Prognozowanie wsadowe z wdrożonymi modelami w strukturze

Jak zastosować wyszkolone modele uczenia maszynowego do ogromnych, rzeczywistych zbiorów danych? Wydajne generowanie prognoz wsadowych jest podstawowym wymogiem nowoczesnych procesów inżynierii danych i analizy danych.\n\nTen kurs przeprowadzi Cię przez proces ładowania wdrożonych modeli uczenia maszynowego i uruchamiania wnioskowania wsadowego w ekosystemie Fabric. Przejdziesz od zrozumienia podstawowych przepływów pracy predykcyjnych do skonfigurowania zautomatyzowanych, wysokowydajnych potoków predykcji, które z łatwością obsługują dane na dużą skalę.\n\nCzego się nauczysz:\n- Zrozumienie podstawowych pojęć predykcyjnego wsadowego i wdrażania modelu w Fabric\n- Ładowanie zarejestrowanych modeli uczenia maszynowego z rejestru obszaru roboczego\n Zastosuj modele do dużych zbiorów danych za pomocą skalowalnych przepływów pracy Spark i Python\n- Optymalizuj wydajność wnioskowania za pomoca nowoczesnych bibliotek ramek danych i przetwarzania równoległego\n - Zapisz wyniki prognozy z powrotem do lakehouses lub hurtowni danych do dalszego wykorzystania\n time\n\nZaczniesz od nauki podstawowej terminologii wdrażania uczenia maszynowego i architektury Fabric. Następnie przejdziesz krok po kroku przez pisemne wyjaśnienia i fragmenty kodu Pythona, które pokazują, jak ładować modele, przygotowywać dane wejściowe i bezpiecznie przechowywać wyniki prognoz.\n\nTen kurs jest przeznaczony dla początkujących analityków danych, aspirujących naukowców danych i inżynierów danych, którzy chcą operacjonalizować modele uczenia maszynowego. Nie jest wymagane wcześniejsze doświadczenie z Fabric, chociaż pomocna jest podstawowa znajomość Pythona.\n\nZacznij naukę już dziś i odblokuj moc automatycznych przewidywań wsadowych w potokach danych.