Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione
Installazione e configurazione della piattaforma di sviluppo per Machine Learning in .NET (ML.NET)
- Configurazione degli strumenti e librerie ML.NET
- Sistemi operativi e componenti hardware supportati da ML.NET
Panoramica delle funzionalità e dell'architettura di ML.NET
- L'Interfaccia di Programmazione Applicazioni (API) di ML.NET
- Algoritmi e compiti di machine learning in ML.NET
- Programmazione probabilistica con Infer.NET
- Scelta delle dipendenze appropriate per ML.NET
Panoramica del Model Builder di ML.NET
- Integrazione del Model Builder a Visual Studio
- Utilizzo dell'apprendimento automatico automatizzato (AutoML) con Model Builder
Panoramica dell'Interfaccia della Riga di Comando (CLI) di ML.NET
- Generazione automatizzata di modelli di machine learning
- Compiti di machine learning supportati dalla CLI di ML.NET
Acquisizione e caricamento di dati da risorse per il machine learning
- Utilizzo dell'API ML.NET per l'elaborazione dei dati
- Creazione e definizione delle classi di modelli di dati
- Annotazione dei modelli di dati in ML.NET
- Casistiche per il caricamento dei dati nel framework ML.NET
Preparazione e aggiunta di dati al framework ML.NET
- Filtraggio dei modelli di dati con operazioni di filtro in ML.NET
- Lavoro con DataOperationsCatalog e IDataView in ML.NET
- Approcci di normalizzazione per il pre-processing dei dati in ML.NET
- Conversione dei dati in ML.NET
- Lavoro con dati categoriali per la generazione del modello in ML.NET
Implementazione degli algoritmi e compiti di machine learning in ML.NET
- Classificazioni binarie e multiclasse in ML.NET
- Regressione in ML.NET
- Raggruppamento delle istanze di dati con il clustering in ML.NET
- Compito di rilevazione di anomalie in machine learning
- Classificazione, raccomandazione e previsione in ML.NET
- Scelta dell'algoritmo appropriato per un set di dati e funzioni in ML.NET
- Trasformazione dei dati in ML.NET
- Algoritmi per migliorare l'accuratezza dei modelli ML.NET
Addestramento di modelli di machine learning in ML.NET
- Creazione di un modello ML.NET
- Metodi ML.NET per l'addestramento di un modello di machine learning
- Divisione dei set di dati per l'addestramento e il test in ML.NET
- Lavoro con diversi attributi e casi di dati in ML.NET
- Memorizzazione nella cache dei set di dati per l'addestramento del modello in ML.NET
Valutazione di modelli di machine learning in ML.NET
- Estrazione di parametri per il ri-addestramento o l'ispezione del modello
- Raccolta e registrazione delle metriche del modello ML.NET
- Analisi delle prestazioni di un modello di machine learning
Ispezione dei dati intermedi durante i passaggi di addestramento del modello in ML.NET
Utilizzo della Permutation Feature Importance (PFI) per l'interpretazione delle previsioni del modello
Salvataggio e caricamento dei modelli addestrati in ML.NET
- ITTransformer e DataViewScheme in ML.NET
- Caricamento di dati salvati localmente o remotamente
- Lavoro con le pipeline dei modelli di machine learning in ML.NET
Utilizzo di un modello addestrato in ML.NET per l'analisi e previsione dei dati
- Configurazione della pipeline dei dati per le previsioni del modello
- Previsioni singole e multiple in ML.NET
Ottimizzazione e ri-addestramento di un modello di machine learning in ML.NET
- Algoritmi ri-addestrabili in ML.NET
- Caricamento, estrazione e ri-addestramento di un modello
- Confronto dei parametri del modello ri-addestrato con quelli del precedente modello ML.NET
Integrazione di modelli ML.NET con il cloud
- Distribuzione di un modello ML.NET con Azure functions e web API
Risoluzione dei problemi
Riepilogo e conclusione
Requisiti
- Conoscenza degli algoritmi di apprendimento automatico e delle librerie
- Solida padronanza del linguaggio di programmazione C#
- Esperienza con le piattaforme di sviluppo .NET
- Comprensione di base degli strumenti di data science
- Esperienza con applicazioni di apprendimento automatico di base
Pubblico
- Data Scientists
- Sviluppatori di Apprendimento Automatico
21 Ore
Recensioni (2)
l'ecosistema ML non riguarda solo MLFlow, ma anche Optuna, Hyperopt, Docker e Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
Traduzione automatica
Ho trovato molto piacevole partecipare alla formazione su Kubeflow, che si è svolta a distanza. Questa formazione mi ha permesso di consolidare le mie conoscenze sui servizi AWS, K8s e tutte le tool DevOps associate a Kubeflow, che costituiscono le basi necessarie per affrontare l'argomento in modo appropriato. Desidero ringraziare Malawski Marcin per la sua pazienza e professionalità nel fornire formazione e consigli sulle best practice. Malawski affronta l'argomento da diverse angolazioni, utilizzando diversi strumenti di distribuzione come Ansible, EKS kubectl e Terraform. Ora sono definitivamente convinto che mi sto muovendo nel campo d'applicazione giusto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Corso - Kubeflow
Traduzione automatica
