了解数据科学过程

从数据中提取见解的一种常见方法是可视化数据。 每当有复杂的数据集时，你可能想要更深入地探讨并尝试在数据中找到复杂的模式。

作为数据科学家，可以训练机器学习模型来查找数据中的模式。 可以使用这些模式来生成新的见解或预测。 例如，可以预测预计在未来一周内销售的产品数量。

虽然训练模型很重要，但它并不是数据科学项目中唯一的任务。 在探索典型的数据科学过程之前，让我们探索可以训练的常见机器学习模型。

探索常见的机器学习模型

机器学习的目的是训练可以识别大量数据模式的模型。 然后，你可以使用这些模式进行预测，获取新的洞见，并据此采取行动。

机器学习的可能性可能无休止，因此让我们首先了解四种常见的机器学习模型类型：

1. 分类：预测分类值，例如客户是否可能会流失。
2. 回归：预测数值，例如产品的价格。
3. 聚类分析：将类似的数据点分组到群集或组中。
4. 预测：根据时序数据预测未来数值，例如未来月份的预期销售额。

若要确定需要训练的机器学习模型类型，首先需要了解业务问题和可用的数据。

了解数据科学过程

若要训练机器学习模型，此过程通常涉及以下步骤：

1. 定义问题：与业务用户和分析师一起，确定模型应预测的内容以及成功时间。
2. 获取数据：通过将数据存储在 Lakehouse 中来查找数据源并获取访问权限。
3. 准备数据：将数据从 Lakehouse 中读取到笔记本后进行分析。 根据模型的要求清理和转换数据。
4. 训练模型：使用 MLflow 跟踪试验，根据试验和错误选择算法和超参数值。
5. 生成见解：使用模型批处理评分来生成请求的预测。

作为数据科学家，大部分时间都花在准备数据和训练模型上。 如何准备数据以及你选择训练模型的算法可能会影响模型的成功。

可以使用可用于所选语言的开源库来准备和训练模型。 例如，如果使用 Python，可以使用 Pandas 和 Numpy 准备数据，并使用 Scikit-Learn、 PyTorch 或 SynapseML 等库训练模型。

试验时，需要概述已训练的所有不同模型。 你想要了解你的选择如何影响模型的成功。 通过在 Microsoft Fabric 中使用 MLflow 跟踪试验，可以轻松管理和部署已训练的模型。