Course Outline
Introductie
Installeren en configureren Machine Learning voor .NET Development Platform (ML.NET)
- Hulpprogramma's en bibliotheken instellen ML.NET
- Besturingssystemen en hardwarecomponenten die worden ondersteund door ML.NET
Overzicht van ML.NET Functies en architectuur
- De ML.NET Applicatie Programming Interface (ML.NET API)
- ML.NET Algoritmen en taken op het gebied van machinaal leren
- Probabilistisch programmeren met Infer.NET
- Beslissen over de juiste ML.NET afhankelijkheden
Overzicht van ML.NET Model Builder
- De modelbouwer integreren in Visual Studio
- Geautomatiseerde machine learning (AutoML) gebruiken met Model Builder
Overzicht van ML.NET Command-Line Interface (CLI)
- Geautomatiseerde generatie van machine learning-modellen
- Machine learning-taken ondersteund door ML.NET CLI
Gegevens verkrijgen en laden uit bronnen voor Machine Learning
- De ML.NET API gebruiken voor gegevensverwerking
- De klassen van gegevensmodellen maken en definiëren
- Annoteren van ML.NET gegevensmodellen
- Voorbeelden voor het laden van gegevens in het ML.NET raamwerk
Voorbereiden en toevoegen van gegevens aan het ML.NET raamwerk
- Gegevensmodellen filteren voor filterbewerkingen met ML.NET
- Werken met ML.NET DataOperationsCatalog en IDataView
- Normalisatiebenaderingen voor ML.NET voorverwerking van gegevens
- Gegevensconversie in ML.NET
- Werken met categorische gegevens voor het genereren van ML.NET-modellen
Implementeren ML.NET Machine Learning Algoritmen en taken
- Binaire en Multi-klasse ML.NET classificaties
- Regressie in ML.NET
- Gegevensexemplaren groeperen met clustering in ML.NET
- Machine learning-taak voor anomaliedetectie
- Rangschikking, aanbeveling en Forecasting in ML.NET
- Het juiste ML.NET algoritme kiezen voor een dataset en functies
- Gegevenstransformatie in ML.NET
- Algoritmen voor verbeterde nauwkeurigheid van ML.NET modellen
Training Machine Learning Modellen in ML.NET
- Een ML.NET-model bouwen
- ML.NET Methoden voor het trainen van een machine learning-model
- Datasets splitsen voor ML.NET training en testen
- Werken met verschillende gegevensattributen en cases in ML.NET
- Caching datasets voor ML.NET modeltraining
Evaluatie van Machine Learning Modellen in ML.NET
- Parameters extraheren voor het opnieuw trainen of inspecteren van modellen
- Metrische gegevens van het model verzamelen en vastleggen ML.NET
- De prestaties van een machine learning-model analyseren
Tussenliggende gegevens inspecteren tijdens ML.NET Trainingsstappen voor modellen
Permutation Feature Importance (PFI) gebruiken voor de interpretatie van modelvoorspellingen
Getrainde ML.NET modellen opslaan en laden
- ITTransformer en DataViewScheme in ML.NET
- Lokaal en op afstand opgeslagen gegevens laden
- Werken met machine learning-modelpijplijnen in ML.NET
Gebruik maken van een getraind ML.NET model voor data-analyses en voorspellingen
- De gegevenspijplijn instellen voor modelvoorspellingen
- Enkelvoudige en meervoudige voorspellingen in ML.NET
Optimaliseren en omscholen van een ML.NET Machine Learning model
- Hertrainbare ML.NET algoritmen
- Een model laden, extraheren en opnieuw trainen
- Vergelijking van opnieuw getrainde modelparameters met het vorige ML.NET-model
ML.NET modellen integreren met de cloud
- Een ML.NET-model implementeren met Azure-functies en web-API
Probleemoplossing
Samenvatting en conclusie
Requirements
- Kennis van machine learning-algoritmen en bibliotheken
- Sterke beheersing van de programmeertaal C#.
- Ervaring met .NET-ontwikkelplatforms
- Basiskennis van data science-tools
- Ervaring met eenvoudige machine learning-toepassingen
Publiek
- Datawetenschappers
- Machine Learning Ontwikkelaars