Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
