Curso de Machine Learning and AI with ML.NET

Introducción

Instalación y configuración Machine Learning para la plataforma de desarrollo .NET (ML.NET)

• Configuración de ML.NET herramientas y bibliotecas
• Sistemas operativos y componentes de hardware compatibles con ML.NET

Descripción general de ML.NET Características y arquitectura

• La ML.NET interfaz de la aplicación Programming (ML.NET API)
• ML.NET Algoritmos y tareas de aprendizaje automático
• Programación probabilística con Infer.NET
• Decidir sobre las dependencias apropiadas ML.NET

Descripción general de ML.NET Model Builder

• Integración del Constructor de modelos en Visual Studio
• Uso del aprendizaje automático automatizado (AutoML) con Model Builder

Descripción general de ML.NET Interfaz de línea de comandos (CLI)

• Generación automatizada de modelos de aprendizaje automático
• Tareas de aprendizaje automático compatibles con ML.NET CLI

Adquisición y carga de datos de recursos para Machine Learning

• Utilización de la API ML.NET para el procesamiento de datos
• Creación y definición de las clases de modelos de datos
• Anotación de ML.NET modelos de datos
• Casos para cargar datos en el marco ML.NET

Preparación y adición de datos al marco ML.NET

• Filtrado de modelos de datos con ML.NET operaciones de filtro
• Trabajar con ML.NET DataOperationsCatalog e IDataView
• Enfoques de normalización para ML.NET el preprocesamiento de datos
• Conversión de datos en ML.NET
• Trabajar con datos categóricos para la generación de modelos ML.NET

Implementación de ML.NET Machine Learning algoritmos y tareas

• Clasificaciones binarias y multiclase ML.NET
• Regresión en ML.NET
• Agrupación de instancias de datos con agrupación en clústeres en ML.NET
• Tarea de aprendizaje automático de detección de anomalías
• Clasificación, Recomendación y Forecasting en ML.NET
• Elegir el algoritmo ML.NET apropiado para un conjunto de datos y funciones
• Transformación de datos en ML.NET
• Algoritmos para mejorar la precisión de los modelos ML.NET

Entrenamiento Machine Learning Modelos en ML.NET

• Construcción de un modelo ML.NET
• ML.NET Métodos para entrenar un modelo de aprendizaje automático
• División de conjuntos de datos para ML.NET entrenamiento y pruebas
• Trabajar con diferentes atributos de datos y casos en ML.NET
• Almacenamiento en caché de conjuntos de datos para ML.NET entrenamiento de modelos

Evaluación de Machine Learning modelos en ML.NET

• Extracción de parámetros para el reentrenamiento o la inspección de modelos
• Recopilación y registro ML.NET de métricas del modelo
• Análisis del rendimiento de un modelo de aprendizaje automático

Inspección de datos intermedios durante ML.NET pasos de entrenamiento del modelo

Utilización de la importancia de las características de permutación (PFI) para la interpretación de predicciones de modelos

Guardar y cargar modelos entrenados ML.NET

• ITTransformer y DataViewScheme en ML.NET
• Carga de datos almacenados localmente y de forma remota
• Trabajar con canalizaciones de modelos de aprendizaje automático en ML.NET

Utilización de un modelo entrenado ML.NET para el análisis de datos y las predicciones

• Configuración de la canalización de datos para las predicciones del modelo
• Predicciones simples y múltiples en ML.NET

Optimización y reentrenamiento de un modelo ML.NET Machine Learning

• Algoritmos reentrenables ML.NET
• Cargar, extraer y volver a entrenar un modelo
• Comparación de los parámetros del modelo reentrenado con el modelo anterior ML.NET

Integración de ML.NET modelos con la nube

• Implementación de un modelo ML.NET con funciones Azure y API web

Solución de problemas

Resumen y conclusión