Course Outline
Εισαγωγή
Εγκατάσταση και διαμόρφωση Machine Learning για .NET Development Platform (ML.NET)
- Ρύθμιση ML.NET εργαλείων και βιβλιοθηκών Λειτουργικά συστήματα και στοιχεία υλικού που υποστηρίζονται από ML.NET
Επισκόπηση ML.NET Χαρακτηριστικά και Αρχιτεκτονική
- Η εφαρμογή ML.NET Programming Διασύνδεση (ML.NET API) Αλγόριθμοι μηχανικής εκμάθησης ML.NET και εργασίες Πιθανοτικός προγραμματισμός με το Infer.NET Αποφασίζοντας για τις κατάλληλες εξαρτήσεις ML.NET
Επισκόπηση του ML.NET Model Builder
- Ενσωμάτωση του Model Builder στο Visual Studio Χρήση της αυτοματοποιημένης μηχανικής εκμάθησης (AutoML) με το Model Builder
Επισκόπηση της ML.NET διεπαφής γραμμής εντολών (CLI)
- Δημιουργία μοντέλων αυτοματοποιημένης μηχανικής μάθησης Εργασίες μηχανικής μάθησης που υποστηρίζονται από ML.NET CLI
Απόκτηση και φόρτωση δεδομένων από πόρους για Machine Learning
- Χρήση του ML.NET API για επεξεργασία δεδομένων Δημιουργία και καθορισμός των κατηγοριών μοντέλων δεδομένων Σχολιασμός ML.NET μοντέλων δεδομένων Περιπτώσεις για φόρτωση δεδομένων στο πλαίσιο ML.NET
Προετοιμασία και προσθήκη δεδομένων στο ML.NET πλαίσιο
- Φιλτράρισμα μοντέλων δεδομένων για λειτουργίες φίλτρου με ML.NET Εργασία με ML.NET Προσεγγίσεις DataOperationsCatalog και IDataView κανονικοποίησης για ML.NET προεπεξεργασία δεδομένων Μετατροπή δεδομένων σε ML.NET Εργασία με κατηγορικά δεδομένα για ML.NET δημιουργία μοντέλου
Εφαρμογή ML.NET Αλγορίθμων και Εργασιών Μηχανικής Μάθησης
- Ταξινομήσεις δυαδικών και πολλαπλών κλάσεων ML.NET Παλινδρόμηση σε ML.NET Ομαδοποίηση στιγμιότυπων δεδομένων με ομαδοποίηση σε ML.NET εργασία μηχανικής μάθησης ανίχνευσης ανωμαλιών Κατάταξη, σύσταση και πρόβλεψη σε ML.NET Επιλογή του κατάλληλου ML.NET αλγορίθμου για ένα σύνολο δεδομένων και συναρτήσεις Μετασχηματισμός δεδομένων σε ML.NET Αλγόριθμους για βελτιωμένη ακρίβεια των ML.NET μοντέλων
Εκπαίδευση μοντέλων μηχανικής μάθησης στο ML.NET
- Δημιουργία ML.NET μοντέλου ML.NET μεθόδων για την εκπαίδευση ενός μοντέλου μηχανικής εκμάθησης Διαχωρισμός συνόλων δεδομένων για ML.NET εκπαίδευση και δοκιμή Εργασία με διαφορετικά χαρακτηριστικά δεδομένων και περιπτώσεις στο ML.NET Αποθήκευση συνόλων δεδομένων προσωρινής αποθήκευσης για εκπαίδευση μοντέλων ML.NET
Αξιολόγηση μοντέλων μηχανικής μάθησης στο ML.NET
- Εξαγωγή παραμέτρων για επανεκπαίδευση ή επιθεώρηση μοντέλων Συλλογή και καταγραφή ML.NET μετρήσεων μοντέλων Ανάλυση της απόδοσης ενός μοντέλου μηχανικής μάθησης
Επιθεώρηση ενδιάμεσων δεδομένων κατά τα ML.NET Βήματα Εκπαίδευσης Μοντέλου
Χρήση της Σημασίας Χαρακτηριστικού Μετάθεσης (PFI) για την Ερμηνεία Προβλέψεων Μοντέλου
Αποθήκευση και φόρτωση εκπαιδευμένων ML.NET μοντέλων
- ITTtransformer και DataViewScheme στο ML.NET Φόρτωση τοπικά και απομακρυσμένα αποθηκευμένα δεδομένα Εργασία με αγωγούς μοντέλων μηχανικής εκμάθησης στο ML.NET
Χρησιμοποιώντας ένα εκπαιδευμένο ML.NET μοντέλο για αναλύσεις και προβλέψεις δεδομένων
- Ρύθμιση της γραμμής δεδομένων για προβλέψεις μοντέλων Μεμονωμένες και πολλαπλές προβλέψεις στο ML.NET
Βελτιστοποίηση και επανεκπαίδευση ενός ML.NET Μοντέλου Μηχανικής Μάθησης
- Επανεκπαιδεύσιμοι ML.NET αλγόριθμοι Φόρτωση, εξαγωγή και επανεκπαίδευση μοντέλου Σύγκριση παραμέτρων επανεκπαιδευμένου μοντέλου με προηγούμενο μοντέλο ML.NET
Ενσωμάτωση ML.NET μοντέλων με το The Cloud
- Ανάπτυξη ενός μοντέλου ML.NET με λειτουργίες Azure και web API
Αντιμετώπιση προβλημάτων
Περίληψη και Συμπέρασμα
Requirements
- Γνώση αλγορίθμων μηχανικής μάθησης και βιβλιοθηκών
- Ισχυρή γνώση της γλώσσας προγραμματισμού C#
- Εμπειρία με πλατφόρμες ανάπτυξης .NET
- Βασική κατανόηση των εργαλείων της επιστήμης δεδομένων
- Εμπειρία με βασικές εφαρμογές μηχανικής εκμάθησης
Ακροατήριο
- Επιστήμονες Δεδομένων
- Machine Learning Προγραμματιστές