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
  21 Hours
 

Related Courses

Related Categories