Machine Learning and AI with ML.NET Träningskurs

Införandet

Installera och konfigurera Machine Learning för .NET Development Platform (ML.NET)

• Konfigurera ML.NET verktyg och bibliotek
• Operativsystem och maskinvarukomponenter som stöds av ML.NET

Översikt över ML.NET funktioner och arkitektur

• Gränssnittet ML.NET för program Programming (API för ML.NET
• ML.NET Algoritmer och uppgifter för maskininlärning
• Probabilistisk programmering med Infer.NET
• Besluta om lämpliga ML.NET beroenden

Översikt över ML.NET Model Builder

• Integrera Model Builder med Visual Studio
• Använda automatiserad maskininlärning (AutoML) med Model Builder

Översikt över ML.NET kommandoradsgränssnittet (CLI)

• Automatiserad generering av maskininlärningsmodeller
• Maskininlärningsuppgifter som stöds av ML.NET CLI

Hämta och läsa in data från resurser för Machine Learning

• Använda ML.NET API för databehandling
• Skapa och definiera klasser av datamodeller
• Kommentera ML.NET datamodeller
• Fall för inläsning av data i ramverket ML.NET

Förbereda och lägga till data i ramverket ML.NET

• Filtrera datamodeller för med ML.NET filteråtgärder
• Arbeta med ML.NET DataOperationsCatalog och IDataView
• Normaliseringsmetoder för ML.NET förbearbetning av data
• Datakonvertering i ML.NET
• Arbeta med kategoriska data för ML.NET modellgenerering

Implementera ML.NET Machine Learning Algoritmer och uppgifter

• Klassificeringar för binära och flera klasser ML.NET
• Regression i ML.NET
• Gruppera datainstanser med klustring i ML.NET
• Maskininlärningsuppgift för avvikelseidentifiering
• Rangordning, rekommendation och Forecasting i ML.NET
• Välja lämplig ML.NET algoritm för en datauppsättning och funktioner
• Datatransformering i ML.NET
• Algoritmer för förbättrad noggrannhet hos ML.NET modeller

Träning Machine Learning Modeller i ML.NET

• Skapa en ML.NET modell
• ML.NET Metoder för att träna en maskininlärningsmodell
• Dela datauppsättningar för ML.NET träning och testning
• Arbeta med olika dataattribut och ärenden i ML.NET
• Cachelagring av datauppsättningar för ML.NET modellträning

Utvärdera Machine Learning modeller i ML.NET

• Extrahera parametrar för omträning eller inspektion av modeller
• Samla in och registrera ML.NET modellmått
• Analysera prestanda för en maskininlärningsmodell

Inspektera mellanliggande data under modellträningsstegen ML.NET

Använda PFI (Permutation Feature Importance) för tolkning av modellförutsägelser

Spara och ladda tränade ML.NET modeller

• ITTransformer och DataViewScheme i ML.NET
• Läsa in lokalt och fjärrlagrad data
• Arbeta med pipelines för maskininlärningsmodeller i ML.NET

Använda en tränad ML.NET modell för dataanalyser och förutsägelser

• Konfigurera datapipelinen för modellförutsägelser
• Enkla och multipla förutsägelser i ML.NET

Optimera och träna om en ML.NET Machine Learning modell

• Omträningsbara ML.NET algoritmer
• Ladda, extrahera och träna om en modell
• Jämföra omtränade modellparametrar med tidigare ML.NET modell

Integrera ML.NET modeller med molnet

• Distribuera en ML.NET-modell med Azure funktioner och webb-API

Felsökning

Sammanfattning och slutsats