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 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
- Determinación 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 aprendizaje automático
- Tareas de aprendizaje automático compatibles con la CLI de ML.NET
Adquisición y Carga de Datos desde Recursos para Aprendizaje Automático
- Utilización 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 para cargar datos en el marco de trabajo de ML.NET
Preparación e Incorporación de Datos al Marco de Trabajo de ML.NET
- Filtrado de modelos de datos mediante operaciones de filtro de ML.NET
- Trabajar 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 en ML.NET
Implementación de Algoritmos y Tareas de Aprendizaje Automático en ML.NET
- Clasificación binaria y multiclase en ML.NET
- Regresión en ML.NET
- Agrupamiento de instancias de datos con Clustering (Agrupamiento) en ML.NET
- Tarea de aprendizaje automático Detección de Anomalías
- Clasificación, Recomendación y Pronóstico en ML.NET
- Selección 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 de datos y casos en ML.NET
- Almacenamiento en caché de conjuntos de datos para el entrenamiento de modelos en ML.NET
Evaluación de Modelos de Aprendizaje Automático en ML.NET
- Extracción de parámetros para el reentrenamiento o inspección del modelo
- Recolección 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 del Modelo en ML.NET
Utilización de la Importancia de Características por Permutación (PFI) para la Interpretación de Predicciones del Modelo
Guardado y Carga de Modelos de ML.NET Entrenados
- ITTransformer y DataViewScheme en ML.NET
- Carga de datos almacenados local y remotamente
- Trabajo con tuberías (pipelines) de modelos de aprendizaje automático en ML.NET
Utilización de un Modelo de ML.NET Entrenado para Análisis y Predicciones de Datos
- Configuración de la tubería de datos para las predicciones del modelo
- Predicciones individuales 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 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 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
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
