Schulungsübersicht
Einführung
Installation und Konfiguration der Machine Learning-Entwicklungsplattform für .NET (ML.NET)
- Einrichtung von ML.NET-Tools und -Bibliotheken
- Betriebssysteme und Hardwarekomponenten, die von ML.NET unterstützt werden
Überblick über die Funktionen und Architektur von ML.NET
- Die Anwendungsprogrammierschnittstelle (API) von ML.NET
- Machine Learning-Algorithmen und -Aufgaben in ML.NET
- Wahrscheinlichkeitsbasiertes Programmieren mit Infer.NET
- Auswahl der geeigneten ML.NET-Abhängigkeiten
Überblick über den Model Builder von ML.NET
- Integration des Model Builders in Visual Studio
- Verwendung von automatisiertem Machine Learning (AutoML) mit dem Model Builder
Überblick über die Befehlszeilenschnittstelle (CLI) von ML.NET
- Generierung von Machine Learning-Modellen durch automatisches Lernen
- Machine Learning-Aufgaben, die von der ML.NET-CLI unterstützt werden
Erfassen und Laden von Daten für Machine Learning aus Ressourcen
- Verwendung der ML.NET-API für die Datenverarbeitung
- Erstellen und Definieren von Datendefinitionsklassen
- Annotieren von ML.NET-Datendefinitionen
- Fälle des Ladens von Daten in das ML.NET-Framework
Vorbereiten und Hinzufügen von Daten zum ML.NET-Framework
- Filtern von Datendefinitionen mit ML.NET-Filteroperationen
- Arbeiten mit dem DataOperationsCatalog und IDataView in ML.NET
- Normalisierungsansätze für die Datenvorverarbeitung in ML.NET
- Datenkonvertierung in ML.NET
- Arbeiten mit kategorialen Daten für die Modellgenerierung in ML.NET
Implementieren von Machine Learning-Algorithmen und -Aufgaben in ML.NET
- Binäre und multi-class Klassifikationen in ML.NET
- Regression in ML.NET
- Gruppierung von Dateninstanzen durch Clustering in ML.NET
- Anomalieerkennung als Machine Learning-Aufgabe
- Rangfolge, Empfehlungen und Vorhersagen in ML.NET
- Auswahl des geeigneten ML.NET-Algorithmus für einen Datensatz und Funktionen
- DatenTransformation in ML.NET
- Algorithmen zur Verbesserung der Genauigkeit von ML.NET-Modellen
Training von Machine Learning-Modellen in ML.NET
- Erstellen eines ML.NET-Modells
- Methoden zum Trainieren eines Machine Learning-Modells mit ML.NET
- Aufteilen von Datensätzen für das Training und die Testung in ML.NET
- Arbeiten mit verschiedenen Datenattributen und Fällen in ML.NET
- Zwischenspeichern von Datensätzen für das Modelltraining in ML.NET
Evaluieren von Machine Learning-Modellen in ML.NET
- Extrahieren von Parametern für die erneute Training oder Überprüfung
- Sammeln und Aufzeichnen von Metriken für ML.NET-Modelle
- Analysieren der Leistung eines Machine Learning-Modells
Überprüfen von Zwischendaten während der Schritte des Modelltrainings in ML.NET
Verwenden der Permutation Feature Importance (PFI) für die Interpretation von Modulpredictions
Speichern und Laden trainierter ML.NET-Modelle
- ITTransformer und DataViewScheme in ML.NET
- Laden lokal und remote gespeicherter Daten
- Arbeiten mit Machine Learning-Modellpipelines in ML.NET
Verwenden eines trainierten ML.NET-Modells für Datenanalysen und Vorhersagen
- Einrichten der Datendefinitionspipeline für Modellvorhersagen
- Einzelne und mehrfache Vorhersagen in ML.NET
Optimieren und erneutes Training eines ML.NET-Machine-Learning-Modells
- Wiedertrainierbare ML.NET-Algorithmen
- Laden, Extrahieren und erneutes Training eines Modells
- Vergleichen von Parametern des erneut trainierten Modells mit dem vorherigen ML.NET-Modell
Integrieren von ML.NET-Modellen in die Cloud
- Bereitstellen eines ML.NET-Modells mit Azure Functions und Web API
Fehlerbehebung
Zusammenfassung und Fazit
Voraussetzungen
- Kenntnis von maschinelles Lernen und Bibliotheken
- Solides Wissen der C#-Programmiersprache
- Erfahrung mit .NET-Entwicklungsplattformen
- Grundkenntnisse von Data Science-Werkzeugen
- Erfahrung mit grundlegenden maschinellen Lernanwendungen
Zielgruppe
- Data Scientists
- Entwickler für maschinelles Lernen
Erfahrungsberichte (2)
Mir hat besonders der Schluss gefallen, als wir die Zeit nahmen, mit CHAT GPT herumzuspielen. Der Raum war dafür jedoch nicht optimal eingerichtet – anstelle eines großen Tisches wären ein paar kleinere Tische nützlicher gewesen, damit wir in kleinen Gruppen zusammenkommen und brainstormen könnten.
Nola - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
