План на курса
Въведение
Инсталиране и конфигуриране на машинно обучение за .NET платформа за разработка (ML.NET)
- Настройване на ML.NET инструменти и библиотеки Операционни системи и хардуерни компоненти, поддържани от ML.NET
Преглед на ML.NET функции и архитектура
- Интерфейсът на приложението ML.NET Programming (API на ML.NET) Алгоритми и задачи за машинно обучение на ML.NET Вероятностно програмиране с Infer.NET Вземане на решение за подходящите зависимости на ML.NET
Преглед на ML.NET Model Builder
- Интегриране на Model Builder към Visual Studio Използване на автоматизирано машинно обучение (AutoML) с Model Builder
Общ преглед на ML.NET интерфейс на командния ред (CLI)
- Автоматизирано генериране на модел за машинно обучение Задачи за машинно обучение, поддържани от ML.NET CLI
Придобиване и зареждане на данни от ресурси за Machine Learning
- Използване на ML.NET API за обработка на данни Създаване и дефиниране на класове от модели на данни Анотиране на ML.NET модели на данни Случаи за зареждане на данни в ML.NET рамката
Подготовка и добавяне на данни в ML.NET рамката
- Филтриране на модели на данни за с ML.NET филтърни операции Работа с ML.NET DataOperationsCatalog и IDataView Подходи за нормализиране за ML.NET предварителна обработка на данни Преобразуване на данни в ML.NET Работа с категориални данни за ML.NET генериране на модел
Внедряване на ML.NET алгоритми и задачи за машинно обучение
- Двоични и многокласови ML.NET класификации Регресия в ML.NET Групиране на екземпляри на данни с клъстериране в ML.NET Задача за машинно обучение за откриване на аномалии Класиране, препоръка и прогнозиране в ML.NET Избор на подходящ ML.NET алгоритъм за набор от данни и функции Трансформация на данни в ML.NET Алгоритми за подобрена точност на ML.NET модели
Обучение на модели за машинно обучение в ML.NET
- Изграждане на ML.NET модел ML.NET методи за обучение на модел за машинно обучение Разделяне на набори от данни за ML.NET обучение и тестване Работа с различни атрибути на данни и случаи в ML.NET Кеширане на набори от данни за ML.NET обучение на модел
Оценяване на модели за машинно обучение в ML.NET
- Извличане на параметри за повторно обучение или проверка на модела Събиране и записване на ML.NET показатели на модела Анализиране на ефективността на модел за машинно обучение
Проверка на междинни данни по време на ML.NET стъпки за обучение на модел
Използване на значението на характеристиките на пермутация (PFI) за интерпретация на прогнози на модела
Запазване и зареждане на обучени ML.NET модели
- ITTransformer и DataViewScheme в ML.NET Зареждане на локално и отдалечено съхранени данни Работа с конвейери на модели за машинно обучение в ML.NET
Използване на обучен ML.NET модел за анализи на данни и прогнози
- Настройване на тръбопровода за данни за моделни прогнози Единични и множествени прогнози в ML.NET
Оптимизиране и повторно обучение на ML.NET модел на машинно обучение
- Повторно обучени ML.NET алгоритми Зареждане, извличане и повторно обучение на модел Сравняване на повторно обучени параметри на модел с предишен ML.NET модел
Интегриране на ML.NET модели с облака
- Внедряване на ML.NET модел с функции на Azure и уеб API
Отстраняване на неизправности
Обобщение и заключение
Изисквания
- Познания за алгоритми и библиотеки за машинно обучение
- Силно владеене на език за програмиране C#.
- Опит с .NET платформи за разработка
- Основно разбиране на инструментите за наука за данни
- Опит с основни приложения за машинно обучение
Публика
- Учени по данни
- Machine Learning Разработчици