Cursusaanbod
Inleiding
Installeren en configureren van machine learning-functionaliteiten voor het .NET-ontwikkelplatform (ML.NET)
- De benodigde ML.NET-hulpmiddelen en -bibliotheken instellen
- Welke besturingssystemen en hardwarecomponenten worden door ML.NET ondersteund
Overzicht van de mogelijkheden en architectuur van ML.NET
- De applicatieprogrammeerinterface van ML.NET (ML.NET API)
- Beschikbare machine learning-algoritmen binnen ML.NET en hun toepassingen
- Probabilistische programmeertechnieken met Infer.NET
- Welke ML.NET-afhankelijkheden passend zijn voor een specifiek project
Wat is Model Builder in ML.NET?
- Het integreren van Model Builder met Visual Studio
- Automatisch machine learning (AutoML) mogelijk gemaakt door Model Builder
De commandoregelsinterface (CLI) van ML.NET – een overzicht
- Het genereren van machine learning-modellen met behulp van automatisering
- Welke voorspellende taken kunnen via de ML.NET CLI worden uitgevoerd
Gegevens verzamelen en inladen voor machine learning-processen
- Gegevensbewerking door middel van de ML.NET API
- Het definiëren van datamodellen in C#-code
- Waardering van kenmerken binnen ML.NET-datamodellen
- Hoe gegevens het meest efficiënt in ML.NET kunnen worden verwerkt
Gegevens voorbereiden en toevoegen aan het ML.NET-framework
- Het filteren van relevante informatie in datamodellen met ML.NET-operaties
- Werken met DataOperationsCatalog en IDataView binnen ML.NET
- Methodes voor normalisering van gegevens voor betere verwerking in ML.NET
- Conversie van diverse datavormen binnen het systeem
- Specifieke aanpakken bij omgaan met categorische gegevens voor modellentraining
Het toepassen van ML.NET-algoritmen en -taken
- Classificatie van data: zowel tweedelig als meerdelig binnen ML.NET
- Regressieanalyse in het kader van ML.NET-toepassingen
- Groepering van data-eenheden via clustering-technieken
- Identificatie van afwijkende waarden binnen datasets (anomaliedetectie)
- Ranking, aanbevelingen en prognoseberekening binnen ML.NET
- Het selecteren van het meest geschikte algoritme op basis van data-eigenschappen
- Transformaties toepassen op ruwe data voor verbeterde verwerking
- Technieken ter vergroting van modelaccuratesse in ML.NET
Modeltraining binnen het ML.NET-kader
- Het bouwen van een eerstelijns-model met behulp van ML.NET-methoden
- Technieken voor training van meerdere iteraties op dezelfde dataset
- Indeling van datasets in trainings- en testgegevens binnen ML.NET-procedures
- Het omgaan met diverse data-eigenschappen tijdens het modeltrainingsproces
- Cachetechnieken voor efficiënt hergebruik van grote datasets bij trainingen
Evaluatie van voorspellende modellen binnen ML.NET
- Het extraheren en vastleggen van modelparameters voor hergebruik of analyse
- Metingen verzamelen die aangeven hoe goed het model presteert
- Interpreteren en vergelijken van testresultaten tussen verschillende versies
Analyse van tussentijdse resultaten tijdens trainingsfasen in ML.NET
Interpretatie van voorspellende output door middel van Permutation Feature Importance (PFI)
Opslaan en opnieuw inladen van voltooide modellen binnen het ML.NET-kader
- Het gebruik van ITTransformer en DataViewScheme bij modelbeheer
- Zowel lokale als extern opgeslagen gegevens naar het systeem overbrengen
- Het samenstellen en bewerken van modellentrajecten in een samengestelde vorm
Toepassing van getrainde ML.NET-modellen voor analyse en voorspellingen
- De datapijplijn samenstellen zodat een model direct kan worden gebruikt
- Het genereren van een of meerdere voorspellingen op basis van binnenkomende gegevens
Optimalisatie en doorontwikkeling van ML.NET-modellen na de initiële trainingsfase
- Deelverzamelingen algoritmen die opnieuw kunnen worden getraind met nieuwe input
- Het importeren, analyseren en bijstellen van eerdere modellenspecificaties
- Vergelijkingsmethodes tussen eigenschappen van oude versus nieuwe trainingsresultaten
Integratie van ML.NET-modellen binnen cloudomgevingen
- Implementeren van voorspellende systemen via Azure-functies en een web-API
Problemen oplossen binnen het ML.NET-ecosysteem
Samenvatting en afsluiting van de training
Vereisten
- Kennis van machine learning-algoritmen en -bibliotheken
- Goede beheersing van de programmeertaal C#
- Ervaring met het .NET-ontwikkelplatform
- Basiskennis van data science-hulpmiddelen
- Eerdere ervaring met eenvoudige machine learning-toepassingen
Doelgroep
- Data scientists
- Ontwikkelaars gespecialiseerd in machine learning
Aangepaste bedrijfsopleiding
Opleidingsoplossingen ontworpen exclusief voor bedrijven.
- Aangepaste inhoud: We passen de syllabus en praktijkopdrachten aan naar de echte doelen en behoeften van uw project.
- Voor flexibel schema: Datums en tijden aangepast aan het rooster van uw team.
- Formaat: Online (live), In-company (bij uw kantoren) of Hybride.
Prijs per privégroep, online live training, startend vanaf 4800 € + BTW*
Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen
Reviews (3)
Ik vond het echt leuk hoe we aan het einde de tijd namen om te experimenteren met CHAT GPT. De ruimte was hier niet ideaal voor ingericht - in plaats van één grote tafel zouden een paar kleinere tafels handig geweest zijn, zodat we in kleine groepjes konden brainstormen.
Nola - Laramie County Community College
Cursus - Artificial Intelligence (AI) Overview
Automatisch vertaald
Werken op basis van eerste principes op een gefocuste manier, en overgaan naar het toepassen van casestudies binnen dezelfde dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Automatisch vertaald
Dat het echte bedrijfsgegevens gebruikte. De trainer had een zeer goede benadering door de deelnemers te laten meedoen en tegen elkaar aan treden
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Cursus - Applied AI from Scratch in Python
Automatisch vertaald
