Power BI i sztuczna inteligencja. Jak w pełni wykorzystać funkcje AI dostępne w Power BI - ebook
Power BI i sztuczna inteligencja. Jak w pełni wykorzystać funkcje AI dostępne w Power BI - ebook
Microsoft Power BI zdobył uznanie jako znakomite narzędzie do analizy i przetwarzania złożonych zbiorów danych, ale to nie koniec jego możliwości. Power BI nadaje się do wydobywania z modeli sztucznej inteligencji informacji, które mogą się stać wartościowym materiałem wspomagającym podejmowanie najlepszych decyzji biznesowych. Aby jednak w pełni skorzystać z funkcji dostępnych w Power BI, trzeba posiąść podstawową wiedzę o sztucznej inteligencji.
Książka stanowi wprowadzenie do pracy z funkcjami SI dostępnymi w Power BI; jest skierowana do osób znających to środowisko. Dowiesz się z niej, w jaki sposób sztuczna inteligencja może być używana w Power BI i jakie funkcje są w nim domyślnie dostępne. Nauczysz się też eksplorować i przygotowywać dane do projektów SI. Pokazano tu, jak umieszczać dane z analizy tekstu i widzenia komputerowego w raportach Power BI, co ułatwia korzystanie z zewnętrznej bazy wiedzy. Omówiono również procesy tworzenia i wdrażania modeli AutoML wytrenowanych na platformie Azure ML, a także umieszczania ich w edytorze Power Query. Nie zabrakło kwestii związanych z prywatnością, bezstronnością i odpowiedzialnością w korzystaniu z SI.
W książce między innymi:
- unikanie tendencyjności w przetwarzaniu danych
- szeregi czasowe i prognozowanie w Power BI
- wykrywanie anomalii
- analiza tekstu w Power Query
- trenowanie własnych modeli
- integracja Azure ML z Power BI i generowanie przewidywań
Przekonaj się, jaki potencjał tkwi w analizie zbiorów danych!
Spis treści
O autorce
O recenzentach
Przedmowa
CZĘŚĆ 1. Podstawy sztucznej inteligencji
- Rozdział 1. Wprowadzenie do sztucznej inteligencji w Power BI
- Czego możemy oczekiwać od analityka danych?
- Kim jest analityk danych?
- Łączenie się z danymi
- Wizualizowanie danych
- Czym jest sztuczna inteligencja?
- Definicja sztucznej inteligencji
- Definicja uczenia maszynowego
- Definicja uczenia głębokiego
- Uczenie nadzorowane a uczenie nienadzorowane
- Rodzaje algorytmów
- Czym jest proces danetyczny?
- Dlaczego powinniśmy korzystać ze sztucznej inteligencji w Power BI?
- Problemy z implementacją sztucznej inteligencji
- Dlaczego rozwiązaniem jest sztuczna inteligencja w Power BI?
- Jakie mamy opcje sztucznej inteligencji w Power BI?
- Gotowe rozwiązania
- Tworzenie własnych modeli
- Podsumowanie
- Czego możemy oczekiwać od analityka danych?
- Rozdział 2. Eksploracja danych w Power BI
- Wymogi techniczne
- Korzystanie z przykładowego zestawu danych dotyczącego poziomu szczęścia na świecie
- Interpretacja zestawu danych
- Importowanie zestawu danych World Happiness do Power BI
- Czego poszukujemy w danych?
- Ilość danych
- Jakość danych
- Korzystanie z narzędzi profilowania danych
- Column quality
- Column distribution
- Column profile
- Eksploracja danych za pomocą wizualizacji
- Wykresy liniowe
- Wykresy słupkowe
- Histogramy
- Wykresy punktowe
- Biblioteka Matplotlib
- Podsumowanie
- Wymogi techniczne
- Rozdział 3. Przygotowywanie danych
- Naprawa struktury danych
- Praca z danymi ustrukturyzowanymi
- Naprawa struktury danych częściowo ustrukturyzowanych
- Naprawa struktury podczas pracy z obrazami
- Praca z brakującymi danymi
- Jak wyszukujemy brakujące dane?
- Co robimy z brakującymi danymi?
- Zapobieganie tendencyjności
- Wyszukiwanie tendencyjności
- Zapobieganie tendencyjności w zestawie danych
- Elementy odstające
- Podsumowanie
- Naprawa struktury danych
CZĘŚĆ 2. Gotowe funkcje SI
- Rozdział 4. Prognozowanie danych szeregów czasowych
- Wymogi techniczne
- Wymagania dotyczące danych w zadaniach prognozowania
- Do czego służy prognozowanie?
- Dane szeregu czasowego
- Przykład: dane dotyczące turystyki
- Algorytmy używane w prognozowaniu
- Korzyści używania gotowego modelu
- Obliczanie prognoz w Power BI
- Optymalizowanie dokładności prognozowania w Power BI
- Korzystanie z prognozowania w Power BI
- Podsumowanie
- Literatura dodatkowa
- Rozdział 5. Wykrywanie anomalii w danych za pomocą Power BI
- Wymogi techniczne
- Które dane nadają się do wykrywania anomalii?
- Dlaczego korzystamy z wykrywania anomalii?
- Wymogi dotyczące danych sprawdzanych pod kątem anomalii
- Logika kryjąca się za wykrywaniem anomalii
- Algorytmy odpowiedzialne za funkcję wykrywania anomalii w Power BI
- Nie trzeba oznaczać danych
- Szybka i skuteczna analiza
- Korzystanie z wykrywania anomalii w Power BI
- Importowanie przykładowego zestawu danych do Power BI
- Uaktywnianie wykrywania anomalii w Power BI
- Podsumowanie
- Literatura dodatkowa
- Rozdział 6. Korzystanie z języka naturalnego w eksploracji danych za pomocą wizualizacji Q&A
- Wymogi techniczne
- Przetwarzanie języka naturalnego
- Wykorzystywanie języka naturalnego w programach
- Język naturalny w eksploracji danych
- Przygotowywanie danych dla modeli języka naturalnego
- Tworzenie wizualizacji Q&A w Power BI
- Dodawanie wizualizacji Q&A
- Korzystanie z wizualizacji Q&A
- Optymalizacja wizualizacji Q&A
- Opcje konfiguracji wizualizacji Q&A
- Poprawianie jakości wizualizacji Q&A
- Udoskonalanie modelu za pomocą opinii użytkowników
- Podsumowanie
- Literatura dodatkowa
- Rozdział 7. Korzystanie z pakietu Cognitive Services
- Wymogi techniczne
- Pakiet Azure Cognitive Services
- Tworzenie zasobu Cognitive Services
- Rozumienie języka w pakiecie Cognitive Services
- Text Analytics
- Mechanizm odpowiadania na pytania na podstawie bazy wiedzy
- Widzenie maszynowe w pakiecie Cognitive Services
- Usługa Computer Vision
- Korzystanie z usługi Custom Vision
- Korzystanie z usługi Face
- Podsumowanie
- Rozdział 8. Integracja rozumienia języka naturalnego z Power BI
- Wymogi techniczne
- Korzystanie z interfejsów Language w Power BI Desktop
- Korzystanie z narzędzia AI Insights
- Korzystanie z edytora Power Query
- Wizualizowanie w raportach spostrzeżeń wydobywanych z danych tekstowych
- Wizualizowanie danych tekstowych za pomocą narzędzia Word Cloud
- Podsumowanie
- Rozdział 9. Integracja interaktywnej aplikacji Q&A z Power BI
- Wymogi techniczne
- Tworzenie aplikacji odpowiadającej na pytania
- Mechanizm działania aplikacji odpowiadającej na pytania
- Konfiguracja usługi odpowiadającej na pytania
- Tworzenie aplikacji FAQ za pomocą usługi Power Apps
- Tworzenie nowej aplikacji w usłudze Power Apps
- Dodawanie usługi Power Automate w celu wywoływania usługi odpowiadającej na pytania
- Łączenie usługi Power Automate z usługą Power Apps
- Integrowanie aplikacji FAQ z Power BI
- Poprawianie modelu odpowiadającego na pytania
- Podsumowanie
- Rozdział 10. Uzyskiwanie spostrzeżeń z obrazów za pomocą widzenia maszynowego
- Wymogi techniczne
- Uzyskiwanie spostrzeżeń w interfejsie Computer Vision za pomocą funkcji AI Insights
- Korzystanie z opcji Vision w ramach funkcji AI Insights
- Konfigurowanie interfejsu Custom Vision
- Przygotowywanie danych z myślą o interfejsie Custom Vision
- Uczenie modelu w interfejsie Custom Vision
- Ocenianie modeli klasyfikujących
- Publikowanie modelu Custom Vision
- Integrowanie interfejsów Computer Vision/Custom Vision z Power BI
- Wyświetlanie rolki obrazów w raporcie za pomocą wizualizacji
- Przechowywanie danych i nadawanie im anonimowej dostępności
- Udoskonalanie modelu Custom Vision
- Podsumowanie
CZĘŚĆ 3. Tworzenie własnych modeli
- Rozdział 11. Zautomatyzowane uczenie maszynowe za pomocą platformy Azure i Power BI
- Wymogi techniczne
- AutoML
- Proces uczenia maszynowego
- Poprawianie skuteczności modelu uczenia maszynowego
- Kiedy należy korzystać z AutoML?
- Tworzenie eksperymentu AutoML w Azure ML
- Tworzenie obszaru roboczego Azure ML i zasobów
- Konfigurowanie AutoML
- Wdrażanie modelu do punktu końcowego
- Integrowanie modelu z Power BI
- Podsumowanie
- Rozdział 12 .Uczenie modelu za pomocą usługi Azure Machine Learning
- Wymogi techniczne
- Mechanizm uczenia modelu
- Wyjaśnienie procesu uczenia maszynowego
- Praca z Azure ML
- Tworzenie zasobów Azure ML
- Uczenie modelu za pomocą interfejsu Azure ML Designer
- Konfigurowanie potoku Azure ML Designer
- Wdrażanie modelu do zadań przewidywania wsadowego lub w czasie rzeczywistym
- Generowanie przewidywań wsadowych
- Generowanie przewidywań w czasie rzeczywistym
- Integrowanie punktu końcowego z Power BI w celu generowania przewidywań
- Podsumowanie
- Rozdział 13. Odpowiedzialna sztuczna inteligencja
- Definicja odpowiedzialnej SI
- Ochrona prywatności podczas wykorzystywania danych osobowych
- Usuwanie danych osobowych
- Wprowadzanie prywatności różnicowej do danych osobowych
- Tworzenie przejrzystych modeli
- Korzystanie z odgórnie przejrzystych modeli
- Wyjaśnienie modeli "czarnej skrzynki"
- Tworzenie bezstronnych modeli
- Wykrywanie stronniczości w modelach
- Minimalizowanie stronniczości w modelach
- Podsumowanie
Kategoria: | Bazy danych |
Zabezpieczenie: |
Watermark
|
ISBN: | 978-83-8322-781-8 |
Rozmiar pliku: | 16 MB |