Machine Learning and AI with ML.NET Schulung

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 Anwendungs Programming Schnittstelle (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 den ML.NET Model Builder

• Einbindung des Model Builders in Visual Studio
• Nutzung des automatisierten maschinellen Lernens (AutoML) mit Model Builder

Überblick über die ML.NET Befehlszeilenschnittstelle (CLI)

• Automatisiertes maschinelles Lernen - Modellerstellung
• 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 zum Laden von Daten in das ML.NET-Framework

Vorbereiten und Hinzufügen von Daten in das ML.NET-Framework

• Filtern von Datenmodellen 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 Modellerzeugung

Implementieren von ML.NET Machine Learning Algorithmen und Tasks

• Binäre und mehrklassige ML.NET Klassifikationen
• Regression in ML.NET
• Gruppierung von Dateninstanzen mit Clustering in ML.NET
• Anomalie-Erkennung maschinelles Lernen
• Ranking, Empfehlung und Forecasting 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 Training 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

Auswertung von Machine Learning Modellen in ML.NET

• Extrahieren von Parametern für das erneute Trainieren oder Prüfen von Modellen
• Sammeln und Aufzeichnen von ML.NET Modellmetriken
• Analysieren der Leistung eines maschinellen Lernmodells

Prüfen von Zwischendaten während der ML.NET-Modellschulungsschritte

Verwendung der Permutationsmerkmalbedeutung (PFI) für die Interpretation von Modellvorhersagen

Speichern und Laden trainierter ML.NET-Modelle

• ITTransformer und DataViewScheme in ML.NET
• Laden von lokal und remote 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 Machine Learning Modells

• Re-trainierbare ML.NET Algorithmen
• Laden, Extrahieren und Neutrainieren eines Modells
• Vergleich der neu trainierten Modellparameter mit dem vorherigen ML.NET-Modell

Integration von ML.NET-Modellen in die Cloud

• Einsatz eines ML.NET-Modells mit Azure-Funktionen und Web-API

Fehlersuche

Zusammenfassung und Schlussfolgerung