Machine Learning a umělá inteligence s využitím ML.NET Počítačový Kurz

Úvod

Instalace a konfigurace prostředí pro strojové učení na platformě .NET (ML.NET)

• Nastavení nástrojů a knihoven ML.NET
• Podporované operační systémy a hardwarové komponenty pro ML.NET

Přehled funkcí a architektury ML.NET

• Programovací rozhraní API frameworku ML.NET
• Algoritmy a úlohy strojového učení v rámci ML.NET
• Probabilistické programování pomocí nástroje Infer.NET
• Volba vhodných závislostí ML.NET pro konkrétní projekt

Přehled nástroje Model Builder pro ML.NET

• Integrace nástroje Model Builder do prostředí Visual Studio
• Využití automatizovaného strojového učení (AutoML) v rámci Model Builderu

Přehled příkazového řádku ML.NET (CLI)

• Automatická tvorba modelů strojového učení
• Typy úloh strojového učení, které lze řešit pomocí CLI ML.NET

Získávání a načítání dat určených k strojovému učení

• Použití rozhraní API ML.NET pro zpracování dat
• Vytváření a definice struktury datových modelů
• Popisky přiřazené k datovým modelům ML.NET
• Různé způsoby načítání dat do frameworku ML.NET

Příprava a vkládání dat do prostředí ML.NET

• Filtrování dat pomocí operací dostupných v ML.NET
• Práce s objekty DataOperationsCatalog a IDataView v rámci ML.NET
• Metody normalizace dat před jejich použitím v ML.NET
• Převod formátů dat v rámci frameworku ML.NET
• Práce s kategorickými daty při tvorbě modelů strojového učení

Implementace algoritmů a úloh strojového učení v ML.NET

• Klasifikace binární i více třídami pomocí ML.NET
• Regrese v rámci ML.NET
• Seskupování datových instancí pomocí clusteringu v ML.NET
• Detekce anomálií jako samostatná úloha strojového učení
• Řazení, doporučování a prognózování v rámci ML.NET
• Výběr nejvhodnějšího algoritmu na základě struktury dat a požadovaných funkcí
• Transformace dat v rámci ML.NET
• Algoritmy směřující ke zvýšení přesnosti modelů ML.NET

Trénování modelů strojového učení v prostředí ML.NET

• Vytváření samotného modelu ML.NET
• Metody trénování modelů dostupné v ML.NET
• Rozdělení datových sad na části určené k trénování a testování
• Práce s různými typy atributů dat v kontextu ML.NET
• Ukládání datových sad do mezipaměti pro jejich efektivní využití při trénování modelu

Hodnocení výkonnosti modelů strojového učení v ML.NET

• Extrahování parametrů určených k opětovnému trénování nebo analýze modelu
• Shromažďování a zaznamenávání metrik výkonnosti ML.NET modelů
• Analýza kvality daného modelu na základě jeho měřitelných vlastností

Kontrola dat ve fázi trénování modelů ML.NET

Interpretace výstupů modelu pomocí metody Permutation Feature Importance (PFI)

Ukládání a načítání již vytvořených modelů ML.NET

• Práce s prvky ITTransformer a DataViewScheme v rámci ML.NET
• Načítání dat uložených lokálně i na dálku
• Správa procesů tvorby a využití modelů pomocí konceptu „pipelin“ v ML.NET

Využití hotového modelu ML.NET k analýzám a predikcím

• Nastavení datové cesty nutné pro generování předpovědí z modelu
• Generování jednotlivých i vícenásobných predikcí pomocí ML.NET

Optimalizace a opětovné trénování modelů strojového učení v ML.NET

• Algoritmy, které umožňují opakované trénování modelů
• Načítání, extrakce a nový trénink stávajícího modelu ML.NET
• Porovnávání parametrů aktualizovaného modelu s původní verzí

Integrace modelů ML.NET do cloudových prostředí

• Nasazení modelu ML.NET pomocí služeb Azure Functions a webového API

Řešení běžných problémů

Shrnutí a závěr kurzu