Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés
ML.NET telepítése és konfigurálása a .NET fejlesztési platformhoz
- ML.NET eszközök és könyvtárak beállítása
- Az ML.NET által támogatott operációs rendszerek és hardverkomponensek
Áttekintés az ML.NET jellemzőiről és architektúrájáról
- Az ML.NET Programozási Felület (ML.NET API)
- ML.NET gépes tanulási algoritmusai és feladatai
- Valószínűségi programozás Infer.NET-vel
- A megfelelő ML.NET függőségek kiválasztása
Áttekintés az ML.NET Model Builder-ről
- Model Builder integrálása a Visual Studio-hoz
- Automated machine learning (AutoML) használata a Model Builderrel
Áttekintés az ML.NET parancssori felületéről (CLI)
- Automated machine learning model generálás
- Az ML.NET CLI által támogatott gépes tanulási feladatok
Adatok beszerzése és betöltése forrásokból a gépes tanuláshoz
- Az ML.NET API használata adatok feldolgozásához
- Adatmodellek osztályainak létrehozása és definiálása
- ML.NET adatmodellek annotálása
- Adatok betöltése az ML.NET keretrendszerbe
Adatok előkészítése és hozzáadása az ML.NET keretrendszerbe
- Adatmodellek szűrése az ML.NET szűrőműveleteivel
- Munka az ML.NET DataOperationsCataloggal és IDataView-vel
- Normalizálási módszerek az ML.NET adat előfeldolgozásához
- Adatok konverziója ML.NET-ben
- Munka kategórikus adatokkal az ML.NET modellgeneráláshoz
ML.NET gépes tanulási algoritmusok és feladatok megvalósítása
- ML.NET kétértékű és többosztalybeli osztályozások
- Regreszió ML.NET-ben
- Adatpéldák csoportosítása az ML.NET Clustereléssel
- Anomáliamegjelölő gépes tanulási feladat
- Rangsorolás, Ajánlások és előrejelzés ML.NET-ben
- A megfelelő ML.NET algoritmus kiválasztása egy adatkészlethez és funkciókhoz
- Adatok transzformálása ML.NET-ben
- Algoritmusok ML.NET modellek pontosabbá tételéhez
Gépes tanulási modellek kinyerése ML.NET-ben
- ML.NET modell építése
- ML.NET módszerei egy gépes tanulási modell kinyeréséhez
- Adatkészletek felosztása az ML.NET kinyeréséhez és teszteléséhez
- Munka különböző adatattribútumokkal és esetekkel ML.NET-ben
- Adatkészletek cache-ezése az ML.NET modell kinyeréséhez
Gépes tanulási modellek értékelése ML.NET-ben
- Paraméterek kivonása a modell újra kinyeréséhez vagy vizsgálatához
- ML.NET modell metrikák gyűjtése és rögzítése
- Egy gépes tanulási modell teljesítményének elemzése
Közvetlen adatok vizsgálata az ML.NET modell kinyerési lépéseken
Permutation Feature Importance (PFI) használata a modell előrejelzések értelmezéséhez
Kinyert ML.NET modellek mentése és betöltése
- ITTransformer és DataViewScheme ML.NET-ben
- Helyileg és távoli helyen tárolt adatok betöltése
- Munka a gépes tanulási modell csatornákkal ML.NET-ben
Kinyert ML.NET modell használata adatelemzésre és előrejelzésekre
- Modell előrejelzésekhez szükséges adatcsatorna beállítása
- Egyetlen és többes előrejelzések ML.NET-ben
ML.NET gépes tanulási modell optimalizálása és újra kinyerése
- Újrakinyerhető ML.NET algoritmusok
- Modell betöltése, kivonása és újra kinyerése
- Újrakinyert modell paraméterek összehasonlítása a korábbi ML.NET modell paramétereivel
ML.NET modellek integrálása a felhővel
- ML.NET modell telepítése Azure funkciókkal és web API-vel
Hibaelhárítás
Összefoglalás és záró szócikk
Követelmények
- Gépek tanításának algoritmusainak és könyvtárainak ismerete
- Erős C# programozási nyelv ismerete
- Tapasztalat .NET fejlesztői platformokkal
- Alapvető ismeretek adattudományi eszközökről
- Tapasztalat alapvető gépek tanításával kapcsolatos alkalmazásokban
Célközönség
- Adattudósok
- Gépek tanításával foglalkozó fejlesztők
21 Órák
Vélemények (2)
az ML-ekoszisztéma nem csak az MLFlow-t, hanem az Optunát, a HyperOps-t, valamint a Docker-t és a Docker-Compose-t is tartalmazza
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
Gépi fordítás
Nagyezték, hogy részese lehettem a Kubeflow tanfolyamnak, amelyet távollértű módon tartottak. A képzés lehetővé tette számomra, hogy megalapozzam az AWS-szal kapcsolatos ismereteimet, a K8s-t és a Kubeflow környezetében használt minden devOps eszköz alapjait, amelyek a témakör megfelelő felépítéséhez szükségesek. Szeretném köszönetet mondani Malawski Marcinnek az általa tanúsított türelmért és professzionális eljárásokért a képzés során és a legjobb gyakorlati tanácsokért. Malawski számos különböző szempontból közelítette meg a témát, különböző üzembe helyezési eszközökkel, mint például az Ansible, EKS kubectl és a Terraform. Most már egyértelműen meggyőződtem arról, hogy a megfelelő alkalmazási területre haladszom.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurzus - Kubeflow
Gépi fordítás
