Machine Learning and AI with ML.NET培訓

介紹

安裝和配置 .NET 開發平臺的 Machine Learning （ML.NET）

• 設置 ML.NET 工具和庫
• ML.NET 支援的作業系統和硬體元件

ML.NET 特性和體系結構概述

• ML.NET 應用程式 Programming 介面 （ML.NET API）
• ML.NET 機器學習演算法和任務
• 使用 Infer.NET 進行概率程式設計
• 確定適當的 ML.NET 依賴項

ML.NET 模型構建器概述

• 將模型建構器整合到 Visual Studio
• 將自動化機器學習 （AutoML） 與模型生成器結合使用

ML.NET 命令行介面 （CLI） 概述

• 自動化機器學習模型生成
• ML.NET CLI 支援的機器學習任務

從 Machine Learning 的資源中獲取和載入數據

• 利用 ML.NET API 進行數據處理
• 創建和定義數據模型的類
• 註釋 ML.NET 數據模型
• 將數據載入到 ML.NET 框架中的案例

準備數據並將其添加到 ML.NET 框架中

• 使用 ML.NET 個過濾操作過濾數據模型
• 使用 ML.NET DataOperationsCatalog 和 IDataView
• ML.NET 數據預處理的歸一化方法
• ML.NET 中的數據轉換
• 使用分類數據生成 ML.NET 模型

實現 ML.NET Machine Learning 演演算法和任務

• 二元類和多類 ML.NET 分類
• ML.NET 中的回歸
• 在 ML.NET 中使用聚類對數據實例進行分組
• 異常情況檢測機器學習任務
• 排名、推薦和 ML.NET 中的 Forecasting
• 為數據集和函數選擇適當的 ML.NET 演算法
• ML.NET 中的數據轉換
• 用於提高 ML.NET 模型準確性的演算法

訓練 Machine Learning 中的模型 ML.NET

• 構建 ML.NET 模型
• ML.NET 訓練機器學習模型的方法
• 拆分用於 ML.NET 訓練和測試的數據集
• 在 ML.NET 中處理不同的數據屬性和案例
• 緩存用於 ML.NET 模型訓練的數據集

評估 ML.NET 中的 Machine Learning 模型

• 提取用於模型重新訓練或檢查的參數
• 收集和記錄 ML.NET 模型指標
• 分析機器學習模型的性能

在 ML.NET 個模型訓練步驟中檢查中間數據

利用排列特徵重要性 （PFI） 進行模型預測解釋

保存和載入經過訓練的 ML.NET 個模型

• ML.NET 中的 ITTransformer 和 DataViewScheme
• 載入本地和遠端儲存的數據
• 在 ML.NET 中使用機器學習模型管道

利用經過訓練的 ML.NET 模型進行數據分析和預測

• 設置用於模型預測的數據管道
• ML.NET 中的單一和多重預測

優化和重新訓練 ML.NET Machine Learning 模型

• 可重新訓練 ML.NET 演算法
• 載入、提取和重新訓練模型
• 將重新訓練的模型參數與之前的 ML.NET 模型進行比較

將 ML.NET 個模型與雲集成

• 部署具有 Azure 個函數和 Web API 的 ML.NET 模型

故障排除

總結和結論