Utilisez des échantillons d’IA de bout en bout dans Microsoft Fabric

La charge de travail du logiciel Data Science as a Service (SaaS) fait partie de Microsoft Fabric. Il aide les professionnels de l’apprentissage automatique à construire, déployer et opérationnaliser leurs modèles d’apprentissage automatique. Le logiciel de Data Science fonctionne sur une seule plateforme d’analytique, mais collabore simultanément avec d’autres rôles clés. Cet article décrit les capacités de la charge de travail en Data Science et comment les modèles d’apprentissage automatique peuvent résoudre des problèmes métier courants.

Installer des bibliothèques Python

Certains exemples d’IA de bout en bout nécessitent d’autres bibliothèques pour le développement de modèles d’apprentissage automatique ou l’analyse de données ad hoc. Vous pouvez choisir l’une de ces options pour installer rapidement ces bibliothèques pour votre session Apache Spark.

Installez avec des fonctionnalités d’installation intégrée

Dans votre notebook, utilisez les capacités d’installation en ligne de Python – par exemple, %pip ou %conda – pour installer de nouvelles bibliothèques. Cette option n’installe les bibliothèques que dans le notebook actuel. Il n’installe pas les bibliothèques dans l’espace de travail. Utilisez le code suivant pour installer une bibliothèque. Remplacez <library name> par le nom de votre bibliothèque : imblearn ou wordcloud:

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

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

Définir les bibliothèques par défaut pour l’espace de travail

Utilisez un environnement Fabric pour rendre vos bibliothèques disponibles dans un carnet de travail. Vous pouvez créer un environnement, y installer la bibliothèque, et votre administrateur de l’espace de travail peut attacher l’environnement à l’espace de travail comme environnement par défaut. Pour plus d’informations sur la définition des bibliothèques par défaut d’un espace de travail, consultez la ressource L’administrateur définit les bibliothèques par défaut de l’espace de travail.

Suivez des tutoriels pour créer des modèles d’apprentissage automatique

Ces tutoriels fournissent des exemples de bout en bout pour des scénarios courants.

Perte de clientèle

Construisez un modèle pour prédire le taux de désabonnement des clients bancaires. Le taux de désabonnement – également appelé taux d’attrition – est le taux auquel les clients cessent de faire affaire avec la banque.

Suivez le tutoriel de prévision du churn client .

Recommendations

Une librairie en ligne souhaite fournir des recommandations personnalisées pour augmenter les ventes. Avec les données d’évaluation des clients sur le livre de clients, vous pouvez développer et déployer un modèle de recommandation pour faire des prédictions.

Suivez le tutoriel de formation d’un modèle de recommandation pour le commerce de détail.

Détection des fraudes

Avec l’augmentation des transactions non autorisées, la détection en temps réel des fraudes à la carte de crédit peut aider les institutions financières à résoudre les plaintes des clients plus rapidement. Un modèle de détection de fraude inclut le prétraitement, l’entraînement, le stockage du modèle et l’inférence. La phase de formation passe en revue plusieurs modèles et méthodes qui répondent à des défis spécifiques – par exemple, des situations de déséquilibre, des compromis entre faux positifs et faux négatifs, etc.

Suivez le tutoriel de détection de la fraude .

Forecasting

Avec les données historiques des ventes immobilières de New York et Facebook Prophet, construisez un modèle de séries chronologiques avec des informations sur les tendances et la saisonnalité, afin de prévoir les ventes dans les cycles futurs.

Suivez le tutoriel de prévision des séries temporelles .

Classification de texte

Basé sur les métadonnées du livre, appliquez la classification des textes avec Word2vec et un modèle de régression linéaire pour prédire, dans Spark, si un livre de la British Library est de la fiction ou non-fiction.

Suivez le tutoriel de classification des textes .

Modèle de soulèvement

Utilisez un modèle de remontée pour estimer l’impact causal de certains traitements médicaux sur le comportement d’un individu. Abordez quatre axes clés dans ces modules :

• Module de traitement des données : extraction des caractéristiques, des traitements et des étiquettes
• Module d’entraînement : prédire la différence de comportement d’un individu lorsqu’il est traité ou non, avec un modèle classique d’apprentissage automatique - par exemple, LightGBM
• Module de prédiction : appelle le modèle d’uplift afin d’effectuer des prédictions sur les données de test
• Module d’évaluation : évalue l’effet du modèle de soulèvement sur les données d’essai

Suivez le tutoriel sur l’impact causal des traitements médicaux .

Maintenance prédictive

Entraînez plusieurs modèles sur des données historiques pour prédire des pannes mécaniques – par exemple, des défaillances liées à la température du procédé ou à la vitesse de rotation de l’outil. Ensuite, déterminer quel modèle convient le mieux pour prédire les défaillances futures.

Suivez le tutoriel de maintenance prédictive .

Prévisions des ventes

Prédire les ventes futures des catégories de produits des supermarchés. Entraînez un modèle à partir de données historiques pour cela.

Suivez le tutoriel de prévision des ventes .

Contenu connexe

• Comment utiliser les blocs-notes Microsoft Fabric
• Modèle d’apprentissage automatique dans Microsoft Fabric