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
  21 hodiny

Počet účastníků


Začátek

Konec


Dates are subject to availability and take place between 09:30 and 16:30.

Price per participant

Související kurzy

Související kategorie