Plan du cours
Introduction
Installation et configuration de Machine Learning pour la plate-forme de développement .NET (ML.NET)
- Configuration des outils et des bibliothèques ML.NET
- Systèmes d'exploitation et composants matériels pris en charge par ML.NET
Vue d'ensemble des caractéristiques et de l'architecture de ML.NET.
- L'interface de l'application ML.NET Programming (ML.NET API)
- Algorithmes et tâches d'apprentissage automatique ML.NET
- Programmation probabiliste avec Infer.NET
- Choix des dépendances ML.NET appropriées
Vue d'ensemble du ML.NET Model Builder
- Intégrer le Model Builder à Visual Studio
- Utiliser l'apprentissage automatique des machines (AutoML) avec Model Builder
Vue d'ensemble de ML.NET l'interface ligne de commande (CLI)
- Génération automatisée de modèles d'apprentissage automatique
- Tâches d'apprentissage automatique prises en charge par l'interface de programmation ML.NET.
Acquisition et chargement de données à partir de ressources pour Machine Learning
- Utilisation de l'API ML.NET pour le traitement des données
- Créer et définir les classes de modèles de données
- Annotation des modèles de données ML.NET
- Cas de chargement de données dans le cadre ML.NET.
Préparer et ajouter des données dans le cadre ML.NET
- Filtrer les modèles de données à l'aide des ML.NET opérations de filtrage
- Travailler avec ML.NET DataOperationsCatalog et IDataView
- Approches de normalisation pour le prétraitement des données ML.NET
- Conversion des données dans ML.NET
- Travailler avec des données catégorielles pour la génération de modèles ML.NET
Mise en œuvre ML.NET d'algorithmes et de tâches d'apprentissage automatique
- Classifications binaires et multi-classes ML.NET.
- La régression dans ML.NET
- Regroupement d'instances de données avec Clustering dans ML.NET
- Tâche d'apprentissage automatique de détection d'anomalie
- Classement, recommandation et prévision en ML.NET
- Choisir l'algorithme ML.NET approprié pour un ensemble de données et de fonctions
- Transformation des données dans ML.NET
- Algorithmes pour améliorer la précision des modèles ML.NET
Formation de modèles d'apprentissage automatique dans ML.NET
- Construire un modèle ML.NET
- Méthodes d'entraînement d'un modèle d'apprentissage automatique ML.NET
- Séparer les ensembles de données pour ML.NET l'entraînement et le test
- Travailler avec différents attributs et cas de données dans ML.NET
- Mise en cache d'ensembles de données pour l'entraînement au modèle ML.NET
Évaluation des modèles d'apprentissage automatique dans ML.NET
- Extraction de paramètres pour le recyclage ou l'inspection du modèle
- Collecte et enregistrement ML.NET des métriques du modèle
- Analyse des performances d'un modèle d'apprentissage automatique
Inspection des données intermédiaires au cours des étapes de formation du modèle ML.NET
Utilisation de l'importance des caractéristiques de permutation (PFI) pour l'interprétation des prédictions des modèles
Sauvegarde et chargement des modèles entraînés ML.NET.
- ITTransformer et DataViewScheme dans ML.NET (en anglais)
- Chargement de données stockées localement et à distance
- Travailler avec des pipelines de modèles d'apprentissage automatique dans ML.NET
Utilisation d'un modèle entraîné ML.NET pour l'analyse des données et les prédictions
- Mise en place du pipeline de données pour les prédictions de modèles
- Prédictions simples et multiples dans ML.NET
Optimisation et ré-entraînement d'un ML.NET modèle d'apprentissage automatique
- Algorithmes ré-entraînables ML.NET
- Chargement, extraction et réentraînement d'un modèle
- Comparaison des paramètres du modèle réentraîné avec le modèle ML.NET précédent
Intégrer les modèles ML.NET dans le nuage
- Déploiement d'un modèle ML.NET avec les fonctions Azure et l'API web
Dépannage
Résumé et conclusion
Pré requis
- Connaissance des algorithmes et des bibliothèques d'apprentissage automatique
- Maîtrise du langage de programmation C#
- Expérience des plateformes de développement .NET
- Compréhension de base des outils de science des données
- Expérience des applications d'apprentissage automatique de base
Audience
- Data Scientists
- Machine Learning Développeurs