Uzyskiwanie wartości biznesowych za pomocą Al Jak Al zmienia krajobraz BI Typowe przypadki użycia Al dla rozwiązań BI Automatyzacja i łatwość użycia Lepsze prognozowanie i przewidywania Posługiwanie się danymi niestrukturyzowanymi Uzyskanie intuicyjnego zrozumienia Al i uczenia maszynowego Mapowanie przypadków użycia Al na efekty biznesowe Od 61 do Dl: ocena wykonalności projektów Al Zacznijmy od danych Ocenianie gotowości danych za pomocą metodologii 4V Łączenie tych czterech cech w celu oceny gotowości danych Wybór pomiędzy utworzeniem a zakupem usług Al Al jako usługa Platforma jako usługa Infrastruktura jako usługa Pełna własność Podstawowe architektury systemów Al Warstwa użytkownika Warstwa danych Warstwa analizy Uwarunkowania etyczne Tworzenie priorytetyzowanej mapy drogowej przypadku użycia Mieszanie czempionów i szybkich zwycięstw Identyfikowanie wspólnych źródeł danych Budowanie porywającej wizji Podstawy uczenia maszynowego Proces nadzorowanego uczenia maszynowego Krok 1: Zbieranie danych historycznych Krok 2: Identyfikowanie cech i etykiet Krok 3: Podział danych na zbiory treningowe i testowe Krok 4: Użycie algorytmów do znalezienia najlepszego modelu Krok 5: Ewaluacja finalnego modelu Krok 6: Wdrożenie Krok 7: Konserwacja Popularne algorytmy uczenia maszynowego Regresja liniowa Drzewa decyzyjne Metody uczenia zespołowego Głębokie uczenie Przetwarzanie języka naturalnego Widzenie komputerowe Uczenie przez wzmacnianie Ewaluacja modelu uczenia maszynowego Ocenianie modeli regresji Ocenianie modeli klasyfikacyjnych Ocenianie modeli klasyfikacji wielokrotnej Typowe pułapki uczenia maszynowego Pułapka 1: Używanie uczenia maszynowego, gdy go nie potrzebujemy Pułapka 2: Nadmierna zachłanność Pułapka 3: Budowanie nadmiernie złożonych modeli Pułapka 4: Nie przerywanie, gdy mamy już dość danych Pułapka 5: Wpadanie w klątwę wymiarowości Pułapka 6: Ignorowanie wartości odstających Pułapka 7: Przyjmowanie infrastruktury chmurowej jako pewnika Prototypowanie Czym jest prototyp i dlaczego jest ważny? Prototypowanie w analityce biznesowej Przybornik prototypowania używany w tej książce Praca z Microsoft Azure Rejestrowanie się w Microsoft Azure Tworzenie obszaru roboczego Azure Machinę Learning Studio Tworzenie zasobu obliczeniowego Azure Tworzenie zasobu magazynowego Praca z Microsoft Power BI Analityka opisowa wspomagana przez Al Przypadek użycia: odpytywanie danych w języku naturalnym Sformułowanie problemu Przegląd rozwiązania Realizacja w Power BI Przypadek użycia: Podsumowywanie danych w języku naturalnym Sformułowanie problemu Przegląd rozwiązania Realizacja w Power BI Analityka diagnostyczna wspomagana przez Al Przypadek użycia: automatyzowanie spostrzeżeń Sformułowanie problemu Przegląd rozwiązania Realizacja w Power BI Analityka predykcyjna wspomagana przez Al Zbiór danych Przypadek użycia: Automatyzowanie zadań klasyfikacyjnych Sformułowanie problemu Przegląd rozwiązania Trenowanie modelu w Microsoft Azure Czym jest zadanie AutoML? Ocena wyników AutoML Wdrażanie modelu w Microsoft Azure Uzyskiwanie przewidywań modelu za pomocą Pythona lub R Wnioskowanie z modelu w Power BI Budowanie pulpitu wspomaganego przez Al w Power BI Przypadek użycia: Usprawnianie przewidywania KPI Sformułowanie problemu Przegląd rozwiązania Trenowanie modelu w Microsoft Azure Wdrażanie modelu w Microsoft Azure Uzyskiwanie przewidywań modelu za pomocą Pythona lub R Wnioskowanie z modelu w Power BI Budowanie pulpitu wspomaganego przez Al w Power BI Przypadek użycia: Automatyzowanie wykrywania anomalii Sformułowanie problemu Przegląd rozwiązania Włączanie usługi Al w Microsoft Azure Uzyskiwanie przewidywań modelu za pomocą Pythona lub R Wnioskowanie z modelu w Power BI Budowanie pulpitu wspomaganego przez Al w Power BI Analizy zaleceń wspomagane przez Al Przypadek użycia: Rekomendowanie najlepszego kolejnego działania Sformułowanie problemu Przegląd rozwiązania Konfigurowanie usługi Al Jak działa uczenie ze wzmacnianiem w usłudze Personałizer Konfigurowanie Azure Notebooks Symulowanie interakcji z użytkownikami Wykonywanie symulacji za pomocą Pythona Ewaluacja wydajności modelu w portalu Azure Wnioskowanie z modelu w Power BI Budowanie pulpitu wspomaganego przez Al w Power BI Wykorzystywanie nieustrukturyzowanych danych za pomocą Al Przypadek użycia: Wyciąganie wniosków na podstawie danych tekstowych Sformułowanie problemu Przegląd rozwiązania Konfigurowanie usługi Al Konfigurowanie potoku danych Wnioskowanie z modelu przy użyciu Power BI Budowanie wspomaganego przez Al pulpitu nawigacyjnego w Power BI Przypadek użycia: Przetwarzanie dokumentów za pomocą Al Sformułowanie problemu Przegląd rozwiązania Konfigurowanie usługi Al Konfigurowanie potoku danych Wnioskowanie z modelu przy użyciu Power BI Budowanie wspomaganego przez Al pulpitu nawigacyjnego w Power BI Przypadek użycia: Zliczanie obiektów na zdjęciach Sformułowanie problemu Przegląd rozwiązania Konfigurowanie usługi Al Konfigurowanie potoku danych Wnioskowanie z modelu przy użyciu Power BI Budowanie wspomaganego przez Al pulpitu nawigacyjnego w Power BI Zebranie wszystkiego razem: Budowanie pulpitu wspomaganego przez Al Sformułowanie problemu Przegląd rozwiązania Przygotowywanie zbiorów danych Alokowanie zasobu obliczeniowego Budowanie przepływu pracy uczenia maszynowego Dodawanie danych nastrojów do przepływu pracy Wdrażanie przepływu pracy na potrzeby wnioskowania Budowanie wspomaganego przez Al pulpitu w Power BI Wykrywanie anomalii Analiza predykcyjna Analiza opisowa wspomagana przez Al Dane niestrukturyzowane Kolejne kroki: od prototypu do produkcji Odkrywanie kontra dostarczanie Kryteria sukcesu dla dostarczania produktu Al Ludzie Procesy Dane Technologia MLOps Zaczynamy od dostarczania kompletnych inkrementacji