Vad är en maskininlärningsmodell?

En maskininlärningsmodell är ett objekt (lagras lokalt i en fil) som har tränats att identifiera vissa typer av mönster. Du tränar en modell över en uppsättning data, vilket ger den en algoritm som den kan använda för att resonera över och lära sig av dessa data.

När du har tränat modellen kan du använda den för att resonera över data som den inte har sett tidigare och göra förutsägelser om dessa data. Anta till exempel att du vill skapa ett program som kan känna igen en användares känslor baserat på deras ansiktsuttryck. Du kan träna en modell genom att ge den bilder av ansikten som var och en taggas med en viss känsla, och sedan kan du använda modellen i ett program som kan känna igen alla användares känslor.

När du ska använda Machine Learning

Bra maskininlärningsscenarier har ofta följande vanliga egenskaper:

1. De omfattar ett upprepat beslut eller en utvärdering som du vill automatisera och behöver konsekventa resultat.
2. Det är svårt eller omöjligt att uttryckligen beskriva lösningen eller kriterierna bakom ett beslut.
3. Du har märkt data eller befintliga exempel där du kan beskriva situationen och mappa den till rätt resultat.

Windows Machine Learning använder Open Neural Network Exchange (ONNX) format för sina modeller. Du kan ladda ned en förtränad modell eller träna din egen modell. Se Hämta ONNX-modeller för Windows ML för mer information.

Sätta igång

Du kan komma igång med Windows Machine Learning genom att följa en av våra fullständiga apphandledningar eller hoppa direkt till exemplen för Windows Machine Learning.

Anteckning

Använd följande resurser för hjälp med Windows ML:

• Om du vill ställa eller besvara tekniska frågor om Windows ML använder du taggen windows-machine-learning på Stack Overflow-.
• Om du vill rapportera en bugg, skicka in en felrapport på vår GitHub-sida .