Machine Learning (ML) er kommet fra et buzzword, der er rart at have i din applikation, til en must-have funktion, der virker og tilføjer værdi. Dataforskere udvikler ML-modeller i forskellige ML-rammer som TensorFlow, Scikit-learn, PyTorch, Azure ML osv. Før ML.NET blev tilgængeligt for alle udviklere, krævede tilføjelse af ML-funktionaliteten til .NET-applikationer viden i nogle ML-frameworks for at bygge og træne ML-modeller. Det krævede også ekstra tid og kræfter at integrere denne model i .NET-applikationer.
ML.NET gjorde dette job meget lettere for .NET-udviklere med Model Builder, en grafisk Visual Studio-udvidelse til at bygge, træne og implementere brugerdefinerede ML-modeller. Ved at bruge ML.NET's Model Builder og dens AutoML-funktionalitet kan udviklere, der ikke har maskinlæringsekspertise, såsom mig selv, stadig udvikle og bruge ML-modeller inden for få minutter.
Om ML.NET
Før vi dykker ned i vores eksempel, lad os tale lidt om ML.NET-historien og dens nuværende tilstand.
ML.NET henter sin oprindelse fra 2002's Microsoft Research-projekt ved navn TMSN, som står for "test mining search and navigation." Senere blev det omdøbt til TLC, "læringskoden." ML.NET-krigen stammer fra TLC-biblioteket. Oprindeligt blev det brugt på interne Microsoft-produkter.
Den første offentligt tilgængelige version ML.NET 1.0 blev udgivet i 2019. Den inkluderede Model Builder-tilføjelsesprogrammet og AutoML-funktionerne (Automated Machine Learning).
Den nuværende version er 1.6.0. Flere detaljer om alle udgivelser kan findes på den officielle ML.NET-udgivelsesside.
Nogle opgaver vi kan udføre med ML.NET er:
– Følelsesanalyse
– Produktanbefaling
– Prisforudsigelse
– Kundesegmentering
– Objektdetektion
– Afsløring af svindel
– Registrering af salgsspidser
– Billedklassificering
– Salgsprognose
Installer og konfigurer
Den mindst nødvendige Visual Studio-version er 16.6.1. Følgende trin udføres på Visual Studio 16.9.2. Derfor, hvis du bruger en anden version, kan nogle detaljer være anderledes.
Installer ML.NET Model Builder
- Åbn Visual Studio Installer
- Tjek .NET desktop-udviklingen mulighed
- Udvid .NET desktop development> i ruden til højre udvide Valgfrit > tjek ML.NET Model Builder (preview)
Bemærk:ML.NET Model Builder er tilgængelig på .NET cross-platform udvikling mulighed.
Aktiver ML.NET Model Builder i Visual Studio
- Gå til Værktøjer > Valgmuligheder > Miljø > Forhåndsvisningsfunktioner
- Tjek Aktiver ML.NET Model Builder afkrydsningsfelt
Bygning af ML-model
Højreklik på projektet og vælg Tilføj > Machine Learning
Vælg et scenarie
Vælg Tekstklassificering – vi tilføjer en simpel følelsesanalysefunktion:
Vælg Træningsmiljø
I vores tilfælde er det en lokal maskine.
Tilføj data
Vi vil bruge UCI Sentiment Labeled Sentences datasæt ZIP-fil tilgængelig til download.
Vælg det output, du vil forudsige
I vores tilfælde er det den anden kolonne, så vi vælger col1 . Input-kolonnerne vælges automatisk, da vi kun har to tilgængelige kolonner.
Træn modellen
Vælg tidspunktet for at træne, og klik på Start træning :
Nedenstående billeder viser output og træningsresultater:
Evaluer modellen
Hvis vi indtaster var Janice sød i prøvedatainputtet viser outputtet, at denne sætning er positiv med 100 % sikkerhed:
Hvis vi indtaster var Janice uhøflig i prøvedatainputtet viser outputtet, at denne sætning ikke er positiv med 100 % sikkerhed:
Implementer og forbrug ML-modellen
Det eneste, der er tilbage, er at bruge den model, vi bygger i vores applikation. Vi skal tilføje en reference til vores ML-modelprojekt.
Vi skal også installere Microsoft.ML fra NuGet.
Microsoft.ML understøtter kun x64 og x86 processor arkitektur. Sørg derfor for at vælge en af dem, når du bygger appen.
Og det er alt. Her kan vi se vores kode i aktion.
Konklusion
Hele processen fra installation af ML.NET til den første applikation med ML-funktionalitet kan klares på flere minutter. Det er selvfølgelig et meget grundlæggende eksempel med det ene formål at blive fortrolig med ML.NET frameworket. Men selv uden forudgående erfaring kunne jeg bygge en applikation, der med nogle justeringer og forbedringer faktisk kan fungere i et virkeligt scenarie.
Når det er sagt, er ML.NET et værktøj. Du vil være i stand til at bruge det mere effektivt med mere viden om maskinlæringsalgoritmer og -principper.
Tak, fordi du holder dig til slutningen og håber, du vil slutte dig til os i den næste artikel om ML.NET.