Menggunakan sampel AI end-to-end di Microsoft Fabric

  • Artikel

Pengalaman Synapse Ilmu Data software as a service (SaaS) di Microsoft Fabric dapat membantu profesional pembelajaran mesin membangun, menyebarkan, dan mengoprasikan model pembelajaran mesin mereka dalam satu platform analitik, sambil berkolaborasi dengan peran utama lainnya. Artikel ini menjelaskan kemampuan pengalaman Ilmu Data Synapse, dan bagaimana model pembelajaran mesin dapat mengatasi masalah bisnis umum.

Menginstal pustaka Python

Beberapa sampel AI end-to-end memerlukan pustaka lain untuk pengembangan model pembelajaran mesin atau analisis data ad hoc. Anda dapat memilih salah satu opsi ini untuk menginstal pustaka tersebut dengan cepat untuk sesi Apache Spark Anda.

Menginstal dengan kemampuan penginstalan sebaris

Gunakan kemampuan penginstalan sebaris Python- misalnya, %pip atau %conda - di buku catatan Anda, untuk menginstal pustaka baru. Opsi ini menginstal pustaka hanya di buku catatan saat ini, dan bukan di ruang kerja. Gunakan kode ini untuk menginstal pustaka. Ganti <library name> dengan nama pustaka Anda: imblearn atau wordcloud.

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

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

Mengatur pustaka default untuk ruang kerja

Untuk membuat pustaka Anda tersedia untuk digunakan di notebook apa pun di ruang kerja, Anda dapat menggunakan lingkungan Fabric untuk tujuan tersebut. Anda dapat membuat lingkungan, menginstal pustaka di dalamnya, lalu admin ruang kerja Anda dapat melampirkan lingkungan ke ruang kerja sebagai lingkungan defaultnya. Untuk informasi selengkapnya tentang mengatur lingkungan sebagai default ruang kerja, lihat Admin mengatur pustaka default untuk ruang kerja.

Penting

Manajemen pustaka di pengaturan ruang kerja tidak lagi didukung. Anda dapat mengikuti "Memigrasikan pustaka ruang kerja dan properti Spark ke lingkungan default" untuk memigrasikan pustaka ruang kerja yang ada ke lingkungan dan melampirkannya sebagai default ruang kerja.

Ikuti tutorial untuk membuat model pembelajaran mesin

Tutorial ini menyediakan sampel end-to-end untuk skenario umum.

Churn pelanggan

Bangun model untuk memprediksi tingkat churn untuk pelanggan bank. Tingkat churn, juga disebut tingkat attrisi, adalah tingkat di mana pelanggan berhenti berbisnis dengan bank.

Ikuti bersama dalam tutorial memprediksi churn pelanggan.

Rekomendasi

Toko buku online ingin memberikan rekomendasi yang disesuaikan untuk meningkatkan penjualan. Dengan data peringkat buku pelanggan, Anda dapat mengembangkan dan menyebarkan model rekomendasi untuk membuat prediksi.

Ikuti bersama dalam tutorial melatih model rekomendasi ritel.

Deteksi penipuan

Seiring meningkatnya transaksi yang tidak sah, deteksi penipuan kartu kredit real-time dapat membantu lembaga keuangan memberikan waktu penyelesaian yang lebih cepat kepada pelanggan. Model deteksi penipuan mencakup pra-pemrosesan, pelatihan, penyimpanan model, dan inferensi. Bagian pelatihan meninjau beberapa model dan metode yang mengatasi tantangan seperti contoh yang tidak seimbang dan trade-off antara positif palsu dan negatif palsu.

Ikuti tutorial deteksi penipuan.

Prakiraan

Dengan data penjualan properti Kota New York historis, dan Facebook Prophet, bangun model rangkaian waktu dengan informasi tren dan musiman untuk memperkirakan penjualan apa di siklus mendatang.

Ikuti tutorial prakiraan rangkaian waktu.

Klasifikasi teks

Terapkan klasifikasi teks dengan word2vec dan model regresi linier di Spark, untuk memprediksi apakah buku di British Library adalah fiksi atau nonfiksi, berdasarkan metadata buku.

Ikuti tutorial klasifikasi teks.

Model uplift

Perkirakan dampak penyebab perawatan medis tertentu pada perilaku individu, dengan model peningkatan. Sentuh empat area inti dalam modul ini:

  • Modul pemrosesan data: mengekstrak fitur, perawatan, dan label.
  • Modul pelatihan: memprediksi perbedaan perilaku individu saat diperlakukan dan ketika tidak diperlakukan, dengan model pembelajaran mesin klasik - misalnya, LightGBM.
  • Modul prediksi: memanggil model peningkatan untuk prediksi pada data pengujian.
  • Modul evaluasi: mengevaluasi efek model peningkatan pada data pengujian.

Ikuti bersama dalam dampak penyebab tutorial perawatan medis.

Pemeliharaan prediktif

Latih beberapa model pada data historis, untuk memprediksi kegagalan mekanis seperti suhu dan kecepatan rotasi. Kemudian, tentukan model mana yang paling cocok untuk memprediksi kegagalan di masa mendatang.

Ikuti tutorial pemeliharaan prediktif.

Prakiraan penjualan

Memprediksi penjualan di masa mendatang untuk kategori produk superstore. Latih model pada data historis untuk melakukannya.

Ikuti tutorial prakiraan penjualan.

Konten terkait