Schulungsübersicht
Einführung
Installieren und Konfigurieren von Machine Learning für die .NET-Entwicklungsplattform (ML.NET)
- Einrichten von ML.NET-Tools und -Bibliotheken
- Von ML.NET unterstützte Betriebssysteme und Hardware-Komponenten
Überblick über ML.NET Funktionen und Architektur
- Die ML.NET-Anwendungsschnittstelle Programming (ML.NET API)
- ML.NET Algorithmen und Aufgaben des maschinellen Lernens
- Probabilistische Programmierung mit Infer.NET
- Entscheidung über die geeigneten ML.NET-Abhängigkeiten
Überblick über ML.NET Model Builder
- Integration des Model Builders in Visual Studio
- Nutzung des automatisierten maschinellen Lernens (AutoML) mit Model Builder
Überblick über die ML.NET Befehlszeilenschnittstelle (CLI)
- Automatisierte Erzeugung von Modellen für maschinelles Lernen
- Von ML.NET CLI unterstützte Aufgaben des maschinellen Lernens
Erfassen und Laden von Daten aus Ressourcen für Machine Learning
- Nutzung der ML.NET API für die Datenverarbeitung
- Erstellen und Definieren der Klassen von Datenmodellen
- Annotieren von ML.NET-Datenmodellen
- Fälle für das Laden von Daten in den ML.NET-Rahmen
Vorbereiten und Hinzufügen von Daten in den ML.NET Rahmen
- Filtern von Datenmodellen für mit ML.NET Filteroperationen
- Arbeiten mit ML.NET DataOperationsCatalog und IDataView
- Normalisierungsansätze für die ML.NET-Datenvorverarbeitung
- Datenkonvertierung in ML.NET
- Arbeiten mit kategorischen Daten für ML.NET Modellerstellung
Implementierung von ML.NET Algorithmen und Aufgaben des maschinellen Lernens
- Binäre und Mehrklassen-Klassifikationen ML.NET
- Regression in ML.NET
- Gruppierung von Dateninstanzen mit Clustering in ML.NET
- Erkennung von Anomalien durch maschinelles Lernen
- Ranking, Empfehlung und Vorhersage 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
- Aufbau eines ML.NET Modells
- ML.NET Methoden zum Trainieren eines maschinellen Lernmodells
- Aufteilung von Datensätzen für ML.NET Training und Test
- Arbeiten mit verschiedenen Datenattributen und Fällen in ML.NET
- Zwischenspeichern von Datensätzen für das ML.NET-Modelltraining
Bewertung von Modellen des maschinellen Lernens in ML.NET
- Extrahieren von Parametern für die Umschulung oder Überprüfung des Modells
- Sammeln und Aufzeichnen ML.NET von Modellmetriken
- Analysieren der Leistung eines Modells für maschinelles Lernen
Prüfung von Zwischendaten während der ML.NET Modellbildungsschritte
Nutzung der Permutationsmerkmalbedeutung (PFI) für die Interpretation von Modellvorhersagen
Speichern und Laden von trainierten ML.NET Modellen
- ITTransformer und DataViewScheme in ML.NET
- Laden von lokal und dezentral gespeicherten Daten
- Arbeiten mit Modellpipelines für maschinelles Lernen in ML.NET
Verwendung eines trainierten ML.NET Modells für Datenanalysen und Vorhersagen
- Einrichten der Datenpipeline für Modellvorhersagen
- Einzel- und Mehrfachvorhersagen in ML.NET
Optimierung und Neutraining eines ML.NET maschinellen Lernmodells
- Nachtrainierbare ML.NET Algorithmen
- Laden, Extrahieren und erneutes Trainieren eines Modells
- Vergleich der neu trainierten Modellparameter mit dem vorherigen ML.NET-Modell
Integration von ML.NET Modellen mit der Cloud
- Bereitstellung eines ML.NET Modells mit Azure-Funktionen und Web-API
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Kenntnisse von Algorithmen und Bibliotheken für maschinelles Lernen
- Starke Beherrschung der Programmiersprache C#
- Erfahrungen mit .NET-Entwicklungsplattformen
- Grundlegendes Verständnis von Data Science Tools
- Erfahrung mit grundlegenden Anwendungen des maschinellen Lernens
Publikum
- Datenwissenschaftler
- Machine Learning Entwickler