Kursplan
Introduksjon
Installere og konfigurere maskinlæring for .NET utviklingsplattform (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 grensesnitt (ML.NET API) ML.NET maskinlæringsalgoritmer og oppgaver Probabilistisk programmering med Infer.NET Bestemme passende ML.NET-avhengigheter
Oversikt over ML.NET Model Builder
- Integrering av Model Builder til Visual Studio Bruk av 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 Kommentere ML.NET datamodeller Saker for å laste data inn i ML.NET rammeverket
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 av 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 anomalideteksjon Rangering, anbefaling og prognose 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 av maskinlæringsmodeller i ML.NET
- Bygge en ML.NET modell ML.NET metoder for å trene en maskinlæringsmodell Splitte datasett for ML.NET trening og testing Arbeide med ulike dataattributter og tilfeller i ML.NET Bufre datasett for ML.NET modelltrening
Evaluering av maskinlæringsmodeller i ML.NET
- Trekke ut parametere for omskolering eller inspeksjon av modellen Samle inn 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 prediksjoner i ML.NET
Optimalisering og omskolering av en ML.NET maskinlæringsmodell
- Re-treningsbare ML.NET algoritmer Laste, trekke ut og trene en modell på nytt. 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
Krav
- Kjennskap til maskinlæringsalgoritmer og biblioteker
- Sterk beherskelse av C# programmeringsspråk
- Erfaring med .NET utviklingsplattformer
- Grunnleggende forståelse av datavitenskapelige verktøy
- Erfaring med grunnleggende maskinlæringsapplikasjoner
Publikum
- Dataforskere
- Machine Learning Utviklere