Usar exemplos de IA de ponta a ponta no Microsoft Fabric

  • Artigo

A experiência Synapse Data Science software as a service (SaaS) no Microsoft Fabric pode ajudar os profissionais de aprendizado de máquina a criar, implantar e operacionalizar seus modelos de aprendizado de máquina em uma única plataforma de análise, enquanto colaboram com outras funções importantes. Este artigo descreve os recursos da experiência Synapse Data Science e como os modelos de aprendizado de máquina podem resolver problemas comuns de negócios.

Instalar bibliotecas Python

Alguns dos exemplos de IA de ponta a ponta exigem outras bibliotecas para desenvolvimento de modelo de aprendizado de máquina ou análise de dados ad hoc. Você pode escolher uma dessas opções para instalar rapidamente essas bibliotecas para sua sessão do Apache Spark.

Instalar com capacidades de instalação em linha

Use os recursos de instalação em linha do Python - por exemplo, ou %conda - em seu notebook, %pip para instalar novas bibliotecas. Esta opção instala as bibliotecas apenas no bloco de notas atual e não na área de trabalho. Use este código para instalar uma biblioteca. Substitua <library name> pelo nome da sua biblioteca: imblearn ou wordcloud.

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

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

Definir bibliotecas padrão para o espaço de trabalho

Para disponibilizar suas bibliotecas para uso em qualquer bloco de anotações no espaço de trabalho, você pode usar um ambiente de malha para essa finalidade. Você pode criar um ambiente, instalar a biblioteca nele e, em seguida, o administrador do espaço de trabalho pode anexar o ambiente ao espaço de trabalho como seu ambiente padrão. Para obter mais informações sobre como definir um ambiente como o espaço de trabalho padrão, consulte Admin define bibliotecas padrão para o espaço de trabalho.

Importante

O gerenciamento de bibliotecas na configuração do espaço de trabalho não é mais suportado. Você pode seguir "Migrar bibliotecas de espaço de trabalho e propriedades do Spark para um ambiente padrão" para migrar bibliotecas de espaço de trabalho existentes para um ambiente e anexá-lo como o padrão do espaço de trabalho.

Siga os tutoriais para criar modelos de aprendizado de máquina

Estes tutoriais fornecem exemplos completos para cenários comuns.

Alterações dos clientes

Crie um modelo para prever a taxa de churn para clientes bancários. A taxa de churn, também chamada de taxa de atrito, é a taxa na qual os clientes deixam de fazer negócios com o banco.

Acompanhe o tutorial de previsão de rotatividade de clientes.

Recomendações

Uma livraria online quer fornecer recomendações personalizadas para aumentar as vendas. Com os dados de classificação do livro de clientes, você pode desenvolver e implantar um modelo de recomendação para fazer previsões.

Acompanhe no treinamento um tutorial do modelo de recomendação de varejo.

Deteção de fraudes

À medida que as transações não autorizadas aumentam, a deteção de fraudes com cartões de crédito em tempo real pode ajudar as instituições financeiras a fornecer aos clientes um tempo de resposta mais rápido na resolução. Um modelo de deteção de fraude inclui pré-processamento, treinamento, armazenamento de modelos e inferência. A parte de treinamento analisa vários modelos e métodos que abordam desafios como exemplos desequilibrados e compensações entre falsos positivos e falsos negativos.

Acompanhe o tutorial de deteção de fraudes.

Previsão

Com dados históricos de vendas de imóveis em Nova York e o Facebook Prophet, construa um modelo de série temporal com informações de tendência e sazonalidade para prever quais vendas em ciclos futuros.

Acompanhe o tutorial de previsão de séries temporais .

Classificação de textos

Aplique a classificação de texto com word2vec e um modelo de regressão linear no Spark, para prever se um livro na Biblioteca Britânica é ou não ficção, com base em metadados de livros.

Acompanhe o tutorial de classificação de texto.

Modelo de elevação

Estimar o impacto causal de certos tratamentos médicos no comportamento de um indivíduo, com um modelo de elevação. Toque em quatro áreas principais nestes módulos:

  • Módulo de processamento de dados: extrai características, tratamentos e rótulos.
  • Módulo de treinamento: prever a diferença no comportamento de um indivíduo quando tratado e quando não tratado, com um modelo clássico de aprendizado de máquina - por exemplo, LightGBM.
  • Módulo de previsão: chama o modelo de elevação para previsões em dados de teste.
  • Módulo de avaliação: avalia o efeito do modelo de elevação nos dados do teste.

Acompanhe o tutorial sobre o impacto causal dos tratamentos médicos.

Manutenção preditiva

Treine vários modelos com base em dados históricos, para prever falhas mecânicas, como temperatura e velocidade de rotação. Em seguida, determine qual modelo é o mais adequado para prever falhas futuras.

Acompanhe o tutorial de manutenção preditiva.

Previsão de vendas

Preveja vendas futuras para categorias de produtos de superlojas. Treine um modelo com base em dados históricos para fazê-lo.

Acompanhe o tutorial de previsão de vendas.

Conteúdos relacionados