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
  21 timmar
 

Antal deltagare


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Relaterade Kurser

Relaterade Kategorier