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
  21 Hours
 

Брой участници


Започва

Свършва


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Свързани Kурсове

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Свързани Kатегории