Machine Learning and AI with ML.NET - 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