Co je Model Builder?

  • 4 min

Strojové učení je technika, která používá matematiku a statistiku k identifikaci vzorů v datech bez explicitního naprogramování. Model Builder je grafické rozšíření sady Visual Studio pro trénování a nasazování vlastních modelů strojového učení pomocí ML.NET.

Screenshot that shows the Model Builder Visual Studio extension for M L dot NET.

Řekněme například, že chcete předpovědět cenu domu. Pokud k odhadu ceny používáte jednu funkci, například velikost domu ve čtverečních stopách, pravděpodobně byste mohli naprogramovat heuristika, která koreluje větší domy s vyšší cenou.

Graph that shows a linear regression model for house price.

Svět ale není vždycky tak jednoduchý. Mnoho proměnných ovlivňuje cenu domu. V takových případech může být obtížné přijít s jednoduchou heuristikou, která zachycuje hraniční případy, a strojové učení může být lepším řešením.

Při strojovém učení místo explicitně programovacích pravidel použijete historická data k identifikaci těchto pravidel na základě skutečných pozorování. Vzory nalezené prostřednictvím strojového učení se pak používají k vytvoření artefaktu označovaného jako model k vytváření předpovědí pomocí nových a dříve nezodpovězených dat.

ML.NET je opensourcová multiplatformní architektura strojového učení pro .NET. Takže můžete použít své stávající dovednosti v .NET a používat nástroje, které znáte (jako je Visual Studio) k trénování modelů strojového učení.

Jaké typy problémů můžu vyřešit pomocí Tvůrce modelů?

Tvůrce modelů můžete použít k řešení mnoha běžných problémů se strojově učením, například:

  • Kategorizace dat: Uspořádejte příspěvky podle témat.
  • Předpověď číselné hodnoty: Odhad ceny domu
  • Seskupení položek s podobnými vlastnostmi: Segmentace zákazníků
  • Doporučené položky: Doporučte filmy.
  • Klasifikace obrázků: Označte obrázek na základě jeho obsahu.
  • Detekce objektů na obrázku: Rozpoznává chodce a jízdní kola v průsečíku.

Jak můžu vytvářet modely pomocí Tvůrce modelů?

Obecně platí, že proces přidávání modelů strojového učení do vašich aplikací se skládá ze dvou kroků: trénování a spotřeby.

Školení

Trénování je proces použití algoritmů na historická data k vytvoření modelu, který zachycuje základní vzory. Model pak můžete použít k předpovědím na nových datech.

Tvůrce modelů používá automatizované strojové učení (AutoML) k nalezení nejlepšího modelu pro vaše data. AutoML automatizuje proces použití strojového učení na data. V datové sadě můžete spustit experiment AutoML, který iteruje různé transformace dat, algoritmy strojového učení a nastavení a pak vybere nejlepší model.

K používání Tvůrce modelů nepotřebujete odborné znalosti strojového učení. Potřebujete jen nějaká data a problém, který je potřeba vyřešit.

Proces trénování modelu se skládá z následujících kroků:

  1. Zvolte scénář: Jaký problém se pokoušíte vyřešit? Zvolený scénář závisí na datech a na tom, co se pokoušíte předpovědět.
  2. Zvolte prostředí: Kde chcete model vytrénovat? V závislosti na dostupných výpočetních prostředcích, nákladech, požadavcích na ochranu osobních údajů a dalších faktorech se můžete rozhodnout trénovat modely místně na počítači nebo v cloudu.
  3. Načtení dat: Načtěte datovou sadu, která se má použít pro trénování. Definujte sloupce, které chcete předpovědět, a pak zvolte sloupce, které chcete použít jako vstupy pro predikci.
  4. Trénování modelu: Nechte AutoML zvolit nejlepší algoritmus pro datovou sadu na základě zvoleného scénáře.
  5. Vyhodnocení modelu: Pomocí metrik můžete vyhodnotit, jak dobře model funguje, a vytvářet předpovědi pro nová data.

Využití

Po vytrénování modelu strojového učení je čas ho použít k vytváření předpovědí. Consumption je proces použití natrénovaného modelu strojového učení k vytváření předpovědí na nových a dříve nezoznaných datech. Pomocí Tvůrce modelů můžete využívat modely strojového učení z nových a stávajících projektů .NET.

Modely strojového učení založené na ML.NET se serializují a ukládají do souboru. Soubor modelu se pak dá načíst do libovolné aplikace .NET a použít k předpovědím prostřednictvím rozhraní API ML.NET. Mezi tyto typy aplikací patří:

  • Webové rozhraní API ASP.NET Core
  • Azure Functions
  • Blazor
  • Windows Presentation Foundation (WPF) nebo model Windows Forms (WinForms)
  • Konzola
  • Knihovna tříd

V další lekci se dozvíte o procesu trénování modelu strojového učení v Tvůrci modelů.