Compartir a través de


Usar ejemplos de IA de un extremo a otro en Microsoft Fabric

La experiencia de software como servicio (SaaS) de la ciencia de datos de Synapse en Microsoft Fabric puede ayudar a los profesionales del aprendizaje automático a crear, implementar y poner en funcionamiento sus modelos de Machine Learning en una única plataforma de análisis, al tiempo que colaboran con otras funciones clave. Este artículo describe las funcionalidades de la experiencia de Synapse Data Science y cómo los modelos de Machine Learning pueden abordar los problemas empresariales comunes.

Instalación de bibliotecas de Python

Algunos de los ejemplos de IA de un extremo a otro requieren otras bibliotecas adicionales al desarrollar modelos de Machine Learning o realizar análisis de datos ad hoc. Puede seleccionar una de estas opciones para instalar rápidamente estas bibliotecas para la sesión de Apache Spark.

Instalación con funcionalidades de instalación en línea

Use las funcionalidades de instalación insertadas de Python (por ejemplo, %pip o %conda) en el cuaderno para instalar nuevas bibliotecas. Esta opción instalaría las bibliotecas solo en el cuaderno actual y no en el área de trabajo. Use este código para instalar una biblioteca. Reemplace <library name> por el nombre de su biblioteca: imblearn o wordcloud.

# Use pip to install libraries
%pip install <library name>

# Use conda to install libraries
%conda install <library name>

Establecimiento de bibliotecas predeterminadas para el área de trabajo

Para que las bibliotecas estén disponibles para su uso en cualquier cuaderno del área de trabajo, puede usar un entorno de Fabric. Puede crear un entorno, instalar la biblioteca en él y, después, el administrador del área de trabajo puede asociar el entorno al área de trabajo como entorno predeterminado. Para obtener más información sobre cómo configurar un entorno como el predeterminado del área de trabajo, consulte El administrador establece bibliotecas predeterminadas para el área de trabajo.

Importante

Ya no se admite la administración de bibliotecas en la configuración del área de trabajo. Puede seguir "Migración de las bibliotecas de áreas de trabajo y propiedades de Spark a un entorno predeterminado" para migrar las bibliotecas del área de trabajo existentes a un entorno y asociarlas como valor predeterminado del área de trabajo.

Seguimiento de tutoriales para crear modelos de Machine Learning

Estos tutoriales siguientes se proporcionan muestras integrales para escenarios comunes.

Abandono de clientes

Compile un modelo para predecir la tasa de rotación de clientes del banco. La tasa de abandono, también conocida como tasa de atrición, se refiere a la tasa a la que los clientes dejan de hacer negocios con el banco.

Siga los pasos descritos en el tutorial de Predicción de abandono de clientes.

Recomendaciones

Una librería en línea quiere ofrecer recomendaciones personalizadas para aumentar las ventas. Mediante el uso de datos de clasificación de libros de clientes, puede desarrollar e implementar un modelo de recomendaciones para proporcionar predicciones.

Siga los pasos del tutorial Entrenamiento de un modelo de recomendaciones de comercio minorista.

Detección de fraudes

A medida que aumentan las transacciones no autorizadas, la detección de fraudes de tarjetas de crédito en tiempo real ayudará a las instituciones financieras a proporcionar a sus clientes un tiempo de respuesta más rápido para la resolución. Un modelo para la detección de fraudes incluye preprocesamiento, entrenamiento, almacenamiento de modelos e inferencia. En la sección de entrenamiento se revisa la implementación de varios modelos y métodos que abordan desafíos, como ejemplos desequilibrados y las ventajas y desventajas entre falsos positivos y falsos negativos.

Siga los pasos del tutorial Detección de fraudes.

Previsión

Con los datos históricos de Ventas de propiedades de la ciudad de Nueva York y Facebook Prophet, cree un modelo de serie temporal con la información de tendencias, estacionalidad y períodos festivos para predecir el desempeño de las ventas en ciclos futuros.

Siga los pasos del tutorial de Previsión de series temporales.

Clasificación de textos

Aplique la clasificación de texto con word2vec y un modelo de regresión lineal en Spark para predecir si un libro de la Biblioteca Británica es ficción o no ficción, en función de los metadatos del libro.

Siga los pasos del tutorial Clasificación de texto.

Modelo de elevación

Calcule el impacto causal de tratamientos médicos determinados en el comportamiento de un individuo mediante un modelo de elevación. Toque cuatro áreas principales en estos módulos:

  • Módulo de procesamiento de datos: extrae características, tratamientos y etiquetas.
  • Módulo de entrenamiento: prediga la diferencia en el comportamiento de un individuo cuando se trata y cuando no se trata, con un modelo de Machine Learning clásico, por ejemplo, LightGBM.
  • Módulo de predicción: llama al modelo de elevación para predecir según los datos de prueba.
  • Módulo de evaluación: evalúa el efecto del modelo de elevación según los datos de prueba.

Siga el tutorial sobre la repercusión causal de los tratamientos médicos.

Mantenimiento predictivo

Prediga los errores mecánicos mediante el entrenamiento de varios modelos con datos históricos, como la temperatura y la velocidad de rotación. A continuación, determine qué modelo es la mejor opción para predecir errores futuros.

Siga los pasos del tutorial Mantenimiento predictivo.

Previsión de ventas

Prediga las ventas futuras de categorías de productos en un hipermercado. Entrene un modelo en los datos históricos para hacerlo.

Siga el tutorial Previsión de ventas.