Používanie komplexných ukážok AI v službe Microsoft Fabric

  • Článok

Softvér Synapse Data Science ako služba (SaaS) v službe Microsoft Fabric môže pomôcť odborníkom v strojovom učení vytvárať, nasadzovať a prevádzkovať svoje modely strojového učenia na jednej analytickej platforme a zároveň spolupracovať s ďalšími kľúčovými rolami. Tento článok popisuje možnosti skúseností so službou Synapse Data Science a aj to, ako môžu modely strojového učenia riešiť bežné obchodné problémy.

Inštalácia knižníc jazyka Python

Niektoré z komplexných ukážok AI vyžadujú iné knižnice na vývoj modelu strojového učenia alebo analýzu údajov ad hoc. Môžete si vybrať jednu z týchto možností na rýchlu inštaláciu knižníc pre reláciu Apache Spark.

Inštalácia s možnosťami vnorenej inštalácie

Na inštaláciu nových knižníc použite možnosti vnorenej inštalácie jazyka Python, %pip napríklad alebo %conda – v poznámkovom bloku. Táto možnosť nainštaluje knižnice iba v aktuálnom poznámkovom bloku, nie v pracovnom priestore. Pomocou tohto kódu nainštalujte knižnicu. Nahraďte <library name> názvom knižnice: imblearn alebo wordcloud.

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

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

Nastavenie predvolených knižníc pre pracovný priestor

Ak chcete sprístupniť knižnice na použitie v ľubovoľných poznámkových blokoch v pracovnom priestore, môžete na tento účel použiť prostredie služby Fabric. Môžete vytvoriť prostredie, nainštalovať do nej knižnicu a potom môže správca pracovného priestoru k pracovnému priestoru pripojiť prostredie ako predvolené prostredie. Ďalšie informácie o nastavení prostredia ako predvoleného pracovného priestoru nájdete v téme Spravovanie sady predvolených knižníc pre pracovný priestor.

Dôležité

Správa knižníc pri nastavení pracovného priestoru už nie je podporovaná. Ak chcete migrovať existujúce knižnice pracovných priestorov do prostredia a pripojiť ich ako predvolené, môžete postupovať podľa postupu Migrácia knižníc pracovných priestorov a Vlastnosti služby Spark do predvoleného prostredia.

Vytváranie modelov strojového učenia pomocou kurzov

Tieto kurzy poskytujú komplexné ukážky bežných scenárov.

Odchod zákazníka

Vytvorte model na predpovedanie sadzby výpovedí pre zákazníkov banky. Sadzba výpovede, ktorá sa nazýva aj miera opotrebenia, je sadzba, pri ktorej zákazníci prestanú podnikať s bankou.

Postupujte podľa kurzu o vypovedaní zmluvy zákazníkmi .

Odporúčania

Online kníhkupectvo chce poskytnúť prispôsobené odporúčania na zvýšenie predaja. S údajmi o hodnotení kníh zákazníkov môžete vytvoriť a nasadiť model odporúčania na vytváranie predpovedí.

Postupujte podľa pokynov v kurze trénovania modelu odporúčania maloobchodu.

Zisťovanie podvodov

S rastom neoprávnených transakcií môže zisťovanie podvodov kreditných kariet v reálnom čase pomôcť finančným inštitúciám poskytnúť zákazníkom rýchlejšie čas cyklu pri riešení. Model zisťovania podvodov zahŕňa predprocesovanie, trénovanie, ukladací priestor modelu a odvodenie. Časť školenia hodnotí viacero modelov a metód, ktoré riešia problémy, ako sú nevyvážené príklady a kompromisy medzi falošne pozitívnymi a falošne negatívnymi.

Postupujte podľa kurzu zisťovania podvodov.

Prognostika

S historickými údajmi o predaji nehnuteľností v New Yorku a prorokom Facebooku vytvorte model časového radu s informáciami o trende a sezónnosti, aby ste mohli predpovedať, aký predaj v budúcich cykloch.

Postupujte podľa kurzu o predpovedaní časových radov .

Textová klasifikácia

Použite textovú klasifikáciu so slovom2vec a lineárnym regresným modelom v Spark, aby ste mohli predpovedať, či je kniha v Britskej knižnici fikciou alebo nerefiction, na základe metaúdajov knihy.

Postupujte podľa kurzu textovej klasifikácie .

Model uplift

Odhadnite kauzálny vplyv niektorých lekárskych terapií na správanie jednotlivca s modelom upliftu. Dotknite sa štyroch hlavných oblastí v týchto moduloch:

  • Modul spracovania údajov: extrahuje funkcie, procedúry a označenia.
  • Vzdelávací modul: predpoveď rozdielu v správaní jednotlivca pri liečbe a keď sa nelieči, klasickým modelom strojového učenia , napríklad LightGBM.
  • Modul predpovede: volá model uplift pre predpovede o testovacích údajoch.
  • Modul vyhodnotenia: vyhodnotí vplyv modelu uplift na testovacie údaje.

Postupujte podľa kurzu o príčinnom vplyve lekárskej liečby .

Prediktívna údržba

Trénujte viaceré modely na historických údajoch, aby ste mohli predpovedať mechanické zlyhania, ako je napríklad teplota a rýchlosť otáčania. Potom určte, ktorý model je najvhodnejší na predpovedanie budúcich zlyhaní.

Postupujte podľa kurzu o prediktívnej údržbe .

Prognóza predaja

Predpovedajte budúci predaj pre kategórie produktov s supermarketami. Trénujte model na historických údajoch, aby ste tak urobili.

Postupujte podľa kurzu prognózy predaja.

Súvisiaci obsah