Machine Learning (ML) har kommit från ett modeord som är trevligt att ha i din applikation till en måste-funktion som fungerar och tillför värde. Dataforskare utvecklar ML-modeller i olika ML-ramverk som TensorFlow, Scikit-learn, PyTorch, Azure ML, etc. Innan ML.NET blev tillgängligt för alla utvecklare krävde det att lägga till ML-funktionaliteten till .NET-applikationer kunskap i vissa ML-ramverk för att bygga och träna ML-modeller. Det krävde också ytterligare tid och ansträngning för att integrera den modellen i .NET-applikationer.
ML.NET gjorde det här jobbet mycket enklare för .NET-utvecklare med Model Builder, ett grafiskt Visual Studio-tillägg för att bygga, träna och distribuera anpassade ML-modeller. Genom att använda ML.NET:s modellbyggare och dess AutoML-funktionalitet kan utvecklare som inte har expertis inom maskininlärning, som jag, fortfarande utveckla och använda ML-modeller inom några minuter.
Om ML.NET
Innan vi dyker in i vårt exempel, låt oss prata lite om ML.NETs historia och dess nuvarande tillstånd.
ML.NET har sitt ursprung från 2002 års Microsoft Research-projekt som heter TMSN, som står för "test mining search and navigation." Senare döptes det om till TLC, "inlärningskoden." ML.NET-kriget härrör från TLC-biblioteket. Från början användes den på interna Microsoft-produkter.
Den första allmänt tillgängliga versionen ML.NET 1.0 släpptes 2019. Den inkluderade Model Builder-tillägget och funktionerna AutoML (Automated Machine Learning).
Den nuvarande versionen är 1.6.0. Mer information om alla utgåvor finns på den officiella ML.NET-utgivningssidan.
Några uppgifter vi kan göra med ML.NET är:
– Sentimentanalys
– Produktrekommendation
– Prisförutsägelse
– Kundsegmentering
– Objektdetektering
– Bedrägeriupptäckt
– Detektering av försäljningstopp
– Bildklassificering
– Försäljningsprognoser
Installera och konfigurera
Den minsta nödvändiga Visual Studio-versionen är 16.6.1. Följande steg görs på Visual Studio 16.9.2. Om du använder en annan version kan därför vissa detaljer vara annorlunda.
Installera ML.NET Model Builder
- Öppna Visual Studio Installer
- Kontrollera .NET-skrivbordsutvecklingen alternativ
- I den högra rutan expanderar du .NET desktop development> expandera Valfritt > kontrollera ML.NET Model Builder (förhandsgranskning)
Obs! ML.NET Model Builder är tillgängligt för .NET plattformsoberoende utveckling alternativ.
Aktivera ML.NET Model Builder i Visual Studio
- Gå till Verktyg > Alternativ > Miljö > Förhandsgranskningsfunktioner
- Kontrollera Aktivera ML.NET Model Builder kryssrutan
Bygga ML-modell
Högerklicka på projektet och välj Lägg till > Machine Learning
Välj ett scenario
Välj Textklassificering – vi kommer att lägga till en enkel funktion för sentimentanalys:
Välj Träningsmiljö
I vårt fall är det en lokal maskin.
Lägg till data
Vi kommer att använda ZIP-filen UCI Sentiment Labeled Sentences dataset tillgänglig för nedladdning.
Välj den utgång du vill förutsäga
I vårt fall är det den andra kolumnen så vi väljer col1 . Inmatningskolumnerna väljs automatiskt eftersom vi bara har två tillgängliga kolumner.
Träna modellen
Välj tid för träning och klicka på Starta träning :
Bilderna nedan visar resultatet och träningsresultaten:
Utvärdera modellen
Om vi skriver in var Janice trevlig i provdatainmatningen visar utdata att denna mening är positiv med 100 % säkerhet:
Om vi skriver in var Janice oförskämd i provdatainmatningen visar utdata att denna mening inte är positiv med 100 % säkerhet:
Distribuera och konsumera ML-modellen
Allt som återstår är att använda modellen vi bygger i vår applikation. Vi måste lägga till en referens till vårt ML-modellprojekt.
Dessutom måste vi installera Microsoft.ML från NuGet.
Microsoft.ML stöder endast x64 och x86 processorarkitektur. Se därför till att välja en av dessa när du bygger appen.
Och det är allt. Här kan vi se vår kod i aktion.
Slutsats
Hela processen från installation av ML.NET till den första applikationen med ML-funktionalitet kan göras på flera minuter. Naturligtvis är det ett mycket grundläggande exempel med det enda syftet att bli bekant med ML.NET-ramverket. Men även utan tidigare erfarenhet skulle jag kunna bygga en applikation som, med vissa justeringar och förbättringar, faktiskt kan fungera i ett verkligt scenario.
Som sagt, ML.NET är ett verktyg. Du kommer att kunna använda det mer effektivt med mer kunskap om maskininlärningsalgoritmer och principer.
Tack för att du håller dig till slutet och hoppas att du följer med oss i nästa artikel på ML.NET.