Power BI и искусственный интеллект.

Power BI i sztuczna inteligencja. Jak w pełni wykorzystać funkcje AI dostępne w Power BI

Mary-Jo Diepeveen

• 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:

  Przekonaj się, jaki potencjał tkwi w analizie zbiorów danych!

  O autorze

  Spis treści:

  O autorce

  O recenzentach

  Przedmowa

  CZĘŚĆ 1. Podstawy sztucznej inteligencji

  CZĘŚĆ 2. Gotowe funkcje SI

  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

• 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

• 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

• 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

• 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

• 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
• Mary-Jo Diepeveen pracuje w Microsofcie. Kiedyś interesowała się neurobiologią, szczególnie nieświadomymi wzorcami zachowań, i ta wiedza okazała się pomocna w zrozumieniu niektórych aspektów uczenia maszynowego. Obecnie koncentruje się na tworzeniu treści edukacyjnych w zakresie danetyki i sztucznej inteligencji.