självstudier för ML.NET

I följande självstudier kan du förstå hur du använder ML.NET för att skapa anpassade maskininlärningslösningar och integrera dem i dina .NET-program:

• Attitydanalys: visar hur du tillämpar en binär klassificeringsuppgift med hjälp av ML.NET.
• GitHub problemklassificering: visar hur du tillämpar en klassificeringsuppgift med flera klasser med hjälp av ML.NET.
• Prisutdiktor: visar hur du tillämpar en regressionsuppgift med hjälp av ML.NET.
• Iris-klustring: visar hur du använder en klustringsaktivitet med hjälp av ML.NET.
• Rekommendation: generera filmrekommendationer baserat på tidigare användarklassificeringar
• Bildklassificering: visar hur du tränar om en befintlig TensorFlow-modell för att skapa en anpassad bildklassificerare med hjälp av ML.NET.
• Avvikelseidentifiering: visar hur du skapar ett program för avvikelseidentifiering för produktförsäljningsdataanalys.
• Identifiera objekt i bilder: visar hur du identifierar objekt i bilder med hjälp av en förtränad ONNX-modell.
• Klassificera sentiment för filmrecensioner: lär dig att läsa in en förtränad TensorFlow-modell för att klassificera sentimentet i filmrecensioner.

Nästa steg

Fler exempel som använder ML.NET finns på lagringsplatsen dotnet/machinelearning-samples GitHub.