Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
Úvod
Instalace a konfigurace platformy pro vývoj strojového učení .NET (ML.NET)
- Nastavení nástrojů a knihoven ML.NET
- Operační systémy a hardwarové komponenty podporované ML.NET
Přehled funkcí a architektury ML.NET
- Programovací rozhraní ML.NET (ML.NET API)
- Algoritmy a úkoly strojového učení v ML.NET
- Pravděpodobnostní programování s Infer.NET
- Volba správných závislostí ML.NET
Přehled Model Builder v ML.NET
- Integrace Model Builder do Visual Studia
- Použití automatizovaného strojového učení (AutoML) s Model Builderem
Přehled příkazového řádku ML.NET (CLI)
- Generování modelů strojového učení pomocí automatizace
- Úkoly strojového učení podporované ML.NET CLI
Získávání a načítání dat pro strojové učení
- Použití ML.NET API pro zpracování dat
- Vytváření a definice tříd modelů dat
- Anotace modelů dat v ML.NET
- Případy načítání dat do frameworku ML.NET
Příprava a přidávání dat do frameworku ML.NET
- Filtrace modelů dat pomocí filtracích operací v ML.NET
- Práce s DataOperationsCatalog a IDataView v ML.NET
- Normalizační přístupy pro předzpracování dat v ML.NET
- Konverze dat v ML.NET
- Práce s kategoriálními daty pro generování modelů ML.NET
Implementace algoritmů a úkolů strojového učení v ML.NET
- Binární a multi-třídní klasifikace v ML.NET
- Regrese v ML.NET
- Klastrování datových instancí v ML.NET
- Úkol strojového učení pro detekci anomálií
- Ranking, doporučování a prognózování v ML.NET
- Volba vhodného algoritmu ML.NET pro datovou množinu a funkce
- Transformace dat v ML.NET
- Algoritmy pro zlepšení přesnosti modelů ML.NET
Trénování modelů strojového učení v ML.NET
- Vytváření modelu ML.NET
- Metody trénování modelů strojového učení v ML.NET
- Dělení datových souborů na tréninkové a testovací pro ML.NET
- Práce s různými atributy dat a případy v ML.NET
- Ukládání datových souborů do mezipaměti pro trénování modelu ML.NET
Hodnocení modelů strojového učení v ML.NET
- Extrahování parametrů pro retrénování nebo inspekci modelu
- Sběr a záznam metrik modelů ML.NET
- Analýza výkonu modelu strojového učení
Prohlížení meziúrovňových dat během kroků trénování modelu ML.NET
Použití Permutační důležitosti funkcí (PFI) pro interpretaci předpovědí modelu
Ukládání a načítání trénovaných modelů ML.NET
- ITTransformer a DataViewScheme v ML.NET
- Načítání dat uložených lokálně nebo vzdáleně
- Práce s potrubími modelů strojového učení v ML.NET
Použití trénovaného modelu ML.NET pro analýzu dat a předpovědi
- Nastavení potrubí dat pro předpovědi modelu
- Jediné a více předpovědí v ML.NET
Optimalizace a retrénování modelu strojového učení v ML.NET
- Re-trénovatelné algoritmy ML.NET
- Načítání, extrahování a retrénování modelu
- Porovnání parametrů retrénovaného modelu s předchozím modelem ML.NET
Integrace modelů ML.NET do cloudu
- Nasazení modelu ML.NET pomocí Azure functions a web API
Řešení potíží
Shrnutí a závěr
Požadavky
- znalost algoritmů strojového učení a knihoven
- pevná ovládání programovacího jazyka C#
- zkušenosti s vývojovými platformami .NET
- základní znalost nástrojů pro datovou analýzu
- zkušenosti s základními aplikacemi strojového učení
Cílová skupina
- datoví vědci
- vývojáři strojového učení
21 hodiny
Reference (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurz - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
