Курс за обучение по Machine Learning and AI with ML.NET

Въведение

Инсталиране и конфигуриране Machine Learning 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

• ML.NET Интерфейсът на приложението Programming (ML.NET API)
• ML.NET алгоритми и задачи за машинно обучение
• Вероятностно програмиране с Infer.NET
• Вземане на решение за подходящите ML.NET зависимости

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 модели на данни
• Анотиране ML.NET на 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 на ML.NET предварителна обработка на данни
• Преобразуване на данни в ML.NET
• Работа с категориални данни за ML.NET генериране на модел

Реализиране на ML.NET Machine Learning алгоритми и задачи

• 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 Forecasting в ML.NET
• Избор на подходящ ML.NET алгоритъм за набор от данни и функции
• Трансформация на данни в ML.NET
• Алгоритми за подобряване на точността на ML.NET модели

Обучение Machine Learning Модели 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 Machine Learning модели в ML.NET

• Извличане на параметри за преобучение 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 дистанционно 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 прогнози на модела
• Единични и множество прогнози в ML.NET

Оптимизиране и повторно обучение на ML.NET Machine Learning модел

• 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 Azure функции и уеб API

Отстраняване на неизправности

Обобщение и заключение