データサイエンスソフトウェア・アズ・ア・サービス(SaaS)ワークロードはMicrosoft Fabricの一部です。 機械学習の専門家が自社の機械学習モデルを構築し、展開し、運用するのを支援します。 データサイエンスソフトウェアは単一の分析プラットフォーム上で動作しますが、同時に他の主要な役割とも連携しています。 この記事では、データサイエンスワークロードの能力と、機械学習モデルが一般的なビジネス課題にどのように対応できるかについて説明します。
Python ライブラリをインストールする
エンドツーエンドのAIサンプルの中には、機械学習モデル開発やアドホックデータ解析のために他のライブラリが必要なものもあります。 これらのオプションのいずれかを選んで、Apache Sparkセッション用にこれらのライブラリを素早くインストールできます。
インライン インストール機能を使用してインストール
ノートブックでは、Pythonインラインインストール機能(例えば%pipや%conda)を使って新しいライブラリをインストールします。 このオプションは現在のノートブックにのみライブラリをインストールします。 ワークスペースにライブラリをインストールしません。 以下のコードスニペットを使ってライブラリをインストールしてください。
<library name>を図書館名に置き換えてください:imblearnまたはwordcloud:
# Use pip to install libraries
%pip install <library name>
# Use conda to install libraries
%conda install <library name>
ワークスペースのデフォルトライブラリを設定してください
Fabric環境を使って、ワークスペースノートブックでライブラリを利用できるようにしましょう。 環境を作成し、ライブラリをインストールし、 ワークスペース管理者 がその環境をワークスペースのデフォルト環境として接続できます。 ワークスペースのデフォルトライブラリ設定についての詳細は、「 ワークスペースリソースの管理者設定デフォルトライブラリ 」をご覧ください。
Important
ワークスペース設定でのライブラリ管理はもはやサポートされていません。 既存のワークスペースライブラリの環境移行やデフォルトワークスペース環境の選択についての詳細は 、「Migrate workspace libraries and Spark properties to a default environment(ワークスペースライブラリおよびSparkプロパティをデフォルト環境へ移行 )」をご覧ください。
機械学習モデルを作成するためのチュートリアルに従ってください
これらのチュートリアルは、一般的なシナリオに対するエンドツーエンドのサンプルを提供します。
顧客離れ
銀行顧客の離職率を予測するモデルを構築しましょう。 チャーン率(離脱率とも呼ばれる)は、顧客が銀行との取引をやめる速度のことです。
顧客 離脱予測 チュートリアルをフォローしてください。
推奨事項
オンライン書店は売上を伸ばすためにカスタマイズされたおすすめを提供したいと考えています。 顧客の予約評価データがあれば、予測のための推薦モデルを開発・展開できます。
小売向けレコメンデーション モデルを学習するチュートリアルに沿って進めてください。
不正行為の検出
不正取引の増加に伴い、リアルタイムのクレジットカード詐欺検出は金融機関が顧客の苦情をより迅速に解決するのに役立ちます。 不正検出モデルには、前処理、訓練、モデル保存、推論が含まれます。 トレーニング段階では、特定の課題に対応する複数のモデルや手法をレビューします。例えば、不均衡の状況や偽陽性と偽陰性のトレードオフなどです。
不正検出のチュートリアルをフォローしてください。
Forecasting
ニューヨーク市の過去の不動産販売データとFacebook Prophetの両方を活用し、トレンドや季節性の情報を含む時系列モデルを構築し、将来のサイクルでの販売を予測します。
時 系列予測 のチュートリアルをフォローしてください。
テキスト分類
書籍のメタデータに基づき、Word2vecと線形回帰モデルを用いてテキスト分類を適用し、Sparkで英国図書館の書籍がフィクションかノンフィクションかを予測します。
テキスト分類のチュートリアルを進めてください。
アップリフトモデル
アップリフトモデルを用いて、特定の医療処置が個人の行動に与える因果的影響を推定します。 これらのモジュールでは、4つの主要な分野に触れます。
- データ処理モジュール:特徴、処理、ラベルを抽出します
- トレーニングモジュール:従来の機械学習モデル(例:LightGBM)を用いて、個人の行動の違いを治療時と未治療時の差異を予測します
- 予測モジュール:テストデータに対するアップリフトモデルの予測を呼び出します
- 評価モジュール:アップリフトモデルがテストデータに与える影響を評価する
医療の因果影響についてのチュートリアルをフォローしてください。
予測メンテナンス
過去のデータに基づいて複数のモデルを訓練し、機械的故障、例えばプロセス温度や工具回転速度に関わる故障を予測します。 次に、将来の故障を予測するのに最適なモデルを特定します。
予測保全のチュートリアルをフォローしてください。
販売予測
スーパーストアの商品カテゴリーの将来の売上を予測しましょう。 そのために過去のデータでモデルを訓練してください。
売上予測のチュートリアルをぜひご覧ください。