Corso di formazione Machine Learning e Intelligenza Artificiale con ML.NET

Introduzione

Installazione e configurazione del machine learning sulla piattaforma di sviluppo .NET (ML.NET)

• Configurazione degli strumenti e delle librerie ML.NET
• Sistemi operativi e componenti hardware supportati da ML.NET

Panoramica sulle funzionalità e sull’architettura di ML.NET

• L’API di programmazione applicativa fornita da ML.NET (ML.NET API)
• Algoritmi e compiti tipici del machine learning implementati in ML.NET
• Programmazione probabilistica tramite Infer.NET
• Scelta delle dipendenze appropriate di ML.NET da utilizzare nel progetto

Presentazione del Modello Builder di ML.NET

• Integrazione del Model Builder in Visual Studio
• Utilizzo dell’apprendimento automatico (AutoML) tramite il Model Builder

Descrizione della Interfaccia a riga di comando (CLI) di ML.NET

• Generazione automatica di modelli di machine learning
• Compiti di machine learning supportati dalla CLI di ML.NET

Acquisizione e caricamento dei dati per l’utilizzo nel machine learning

• Impiego dell’API di ML.NET per la gestione dei dati
• Creazione e definizione delle classi relative ai modelli dati
• Annotazione dei modelli dati utilizzando ML.NET
• Vari casi di caricamento dei dati nel framework di ML.NET

Preparazione e inserimento dei dati nel framework di ML.NET

• Filtraggio delle informazioni utilizzando le funzionalità fornite da ML.NET
• Lavoro con DataOperationsCatalog e IDataView di ML.NET
• Tecniche di normalizzazione per la pre-elaborazione dei dati in ML.NET
• Conversione dei formati dei dati all’interno di ML.NET
• Gestione dei dati categoriali nella generazione dei modelli ML.NET

Implementazione degli algoritmi e dei compiti di machine learning in ML.NET

• Classificazioni binarie e multiclasse nel contesto di ML.NET
• Regressione lineare e non tramite ML.NET
• Raggruppamento degli elementi dati mediante il clustering in ML.NET
• Individuazione delle anomalie tramite tecniche di machine learning
• Metodi per la classificazione, le raccomandazioni e le previsioni in ML.NET
• Selezione dell’algoritmo più adeguato per i dati specifici nel contesto di ML.NET
• Trasformazioni dei dati all’interno del framework ML.NET
• Tecniche specifiche finalizzate ad aumentare la precisione dei modelli prodotti da ML.NET

Addestramento dei modelli di machine learning in ML.NET

• Creazione pratica di un modello mediante ML.NET
• Metodi messi a disposizione da ML.NET per l’addestramento dei modelli
• Suddivisione dei dati in insiemi di training e test nel contesto di ML.NET
• Gestione delle diverse tipologie di attributi presenti nei dataset per l’addestramento con ML.NET
• Salvataggio temporaneo dei dati al fine di agevolare il processo di addestramento nel framework ML.NET

Valutazione delle performance dei modelli di machine learning in ML.NET

• Estrazione di parametri utili per la rielaborazione o l’ispezione del modello stesso
• Raccolta e registrazione delle metriche prodotte dal modello nel contesto di ML.NET
• Analisi approfondita della qualità complessiva del modello generato tramite ML.NET

Osservazione dei dati intermedi durante i passaggi di addestramento nel contesto di ML.NET

Interpretazione delle previsioni generate dal modello mediante la tecnica PFI (Permutation Feature Importance)

Salvataggio e riutilizzo dei modelli addestrati con ML.NET

• Utilizzo di ITTransformer e DataViewScheme all’interno del framework ML.NET
• Caricamento dei dati archiviati in modo locale o remoto per l’utilizzo da parte di ML.NET
• Costruzione e gestione delle pipeline dei modelli tramite strumenti nativi di ML.NET

Impiego pratico dei modelli addestrati con ML.NET per l’analisi dati e la generazione di previsioni

• Configurazione completa della pipeline dati necessaria affinché il modello possa produrre previsioni
• Esecuzione di una singola o più previsioni nel contesto operativo di ML.NET

Ottimizzazione e nuova esecuzione dell’addestramento dei modelli in ML.NET

• Algoritmi riutilizzabili più facilmente nel framework di ML.NET
• Procedura per il caricamento, l’estrazione e la nuova elaborazione dei modelli già presenti in ML.NET
• Confronto tra le caratteristiche finali del modello rielaborato e quelle risultanti dalla versione precedente di ML.NET

Integrazione dei modelli prodotti da ML.NET nel cloud

• Distribuzione di un modello sviluppato con ML.NET utilizzando le funzionalità Azure Functions e API Web

Risoluzione dei problemi più comuni durante l’utilizzo di ML.NET

Riassunto finale e conclusioni del corso