Machine Learning and AI with ML.NET Training Course

Εισαγωγή

Εγκατάσταση και διαμόρφωση Machine Learning για την πλατφόρμα ανάπτυξης .NET (ML.NET)

• Ρύθμιση ML.NET εργαλείων και βιβλιοθηκών
• Λειτουργικά συστήματα και εξαρτήματα υλικού που υποστηρίζονται από ML.NET

Επισκόπηση ML.NET Χαρακτηριστικά και Αρχιτεκτονική

• Η διεπαφή ML.NET εφαρμογής Programming (ML.NET API)
• ML.NET αλγόριθμοι και εργασίες μηχανικής μάθησης
• Πιθανολογικός προγραμματισμός με το Infer.NET
• Λήψη απόφασης για τις κατάλληλες ML.NET εξαρτήσεις

Επισκόπηση του ML.NET Model Builder

• Ενσωμάτωση του Model Builder στο Visual Studio
• Χρήση αυτοματοποιημένης μηχανικής εκμάθησης (AutoML) με το Model Builder

Επισκόπηση της ML.NET διεπαφής γραμμής εντολών (CLI)

• Δημιουργία μοντέλων αυτοματοποιημένης μηχανικής μάθησης
• Εργασίες μηχανικής εκμάθησης που υποστηρίζονται από ML.NET CLI

Απόκτηση και φόρτωση δεδομένων από πόρους για Machine Learning

• Χρησιμοποιώντας το ML.NET API για επεξεργασία δεδομένων
• Δημιουργία και ορισμός κλάσεων μοντέλων δεδομένων
• Σχολιασμός ML.NET μοντέλων δεδομένων
• Περιπτώσεις φόρτωσης 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 DataOperationsCatalog και IDataView
• Προσεγγίσεις κανονικοποίησης για ML.NET προεπεξεργασία δεδομένων
• Μετατροπή δεδομένων σε ML.NET
• Εργασία με κατηγορικά δεδομένα για τη δημιουργία μοντέλων ML.NET

Υλοποίηση ML.NET Machine Learning Αλγορίθμων και Εργασιών

• Ταξινομήσεις δυαδικών και πολλαπλών κλάσεων ML.NET
• Παλινδρόμηση στο ML.NET
• Ομαδοποίηση παρουσιών δεδομένων με Clustering στο ML.NET
• Εργασία μηχανικής εκμάθησης ανίχνευσης ανωμαλιών
• Κατάταξη, Σύσταση και Forecasting σε ML.NET
• Επιλέγοντας τον κατάλληλο ML.NET αλγόριθμο για ένα σύνολο δεδομένων και συναρτήσεις
• Μετασχηματισμός δεδομένων σε ML.NET
• Αλγόριθμοι για βελτιωμένη ακρίβεια των ML.NET μοντέλων

Εκπαίδευση Machine Learning Μοντέλα σε ML.NET

• Κατασκευή ενός μοντέλου ML.NET
• ML.NET μέθοδοι για την εκπαίδευση ενός μοντέλου μηχανικής μάθησης
• Διαχωρισμός συνόλων δεδομένων για εκπαίδευση και δοκιμή ML.NET
• Εργασία με διαφορετικά χαρακτηριστικά και περιπτώσεις δεδομένων στο ML.NET
• Αποθήκευση συνόλων δεδομένων για ML.NET εκπαίδευση μοντέλων

Αξιολόγηση Machine Learning μοντέλων στο ML.NET

• Εξαγωγή παραμέτρων για επανεκπαίδευση ή επιθεώρηση μοντέλου
• 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 μοντέλου ML.NET Machine Learning

• Επανεκπαιδεύσιμοι ML.NET αλγόριθμοι
• Φόρτωση, εξαγωγή και επανεκπαίδευση μοντέλου
• Σύγκριση παραμέτρων του εκ νέου εκπαιδευμένου μοντέλου με το προηγούμενο μοντέλο ML.NET

Ενσωμάτωση ML.NET μοντέλων με το The Cloud

• Ανάπτυξη μοντέλου ML.NET με Azure λειτουργίες και web API

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα