Végpontok közötti AI-minták használata a Microsoft Fabricben

  • Cikk

A Synapse szolgáltatásként Adattudomány szoftver (SaaS) a Microsoft Fabricben segíthet a gépi tanulási szakembereknek a gépi tanulási modellek egyetlen elemzési platformon történő összeállításában, üzembe helyezésében és üzembe helyezésében, miközben más kulcsfontosságú szerepkörökkel is együttműködnek. Ez a cikk a Synapse Adattudomány élményének képességeit, valamint azt ismerteti, hogyan oldhatják meg a gépi tanulási modellek a gyakori üzleti problémákat.

Python-kódtárak telepítése

A végpontok közötti AI-minták némelyikéhez más kódtárak szükségesek a gépi tanulási modellek fejlesztéséhez vagy az alkalmi adatelemzéshez. Ezek közül a lehetőségek közül választhat, ha gyorsan telepíti ezeket a kódtárakat az Apache Spark-munkamenethez.

Telepítés beágyazott telepítési képességekkel

Az új kódtárak telepítéséhez használja a Python beágyazott telepítési képességeit , %pip például a jegyzetfüzetben vagy %conda a jegyzetfüzetben. Ez a beállítás csak az aktuális jegyzetfüzetben telepíti a kódtárakat, a munkaterületen nem. Ezzel a kóddal telepíthet egy kódtárat. Cserélje le <library name> a kódtár nevére: imblearn vagy wordcloud.

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

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

Alapértelmezett kódtárak beállítása a munkaterülethez

Ha elérhetővé szeretné tenni a kódtárakat a munkaterület bármely jegyzetfüzetében, erre a célra használhat hálókörnyezetet. Létrehozhat egy környezetet, telepítheti benne a tárat, majd a munkaterület rendszergazdája alapértelmezett környezetként csatolhatja a környezetet a munkaterülethez. A környezet alapértelmezettként való beállításáról további információt Rendszergazda a munkaterület alapértelmezett kódtárainak beállításával kapcsolatban talál.

Fontos

A munkaterület beállításainál már nem támogatott az erőforrástár-kezelés. A "Munkaterületkódtárak és Spark-tulajdonságok áttelepítése alapértelmezett környezetbe" parancsot követve migrálhatja a meglévő munkaterülettárakat egy környezetbe, és alapértelmezett munkaterületként csatolhatja azt.

Gépi tanulási modellek létrehozásához kövesse az oktatóanyagokat

Ezek az oktatóanyagok végpontok közötti mintákat biztosítanak a gyakori forgatókönyvekhez.

Ügyfélforgalom

Hozzon létre egy modellt a banki ügyfelek változási arányának előrejelzéséhez. Az átváltozási ráta, más néven az attrition ráta az az arány, amelyen az ügyfelek leállnak a bankkal folytatott üzleti tevékenységből.

Kövesse az ügyfélváltozás előrejelzését ismertető oktatóanyagot.

Ajánlások

Egy online könyvesbolt személyre szabott javaslatokat szeretne nyújtani az értékesítés növeléséhez. Az ügyfélkönyvek minősítési adataival javaslatmodellt fejleszthet és helyezhet üzembe előrejelzések készítéséhez.

Kövesse a kiskereskedelmi ajánlási modell oktatóanyagának betanítását.

Csalások észlelése

A jogosulatlan tranzakciók növekedésével a hitelkártya-csalások valós idejű észlelése segíthet a pénzügyi intézményeknek a gyorsabb megoldási idő biztosításában. A csalásészlelési modell magában foglalja az előfeldolgozást, a betanítást, a modelltárolást és a következtetést. A képzési rész több modellt és módszert is áttekint, amelyek olyan kihívásokat kezelnek, mint például a kiegyensúlyozatlan példák és a hamis pozitívok és a hamis negatívok közötti kompromisszumok.

Kövesse a csalásészlelési oktatóanyagot.

Előrejelzés

A new york-i ingatlaneladási adatokkal és a Facebook Prophetnal egy idősorozat-modellt készíthet trend- és szezonalitás-információkkal, hogy előre jelezhesse, milyen értékesítések várhatók a jövőbeli ciklusokban.

Kövesse az idősor-előrejelzési oktatóanyagot.

Szövegbesorolás

Szövegbesorolás alkalmazása word2vec és lineáris regressziós modell használatával a Sparkban annak előrejelzéséhez, hogy a British Library egyik könyve fikció vagy nem fikció-e, a könyv metaadatai alapján.

Kövesse a szövegbesorolási oktatóanyagot.

Uplift modell

Becsülje meg bizonyos orvosi kezelések okozati hatását az egyén viselkedésére egy felemelő modellel. Az alábbi modulok négy alapvető területének érintése:

  • Adatfeldolgozási modul: kinyeri a funkciókat, a kezeléseket és a címkéket.
  • Betanítási modul: a klasszikus gépi tanulási modell ( például LightGBM) segítségével előrejelezheti az egyén viselkedésének különbségét kezelés és kezelés nélkül.
  • Előrejelzési modul: meghívja a felfelé irányuló modellt a tesztadatokra vonatkozó előrejelzésekhez.
  • Kiértékelési modul: kiértékeli a felemelési modellnek a tesztadatokra gyakorolt hatását.

Kövesse az orvosi kezelések ok-okozati hatását bemutató oktatóanyagot.

Prediktív karbantartás

Több modell betanítása előzményadatokon a mechanikai hibák, például a hőmérséklet és a forgási sebesség előrejelzéséhez. Ezután határozza meg, hogy melyik modell felel meg a legjobban a jövőbeli hibák előrejelzéséhez.

Kövesse a prediktív karbantartási oktatóanyagot.

Értékesítési előrejelzés

A superstore-termékkategóriák jövőbeli értékesítésének előrejelzése. Ehhez betanítsa a modellt az előzményadatokra.

Kövesse az értékesítési előrejelzési oktatóanyagot.

Kapcsolódó tartalom