Plan Szkolenia
Wprowadzenie
Instalowanie i konfigurowanie Machine Learning dla platformy programistycznej .NET (ML.NET)
- Konfigurowanie narzędzi i bibliotek ML.NET
- Systemy operacyjne i komponenty sprzętowe obsługiwane przez ML.NET
Przegląd funkcji i architektury ML.NET
- Interfejs ML.NET aplikacji Programming (ML.NET API)
- Algorytmy i zadania ML.NET uczenia maszynowego
- Programowanie probabilistyczne z Infer.NET
- Podejmowanie decyzji o odpowiednich ML.NET zależnościach
Przegląd narzędzia ML.NET Model Builder
- Integracja narzędzia Model Builder z Visual Studio
- Wykorzystanie zautomatyzowanego uczenia maszynowego (AutoML) w narzędziu Model Builder
Przegląd ML.NET interfejsu wiersza poleceń (CLI)
- Automatyczne generowanie modeli uczenia maszynowego
- Zadania uczenia maszynowego obsługiwane przez ML.NET CLI
Pozyskiwanie i ładowanie danych z zasobów dla Machine Learning
- Wykorzystywanie interfejsu API ML.NET do przetwarzania danych
- Tworzenie i definiowanie klas modeli danych
- Dodawanie adnotacji do modeli danych ML.NET
- Przypadki ładowania danych do frameworka ML.NET
Przygotowywanie i dodawanie danych do frameworka ML.NET
- Filtrowanie modeli danych za pomocą ML.NET operacji filtrowania
- Praca z ML.NET DataOperationsCatalog i IDataView
- Podejścia normalizacyjne do wstępnego przetwarzania danych ML.NET
- Konwersja danych w ML.NET
- Praca z danymi kategorycznymi na potrzeby generowania modeli ML.NET
Implementowanie ML.NET Machine Learning algorytmów i zadań
- Klasyfikacja binarna i wieloklasowa ML.NET
- Regresja w ML.NET
- Grupowanie instancji danych za pomocą klastrowania w ML.NET
- Zadanie uczenia maszynowego wykrywania anomalii
- Ranking, rekomendacja i Forecasting w ML.NET
- Wybór odpowiedniego algorytmu ML.NET dla zestawu danych i funkcji
- Transformacja danych w ML.NET
- Algorytmy zwiększające dokładność modeli ML.NET
Trenowanie Machine Learning modeli w ML.NET
- Budowanie modelu ML.NET
- Metody trenowania modelu uczenia maszynowego ML.NET
- Dzielenie zestawów danych do ML.NET szkolenia i testowania
- Praca z różnymi atrybutami danych i przypadkami w ML.NET
- Buforowanie zestawów danych do ML.NET szkolenia modelu
Ocena modeli Machine Learning w ML.NET
- Wyodrębnianie parametrów do ponownego trenowania lub sprawdzania modelu
- Zbieranie i rejestrowanie ML.NET metryk modelu
- Analizowanie wydajności modelu uczenia maszynowego
Sprawdzanie danych pośrednich podczas ML.NET etapów szkolenia modelu
Wykorzystanie Permutation Feature Importance (PFI) do interpretacji przewidywań modelu
Zapisywanie i wczytywanie wytrenowanych ML.NET modeli
- ITTransformer i DataViewScheme w ML.NET
- Ładowanie danych przechowywanych lokalnie i zdalnie
- Praca z potokami modeli uczenia maszynowego w ML.NET
Wykorzystanie wytrenowanego ML.NET modelu do analizy i przewidywania danych
- Konfigurowanie potoku danych dla przewidywań modelu
- Pojedyncze i wielokrotne przewidywania w ML.NET
Optymalizacja i ponowne trenowanie modelu ML.NET Machine Learning
- Algorytmy z możliwością ponownego trenowania ML.NET
- Ładowanie, wyodrębnianie i ponowne trenowanie modelu
- Porównywanie parametrów ponownie wytrenowanego modelu z poprzednim modelem ML.NET
Integracja modeli ML.NET z chmurą
- Wdrażanie modelu ML.NET za pomocą funkcji Azure i internetowego interfejsu API
Rozwiązywanie problemów
Podsumowanie i wnioski
Wymagania
- Znajomość algorytmów i bibliotek uczenia maszynowego
- Znajomość języka programowania C#
- Doświadczenie z platformami programistycznymi .NET
- Podstawowa znajomość narzędzi data science
- Doświadczenie z podstawowymi aplikacjami uczenia maszynowego
Publiczność
- Naukowcy zajmujący się danymi
- Machine Learning Programiści