Temario del curso
Introducción.
Instalación y configuración de aprendizaje automático para la plataforma de desarrollo .NET (ML.NET).
- Configuración de herramientas y bibliotecas de ML.NET.
- Sistemas operativos y componentes de hardware compatibles con ML.NET.
Descripción general de las características y arquitectura de ML.NET.
- La interfaz de programación de aplicaciones (API) de ML.NET.
- Algoritmos y tareas de aprendizaje automático de ML.NET.
- Programación probabilística con Infer.NET.
- Decisión sobre las dependencias adecuadas de ML.NET.
Descripción general del Generador de Modelos de ML.NET.
- Integración del Generador de Modelos en Visual Studio.
- Uso del aprendizaje automático automatizado (AutoML) con el Generador de Modelos.
Descripción general de la interfaz de línea de comandos (CLI) de ML.NET.
- Generación automatizada de modelos de aprendizaje automático.
- Tareas de aprendizaje automático soportadas por la CLI de ML.NET.
Adquisición y carga de datos desde recursos para aprendizaje automático.
- Uso de la API de ML.NET para el procesamiento de datos.
- Creación y definición de las clases de modelos de datos.
- Anotación de modelos de datos de ML.NET.
- Casos de carga de datos en el marco de ML.NET.
Preparación y adición de datos al marco 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 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 aprendizaje automático de ML.NET.
- Clasificaciones binarias y multiclase en ML.NET.
- Regresión en ML.NET.
- Agrupación de instancias de datos mediante clustering en ML.NET.
- Tarea de aprendizaje automático 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 específicas.
- Transformación de datos en ML.NET.
- Algoritmos para mejorar la precisión de los modelos de ML.NET.
Entrenamiento de modelos de aprendizaje automático en ML.NET.
- Construcción de un modelo de ML.NET.
- Métodos de ML.NET para entrenar un modelo de aprendizaje automático.
- División de conjuntos de datos para entrenamiento y prueba en ML.NET.
- Trabajo con diferentes atributos y casos de datos en ML.NET.
- Almacenamiento en caché de conjuntos de datos para el entrenamiento de modelos de ML.NET.
Evaluación de modelos de aprendizaje automático en ML.NET.
- Extracción de parámetros para reentrenamiento o inspección del modelo.
- Recopilación y registro de métricas de modelos de ML.NET.
- Análisis del rendimiento de un modelo de aprendizaje automático.
Inspección de datos intermedios durante los pasos de entrenamiento de modelos en ML.NET.
Uso de la importancia de características por permutación (PFI) para la interpretación de predicciones del modelo.
Guardado y carga de modelos entrenados de ML.NET.
- ITTransformer y DataViewScheme en ML.NET.
- Carga de datos almacenados local y remotamente.
- Trabajo con pipelines de modelos de aprendizaje automático en ML.NET.
Uso de un modelo entrenado de ML.NET para análisis de datos y predicciones.
- Configuración del pipeline de datos para predicciones del modelo.
- Predicciones únicas y múltiples en ML.NET.
Optimización y reentrenamiento de un modelo de aprendizaje automático de ML.NET.
- Algoritmos de ML.NET reentrenables.
- Carga, extracción y reentrenamiento de un modelo.
- Comparación de parámetros del modelo reentrenado con los del modelo anterior de ML.NET.
Integración de modelos de ML.NET con la nube.
- Implementación de un modelo de ML.NET con funciones de Azure y API web.
Solución de problemas.
Resumen y conclusiones.
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.
Público Objetivo
- Científicos de Datos.
- Desarrolladores de Aprendizaje Automático.
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 participando en el entrenamiento de Kubeflow, que se llevó a cabo de manera remota. Este entrenamiento me permitió consolidar mi conocimiento sobre los servicios de AWS, K8s y todas las herramientas de DevOps relacionadas con Kubeflow, que son las bases necesarias para abordar el tema adecuadamente. Quiero agradecer a Malawski Marcin por su paciencia y profesionalismo en la formación y los consejos sobre mejores prácticas. Malawski aborda el tema desde diferentes ángulos, utilizando diferentes herramientas de despliegue como Ansible, EKS kubectl y Terraform. Ahora estoy definitivamente convencido de que me dirijo hacia el campo de aplicación correcto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curso - Kubeflow
Traducción Automática
