מודל לחיזוי נטישה שקורס אחרי 20 שעות על מחשב נייד בגלל מגבלת זיכרון אינו מקרה חריג – נתוני הארגון כבר גדלו מעבר לחומרה המקומית. הפרק מראה איך מחברות Microsoft Fabric מביאות את האימון אל נתוני ה-Lakehouse: בלי ייצוא, בלי כאוס של CSV, עם Python או R בענן.מה תלמדו:למה מחשבים מקומיים קורסים מול מערכי נתונים של טרה-בייטים (מעבד, זיכרון, קלט/פלט דיסק) ולמה דגימה מאבדת דפוסים חשוביםגישה ישירה ל-Lakehouse: Spark מריץ צירופים, סינונים וצבירות במקום שבו הנתונים נמצאיםהנדסת מאפיינים בקנה מידה: סטים רזים של מאפיינים, קרדינליות גבוהה ודפוסי זמן, Featuretools על Sparkבחירת מודל: XGBoost, LightGBM, רגרסיה לוגיסטית או למידה עמוקה – השוואת כמה הרצות על אותם נתוניםניטור בזמן אמת, נקודות שמירה, ניהול גרסאות והערכה מבוזרת בלי שהנתונים יוצאים מה-Lakehouseלמדעני נתונים, מהנדסי נתונים וצוותי אנליטיקה שרוצים לאמן מודלי AI על נתונים ארגוניים גדולים.הפרק הזה הוא גרסה עברית בדיבוב AI של הסרטון המונפש מתוך M365 Show של Microsoft MVP מירקו פטרס.▶ לצפייה בסרטון: https://youtu.be/RftSe9exzDc🎧 פרקים נוספים: https://www.m365.fm🎤 M365Con – כנס Microsoft מקוון בחינם: https://m365con.net💼 מירקו פטרס ב-LinkedIn: https://www.linkedin.com/in/m365showpodcast/

This episode includes AI-generated content.