Formation Machine Learning and AI with ML.NET

Introduction

Installation et configuration Machine Learning de 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

Aperçu des fonctionnalités et de l'architecture de ML.NET

• L'interface d'application ML.NET (ML.NET API)
• Algorithmes et tâches d'apprentissage automatique ML.NET
• Programmation probabiliste avec Infer.NET
• Décider des dépendances ML.NET appropriées

Vue d'ensemble du ML.NET Model Builder

• Intégrer le Model Builder à Visual Studio
• Utiliser l'apprentissage automatique (AutoML) avec Model Builder

Présentation de l'interface en ligne de commande ML.NET (CLI)

• Génération de modèles d'apprentissage automatique
• Tâches d'apprentissage automatique prises en charge par l'interface de ligne de commande 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
• Création et définition des classes de modèles de données
• Annotation des modèles de données ML.NET
• Cas de chargement de données dans le cadre ML.NET

Préparation et ajout de données dans le cadre ML.NET

• Filtrer les modèles de données à l'aide des opérations de filtrage ML.NET
• 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 d'algorithmes et de tâches ML.NET Machine Learning

• Classifications binaires et multi-classes ML.NET
• Régression en ML.NET
• Regroupement des instances de données avec le Clustering en ML.NET
• Tâche d'apprentissage automatique pour la détection des anomalies
• Classement, recommandation et Forecasting dans 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

Entraînement des modèles Machine Learning dans ML.NET

• Construction d'un modèle ML.NET
• Méthodes ML.NET d'entraînement d'un modèle d'apprentissage automatique
• Séparation des ensembles de données pour ML.NET l'entraînement et le test
• Travailler avec différents attributs de données et cas en ML.NET
• Mise en cache d'ensembles de données pour l'entraînement au modèle ML.NET

Évaluation des modèles Machine Learning dans ML.NET

• Extraction de paramètres pour le recyclage ou l'inspection des modèles
• Collecte et enregistrement des métriques du modèle ML.NET
• 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 du modèle

Sauvegarde et chargement des modèles ML.NET entraînés

• 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 ML.NET entraîné pour les analyses de données et les prédictions

• Configurer le pipeline de données pour les prédictions de modèles
• Prédictions uniques et multiples dans ML.NET

Optimisation et ré-entraînement d'un modèle ML.NET Machine Learning

• Algorithmes ML.NET ré-entraînables
• Chargement, extraction et réentraînement d'un modèle
• Comparaison des paramètres du modèle ré-entraîné avec le modèle ML.NET précédent

Intégration des modèles ML.NET dans le nuage

• Déploiement d'un modèle ML.NET avec des fonctions Azure et une API web

Résolution des problèmes

Résumé et conclusion