Kerangka Materi
Pendahuluan
Instalasi dan Konfigurasi Machine Learning untuk Platform Pengembangan .NET (ML.NET)
- Menyiapkan alat serta perpustakaan ML.NET
- Sistem operasi dan komponen perangkat keras yang didukung oleh ML.NET
Gambaran Umum Fitur dan Arsitektur ML.NET
- Antarmuka Pemrograman Aplikasi (API) ML.NET
- Algoritma serta tugas-tugas machine learning dalam ML.NET
- Pemrograman probabilistik dengan Infer.NET
- Memilih dependensi ML.NET yang paling cocok untuk proyek tertentu
Gambaran Umum Model Builder ML.NET
- Mengintegrasikan Model Builder ke dalam Visual Studio
- Memanfaatkan fitur pembelajaran mesin otomatis (AutoML) melalui Model Builder
Gambaran Umum Antarmuka Baris Perintah ML.NET (CLI)
- Proses pembuatan model machine learning secara otomatis
- Berbagai tugas machine learning yang dapat dilakukan melalui ML.NET CLI
Pengambilan dan Pemuatan Data untuk Keperluan Machine Learning
- Memproses data menggunakan API ML.NET
- Membuat serta mendefinisikan struktur kelas model data
- Memberi anotasi pada model data ML.NET
- Kasus-kasus penggunaan dalam pemuatan data ke dalam framework ML.NET
Persiapan dan Penambahan Data ke Dalam Framework ML.NET
- Menyaring model data dengan operasi filter di ML.NET
- Memanfaatkan kelas DataOperationsCatalog serta IDataView dalam ML.NET
- Teknik normalisasi data sebagai tahap pra-pemrosesan ML.NET
- Konversi format data di ML.NET
- Penanganan data kategorikal untuk pembentukan model ML.NET
Implementasi Algoritma dan Tugas Machine Learning dalam ML.NET
- Klasifikasi biner maupun multi-kelas di ML.NET
- Proses regresi menggunakan ML.NET
- Pengelompokan data melalui teknik clustering di ML.NET
- Tugas deteksi anomali dalam konteks machine learning
- Penerapan teknik peringkat, rekomendasi, serta prediksi di ML.NET
- Memilih algoritma ML.NET yang sesuai untuk jenis data tertentu
- Transformasi data dalam kerangka kerja ML.NET
- Algoritma pengoptimalan akurasi model di ML.NET
Pelatihan Model Machine Learning pada ML.NET
- Membuat model ML.NET dari awal
- Metode pelatihan model machine learning dalam ML.NET
- Pembagian data menjadi kelompok latih dan uji untuk proses pelatihan ML.NET
- Penanganan berbagai jenis atribut serta skenario penggunaan data dalam ML.NET
- Pengarsipan data untuk mempercepat proses pelatihan model ML.NET
Penilaian Kinerja Model Machine Learning pada ML.NET
- Mengambil parameter model guna dilatih ulang atau dikaji kembali
- Pengumpulan serta pencatatan metrik kinerja model ML.NET
- Analisis kualitas dan efektivitas sebuah model machine learning
Pemeriksaan Data Perantara Saat Proses Pelatihan Model ML.NET
Pemanfaatan metode Permutation Feature Importance (PFI) untuk Interpretasi Hasil Prediksi Model
Penyimpanan dan Pemanggilan Ulang Model ML.NET yang Telah Dilatih
- Komponen ITTransformer serta DataViewScheme dalam ML.NET
- Cara memuat data baik secara lokal maupun dari sumber jarak jauh
- Manajemen alur kerja model machine learning dalam ekosistem ML.NET
Pemanfaatan Model ML.NET untuk Analisis dan Prediksi Data
- Penyusunan alur kerja data demi menghasilkan prediksi model
- Proses pembuatan prediksi tunggal maupun banyak secara bersamaan dalam ML.NET
Optimasi serta Pelatihan Ulang Model Machine Learning ML.NET
- Daftar algoritma ML.NET yang dapat dilatih ulang
- Cara memuat, mengambil, serta melatih ulang sebuah model
- Perbandingan parameter hasil pelatihan ulang dengan model ML.NET sebelumnya
Integrasi Model ML.NET ke Lingkungan Cloud
- Deploi model ML.NET melalui Azure Functions maupun web API
Penanganan Masalah Umum
Kesimpulan dan Rangkuman Materi Pelatihan
Persyaratan
- Pemahaman mengenai algoritma dan perpustakaan machine learning
- Kemampuan menggunakan bahasa pemrograman C# secara memadai
- Pengalaman dalam pengembangan aplikasi berbasis platform .NET
- Pengetahuan dasar tentang perangkat ilmu data
- Pengalaman membuat aplikasi machine learning sederhana
Target Peserta
- Ilmuwan Data
- Pengembang Machine Learning
Testimoni (3)
Saya sangat menyukai bagian akhir di mana kita menghabiskan waktu untuk bermain dengan CHAT GPT. Ruangan tidak disiapkan dengan baik untuk ini—sebaiknya menggunakan beberapa meja kecil agar kita bisa berkumpul dalam kelompok-kelompok kecil dan melakukan brainstorming, daripada satu meja besar.
Nola - Laramie County Community College
Kursus - Artificial Intelligence (AI) Overview
Diterjemahkan Mesin
Bekerja berdasarkan prinsip-prinsip dasar secara fokus, dan beralih ke penerapan studi kasus pada hari yang sama
Maggie Webb - Department of Jobs, Regions, and Precincts
Kursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Diterjemahkan Mesin
Bahwa itu menggunakan data perusahaan nyata. Instruktur memiliki pendekatan yang sangat baik dengan membuat peserta pelatihan berpartisipasi dan bersaing
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kursus - Applied AI from Scratch in Python
Diterjemahkan Mesin
