ML.NET

Creado para desarrolladores de .NET

Con ML.NET, puede usar sus conocimientos de .NET existentes para integrar fácilmente ML en sus aplicaciones de .NET sin ninguna experiencia de ML anterior.

El ML personalizado es fácil con AutoML

ML.NET ofrece AutoML y herramientas productivas para ayudarle a crear, entrenar e implementar fácilmente modelos de ML personalizados de alta calidad.

Extendido con TensorFlow y más

ML.NET le permite aprovechar otras bibliotecas de ML populares como Infer.NET, TensorFlow y ONNX para escenarios de ML adicionales.

De confianza y probado a gran escala

Use el mismo marco de Azure Machine Learning que usan los productos reconocidos de Microsoft, como Power BI, Microsoft Defender, Outlook y Bing.

C#
F#

//Step 1. Create an ML Context
var ctx = new MLContext();

//Step 2. Read in the input data from a text file for model training
IDataView trainingData = ctx.Data
    .LoadFromTextFile<ModelInput>(dataPath, hasHeader: true);

//Step 3. Build your data processing and training pipeline
var pipeline = ctx.Transforms.Text
    .FeaturizeText("Features", nameof(SentimentIssue.Text))
    .Append(ctx.BinaryClassification.Trainers
        .LbfgsLogisticRegression("Label", "Features"));

//Step 4. Train your model
ITransformer trainedModel = pipeline.Fit(trainingData);

//Step 5. Make predictions using your trained model
var predictionEngine = ctx.Model
    .CreatePredictionEngine<ModelInput, ModelOutput>(trainedModel);

var sampleStatement = new ModelInput() { Text = "This is a horrible movie" };

var prediction = predictionEngine.Predict(sampleStatement);

//Step 1. Create an ML Context
let ctx = MLContext()

//Step 2. Read in the input data from a text file
let trainingData = ctx.Data.LoadFromTextFile<ModelInput>(dataPath, hasHeader=true)

//Step 3. Build your data processing and training pipeline
let scope = ctx.BinaryClassification.Trainers.LbfgsLogisticRegression("Label", "Features")
let pipeline = ctx.Transforms.Text.FeaturizeText("Features", "Text").Append(scope)

//Step 4. Train your model
let trainedModel = pipeline.Fit(trainingData)

//Step 5. Make predictions using your model
let predictionEngine = ctx.Model.CreatePredictionEngine<ModelInput, ModelOutput>(trainedModel)

let sampleStatement = { Label = false; Text = "This is a horrible movie" }

let prediction = predictionEngine.Predict(sampleStatement)

Creado para desarrolladores de .NET

Con ML.NET, puede crear modelos de ML personalizados mediante C# o F# sin tener que salir del ecosistema de .NET.

ML.NET le permite volver a usar todos los conocimientos, aptitudes, código y bibliotecas que ya tiene como desarrollador de .NET para que pueda integrar fácilmente el aprendizaje automático en sus aplicaciones web, móviles, de escritorio, de juegos y de IoT.

Profundizar más: ¿Qué es ML.NET?

Análisis de sentimiento

Analice la opinión de las opiniones de los clientes mediante un algoritmo de clasificación binaria.

Recomendación de producto

Recomendar productos basados en el historial de compras mediante un algoritmo de factorización de matriz.

Predicción de precios

Prediga tarifas de taxi en función de parámetros como la distancia recorrida mediante un algoritmo de regresión.

Segmentación de clientes

Identifique grupos de clientes con perfiles similares mediante un algoritmo de agrupación en clústeres.

Detección de objetos

Reconocimiento de objetos en una imagen mediante un modelo de aprendizaje profundo ONNX.

Detección de fraudes

Detecte transacciones fraudulentas de tarjetas de crédito mediante un algoritmo de clasificación binaria.

Detección de picos de ventas

Detecte picos y cambios en las ventas de productos mediante un modelo de detección de anomalías.

Clasificación de imágenes

Clasificar imágenes (por ejemplo, brócoli frente a pizza) mediante un modelo de aprendizaje profundo de TensorFlow.

Previsión de ventas

Pronostique las ventas futuras de los productos usando un algoritmo de regresión.

Puede encontrar más ejemplos de ML.NET en GitHub, o echar un vistazo a los tutoriales de ML.NET.

El ML personalizado es fácil con AutoML

ML.NET ofrece Model Builder (una sencilla herramienta de interfaz de usuario) y CLI de ML.NET para facilitar la creación de modelos de ML personalizados.

Estas herramientas usan ML automatizado (AutoML), una tecnología de vanguardia que automatiza el proceso de creación de modelos de mejor rendimiento para su escenario de Machine Learning. Lo único que tiene que hacer es cargar los datos y AutoML se encarga del resto del proceso de creación del modelo.

Explorar ML.NET Model Builder

Model Builder
Línea de comandos

ML.NET Model Builder proporciona una interfaz visual para crear modelos de aprendizaje automático en Visual Studio.

ML.NET detectó dos perros en la foto, mediante ONNX

ML.NET ha detectado un hombre y una bicicleta en la foto mediante ONNX

ML.NET detectó un barco en la foto mediante ONNX

ML.NET ha detectado un coche y tres personas en la foto, mediante ONNX

ML.NET detectó un televisor, una botella de agua y una silla en la foto, mediante ONNX

ML.NET detectó una planta en maceta y un sofá en la foto, mediante ONNX

Ver código de ejemplo en GitHub

Extendido con TensorFlow y más

ML.NET se ha diseñado como una plataforma extensible para que pueda consumir otros marcos de ML populares (TensorFlow, ONNX, Infer.NET, etc.) y tener acceso a incluso más escenarios de aprendizaje automático, como la clasificación de imágenes, la detección de objetos, etc.

Datos extraídos de la ponencia Machine Learning at Microsoft with ML.NET. Resultados del análisis de sentimientos, usando ~900 MB de un conjunto de datos de reseñas de Amazon. Una mayor precisión y un menor tiempo de ejecución son mejores.

Alto rendimiento y precisión

Con un conjunto de datos de revisión de Amazon de 9 GB, ML.NET entrenó un modelo de análisis de opiniones con un 95 % de precisión. Otros marcos de aprendizaje automático populares no pudieron procesar el conjunto de datos debido a errores de memoria. Entrenando en el 10 % del conjunto de datos, para permitir que todos los marcos completen el entrenamiento, ML.NET demostró la mayor velocidad y precisión.

La evaluación de rendimiento encontró resultados similares en otros escenarios de aprendizaje automático, incluida la predicción de velocidad de clics y la predicción de retraso de vuelos.

Lea el documento de rendimiento de ML.NET