Använda AI-exempel från slutpunkt till slutpunkt i Microsoft Fabric
Synapse Datavetenskap saaS-upplevelse (programvara som en tjänst) i Microsoft Fabric kan hjälpa maskininlärningspersonal att skapa, distribuera och operationalisera sina maskininlärningsmodeller på en enda analysplattform, samtidigt som de samarbetar med andra nyckelroller. Den här artikeln beskriver både funktionerna i Synapse Datavetenskap erfarenhet och hur maskininlärningsmodeller kan hantera vanliga affärsproblem.
Installera Python-bibliotek
Vissa av AI-exemplen från slutpunkt till slutpunkt kräver andra bibliotek för utveckling av maskininlärningsmodeller eller ad hoc-dataanalys. Du kan välja något av de här alternativen för att snabbt installera biblioteken för Apache Spark-sessionen.
Installera med funktioner för infogad installation
Använd inline-installationsfunktionerna i Python, %pip till exempel eller %conda , i notebook-filen för att installera nya bibliotek. Det här alternativet installerar bara biblioteken i den aktuella notebook-filen och inte på arbetsytan. Använd den här koden för att installera ett bibliotek. Ersätt <library name> med namnet på biblioteket: imblearn eller wordcloud.
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Ange standardbibliotek för arbetsytan
För att göra dina bibliotek tillgängliga för användning i alla notebook-filer på arbetsytan kan du använda en Infrastrukturmiljö för det ändamålet. Du kan skapa en miljö, installera biblioteket i den och sedan kan din arbetsyteadministratör koppla miljön till arbetsytan som standardmiljö. Mer information om hur du anger en miljö som standard för arbetsytan finns i Administratörsuppsättningar för standardbibliotek för arbetsytan.
Viktigt!
Bibliotekshantering på arbetsytan stöds inte längre. Du kan följa "Migrera arbetsytebibliotek och Spark-egenskaper till en standardmiljö" för att migrera befintliga arbetsytebibliotek till en miljö och koppla det som standard för arbetsytan.
Följ självstudier för att skapa maskininlärningsmodeller
De här självstudierna innehåller exempel från slutpunkt till slutpunkt för vanliga scenarier.
Konsumentförlust
Skapa en modell för att förutsäga omsättningsfrekvensen för bankkunder. Omsättningsräntan, även kallad attritionsgrad, är den takt med vilken kunderna slutar göra affärer med banken.
Följ med i självstudien förutsäga kundomsättning .
Rekommendationer
En onlinebokhandel vill ge anpassade rekommendationer för att öka försäljningen. Med kundboksklassificeringsdata kan du utveckla och distribuera en rekommendationsmodell för att göra förutsägelser.
Följ med i självstudiekursen om att träna en modell för detaljhandelsrekommendationer .
Upptäckt av bedrägerier
När obehöriga transaktioner ökar kan identifiering av kreditkortsbedrägerier i realtid hjälpa finansinstitut att ge kunderna snabbare handläggningstid vid lösning. En modell för identifiering av bedrägerier omfattar förbearbetning, utbildning, modelllagring och slutsatsdragning. Utbildningsdelen granskar flera modeller och metoder som hanterar utmaningar som obalanserade exempel och kompromisser mellan falska positiva och falska negativa resultat.
Följ med i självstudien om bedrägeriidentifiering .
Prognostisering
Med historiska data om fastighetsförsäljning i New York City och Facebook Prophet skapar du en tidsseriemodell med trend- och säsongsinformation för att förutsäga vilken försäljning i framtida cykler.
Följ med i självstudien om tidsserieprognoser .
Textklassificering
Använd textklassificering med word2vec och en linjär regressionsmodell i Spark för att förutsäga om en bok i British Library är fiktion eller nonfiction, baserat på bokmetadata.
Följ med i självstudien om textklassificering .
Upplyftningsmodell
Uppskatta orsakssambanden av vissa medicinska behandlingar på en individs beteende, med en upplyftningsmodell. Berör fyra kärnområden i dessa moduler:
- Modul för databearbetning: extraherar funktioner, behandlingar och etiketter.
- Träningsmodul: förutsäga skillnaden i en individs beteende när den behandlas och när den inte behandlas, med en klassisk maskininlärningsmodell – till exempel LightGBM.
- Förutsägelsemodul: anropar upplyftningsmodellen för förutsägelser om testdata.
- Utvärderingsmodul: utvärderar effekten av upplyftningsmodellen på testdata.
Följ med i självstudiekursen om kausala effekter av medicinska behandlingar .
Förebyggande underhåll
Träna flera modeller på historiska data för att förutsäga mekaniska fel som temperatur och rotationshastighet. Bestäm sedan vilken modell som passar bäst för att förutsäga framtida fel.
Följ med i självstudien för förutsägande underhåll .
Försäljningsprognos
Förutse framtida försäljning för produktkategorier för superstore. Träna en modell på historiska data för att göra det.
Följ med i självstudien om försäljningsprognoser .