課程簡介

介紹

安裝和設定適用於 .NET 開發平臺的機器學習 (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 功能和體系結構概述

  • 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 依賴關係

ML.NET 模型生成器概述

  • 將模型開發器整合到 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 個數據模型
  • 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 篩選操作篩選數據模型
  • 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 機器學習演算法和任務

  • 二元類和多類 ML.NET 分類
  • ML.NET 中的回歸
  • 在 ML.NET 中使用聚類分析對數據實例進行分組
  • 異常檢測機器學習任務
  • ML.NET 中的排名、推薦和預測
  • 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
  • 提高 ML.NET 模型精度的演算法

在 ML.NET 中訓練機器學習模型

  • 構建 ML.NET 模型
  • ML.NET 訓練機器學習模型的方法
  • 拆分數據集以進行 ML.NET 訓練和測試
  • 在 ML.NET 中使用不同的數據屬性和案例
  • 緩存用於 ML.NET 模型訓練的數據集

在 ML.NET 中評估機器學習模型

  • 提取參數以進行模型重新訓練或檢查
  • 收集和記錄 ML.NET 個模型指標
  • 分析機器學習模型的性能

在 ML.NET 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 中的單個和多個預測

優化和重新訓練 ML.NET 機器學習模型

  • 可重新訓練的 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

  • 使用 Azure Functions 和 Web API 部署 ML.NET 模型

故障排除

總結和結論

最低要求

  • 了解機器學習演算法和庫
  • 熟練掌握C#程式設計語言
  • 具有 .NET 開發平台的經驗
  • 對數據科學工具有基本的瞭解
  • 具有基本機器學習應用程序的經驗

觀眾

  • 數據科學家
  • Machine Learning 開發人員
  21 時間:
 

人數


開始於

結束於


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

相關課程

課程分類