Kerangka Materi
Pembukaan
Instalasi dan Konfigurasi Machine Learning untuk Platform Pengembangan .NET (ML.NET)
- Menyiapkan alat dan perpustakaan ML.NET
- Sistem operasi dan komponen perangkat keras yang didukung oleh ML.NET
Tinjauan Fitur dan Arsitektur ML.NET
- Antarmuka Pemrograman Aplikasi ML.NET (ML.NET API)
- Algoritma dan tugas pemodelan mesin ML.NET
- Pemrograman probabilistik dengan Infer.NET
- Memutuskan dependensi ML.NET yang sesuai
Tinjauan ML.NET Model Builder
- Mengintegrasikan Model Builder ke Visual Studio
- Menggunakan pemodelan mesin otomatis (AutoML) dengan Model Builder
Tinjauan Antarmuka Berbasis Perintah ML.NET (CLI)
- Pembuatan model pemodelan mesin otomatis
- Tugas pemodelan mesin yang didukung oleh ML.NET CLI
Memperoleh dan Memuat Data dari Sumber untuk Pemodelan Mesin
- Menggunakan ML.NET API untuk pengolahan data
- Membuat dan mendefinisikan kelas model data
- Menganotasikan model data ML.NET
- Kasus memuat data ke dalam kerangka kerja ML.NET
Menyiapkan dan Menambahkan Data ke dalam Kerangka Kerja ML.NET
- Memfilter model data dengan operasi filter ML.NET
- Bekerja dengan ML.NET DataOperationsCatalog dan IDataView
- Pendekatan normalisasi untuk pra-pemrosesan data ML.NET
- Konversi data di ML.NET
- Bekerja dengan data kategori untuk pembuatan model ML.NET
Menerapkan Algoritma dan Tugas Pemodelan Mesin ML.NET
- Klasifikasi biner dan multikelas ML.NET
- Regresi di ML.NET
- Pengelompokan instansi data dengan Klastering di ML.NET
- Tugas pemodelan mesin deteksi anomali
- Peringkat, rekomendasi, dan prediksi di ML.NET
- Memilih algoritma ML.NET yang sesuai untuk set data dan fungsi
- Transformasi data di ML.NET
- Algoritma untuk meningkatkan ketepatan model ML.NET
Melatih Model Pemodelan Mesin di ML.NET
- Membangun model ML.NET
- Metode ML.NET untuk melatih model pemodelan mesin
- Membagi set data untuk pelatihan dan pengujian ML.NET
- Bekerja dengan atribut data dan kasus yang berbeda di ML.NET
- Mempercepat set data untuk pelatihan model ML.NET
Menguji Model Pemodelan Mesin di ML.NET
- Mengambil parameter untuk retraining atau inspeksi model
- Mengumpulkan dan mencatat metrik model ML.NET
- Menganalisis kinerja model pemodelan mesin
Memeriksa Data Intermediat Selama Langkah Pelatihan Model ML.NET
Menggunakan Permutation Feature Importance (PFI) untuk Interpretasi Prediksi Model
Menyimpan dan Memuat Model ML.NET yang Telah Dilatih
- ITTransformer dan DataViewScheme di ML.NET
- Memuat data yang disimpan secara lokal dan remote
- Bekerja dengan pipa model pemodelan mesin di ML.NET
Menggunakan Model ML.NET yang Telah Dilatih untuk Analisis dan Prediksi Data
- Menyiapkan pipa data untuk prediksi model
- Prediksi tunggal dan berkelompok di ML.NET
Memoptimalkan dan Melatih Ulang Model Pemodelan Mesin ML.NET
- Algoritma ML.NET yang dapat dilatih ulang
- Memuat, mengekstrak, dan melatih ulang model
- Membandingkan parameter model yang telah dilatih ulang dengan model ML.NET sebelumnya
Mengintegrasikan Model ML.NET dengan Cloud
- Mengimplementasikan model ML.NET dengan fungsi Azure dan web API
Pengurusan Masalah
Ringkasan dan Kesimpulan
Persyaratan
- Pengetahuan algoritma dan library machine learning
- Kemampuan menggunakan bahasa pemrograman C#
- Pengalaman dengan platform pengembangan .NET
- Pemahaman dasar tentang alat data science
- Pengalaman dengan aplikasi dasar machine learning
Target Peserta
- Data Scientists
- Machine Learning Developers
Testimoni (2)
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
