руководства по ML.NET

В следующих руководствах показано, как использовать ML.NET для создания пользовательских решений машинного обучения и их интеграции в приложения .NET:

• Анализ тональности: примените задачу двоичной классификации с помощью ML.NET.
• Классификация проблем GitHub: применение задачи многоклассовой классификации с помощью ML.NET.
• Прогнозировщик цен. Применение задачи регрессии с помощью ML.NET.
• Кластеризация Iris: применение задачи кластеризации с помощью ML.NET.
• Рекомендация. Создание рекомендаций по фильму на основе предыдущих оценок пользователей
• Классификация изображений: переобучение существующей модели TensorFlow для создания пользовательского классификатора изображений с помощью ML.NET.
• Обнаружение аномалий: создание приложения обнаружения аномалий для анализа данных о продажах продуктов.
• Обнаружение объектов в изображениях: обнаружение объектов в изображениях с помощью предварительно обученной модели ONNX.
• Классифицируйте изображение из модели Custom Vision ONNX: обнаружение объектов в изображениях с помощью модели ONNX, обученной в службе Пользовательского визуального распознавания Майкрософт.
• Классификация тональности отзывов фильмов: загрузите предварительно обученную модель TensorFlow, чтобы классифицировать тональность обзоров фильмов.

Дальнейшие шаги

Дополнительные примеры, использующие ML.NET, см. в репозитории dotnet/machinelearning-samples GitHub.