Návrh Školení
Úvod
Instalace a konfigurace strojového učení 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
- Aplikační rozhraní ML.NET Programming (ML.NET API) Algoritmy a úlohy strojového učení ML.NET Pravděpodobnostní programování s Infer.NET Rozhodování o vhodných závislostech ML.NET
Přehled ML.NET Model Builder
- Integrace Model Builderu do Visual Studio Využití automatizovaného strojového učení (AutoML) s Model Builder
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 datových modelů ML.NET Případy pro načítání dat do rámce ML.NET
Příprava a přidávání dat do rámce ML.NET
- Filtrování datových modelů pro s ML.NET operace filtrování Práce s ML.NET DataOperationsCatalog a IDataView Normalizační přístupy pro ML.NET předzpracování dat Konverze dat v ML.NET Práce s kategorickými daty pro ML.NET generování modelu
Implementace ML.NET Algoritmy a úlohy strojového učení
- 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 prognóza v ML.NET Výběr vhodného ML.NET algoritmu pro sadu dat a funkce Transformace dat v ML.NET Algoritmy pro lepší přesnost modelů ML.NET
Tréninkové modely strojového učení v ML.NET
- Vytvoření modelu ML.NET ML.NET metod pro trénování modelu strojového učení Rozdělení datových sad pro ML.NET trénování a testování Práce s různými datovými atributy a případy v ML.NET Ukládání datových sad do ML.NET modelového trénování
Hodnocení modelů strojového učení v ML.NET
- Extrahování parametrů pro přeškolení nebo kontrolu modelu Sběr a záznam ML.NET metrik modelu 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
- ITTransformer 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 modelové predikce Jednoduché a vícenásobné predikce v ML.NET
Optimalizace a přeškolení ML.NET modelu strojového učení
- Přetrénovatelné ML.NET algoritmy Načítání, extrahování a přetrénování 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
Požadavky
- Znalost algoritmů strojového učení a knihoven
- Dobrá znalost programovacího jazyka C#
- Zkušenosti s vývojovými platformami .NET
- Základní porozumění nástrojům datové vědy
- Zkušenosti se základními aplikacemi strojového učení
Publikum
- Data Scientists
- Machine Learning Vývojáři