Use amostras de IA de ponta a ponta no Microsoft Fabric

A carga de trabalho do software de Ciência de Dados como Serviço (SaaS) faz parte do Microsoft Fabric. Ele ajuda profissionais de aprendizado de máquina a construir, implantar e operacionalizar seus modelos de aprendizado de máquina. O software de Ciência de Dados opera em uma única plataforma analítica, mas colabora com outros papéis-chave ao mesmo tempo. Este artigo descreve as capacidades da carga de trabalho de Ciência de Dados e como modelos de aprendizado de máquina podem resolver problemas comuns de negócios.

Instalar bibliotecas do Python

Algumas das amostras de IA de ponta a ponta exigem outras bibliotecas para desenvolvimento de modelos de aprendizado de máquina ou análise de dados ad hoc. Você pode escolher uma dessas opções para instalar rapidamente essas bibliotecas na sua sessão do Apache Spark.

Instale usando recursos de instalação integrada

No seu notebook, use os recursos de instalação embutida do Python - por exemplo, %pip ou %conda - para instalar novas bibliotecas. Essa opção instala as bibliotecas apenas no notebook atual. Ele não instala as bibliotecas no workspace. Use o seguinte trecho de 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>

Defina bibliotecas padrão para o ambiente de trabalho

Use um ambiente Fabric para disponibilizar suas bibliotecas para uso em um caderno de trabalho. Você pode criar um ambiente, instalar a biblioteca nele, e o administrador do seu workspace pode anexar o ambiente ao workspace como seu ambiente padrão. Para mais informações sobre como definir bibliotecas padrão de um espaço de trabalho, consulte o recurso O administrador define bibliotecas padrão para o espaço de trabalho.

Siga tutoriais para criar modelos de aprendizado de máquina

Esses tutoriais fornecem exemplos completos para cenários comuns.

Rotatividade de clientes

Construa um modelo para prever a taxa de abandono dos clientes bancários. A taxa de abandono – também chamada de taxa de rotatividade – é a taxa pela qual os clientes param de fazer negócios com o banco.

Acompanhe o tutorial de previsão de rotatividade de clientes .

Recommendations

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

Acompanhe o tutorial de treinamento de um modelo de recomendação para varejo.

Detecção de fraude

À medida que as transações não autorizadas aumentam, a detecção de fraudes com cartão de crédito em tempo real pode ajudar as instituições financeiras a resolver reclamações dos clientes mais rapidamente. Um modelo de detecção de fraude inclui pré-processamento, treinamento, armazenamento de modelos e inferência. A fase de treinamento revisa múltiplos modelos e métodos que abordam desafios específicos – por exemplo, situações de desequilíbrio, trocas entre falsos positivos e falsos negativos, etc.

Acompanhe o tutorial de detecção de fraudes .

Forecasting

Com dados históricos de vendas de propriedades em Nova York e o Facebook Prophet, construa um modelo de séries temporais com informações de tendências e sazonalidades para prever vendas em ciclos futuros.

Acompanhe o tutorial de previsão de séries temporais .

Classificação de texto

Com base nos metadados do livro, aplique a classificação de texto com Word2vec e um modelo de regressão linear para prever, no Spark, se um livro da British Library é ficção ou não.

Acompanhe o tutorial de classificação de texto .

Modelo de elevação

Use um modelo uplift para estimar o impacto causal de certos tratamentos médicos no comportamento de um indivíduo. Aborde quatro áreas centrais 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 uplift para fazer previsões com os dados de teste
• Módulo de avaliação: avalia o efeito do modelo de levantamento nos dados de teste

Acompanhe o tutorial sobre o impacto causal dos tratamentos médicos .

Manutenção preditiva

Treine múltiplos modelos com dados históricos para prever falhas mecânicas – por exemplo, falhas envolvendo temperatura do processo ou velocidade de rotação da ferramenta. Depois, determine qual modelo serve como o melhor ajuste para prever falhas futuras.

Acompanhe o tutorial de manutenção preditiva .

Previsão de vendas

Prever vendas futuras para categorias de produtos de supermercados. Treine um modelo com dados históricos para isso.

Acompanhe o tutorial de previsão de vendas .

Conteúdo relacionado

• Como usar os cadernos do Microsoft Fabric
• Modelo de aprendizado de máquina no Microsoft Fabric