Usare esempi di IA end-to-end in Microsoft Fabric
L'esperienza software as a service (SaaS) di Synapse Data Science in Microsoft Fabric può aiutare i professionisti di Machine Learning a creare, distribuire e rendere operativi i propri modelli di Machine Learning in una singola piattaforma di analisi, collaborando con altri ruoli chiave. Questo articolo descrive sia le funzionalità dell'esperienza di Synapse Data Science e sia come i modelli di Machine Learning possono risolvere i problemi aziendali comuni.
Installare librerie Python
Alcuni esempi di IA end-to-end richiedono altre librerie per lo sviluppo di modelli di Machine Learning o per l'analisi dei dati ad hoc. È possibile scegliere una di queste opzioni per installare rapidamente tali librerie per la sessione di Apache Spark.
Installare con funzionalità di installazione inline
Usare le funzionalità di installazione inline di Python, ad esempio %pip o %conda, nel notebook per installare nuove librerie. Questa opzione installa le librerie solo nel notebook corrente e non nell'area di lavoro. Usare questo codice per installare una libreria. Sostituire <library name> con il nome della libreria: imblearn o wordcloud.
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
Impostare le librerie predefinite per l'area di lavoro
Per rendere le librerie disponibili per l'uso in qualsiasi notebook nell'area di lavoro, è possibile usare un ambiente Fabric a tale scopo. È possibile creare un ambiente, installare la libreria e quindi l'amministratore dell'area di lavoro può collegare l'ambiente all'area di lavoro come ambiente predefinito. Per altre informazioni sull'impostazione predefinita di un ambiente, vedere Impostazione predefinita dell'area di lavoro da parte dell'amministratore.
Importante
La gestione delle librerie nell'impostazione dell'area di lavoro non è più supportata. È possibile seguire "Eseguire la migrazione delle librerie dell'area di lavoro e delle proprietà Spark a un ambiente predefinito" per eseguire la migrazione delle librerie di aree di lavoro esistenti a un ambiente e collegarla come impostazione predefinita dell'area di lavoro.
Seguire le esercitazioni per creare modelli di Machine Learning
Queste esercitazioni forniscono esempi end-to-end per scenari comuni.
Abbandono dei clienti
Creare un modello per stimare il tasso di varianza per i clienti bancari. Il tasso di varianza, detto anche tasso di attrito, è il tasso a cui i clienti smettono di fare affari con la banca.
Seguire la procedura descritta nell'esercitazione di previsione della varianza dei clienti.
Consigli
Un bookstore online vuole fornire raccomandazioni personalizzate per aumentare le vendite. Con i dati sulle valutazioni dei libri da parte dei clienti, è possibile sviluppare e distribuire un modello di raccomandazione per eseguire previsioni.
Seguire l'esercitazione sul training di un modello di suggerimento per la vendita al dettaglio.
Rilevamento delle frodi
Con l'aumento delle transazioni non autorizzate, il rilevamento delle frodi con carta di credito in tempo reale può aiutare gli istituti finanziari a fornire ai clienti tempi di turnaround più rapidi sulla risoluzione. Un modello di rilevamento delle frodi include la pre-elaborazione, il training, l'archiviazione dei modelli e l'inferenza. La parte di training esamina più modelli e metodi che affrontano sfide come esempi sbilanciati e compromessi tra falsi positivi e falsi negativi.
Seguire l'esercitazione sul rilevamento delle frodi.
Previsioni
Con i dati storici sulle vendite delle proprietà di New York City e Facebook Prophet, creare un modello di serie temporale con informazioni sulla tendenza e sulla stagionalità per prevedere le vendite nei cicli futuri.
Seguire l'esercitazione sulla previsione delle serie temporali.
Classificazione testo
Applicare la classificazione del testo con word2vec e un modello di regressione lineare in Spark per stimare se un libro nella British Library è di narrativa o di saggistica, in base ai metadati dei libri.
Seguire la procedura descritta nell'esercitazione sulla classificazione del testo.
Modello di uplift
Stimare l'impatto causale di determinati trattamenti medici sul comportamento di un individuo, con un modello di uplift. Toccare quattro aree principali in questi moduli:
- Modulo di elaborazione dati: estrarre caratteristiche, trattamenti ed etichette.
- Modulo di training: prevedere la differenza nel comportamento di un individuo quando viene trattato e quando non viene trattato, con un modello di Machine Learning classico, ad esempio LightGBM.
- Modulo di stima: chiamare il modello di uplift per le previsioni sui dati di test.
- Modulo di valutazione: valutare l'effetto del modello di uplift dei dati di test.
Seguire l'esercitazione sull'impatto causale di trattamenti medici.
Manutenzione predittiva
Eseguire il training di più modelli sui dati storici per prevedere errori meccanici, ad esempio di temperatura e velocità rotazionale. Determinare quindi quale modello è la soluzione migliore per prevedere gli errori futuri.
Seguire l'esercitazione sulla manutenzione predittiva.
Previsioni di vendita
Prevedere le vendite future per le categorie di prodotti superstore. Eseguire il training di un modello sui dati storici a tale scopo.
Seguire l'esercitazione sulle previsioni di vendita.