Power BI i sztuczna inteligencja Olsztyn

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 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 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 O autorze: 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.