Machine Learning and AI with ML.NET Training Cursus

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 voor 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

• Gebruik van de ML.NET API voor gegevensverwerking
• Het maken en definiëren van de klassen van gegevensmodellen
• Annoteren 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 met ML.NET filterbewerkingen
• 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
• Gegevensinstanties 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

• Het bouwen van een ML.NET model
• ML.NET Methoden voor het trainen van een machine learning-model
• Datasets splitsen voor ML.NET training en testen
• Werken met verschillende data-attributen 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 modellen verzamelen en vastleggen ML.NET
• De prestaties van een machine learning-model analyseren

Tussenliggende gegevens inspecteren tijdens ML.NET modeltrainingsstappen

Gebruik maken van permutation feature importance (PFI) 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 voor modelvoorspellingen instellen
• Enkelvoudige en meervoudige voorspellingen in ML.NET

Optimaliseren en hertrainen 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

Integratie van ML.NET modellen met de cloud

• Een ML.NET-model implementeren met Azure-functies en web-API

Probleemoplossing

Samenvatting en conclusie