Olvasói vélemények
Jelenleg nincsenek olvasói vélemények. Az értékelés 8 olvasói szavazat alapján történt.
Eredeti címe:
Programming ML.Net
Könyv tartalma:
A szakértői útmutató a gépi tanulási megoldások előállításához az ML.NET segítségével!
Az ML.NET minden .NET-fejlesztő számára elérhetővé teszi a gépi tanulás erejét - az ML.NET programozása pedig segít a gépi tanulás valós termelési megoldásokban való alkalmazásában. Ez a könyv Dino Esposito bestsellerének, az ASP.NET programozása című könyvnek a mintájára készült, és ugyanazt a forgatókönyv-alapú megközelítést alkalmazza, amelyet a Microsoft csapata magának az ML.NET-nek a megalkotásakor is használt. Az ML.NET könyvtárainak alapvető áttekintése után a szerzők a regresszió, az osztályozás, a rangsorolás, az anomália-érzékelés és sok más mini-vázlatot ("ML Tasks") mutatják be. Minden egyes ML Feladathoz betekintést nyújtanak a gyakori valós kihívások leküzdésére. Végül a szerzők a sekélyes tanuláson messze túlmutatva alaposan bemutatják az ML.NET neurális hálózatokat. Bemutatnak egy teljes példaalkalmazást, amely a fejlett Microsoft Azure kognitív szolgáltatásokat és egy kézzel készített egyedi Keras-hálózatot demonstrál - bemutatva, hogyan lehet a népszerű Python-eszközöket a.NET-en belül kihasználni.
A 14-szeres Microsoft MVP Dino Esposito és fia, Francesco Esposito megmutatják, hogyan:
⬤ Okosabb gépi tanulási megoldásokat építsen, amelyek közelebb állnak a felhasználók igényeihez.
⬤ Nézze meg, hogyan instanciálja az ML.NET a klasszikus ML csővezetéket, és hogyan egyszerűsíti az olyan gyakori forgatókönyveket, mint az érzelemelemelemzés, a csalásfelismerés és az árjóslás.
⬤ Adatfeldolgozás és képzés megvalósítása, valamint a gépi tanuláson alapuló szoftvermegoldások "gyártásba vétele".
⬤ Az alapvető előrejelzéstől az összetettebb feladatokig, beleértve a kategorizálást, az anomália-felismerést, az ajánlásokat és a képosztályozást.
⬤ Bináris és többosztályos osztályozás elvégzése.
⬤ Klaszterezés és felügyelet nélküli tanulás alkalmazása az adatok homogén csoportokba rendezéséhez.
⬤ Kiszúrja a kiugró értékeket a gyanús viselkedés, csalás, meghibásodott berendezések vagy egyéb problémák észlelése érdekében.
⬤ Hozza ki a legtöbbet az ML.NET erőteljes, rugalmas előrejelzési képességeiből.
⬤ A rangsorolás, az ajánlás és a kollaboratív szűrés kapcsolódó funkcióinak megvalósítása.
⬤ Gyorsan építsen képosztályozási megoldásokat az ML.NET transzfer tanulással.
⬤ Lépjen át a mélytanulásra, amikor a szabványos algoritmusok és a sekély tanulás nem elegendőek.
⬤ "Vásároljon" neurális hálózatépítést az Azure Cognitive Services API-n keresztül, vagy fedezze fel a Keras és a TensorFlow segítségével történő saját építését.
