Machine Learning and AI with ML.NET Treningskurs

Introduksjon

Installere og konfigurere Machine Learning for .NET Development Platform (ML.NET)

• Sette opp ML.NET verktøy og biblioteker
• Operativsystemer og maskinvarekomponenter støttet av ML.NET

Oversikt over ML.NET funksjoner og arkitektur

• ML.NET Application Programming Interface (ML.NET API)
• ML.NET maskinlæringsalgoritmer og oppgaver
• Probabilistisk programmering med Infer.NET
• Bestemme de passende ML.NET avhengighetene

Oversikt over ML.NET Model Builder

• Integrering av modellbyggeren til Visual Studio
• Bruker automatisert maskinlæring (AutoML) med Model Builder

Oversikt over ML.NET kommandolinjegrensesnitt (CLI)

• Generering av automatisert maskinlæringsmodell
• Maskinlæringsoppgaver støttet av ML.NET CLI

Innhenting og lasting av data fra ressurser for Machine Learning

• Bruk av ML.NET API for databehandling
• Opprette og definere klassene av datamodeller
• Annotering av ML.NET datamodeller
• Saker for å laste data inn i rammeverket ML.NET

Forberede og legge til data i ML.NET-rammeverket

• Filtrering av datamodeller for med ML.NET filteroperasjoner
• Arbeide med ML.NET DataOperationsCatalog og IDataView
• Normaliseringsmetoder for ML.NET dataforbehandling
• Datakonvertering i ML.NET
• Arbeide med kategoriske data for ML.NET modellgenerering

Implementering ML.NET Machine Learning Algoritmer og oppgaver

• Binære og multi-klasse ML.NET klassifikasjoner
• Regresjon i ML.NET
• Gruppering av dataforekomster med Clustering i ML.NET
• Maskinlæringsoppgave for avviksdeteksjon
• Rangering, anbefaling og Forecasting i ML.NET
• Velge riktig ML.NET algoritme for et datasett og funksjoner
• Datatransformasjon i ML.NET
• Algoritmer for forbedret nøyaktighet av ML.NET modeller

Trening Machine Learning Modeller i ML.NET

• Bygge en ML.NET modell
• ML.NET metoder for å trene en maskinlæringsmodell
• Splitting av datasett for ML.NET trening og testing
• Arbeide med ulike dataattributter og tilfeller i ML.NET
• Bufring av datasett for ML.NET modelltrening

Evaluerer Machine Learning modeller i ML.NET

• Trekker ut parametere for omskolering eller inspeksjon av modellen
• Samle og registrere ML.NET modellberegninger
• Analysere ytelsen til en maskinlæringsmodell

Inspisere mellomliggende data under ML.NET modelltreningstrinn

Utnytte Permutation Feature Importance (PFI) for tolkning av modellprediksjoner

Lagring og lasting av trente ML.NET modeller

• ITTransformer og DataViewScheme i ML.NET
• Laster lokalt og eksternt lagret data
• Arbeide med pipelines for maskinlæringsmodeller i ML.NET

Bruke en trent ML.NET modell for dataanalyser og spådommer

• Sette opp datapipeline for modellprediksjoner
• Enkelt- og multiple spådommer i ML.NET

Optimalisering og omskolering av en ML.NET Machine Learning modell

• Re-trene ML.NET algoritmer
• Lasting, uttak og omskolering av en modell
• Sammenligning av re-trent modellparametere med tidligere ML.NET modell

Integrering av ML.NET modeller med The Cloud

• Distribuerer en ML.NET modell med Azure funksjoner og web-API

Feilsøking

Oppsummering og konklusjon