Machine Learning and AI with ML.NET 培训

介绍

安装和配置 .NET 开发平台的 Machine Learning （ML.NET）

• 设置 ML.NET 工具和库
• ML.NET 支持的操作系统和硬件组件

ML.NET 特性和体系结构概述

• ML.NET 应用程序 Programming 接口 （ML.NET API）
• ML.NET 机器学习算法和任务
• 使用 Infer.NET 进行概率编程
• 确定适当的 ML.NET 依赖项

ML.NET 模型构建器概述

• 将模型构建器集成到 Visual Studio
• 将自动化机器学习 （AutoML） 与模型生成器结合使用

ML.NET 命令行界面 （CLI） 概述

• 自动化机器学习模型生成
• ML.NET CLI 支持的机器学习任务

从 Machine Learning 的资源中获取和加载数据

• 利用 ML.NET API 进行数据处理
• 创建和定义数据模型的类
• 注释 ML.NET 数据模型
• 将数据加载到 ML.NET 框架中的案例

准备数据并将其添加到 ML.NET 框架中

• 使用 ML.NET 个过滤操作过滤数据模型
• 使用 ML.NET DataOperationsCatalog 和 IDataView
• ML.NET 数据预处理的归一化方法
• ML.NET 中的数据转换
• 使用分类数据生成 ML.NET 模型

实现 ML.NET Machine Learning 算法和任务

• 二元类和多类 ML.NET 分类
• ML.NET 中的回归
• 在 ML.NET 中使用聚类对数据实例进行分组
• 异常情况检测机器学习任务
• 排名、推荐和 ML.NET 中的 Forecasting
• 为数据集和函数选择适当的 ML.NET 算法
• ML.NET 中的数据转换
• 用于提高 ML.NET 模型准确性的算法

训练 Machine Learning 中的模型 ML.NET

• 构建 ML.NET 模型
• ML.NET 训练机器学习模型的方法
• 拆分用于 ML.NET 训练和测试的数据集
• 在 ML.NET 中处理不同的数据属性和案例
• 缓存用于 ML.NET 模型训练的数据集

评估 ML.NET 中的 Machine Learning 模型

• 提取用于模型重新训练或检查的参数
• 收集和记录 ML.NET 模型指标
• 分析机器学习模型的性能

在 ML.NET 个模型训练步骤中检查中间数据

利用排列特征重要性 （PFI） 进行模型预测解释

保存和加载经过训练的 ML.NET 个模型

• ML.NET 中的 ITTransformer 和 DataViewScheme
• 加载本地和远程存储的数据
• 在 ML.NET 中使用机器学习模型管道

利用经过训练的 ML.NET 模型进行数据分析和预测

• 设置用于模型预测的数据管道
• ML.NET 中的单一和多重预测

优化和重新训练 ML.NET Machine Learning 模型

• 可重新训练 ML.NET 算法
• 加载、提取和重新训练模型
• 将重新训练的模型参数与之前的 ML.NET 模型进行比较

将 ML.NET 个模型与云集成

• 部署具有 Azure 个函数和 Web API 的 ML.NET 模型

故障 排除

总结和结论