Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción
Instalación y configuración de la plataforma de desarrollo de Machine Learning para .NET (ML.NET)
- Configuración de las herramientas y bibliotecas de ML.NET
- Sistemas operativos y componentes de hardware compatibles con ML.NET
Visión general de las características y arquitectura de ML.NET
- La interfaz de programación de aplicaciones de ML.NET (ML.NET API)
- Algoritmos y tareas de machine learning en ML.NET
- Programación probabilística con Infer.NET
- Decidir las dependencias de ML.NET apropiadas
Visión general del Model Builder de ML.NET
- Integración del Model Builder en Visual Studio
- Uso de machine learning automatizado (AutoML) con Model Builder
Visión general de la interfaz de línea de comandos de ML.NET (CLI)
- Generación automática de modelos de machine learning
- Tareas de machine learning soportadas por ML.NET CLI
Adquisición y carga de datos desde recursos para machine learning
- Uso de la API de ML.NET para el procesamiento de datos
- Creación y definición de las clases de modelos de datos
- Anotación de los modelos de datos de ML.NET
- Casos de carga de 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 filtro de ML.NET
- Trabajo con DataOperationsCatalog e IDataView de ML.NET
- Enfoques de normalización para el pre-procesamiento 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
- Clasificaciones binarias y multi-clase 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
- Elección del algoritmo de ML.NET adecuado 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 el entrenamiento y la prueba en ML.NET
- Trabajo con diferentes atributos y casos de datos en ML.NET
- 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 reentrenar o inspeccionar un modelo
- Recolección y registro de métricas del modelo de ML.NET
- Análisis del rendimiento de un modelo de machine learning
Inspección de datos intermedios durante los pasos de entrenamiento del modelo de ML.NET
Uso de la importancia de características por permutación (PFI) para interpretar las predicciones del modelo
Guardado y carga de modelos de machine learning entrenados en ML.NET
- ITTransformer y DataViewScheme en ML.NET
- Carga de datos almacenados localmente y remotamente
- Trabajo con pipelines de modelos de machine learning en ML.NET
Uso de un modelo de machine learning entrenado en ML.NET para análisis de datos y predicciones
- Configuración del pipeline de datos para las predicciones del modelo
- Predicciones individuales y múltiples en ML.NET
Optimización y reentrenamiento de un modelo de machine learning de ML.NET
- Algoritmos reentrenables de ML.NET
- Carga, extracción y reentrenamiento de un modelo
- Comparación de parámetros del modelo reentrenado con el modelo de ML.NET anterior
Integración de modelos de ML.NET con la nube
- Implementación de un modelo de ML.NET con Azure functions y web API
Solución de problemas
Resumen y conclusión
Requerimientos
- Conocimiento de algoritmos y bibliotecas de aprendizaje automático
- Dominio sólido del lenguaje de programación C#
- Experiencia con plataformas de desarrollo .NET
- Comprensión básica de herramientas de ciencia de datos
- Experiencia con aplicaciones básicas de aprendizaje automático
Audiencia
- Científicos de datos
- Desarrolladores de aprendizaje automático
21 Horas
Testimonios (2)
el ecosistema de ML no solo incluye MLFlow sino también Optuna, hyperops, docker y docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Traducción Automática
Disfruté participar en el entrenamiento Kubeflow, que se llevó a cabo de forma remota. Este entrenamiento me permitió consolidar mis conocimientos sobre los servicios de AWS, K8s y todas las herramientas DevOps relacionadas con Kubeflow, que son las bases necesarias para abordar adecuadamente el tema. Quiero agradecer a Malawski Marcin por su paciencia y profesionalismo en la formación y en la orientación sobre las mejores prácticas. Malawski aborda el tema desde diferentes ángulos, utilizando distintas herramientas de implementación Ansible, EKS kubectl, Terraform. Ahora estoy definitivamente convencido de que me dirijo al campo de aplicación correcto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curso - Kubeflow
Traducción Automática
