Machine Learning and AI with ML.NET Képzés

Bevezetés

Machine Learning telepítése és konfigurálása .NET fejlesztői platformhoz (ML.NET)

• ML.NET eszközök és könyvtárak beállítása
• A ML.NET által támogatott operációs rendszerek és hardverkomponensek

A ML.NET jellemzők és felépítés áttekintése

• Az ML.NET alkalmazás Programming felülete (ML.NET API)
• ML.NET gépi tanulási algoritmusok és feladatok
• Valószínűségi programozás az Infer.NET segítségével
• A megfelelő ML.NET függőségek eldöntése

A ML.NET Model Builder áttekintése

• A Model Builder integrálása a Visual Studio-ba
• Automatizált gépi tanulás (AutoML) használata a Model Builder segítségével

A ML.NET parancssori interfész (CLI) áttekintése

• Automatizált gépi tanulási modellgenerálás
• A ML.NET CLI által támogatott gépi tanulási feladatok

Adatok beszerzése és betöltése a következőhöz: Machine Learning

• A ML.NET API felhasználása adatfeldolgozáshoz
• Adatmodellek osztályainak létrehozása, meghatározása
• Annotálás ML.NET adatmodellek
• Az adatok ML.NET keretrendszerbe való betöltésének esetei

Adatok előkészítése és hozzáadása a ML.NET keretrendszerhez

• Adatmodellek szűrése ML.NET szűrőműveletekhez
• A ML.NET DataOperationsCatalog és az IDataView használata
• Normalizációs megközelítések ML.NET adat-előfeldolgozáshoz
• Adatkonverzió itt: ML.NET
• Kategorikus adatokkal való munka ML.NET modellgeneráláshoz

ML.NET Machine Learning Algoritmusok és feladatok megvalósítása

• Bináris és többosztályú ML.NET osztályozás
• Regresszió a ML.NET-ben
• Adatpéldányok csoportosítása fürtözéssel a ML.NET-ben
• Anomália-észlelés gépi tanulási feladat
• Rangsor, ajánlás és Forecasting itt: ML.NET
• A megfelelő ML.NET algoritmus kiválasztása adathalmazhoz és függvényekhez
• Adatátalakítás a ML.NET-ben
• Algoritmusok a ML.NET modellek pontosságának növelésére

Képzés Machine Learning Modellek itt: ML.NET

• ML.NET modell építése
• ML.NET módszerek a gépi tanulási modell betanításához
• Adatkészletek felosztása ML.NET képzéshez és teszteléshez
• Munka különböző adatattribútumokkal és esetekkel a ML.NET-ben
• Adatkészletek gyorsítótárazása ML.NET modell betanításhoz

Machine Learning modellek értékelése itt: ML.NET

• Paraméterek kinyerése a modell átképzéséhez vagy ellenőrzéséhez
• ML.NET modellmetrikák gyűjtése és rögzítése
• Egy gépi tanulási modell teljesítményének elemzése

Köztes adatok vizsgálata ML.NET modellképzési lépés során

A permutációs funkció fontosságának (PFI) felhasználása a modell-előrejelzések értelmezéséhez

Képzett ML.NET modellek mentése és betöltése

• ITTransformer és DataViewScheme itt: ML.NET
• Helyben és távolról tárolt adatok betöltése
• Gépi tanulási modellfolyamatokkal való munka a ML.NET-ben

Képzett ML.NET modell alkalmazása adatelemzésekhez és előrejelzésekhez

• Az adatfolyam beállítása a modell-előrejelzésekhez
• Egyszeri és többszörös előrejelzések a ML.NET-ben

Egy ML.NET Machine Learning modell optimalizálása és újraképzése

• Újratanítható ML.NET algoritmusok
• Modell betöltése, kinyerése és újraképzése
• Újraképzett modellparaméterek összehasonlítása a korábbi ML.NET modellel

ML.NET modellek integrálása a felhővel

• ML.NET modell telepítése Azure függvényekkel és webes API-val

Hibaelhárítás

Összefoglalás, és következtetés