Kursplan
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 Applikation Programming (ML.NET API)
- ML.NET Maskininlärningsalgoritmer och uppgifter
- 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 kommandoradsgränssnitt (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 ML.NET-ramen
Förbereda och lägga till data i ML.NET-ramverket
- Filtrering av 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 läsa in tränade ML.NET modeller
- ITTransformer och DataViewScheme i ML.NET
- Läsa in lokalt och fjärrlagrade 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
- Läsa in, 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
Krav
- Kunskaper om maskininlärningsalgoritmer och bibliotek
- Starkt behärskning av programmeringsspråket C#
- Erfarenhet av .NET utvecklingsplattformar
- Grundläggande förståelse för datavetenskapliga verktyg
- Erfarenhet av grundläggande maskininlärningsapplikationer
Publik
- Dataforskare
- Machine Learning Utvecklare