课程大纲

介绍

安装和配置适用于 .NET 开发平台的机器学习 (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 功能和体系结构概述

  • 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 依赖关系

ML.NET 模型生成器概述

  • 将模型开发器集成到 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 个数据模型
  • 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 筛选操作筛选数据模型
  • 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 机器学习算法和任务

  • 二元类和多类 ML.NET 分类
  • ML.NET 中的回归
  • 在 ML.NET 中使用聚类分析对数据实例进行分组
  • 异常检测机器学习任务
  • ML.NET 中的排名、推荐和预测
  • 为数据集和函数选择适当的 ML.NET 算法
  • ML.NET 中的数据转换
  • 提高 ML.NET 模型精度的算法

在 ML.NET 中训练机器学习模型

  • 构建 ML.NET 模型
  • ML.NET 训练机器学习模型的方法
  • 拆分数据集以进行 ML.NET 训练和测试
  • 在 ML.NET 中使用不同的数据属性和案例
  • 缓存用于 ML.NET 模型训练的数据集

在 ML.NET 中评估机器学习模型

  • 提取参数以进行模型重新训练或检查
  • 收集和记录 ML.NET 个模型指标
  • 分析机器学习模型的性能

在 ML.NET 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 中的单个和多个预测

优化和重新训练 ML.NET 机器学习模型

  • 可重新训练的 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

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

故障 排除

总结和结论

要求

  • 了解机器学习算法和库
  • 熟练掌握C#编程语言
  • 具有 .NET 开发平台的经验
  • 对数据科学工具有基本的了解
  • 具有基本机器学习应用程序的经验

观众

  • 数据科学家
  • Machine Learning 开发人员
  21 小时

人数


开始

完结


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

每位参与者的报价

相关课程

课程分类