Kurzusleírás

Bevezetés

Machine Learning telepítése és konfigurálása .NET fejlesztői platformhoz (ML.NET)

  • ML.NET eszközök és könyvtárak beállítása
  • A ML.NET által támogatott operációs rendszerek és hardverkomponensek

A ML.NET jellemzők és felépítés áttekintése

  • Az ML.NET alkalmazás Programming felülete (ML.NET API)
  • ML.NET gépi tanulási algoritmusok és feladatok
  • Valószínűségi programozás az Infer.NET segítségével
  • A megfelelő ML.NET függőségek eldöntése

A ML.NET Model Builder áttekintése

  • A Model Builder integrálása a Visual Studio-ba
  • Automatizált gépi tanulás (AutoML) használata a Model Builder segítségével

A ML.NET parancssori interfész (CLI) áttekintése

  • Automatizált gépi tanulási modellgenerálás
  • A ML.NET CLI által támogatott gépi tanulási feladatok

Adatok beszerzése és betöltése a következőhöz: Machine Learning

  • A ML.NET API felhasználása adatfeldolgozáshoz
  • Adatmodellek osztályainak létrehozása, meghatározása
  • Annotálás ML.NET adatmodellek
  • Az adatok ML.NET keretrendszerbe való betöltésének esetei

Adatok előkészítése és hozzáadása a ML.NET keretrendszerhez

  • Adatmodellek szűrése ML.NET szűrőműveletekhez
  • A ML.NET DataOperationsCatalog és az IDataView használata
  • Normalizációs megközelítések ML.NET adat-előfeldolgozáshoz
  • Adatkonverzió itt: ML.NET
  • Kategorikus adatokkal való munka ML.NET modellgeneráláshoz

ML.NET Machine Learning Algoritmusok és feladatok megvalósítása

  • Bináris és többosztályú ML.NET osztályozás
  • Regresszió a ML.NET-ben
  • Adatpéldányok csoportosítása fürtözéssel a ML.NET-ben
  • Anomália-észlelés gépi tanulási feladat
  • Rangsor, ajánlás és Forecasting in ML.NET
  • A megfelelő ML.NET algoritmus kiválasztása adathalmazhoz és függvényekhez
  • Adatátalakítás a ML.NET-ben
  • Algoritmusok a ML.NET modellek pontosságának növelésére

Képzés Machine Learning Modellek itt: ML.NET

  • ML.NET modell építése
  • ML.NET módszerek a gépi tanulási modell betanításához
  • Adatkészletek felosztása ML.NET képzéshez és teszteléshez
  • Munka különböző adatattribútumokkal és esetekkel a ML.NET-ben
  • Adatkészletek gyorsítótárazása ML.NET modell betanításhoz

Machine Learning modellek értékelése itt: ML.NET

  • Paraméterek kinyerése a modell átképzéséhez vagy ellenőrzéséhez
  • ML.NET modellmetrikák gyűjtése és rögzítése
  • Egy gépi tanulási modell teljesítményének elemzése

Köztes adatok vizsgálata ML.NET modellképzési lépés során

A permutációs funkció fontosságának (PFI) felhasználása a modell-előrejelzések értelmezéséhez

Képzett ML.NET modellek mentése és betöltése

  • ITTransformer és DataViewScheme itt: ML.NET
  • Helyben és távolról tárolt adatok betöltése
  • Gépi tanulási modellfolyamatokkal való munka a ML.NET-ben

Képzett ML.NET modell alkalmazása adatelemzésekhez és előrejelzésekhez

  • Az adatfolyam beállítása a modell-előrejelzésekhez
  • Egyszeri és többszörös előrejelzések a ML.NET-ben

Egy ML.NET Machine Learning modell optimalizálása és újraképzése

  • Újratanítható ML.NET algoritmusok
  • Modell betöltése, kinyerése és újraképzése
  • Újraképzett modellparaméterek összehasonlítása a korábbi ML.NET modellel

ML.NET modellek integrálása a felhővel

  • ML.NET modell telepítése Azure függvényekkel és webes API-val

Hibaelhárítás

Összefoglalás, és következtetés

Követelmények

  • Gépi tanulási algoritmusok és könyvtárak ismerete
  • A C# programozási nyelv erős ismerete
  • .NET fejlesztői platformokkal szerzett tapasztalat
  • Az adattudományi eszközök alapvető ismerete
  • Alapvető gépi tanulási alkalmazásokban szerzett tapasztalat

Közönség

  • Adattudósok
  • Machine Learning Fejlesztők
  21 Hours
 

Résztvevők száma


Tanfolyam kezdete

Tanfolyam vége


Dates are subject to availability and take place between 09:30 and 16:30.

Ár per résztvevő
Open Training Courses require 5+ participants.

Rokon tanfolyam

Rokon kategóriák