Machine Learning and AI with ML.NET 교육 과정

소개

.NET 개발 플랫폼용 Machine Learning 설치 및 구성(ML.NET)

• ML.NET 도구 및 라이브러리 설정
• ML.NET에서 지원하는 운영 체제 및 하드웨어 구성 요소

ML.NET 기능 및 아키텍처 개요

• ML.NET 애플리케이션 Programming 인터페이스(ML.NET API)
• ML.NET 기계 학습 알고리즘 및 작업
• Infer.NET을 사용한 확률적 프로그래밍
• 적절한 ML.NET 종속성 결정

ML.NET 모델 빌더 개요

• Model Builder를 Visual Studio에 통합
• Model Builder로 자동화된 기계 학습(AutoML) 활용

ML.NET 명령줄 인터페이스(CLI) 개요

• 자동화된 기계 학습 모델 생성
• ML.NET CLI에서 지원하는 기계 학습 작업

Machine Learning에 대한 리소스에서 데이터 획득 및 로드

• ML.NET API를 데이터 처리에 활용
• 데이터 모델 클래스 생성 및 정의
• ML.NET 데이터 모델에 주석 달기
• ML.NET 프레임워크에 데이터를 로드하는 사례

ML.NET 프레임워크에 데이터 준비 및 추가

• ML.NET 필터 작업을 위한 데이터 모델 필터링
• ML.NET DataOperationsCatalog 및 IDataView 작업
• ML.NET 데이터 전처리를 위한 정규화 접근법
• ML.NET의 데이터 변환
• ML.NET 모델 생성을 위한 범주형 데이터 작업

ML.NET Machine Learning 알고리즘 및 작업 구현

• 바이너리 및 다중 클래스 ML.NET 분류
• ML.NET의 회귀
• ML.NET의 클러스터링을 사용하여 데이터 인스턴스 그룹화
• 이상 탐지 머신러닝 작업
• 순위, 추천, ML.NET의 Forecasting
• 데이터 세트 및 함수에 적합한 ML.NET 알고리즘 선택
• ML.NET의 데이터 변환
• ML.NET 모델의 정확도 향상을 위한 알고리즘

훈련 Machine Learning ML.NET의 모델

• ML.NET 모델 구축
• ML.NET 기계 학습 모델을 훈련하는 방법
• ML.NET 학습 및 테스트를 위한 데이터 세트 분할
• ML.NET의 다양한 데이터 속성 및 사례 작업
• ML.NET 모델 훈련을 위한 데이터 세트 캐싱

ML.NET의 Machine Learning 모델 평가

• 모델 재학습 또는 검사를 위한 매개변수 추출
• ML.NET 모델 지표 수집 및 기록
• 기계 학습 모델의 성능 분석

ML.NET 모델 훈련 단계 중 중간 데이터 검사

모델 예측 해석을 위해 PFI(순열 특성 중요도) 활용

학습된 ML.NET 모델 저장 및 로드

• ML.NET의 ITTransformer 및 DataViewScheme
• 로컬 및 원격에 저장된 데이터 로드
• ML.NET의 기계 학습 모델 파이프라인 작업

데이터 분석 및 예측을 위해 훈련된 ML.NET 모델 활용

• 모델 예측을 위한 데이터 파이프라인 설정
• ML.NET의 단일 및 다중 예측

ML.NET Machine Learning 모델 최적화 및 재훈련

• 재훈련 가능한 ML.NET 알고리즘
• 모델 로드, 추출 및 재학습
• 재학습된 모델 매개변수를 이전 ML.NET 모델과 비교

ML.NET 모델을 클라우드와 통합

• Azure 기능 및 웹 API를 사용하여 ML.NET 모델 배포

문제 해결

요약 및 결론