POWER BI I SZTUCZNA INTELIGENCJA

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

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