Temario del curso
Introducción
Instalación y configuración del aprendizaje automático para la plataforma de desarrollo .NET (ML.NET)
- Configuración de las herramientas y bibliotecas de ML.NET
- Sistemas operativos y componentes de hardware soportados por ML.NET
Descripción general de las características y arquitectura de ML.NET
- La Interfaz de Programación de Aplicaciones (API) de ML.NET (ML.NET API)
- Algoritmos y tareas de machine learning de ML.NET
- Programación probabilística con Infer.NET
- Selección de las dependencias adecuadas de ML.NET
Descripción general del Model Builder de ML.NET
- Integración del Model Builder en Visual Studio
- Utilización del aprendizaje automático automatizado (AutoML) con Model Builder
Descripción general de la interfaz de línea de comandos (CLI) de ML.NET
- Generación automatizada de modelos de machine learning
- Tareas de machine learning soportadas por la CLI de ML.NET
Adquisición y carga de datos desde recursos para el aprendizaje automático
- Utilización de la API de ML.NET para el procesamiento de datos
- Creación y definición de las clases de los modelos de datos
- Anotación de los modelos de datos de ML.NET
- Casos para cargar datos en el marco de trabajo de ML.NET
Preparación y adición de datos al marco de trabajo de ML.NET
- Filtrado de modelos de datos con operaciones de filtrado de ML.NET
- Trabajar con ML.NET DataOperationsCatalog e IDataView
- Enfoques de normalización para el preprocesamiento de datos en ML.NET
- Conversión de datos en ML.NET
- Trabajo con datos categóricos para la generación de modelos de ML.NET
Implementación de algoritmos y tareas de machine learning en ML.NET
- Clasificación binaria y multiclase en ML.NET
- Regresión en ML.NET
- Agrupación de instancias de datos con Clustering en ML.NET
- Tarea de machine learning de Detección de anomalías
- Clasificación, recomendación y pronóstico en ML.NET
- Selección del algoritmo adecuado de ML.NET para un conjunto de datos y funciones
- Transformación de datos en ML.NET
- Algoritmos para mejorar la precisión de los modelos de ML.NET
Entrenamiento de modelos de machine learning en ML.NET
- Construcción de un modelo de ML.NET
- Métodos de ML.NET para entrenar un modelo de machine learning
- División de conjuntos de datos para entrenamiento y prueba en ML.NET
- Trabajo con diferentes atributos de datos y casos en ML.NET
- Almacenamiento en caché de conjuntos de datos para el entrenamiento del modelo de ML.NET
Evaluación de modelos de machine learning en ML.NET
- Extracción de parámetros para retrenamiento o inspección del modelo
- Recopilación y registro de métricas del modelo de ML.NET
- Análisis del rendimiento de un modelo de machine learning
Inspección de datos intermedios durante las etapas de entrenamiento del modelo en ML.NET
Utilización de la importancia de características permutadas (PFI) para la interpretación de predicciones del modelo
Guardado y carga de modelos de ML.NET entrenados
- ITTransformer e IDataViewScheme en ML.NET
- Carga de datos almacenados local y remotamente
- Trabajo con pipelines de modelos de machine learning en ML.NET
Utilización de un modelo entrenado de ML.NET para análisis y predicciones de datos
- Configuración del pipeline de datos para las predicciones del modelo
- Predicciones individuales y múltiples en ML.NET
Optimización y retrenamiento de un modelo de machine learning de ML.NET
- Algoritmos de ML.NET retrenables
- Carga, extracción y retrenamiento de un modelo
- Comparación de parámetros del modelo retrenado con el modelo anterior de ML.NET
Integración de modelos de ML.NET con la nube
- Despliegue de un modelo de ML.NET con Azure Functions y API web
Solución de problemas
Resumen y conclusión
Requerimientos
- Conocimiento de algoritmos y bibliotecas de machine learning
- Sólido dominio del lenguaje de programación C#
- Experiencia con plataformas de desarrollo .NET
- Comprensión básica de herramientas de ciencia de datos
- Experiencia con aplicaciones básicas de machine learning
Audiencia
- Científicos de datos
- Desarrolladores de Machine Learning
Reseñas (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
