ML.NET چیست؟

یادگیری ماشین-ML.NET یک چارچوب  machine learning ساخته شده برای توسعه دهندگان .NET است.

با استفاده از مهارت های .NET و C # و F # به راحتی ادغام  machine learning سفارشی به برنامه های خود بدون هیچ گونه تخصص قبلی در توسعه و یا تنظیم مدل های machine learning.

یادگیری ماشین-ML.NET بارگیری داده ها (data loading)، تحولات (transformations) و آموزش مدل (model training) را به یک خط لوله متصل می کند.تحولات تعریف شده در خط لوله شما به داده های آموزشی و داده های ورودی شما برای پیش بینی با مدل آموزش یافته شما اعمال می شود.

خط لوله (یک اصطلاح میباشد و منظور چرخه کار یا مسیر راه میباشد) یادگیری

Load Data (بارگیری داده)

ML.NET  می تواند انواع زیر را در خط لوله لود کند

• Text (CSV/TSV)
• Parquet
• Binary
• IEnumerable<Τ>
• File sets

Transform Data (تبدیل داده)

با استفاده از transform های تو کار اطلاعات خود را به فرمت و انواع که برای پردازش نیاز دارید دریافت کنید.ML.NET از انواع زیر ارائه میکند:

• Text transforms
• Changing data schema
• Handling missing data values
• Categorical variable encoding
• Normalization
• Selecting relevant training features
• NGram featurization

Choose Algorithm (انتخاب الگوریتم)

انتخاب الگوریتم آموزشی که بالاترین دقت برای سناریو شما رارئه میدهد. ML.NET انواع مختلف یادگیرندگان را ارائه می دهد:

• Linear (e.g. SymSGD, SDCA)
• Boosted Trees (e.g. FastTree, LightGBM)
• K-Means
• SVM
• Averaged Perceptron

Train Model (آموزش مدل)

آموزش مدل شما توسط فراخوانی متد آموزش. این متد یک شی PredictionModel برمیگرداند که از نوع ورودی و خروجی شما برای پیش بینی استفاده می کند.

Evaluate Model(ارزیابی مدل)

یادگیری ماشین-ML.NET ارائه دهنده ارزیابی است که عملکرد مدل خود را بر روی انواع معیارهای ارزیابی خواهد کرد. شما می توانید ارزیابی مناسب را بر اساس کار یادگیری دستگاه خود انتخاب کنید.

Deploy Model (استقرار مدل)

ML.NET به شما این امکان را می دهد که مدل آموزش دیده خود را به عنوان فایل دودویی (binary) ذخیره کنید که می توانید در هر برنامه دات نت ادغام کنید.
var model = PredictionModel.ReadAsync(modelPath).Result; var prediction = model.Predict(inputData);

پس خط لوله (یک اصطلاح میباشد و منظور چرخه کار یا مسیر راه میباشد) از 6 مرحله تشکیل می شود:

1. بارگیری داده
2. تبدیل داده
3. انتخاب الگوریتم
4. آموزش مدل
5. ارزیابی مدل
6. استقرار مدل

در پست بعدی شروع به یادگیریش میکنیم

منبع این میباشد که حتما پیشنهاد میشه بخاطر عکس ها هم که شده حتما نگاه کنید