opplæringen for tekstklassifisering .
Opphevingsmodell
Estimer årsaksvirkningen av visse medisinske behandlinger på en persons atferd, med en oppløftende modell. Trykk på fire kjerneområder i disse modulene:
- Databehandlingsmodul: trekker ut funksjoner, behandlinger og etiketter.
- Opplæringsmodul: Forutsi forskjellen i en persons atferd når den behandles og når den ikke behandles, med en klassisk maskinlæringsmodell - for eksempel LightGBM.
- Prognosemodul: kaller opp opphevingsmodellen for prognoser om testdata.
- Evalueringsmodul: evaluerer effekten av opphevingsmodellen på testdata.
Følg med i årsaksvirkningen av medisinsk behandling opplæring .
Prediktivt vedlikehold
Lær opp flere modeller på historiske data, for å forutsi mekaniske feil som temperatur og rotasjonshastighet. Deretter bestemmer du hvilken modell som passer best til å forutsi fremtidige feil.
Følg med i opplæringen for prediktivt vedlikehold .
Salgsprognose
Forutsi fremtidig salg for produktkategorier for superlager. Kalibrer en modell på historiske data for å gjøre det.
Følg med i opplæringen for salgsprognoser .