Machine Learning and AI with ML.NET Počítačový Kurz

Úvod

Instalace a konfigurace Machine Learning pro platformu .NET Development Platform (ML.NET)

• Nastavení ML.NET nástrojů a knihoven
• Operační systémy a hardwarové komponenty podporované ML.NET

Přehled ML.NET Funkce a architektura

• Rozhraní ML.NET Application Programming (ML.NET API)
• ML.NET Algoritmy a úlohy strojového učení
• Pravděpodobnostní programování s Infer.NET
• Rozhodování o vhodných ML.NET závislostech

Přehled ML.NET Model Builder

• Integrace Tvůrce modelu do Visual Studio
• Využití automatizovaného strojového učení (AutoML) s Model Builderem

Přehled ML.NET rozhraní příkazového řádku (CLI)

• Generování modelu automatického strojového učení
• Úlohy strojového učení podporované ML.NET CLI

Získávání a načítání dat ze zdrojů pro Machine Learning

• Využití ML.NET API pro zpracování dat
• Vytváření a definování tříd datových modelů
• Anotace ML.NET datových modelů
• Případy načítání dat do rámce ML.NET

Příprava a přidávání dat do rámce ML.NET

• Filtrování datových modelů pro operace filtrování ML.NET
• Práce s ML.NET DataOperationsCatalog a IDataView
• Normalizační přístupy pro ML.NET předzpracování dat
• Konverze dat v ML.NET
• Práce s kategoriálními daty pro ML.NET generování modelu

Implementace ML.NET Machine Learning Algoritmy a úlohy

• Binární a vícetřídní ML.NET klasifikace
• Regrese v ML.NET
• Seskupování instancí dat pomocí Clustering v ML.NET
• Úloha strojového učení detekce anomálií
• Hodnocení, doporučení a Forecasting v ML.NET
• Výběr vhodného ML.NET algoritmu pro sadu dat a funkce
• Transformace dat v ML.NET
• Algoritmy pro zvýšení přesnosti ML.NET modelů

Školení Machine Learning Modely v ML.NET

• Sestavení modelu ML.NET
• ML.NET metody pro trénování modelu strojového učení
• Rozdělení datových sad pro ML.NET školení a testování
• Práce s různými datovými atributy a případy v ML.NET
• Ukládání datových sad pro ML.NET modelování

Hodnocení Machine Learning modelů v ML.NET

• Extrahování parametrů pro přeškolení nebo kontrolu modelu
• Sběr a záznam ML.NET modelových metrik
• Analýza výkonu modelu strojového učení

Kontrola mezilehlých dat během ML.NET kroků školení modelu

Využití důležitosti permutační funkce (PFI) pro interpretaci předpovědí modelu

Ukládání a načítání trénovaných ML.NET modelů

• ITTtransformer a DataViewScheme v ML.NET
• Načítání lokálně a vzdáleně uložených dat
• Práce s modelovými kanály strojového učení v ML.NET

Využití trénovaného ML.NET modelu pro analýzu dat a předpovědi

• Nastavení datového kanálu pro předpovědi modelu
• Jednoduché a vícenásobné předpovědi v ML.NET

Optimalizace a přeškolení modelu ML.NET Machine Learning

• Přetrénovatelné ML.NET algoritmy
• Načtení, vyjmutí a přeškolení modelu
• Porovnání parametrů přetrénovaného modelu s předchozím ML.NET modelem

Integrace ML.NET modelů s cloudem

• Nasazení modelu ML.NET s funkcemi Azure a webovým rozhraním API

Odstraňování problémů

Shrnutí a závěr